¡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 293 879 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 293 879 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.
293 879
Suscriptores
-23524 horas
-1 5517 días
-6 44430 días
Archivo de publicaciones
293 714
🧍♂ PASS: Pictures without humAns for Self-Supervised Pretraining
PASS is a large-scale image dataset that does not include any humans, human parts, or other personally identifiable information.
Github: https://github.com/yukimasano/PASS
Paper: https://arxiv.org/abs/2109.13228v1
Dataset: https://paperswithcode.com/dataset/pass
Documentation: https://www.robots.ox.ac.uk/~vgg/research/pass/
@ai_machinelearning_big_data
293 714
AlphaRotate: A Rotation Detection Benchmark using TensorFlow
Github: https://github.com/yangxue0827/RotationDetection
Paper: https://arxiv.org/abs/2109.11906v1
Dataset: https://paperswithcode.com/dataset/dota
Documentation: https://rotationdetection.readthedocs.io/en/latest/
@ai_machinelearning_big_data
293 714
Unseen Object Amodal Instance Segmentation (UOAIS)
Github: https://github.com/gist-ailab/uoais
Paper: https://arxiv.org/abs/2109.11103
Dataset: https://paperswithcode.com/dataset/ocid
Project: https://sites.google.com/view/uoais
@ai_machinelearning_big_data
293 714
🦄 1inch : app that which will help you enter the world of crypto
App Store: 1inch DeFi Wallet
Buy crypto for fiat: https://jn3rg.app.link/fooJGL92Ajb
Telegram community: https://t.me/OneInchNetworkChan
@ai_machinelearning_big_data
293 714
📥 Don’t be Contradicted with Anything!CI-ToD: Towards Benchmarking Consistency for Task-oriented Dialogue System
Github: https://github.com/yizhen20133868/ci-tod
Paper: https://arxiv.org/abs/2109.11292v1
Dataset: https://paperswithcode.com/dataset/kvret-1
@ai_machinelearning_big_data
293 714
🚀 Building AI that can generate images of things it has never seen before
Github: https://github.com/facebookresearch/ic_gan
Facebook Ai: https://ai.facebook.com/blog/instance-conditioned-gans/
Documents: https://facebookresearch.github.io/CompilerGym/
Paper: https://arxiv.org/abs/2109.05070
@ai_machinelearning_big_data
293 714
Data Science - большой бум в IT-сфере.
Специалисты этой области являются одними и самых востребованных, зарабатывают +200к в месяц и их все еще не хватает на рынке! Вливайся, пока ниша еще не переполнена и у тебя есть возможность стремительно вырасти!
Если ты только начинаешь свой путь в DataSience или застрял на месте и не знаешь, как и куда расти дальше -
приходи на бесплатный интенсив от ProductStar «От 0 до +200к в месяц: Карьерный план для Data Science».
Ребята развеют все твои сомнения, ответят на самые насущные вопросы и даже помогут выстроить карьерный план!
Ты узнаешь:
- Топ-5 ошибок новичков на старте, из-за которых карьера сильно замедляется
- Фишки и секреты быстрой прокачки навыков, необходимых для роста в Data Science
- Сколько можно получать на старте, сколько через год, какой потолок?
- Как устроиться на первую работу? Как правильно выбирать компанию?
А также получишь доступ к отдельному чату с единомышленниками
Когда состоится:
23 сентября в 19:00
Регистрируйся и взбирайся вверх по карьерной лестнице: https://is.gd/0ejFpM
293 714
🤖 CompilerGym: Robust, Performant Compiler Optimization Environments for AI Research
CompilerGym is a library of easy to use and performant reinforcement learning environments for compiler tasks.
