¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Machinelearning
Ir al canal en Telegram
Погружаемся в машинное обучение и Data Science Показываем как запускать любые LLm на пальцах. По всем вопросам - @haarrp @itchannels_telegram -🔥best channels Реестр РКН: clck.ru/3Fmqri
Mostrar más📈 Análisis del canal de Telegram Machinelearning
El canal Machinelearning (@ai_machinelearning_big_data) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 293 687 suscriptores, ocupando la posición 327 en la categoría Tecnologías y Aplicaciones y el puesto 1 276 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 293 687 suscriptores.
Según los últimos datos del 01 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 444, y en las últimas 24 horas de -235, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.55%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.55% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 22 202 visualizaciones. En el primer día suele acumular 16 311 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 172.
- Intereses temáticos: El contenido se centra en temas clave como openai, claude, api, gemini, контекст.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Погружаемся в машинное обучение и Data Science
Показываем как запускать любые LLm на пальцах.
По всем вопросам - @haarrp
@itchannels_telegram -🔥best channels
Реестр РКН: clck.ru/3Fmqri”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 02 julio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
293 687
Suscriptores
-23524 horas
-1 5517 días
-6 44430 días
Archivo de publicaciones
293 631
🎉 24 мая в Москве наградили молодых ученых и их наставников, занимающихся научной работой в области компьютерных наук. Поздравляем лауреатов премии имени Ильи Сегаловича! 🎉
Каждый из них получит по 1 миллиону рублей, который будет можно потратить на собственные исследования. В этом году Совет премии отметил шесть исследователей из НИУ ВШЭ, МФТИ и Сколковского института науки и технологий.
⚠️ Узнайте больше о тех, кто получил премию, и как принять в ней участие: https://clck.ru/V3QDF
293 631
🔥 Awesome list of datasets in 100+ categories
44 zettabytes of data
https://www.kdnuggets.com/2021/05/awesome-list-datasets.html
@ai_machinelearning_big_data
293 631
📕 Font Style that Fits an Image -- Font Generation Based on Image Context
Github: https://github.com/Taylister/FontFits
Paper: https://arxiv.org/abs/2105.08879v1
Dataset creation: https://github.com/Taylister/TGNet-Datagen
@ai_machinelearning_big_data
293 631
💥DatasetGAN: Efficient Labeled Data Factory with Minimal Human Effort
Github: https://nv-tlabs.github.io/datasetGAN/
Article: https://www.infoq.com/news/2021/05/nvidia-dataset-generator/
Ru: https://neurohive.io/ru/novosti/datasetgan-generator-sinteticheskih-annotirovannyh-datasetov-nvidia/
@ai_machinelearning_big_data
293 631
📷 NeRF Meta Learning With PyTorch
Given a single input view, meta-initialized NeRF can generate a 360-degree video.
Github: https://github.com/sanowar-raihan/nerf-meta
Paper: https://arxiv.org/abs/2012.02189
Original Project Page: https://www.matthewtancik.com/learnit
Official JAX Implementation: https://github.com/tancik/learnit
@ai_machinelearning_big_data
293 631
Погрузитесь в продвинутые инструменты Machine Learning!
Начните обучение уже 27 мая с демо-занятия «О чем говорят депутаты или тематическое моделирование Госдумы».
На занятии вы проанализируете открытые данные при помощи ML. Узнаете, о чем за последние 20+ лет говорили депутаты российских партий, как можно по топикам выступлениям проследить за изменениями, происходившими в обществе и при чём здесь лемматизация и когерентность.
Демо-занятие является частью онлайн-курса «Machine Learning. Advanced» в OTUS, где вас ждет еще больше увлекательных проектов и полезнейших технологий.
Для регистрации на урок пройдите вступительный тест https://otus.pw/9VnPw/
293 631
🧠 Teaching AI how to forget at scale
Video: https://www.youtube.com/watch?v=hI6iJmPgm_k&ab_channel=FacebookAIFacebookAI
Facebook AI: https://ai.facebook.com/blog/teaching-ai-how-to-forget-at-scale/
Github: https://github.com/facebookresearch/transformer-sequential
Paper: https://ai.facebook.com/research/publications/not-all-memories-are-created-equal
@ai_machinelearning_big_data
293 631
Многослойная нормализация: новый метод улучшения эффективности нейронных сетей
https://neurohive.io/ru/novosti/mnogoslojnaya-normalizaciya-novyj-metod-uluchsheniya-effektivnosti-nejronnyh-setej/
En: https://www.frontiersin.org/articles/10.3389/fnins.2021.626277/full
@machinelearning_ru
293 631
🚘 Highway-env
A collection of environments for autonomous driving and tactical decision-making tasks
Github: https://github.com/eleurent/highway-env
Documentation: https://highway-env.readthedocs.io/en/latest/
Paper: https://arxiv.org/abs/2105.05701v1
@ai_machinelearning_big_data
293 631
🤖 Conversational AI Chatbot with Transformers in Python
https://www.thepythoncode.com/article/conversational-ai-chatbot-with-huggingface-transformers-in-python
Code: https://www.thepythoncode.com/code/conversational-ai-chatbot-with-huggingface-transformers-in-python
Text to speech: https://www.thepythoncode.com/article/convert-text-to-speech-in-python
@ai_machinelearning_big_data
293 631
Как добиться, чтобы модели Machine Learning приносили пользу?
