¡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
293 877
Исследователи в области компьютерных наук могут получить миллион рублей от Яндекса!
До 20 марта открыт прием заявок на научную премию имени Ильи Сегаловича. Подать заявку могут студенты, аспиранты и научные руководители, которые занимаются распознаванием и синтезом речи, информационным поиском, машинным обучением, компьютерным зрением, обработкой естественного языка и машинным переводом.
Лауреаты премии получат:
— один миллион рублей
— оплачиваемую поездку на международную конференцию по AI
— гранты на использование сервисов Яндекс.Толока и Yandex DataSphere для своих исследований
Подробности по ссылке: https://clck.ru/amsXS
293 877
🔉 PortaSpeech: Portable and High-Quality Generative Text-to-Speech
Github: https://github.com/keonlee9420/PortaSpeech
Paper: https://arxiv.org/pdf/2109.15166v4.pdf
Dataset: https://paperswithcode.com/dataset/ljspeech
@ai_machinelearning_big_data
293 877
📎 When Shift Operation Meets Vision Transformer: An Extremely Simple Alternative to Attention Mechanism
Github: https://github.com/microsoft/SPACH
Paper: https://arxiv.org/abs/2201.10801v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
293 877
⚪ Pearl: Parallel Evolutionary and Reinforcement Learning Library
Github: https://github.com/locuslab/convmixer
Paper: https://arxiv.org/pdf/2201.09568v1.pdf
@ai_machinelearning_big_data
293 877
Как устроены рекомендательные системы фильмов, музыки и лент в соц.сетях?
10 февраля в 18:00 пройдет открытый вебинар «Recommend or not recommend? Препарируем рекомендательные системы». На занятии вместе с Марией Тихоновой, Senior Data Scientist в Сбере, мы обсудим классические подходы к построению рекомендательных систем и реализуем один из них своими руками. Вы узнаете о готовых инструментах, которые позволяют создать рекомендашку в пару строк кода.
После урока вы сможете продолжить обучение на онлайн-курсе «Machine Learning. Professional» в OTUS по спец.цене.
Для регистрации на занятие пройдите вступительный тест https://otus.pw/pfbg/
293 877
ConvMixer, an extremely simple model that is similar in spirit to the ViT and the even-more-basic MLP-Mixer
Github: https://github.com/locuslab/convmixer
Paper: https://arxiv.org/pdf/2201.09792v1.pdf
@ai_machinelearning_big_data
293 877
Курс «Аналитик данных» от Яндекс.Практикума — для тех, кто хочет освоить анализ данных с нуля и начать карьеру в IT.
За шесть месяцев студенты научатся:
— Выгружать, преобразовывать и очищать данные с помощью SQL-запросов.
— Создавать дашборды с помощью Tableau и других инструментов.
— Запускать А/В-тестирования для проверки гипотез.
— Рассчитывать ключевые метрики работы компании и оценивать их значимость.
— Решать бизнес-кейсы и взаимодействовать с командой.
Студенты будут работать над реальными задачами аналитиков: например, вычислят рыночную стоимость недвижимости в городе или определят самые популярные игровые направления. Применять теорию на практике будут под руководством профессионалов — аналитиков данных из Яндекса и других крупных IT-компаний.
А ещё студенты:
— изучат теорию и напишут код в интерактивном тренажёре,
— добавят в своё портфолио 13 реальных исследований для бизнеса,
— получат диплом о повышении квалификации,
— научатся писать резюме и проходить собеседования под руководством HR-специалистов.
Кураторы и команда поддержки помогут учиться регулярно, а найти единомышленников можно будет в сообществе одногруппников.
Пройдите бесплатный вводный модуль, чтобы понять, подходит ли вам обучение или нет.
293 877
🔥 The first high-performance self-supervised algorithm that works for speech, vision, and text
Github: https://github.com/pytorch/fairseq/tree/main/examples/data2vec
Paper: https://ai.facebook.com/research/data2vec-a-general-framework-for-self-supervised-learning-in-speech-vision-and-language
Meta AI: https://ai.facebook.com/blog/the-first-high-performance-self-supervised-algorithm-that-works-for-speech-vision-and-text/
@ai_machinelearning_big_data
293 877
🔝 Omnivore: A Single Model for Many Visual Modalities
Github: https://github.com/facebookresearch/omnivore
Code: https://github.com/facebookresearch/omnivore/blob/main/inference_tutorial.ipynb
Paper: https://arxiv.org/abs/2201.08377
Dataset: https://paperswithcode.com/dataset/epic-kitchens-100
@ai_machinelearning_big_data
293 877
🚨 Как и где узнать актуальную информацию о конференциях из мира Big Data Science? Где узнавать интересные факты о жизни Data Science?