Github: https://github.com/facebookresearch/CompilerGym
Documents: https://facebookresearch.github.io/CompilerGym/
Paper: https://arxiv.org/abs/2109.08267v1
@ai_machinelearning_big_data
293 714
Language Models are Few-shot Multilingual Learners
Github: https://github.com/gentaiscool/few-shot-lm
Paper: https://arxiv.org/abs/2109.07684v1
@ai_machinelearning_big_data
293 714
Dynamic Slimmable Network (DS-Net)
Github: https://github.com/M3DV/AlignShift
Paper: https://arxiv.org/abs/2109.10060v1
@ArtificialIntelligencedl
293 714
📚 The Machine & Deep Learning Compendium Open Book
https://book.mlcompendium.com/
GitBook: https://github.com/orico/www.mlcompendium.com
@ai_machinelearning_big_data
293 714
❓ Simple Entity-Centric Questions Challenge Dense Retrievers
Github: https://github.com/princeton-nlp/entityquestions
Paper: https://arxiv.org/abs/2109.08535v1
Dataset: https://paperswithcode.com/dataset/natural-questions
@ai_machinelearning_big_data
293 714
📄 Revisiting Mask-Head Architectures for Novel Class Instance Segmentation
https://ai.googleblog.com/2021/09/revisiting-mask-head-architectures-for.html
DeepMAC model: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/deepmac.md
Paper: https://arxiv.org/abs/2104.00613
@ai_machinelearning_big_data
293 714
Вашему стартапу нужна поддержка?
Акселератор MTS AI объявляет новый набор!
Попав в акселератор, ваш проект получает глубокую техническую и бизнес-экспертизу, тестирование на реальных потребителях, а также возможность финансирования, в том числе за счет различных инвесторов.
Команда стартапа сможет проверять свои гипотезы и ИИ-алгоритмы с помощью суперкомпьютера. А еще получит бесценную поддержку со стороны успешных предпринимателей и экспертов из Apple, Facebook, Google, Samsung, Nvidia, с опытом работы в США, Китае, Израиле и странах Европы.
Чтобы попасть в Акселератор MTS AI, отправляйте заявку до конца сентября сюда
Carpe Diem!293 714
☄️ Uncertainty-Aware Machine Translation Evaluation
Code: https://github.com/Unbabel/COMET
Paper: https://arxiv.org/abs/2109.06352v1
Documentation: https://unbabel.github.io/COMET/html/index.html
@ai_machinelearning_big_data
293 714
DensePhrases is an extractive phrase search tool based on your natural language inputs
Github: https://github.com/princeton-nlp/DensePhrases
Paper: https://arxiv.org/abs/2109.08133v1
Dataset: https://paperswithcode.com/dataset/squad
@ai_machinelearning_big_data
293 714
🗳 Image Shape Manipulation from a Single Augmented Training Sample
Github: https://github.com/eliahuhorwitz/DeepSIM
Paper: https://arxiv.org/abs/2109.06151v1
Dataset: https://paperswithcode.com/dataset/cityscapes
Project: http://www.vision.huji.ac.il/deepsim
@ai_machinelearning_big_data
293 714
Рынку требуются специалисты по Data Science уровня PRO! Обучение берём на себя, подходит даже новичкам!
Что ждет новичка в этой профессии:
-Очень высокая востребованность. Существует «кадровый голод» в этой области. По данным HeadHunter 500 компаний, включая Сбербанк, «Яндекс» и «Тинькофф», ищут специалистов по Data Science даже без опыта.
-Уровень зарплаты вас приятно удивит. Ещё бы, при такой востребованности! 100 000 рублей - зарплата начинающего специалиста.
-Профессия Data Scientist будет в топе актуальных ещё пару ваших жизней точно, потому что Big Data — это то, от чего в ближайшее столетие не откажутся ни наука, ни экономика, ни бизнес.
-Дата-сайентисту открывается доступ к большим объёмам данных. Эти специалисты могут работать на благо науки и бизнеса, делать прогнозы, к примеру на курс доллара и обвал акций, персонализировать рекламу.
Переходите по ссылке: https://clc.to/GSuWhw, чтобы зарегистрироваться на курс или получить бесплатную консультацию
293 714
📖 Physics-Based Deep Learning
Book: https://www.physicsbaseddeeplearning.org/intro.html
Github: https://github.com/thunil/Physics-Based-Deep-Learning
Deep-Flow-Prediction: https://github.com/thunil/Deep-Flow-Prediction
Paper: https://arxiv.org/abs/2109.05237v1
@ai_machinelearning_big_data
293 714
🔧 Neural Networks Block Movement Pruning
Code: https://github.com/huggingface/nn_pruning
Paper: https://arxiv.org/abs/2109.04838v1
Documentation: https://github.com/huggingface/nn_pruning/blob/main/docs/HOWTO.md
@ai_machinelearning_big_data