Научитесь делать код модели удобным и поддерживаемым с помощью пайплайнов. 24-25 мая OTUS приглашает на открытый интенсив «Деплой ML модели: от грязного кода в ноутбуке к рабочему сервису». В первый день вы разберетесь, как сохранять обученные модели на диск и развернуть модель в качестве микросервиса. Всё это позволит перейти от набросков в ноутбуке к приносящему пользу сервису. Во второй день вы превратите чужой код модели в работающий микросервис.
После интенсива вы сможете продолжить обучение на онлайн-курсе «Machine Learning. Professional» по спец.цене.
Для регистрации на занятие пройдите вступительный тест https://otus.pw/bX2s/
293 631
⚽️ Advancing sports analytics through AI research
🔥 Deepmind blog : https://deepmind.com/blog/article/advancing-sports-analytics-through-ai
A Dataset and Benchmarks: https://soccer-net.org/
Dataset: https://github.com/statsbomb/open-data
Paper: https://sites.google.com/view/ijcai-aisa-2021/
@ai_machinelearning_big_data
293 631
💬 How to Fine Tune BERT for Text Classification using Transformers in Python
https://www.thepythoncode.com/article/finetuning-bert-using-huggingface-transformers-python
Code: https://www.thepythoncode.com/code/finetuning-bert-using-huggingface-transformers-python
Dataset: https://scikit-learn.org/0.19/datasets/twenty_newsgroups.html
@ai_machinelearning_big_data
293 631
Готовы прокачивать свои навыки Machine Learning?
Тогда ждем вас 17 мая на демо-занятии «Кластеризация временных рядов» в OTUS.
Вместе с Дмитрием Сергеевым, Senior Data Scientist и автором онлайн-курса «Machine learning. Advanced», вы разберете интереснейшую задачу, связанную с временными рядами.
Можно ли найти похожие друг на друга по динамике финансовые активы на бирже, как сгруппировать пользователей по их поведению, кто подставил кролика Роджера? Ответы на некоторые из этих вопросов получим на занятии.
Для участия пройдите вступительный тест https://otus.pw/4ajS/
293 631
🔥 Synthesizing Light Field From a Single Image with Variable MPI and Two Network Fusion
Github: https://github.com/Turmac/light_field_synthesis
Project: https://people.engr.tamu.edu/nimak/Papers/SIGAsia2020_LF/index.html
Ru: https://neurohive.io/ru/novosti/two-cnn-for-photos/
Paper: https://people.engr.tamu.edu/nimak/Papers/SIGAsia2020_LF/resource/SIGGRAPH_2020_Light_Field_Authors_version.pdf
Dataset: https://drive.google.com/file/d/1oHywOJAAYm8YrSH5mDubjTAwN8jrCC9y/view
@ai_machinelearning_big_data
293 631
20 мая Сбер впервые проведет масштабную технологическую конференцию SmartDev, чтобы рассказать о максимуме возможностей для разработчиков и всего техно-сообщества.
💥 3000+ участников.
💥 50+ спикеров.
💥 6 параллельных стримов от техно-активов Сбера.
💥 Dev to dev.
На стриме платформы ML Space, эксперты и грандмастера Kaggle расскажут о возможностях ML Space — единственной облачной платформе в мире, позволяющей организовать распределенное обучение на 1000+ GPU. Впервые для российских разработчиков будут представлены новые модули платформы и инструменты oneAPI от Intel.
Конференция пройдет онлайн, участие бесплатное, по предварительной регистрации на сайте.
293 631
Image classification with TensorFlow Lite Model Maker
https://www.tensorflow.org/lite/tutorials/model_maker_image_classification
⚙ Code
💻 Colab
@ai_machinelearning_big_data293 631
🚀 This is an open source toolkit called s3prl, which stands for Self-Supervised Speech Pre-training and Representation Learning
Github: https://github.com/s3prl/s3prl
Paper: https://arxiv.org/abs/2105.01051v1
@ai_machinelearning_big_data
293 631
🔖 Как с нуля сделать первые шаги в Data Science? Персональный ментор, практика, приближенная к реальным задачам начинающего дата сайентиста, грамотно подобранный стек навыков — про все это поговорим 13 мая с Дмитрием Сергеевым, Senior Data Scientist в Oura.
Дмитрий расскажет о том, что нужно освоить, чтобы претендовать на позиции junior специалиста Machine Learning, и представит 4-х месячную базовую программу подготовки от OTUS.
🔗 Регистрируйтесь на вебинар и готовьте свои вопросы о перспективах и карьере в Data Science https://otus.pw/EskQ/
293 631
🔥Self-Supervised Vision Transformers with DINO
Github: https://github.com/facebookresearch/dino
Facebook blog: https://ai.facebook.com/blog/dino-paws-computer-vision-with-self-supervised-transformers-and-10x-more-efficient-training
Paper: https://arxiv.org/abs/2104.14294
@ai_machinelearning_big_data