⚠️ Ответы на эти и другие вопросы возможно получить на канале Big Data Science [RU].
Также вы сможете:
📊 получить полезные советы для аналитиков
📆 анонсы митапов и хакатонов
📩 ссылки на статьи международных изданий
📚 рекомендации на полезные DS – инструменты
🗄 и множество другой полезной информации из жизни DS
Чтобы быть в курсе актуальной информации достаточно начать читать канал Big Data Science [RU].
Переходите по указанной ссылке и получите больше информации
👉🏻 https://t.me/bdscience_ru
293 877
💡 Introducing StylEx: A New Approach for Visual Explanation of Classifiers
Github: https://explaining-in-style.github.io/
Code: https://github.com/google/explaining-in-style
Article: https://ai.googleblog.com/2022/01/introducing-stylex-new-approach-for.html
Video: https://explaining-in-style.github.io/#video
@ai_machinelearning_big_data
293 877
✨ Uniformer: Unified Transformer for Efficient Spatiotemporal Representation Learning
Github: https://github.com/sense-x/uniformer
Paper: https://arxiv.org/abs/2201.04676v1
Tasks: https://paperswithcode.com/dataset/kinetics-600
@ai_machinelearning_big_data
293 877
Искусственный интеллект: создайте свою первую нейросеть
Создайте свою первую нейросеть за 10 дней
Благодаря машинному обучению нам доступны чудеса вроде распознавания лиц, написания песен в стиле «Гражданской обороны» и картин в духе Рембрандта. Создать свою собственную нейросеть реально — и не только для опытных дата-сайентистов. Вы тоже можете попробовать.
На бесплатном курсе Нетологии «Искусственный интеллект: создайте свою первую нейросеть» вы узнаете, как устроены нейросети и в каких сферах они применяются, а также самостоятельно обучите до 4-х математических моделей. Мир Data Science и искусственного интеллекта — доступнее, чем кажется.
Убедитесь в этом сами ↓
https://netolo.gy/hvt
293 877
🐭 pymdp: A Python library for active inference in discrete state spaces
Github: https://github.com/infer-actively/pymdp
Paper: https://arxiv.org/abs/2201.03904v1
Docs: https://pymdp-rtd.readthedocs.io/
Tasks: https://paperswithcode.com/task/bayesian-inference
@ai_machinelearning_big_data
293 877
🗣 AV-HuBERT (Audio-Visual Hidden Unit BERT)
AV-HuBERT is a self-supervised representation learning framework for audio-visual speech.
Github: https://github.com/facebookresearch/av_hubert
Facebook AI: https://ai.facebook.com/blog/ai-that-understands-speech-by-looking-as-well-as-hearing/
Paper: https://arxiv.org/abs/2201.02184
@ai_machinelearning_big_data
293 877
🔼 PyramidTNT: Improved Transformer-in-Transformer Baselines with Pyramid Architecture
PyramidTNT achieves better performances than the previous state-of-the-art vision transformers such as Swin Transformer
Github: https://github.com/huawei-noah/CV-backbones
Paper: https://arxiv.org/abs/2201.00978v1
GhostNet: https://github.com/huawei-noah/CV-backbones/tree/master/ghostnet_pytorch
@ai_machinelearning_big_data
293 877
293 877
📏 AdaFocus V2: End-to-End Training of Spatial Dynamic Networks for Video Recognition
Github: https://github.com/leaplabthu/adafocusv2
Paper: https://arxiv.org/abs/2112.14238v1
Tasks: https://paperswithcode.com/task/video-recognition
@ai_machinelearning_big_data
293 877
📹 MSeg: A Composite Dataset for Multi-domain Semantic Segmentation
Github: https://github.com/mseg-dataset/mseg-api
Paper: https://arxiv.org/abs/2112.13762
Dataset: https://paperswithcode.com/dataset/sun-rgb-d
@ai_machinelearning_big_data
293 877
📑 GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models
Github: https://github.com/openai/glide-text2im
Notebooks: https://github.com/openai/glide-text2im/blob/main/notebooks
Paper: https://arxiv.org/abs/2112.10741
Task: https://paperswithcode.com/task/image-generation
@ai_machinelearning_big_data
