¡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 293 602 suscriptores, ocupando la posición 326 en la categoría Tecnologías y Aplicaciones y el puesto 1 281 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 293 602 suscriptores.
Según los últimos datos del 02 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 464, y en las últimas 24 horas de -249, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.49%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.71% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 21 989 visualizaciones. En el primer día suele acumular 16 765 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 173.
- 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 03 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.
293 602
Suscriptores
-24924 horas
-1 5267 días
-6 46430 días
Archivo de publicaciones
293 625
Understanding Autoencoders With Examples
https://www.nbshare.io/notebook/86916405/Understanding-Autoencoders-With-Examples/
@ai_machinelearning_big_data
293 625
Leveraging Machine Learning for Game Development
https://ai.googleblog.com/2021/03/leveraging-machine-learning-for-game.html
Habr: https://habr.com/ru/company/google/blog/553346/
@ai_machinelearning_big_data
293 625
EigenGAN
TensorFlow implementation of EigenGAN: Layer-Wise Eigen-Learning for GANs
Github: https://github.com/LynnHo/EigenGAN-Tensorflow
Paper: https://arxiv.org/abs/2104.12476v1
@ai_machinelearning_big_data
293 625
Token Labeling: Training a 85.4% Top-1 Accuracy Vision Transformer with 56M Parameters on ImageNet
Github: https://github.com/zihangJiang/TokenLabeling
Paper: https://arxiv.org/abs/2104.10858v2
@ai_machinelearning_big_data
293 625
🌐 MMDetection3D is an open source object detection toolbox based on PyTorch, towards the next-generation platform for general 3D detection
Github: https://github.com/open-mmlab/mmdetection3d
Paper: https://arxiv.org/abs/2104.10956v1
@ai_machinelearning_big_data
293 625
VideoGPT: Video Generation using VQ-VAE and Transformers
Github: https://github.com/wilson1yan/VideoGPT
Paper: https://arxiv.org/abs/2104.10157
Demo: https://gradio.app/g/AK391/VideoGPT
Latent Video Transformer: https://arxiv.org/abs/2006.10704
@ai_machinelearning_big_data
293 625
Graph-based Neural Structured Learning in TFX | TensorFlow
https://www.tensorflow.org/tfx/tutorials/tfx/neural_structured_learning
Code: https://github.com/tensorflow/tfx/blob/master/docs/tutorials/tfx/neural_structured_learning.ipynb
@ai_machinelearning_big_data
293 625
TediGAN: Text-Guided Diverse Face Image Generation and Manipulation in PyTorch.
Github: https://github.com/IIGROUP/TediGAN
Dataset: https://github.com/IIGROUP/Multi-Modal-CelebA-HQ-Dataset
Paper: https://arxiv.org/abs/2104.08910v1
@ai_machinelearning_big_data
293 625
Microsoft's ProphetNet-X: Large-Scale Pre-training Models for English, Multi-lingual, Dialog, and Code Generation
Code: https://github.com/microsoft/ProphetNet
Paper: https://arxiv.org/pdf/2001.04063.pdf
@ai_machinelearning_big_data
293 625
Познайте дзен в Telegram-канале Zen of Python. Каждый день там публикуются полезные материалы по Python и связанным с ним технологиям.
Подписывайтесь: @zen_of_python
293 625
🔍 Zooming-Slow-Mo
Code: https://github.com/Mukosame/Zooming-Slow-Mo-CVPR-2020
Paper: https://arxiv.org/abs/2104.07473
@ai_machinelearning_big_data
293 625
🔍 Zooming-Slow-Mo
Code: https://github.com/Mukosame/Zooming-Slow-Mo-CVPR-2020
Paper: https://arxiv.org/abs/2104.07473
@ai_machinelearning_big_data
293 625
TensorFlow input pipelines | TensorFlow Core
https://www.tensorflow.org/guide/data
Code: https://github.com/tensorflow/docs/blob/master/site/en/guide/data.ipynb
293 625
Open Source Experimental Design Software in the Age of AI
Github: https://github.com/yunshengtian/AutoOED
Paper: https://arxiv.org/abs/2104.05959
Project: https://www.autooed.org/
@ai_machinelearning_big_data
293 625
На любой работе бывает скучно. Получили задачу, сделали, отдали. И так минимум по 8 часов каждый день пять раз в неделю. Ну ладно, с перерывом на обед. А что, если добавить немного соревнований в привычный распорядок дел?
Есть предложение! Образовательная экосистема GeekBrains запускает новый курс — «Спортивный Data Science».
🧑🏫 Вместе с преподавателем вы разберете реальные задачи по анализе данных и машинному обучению, и в конце каждого занятия пройдете соревнование по пройденной теме на Kaggle.
Задачи будут из разных сфер: маркетинга, страхования, банкинга, медицины. Придется посоревноваться с другими участниками за лучший результат!
Что нужно знать:
• Математику на уровне вузов или курсов по Data Science
• Python и классические DS-библиотеки
• Классические алгоритмы машинного обучения
А вот что вы получите:
⭐️ Удостоверение о повышении квалификации
⭐️ Улучшенное резюме
⭐️ Шанс получить работу в престижной компании
Переходите по ссылке, регистрируйтесь на курс и выигрывайте!293 625
How to Perform Voice Gender Recognition using TensorFlow in Python
https://www.thepythoncode.com/article/gender-recognition-by-voice-using-tensorflow-in-python
Code: https://github.com/x4nth055/gender-recognition-by-voice
@ai_machinelearning_big_data
293 625
🧠 Lite-HRNet: A Lightweight High-Resolution Network
Github: https://github.com/HRNet/Lite-HRNet
Paper: https://arxiv.org/abs/2104.06403
@ai_machinelearning_big_data
293 625
Хотите связать свою карьеру с нейросетями? Или вы Data Scientist с опытом и хотите освоить новые технологии? Тогда предлагаем вам курсы "Deep learning. Basic" и "Computer vision"!
📍Выберите курс и пройдите тестирование, чтобы:
● оценить свои навыки
● занять место на курсе по специальной цене
● получить доступ к демо-урокам курса
👉🏻Пройти тестирование "Deep learning. Basic": https://otus.pw/EODp/
👉🏻Пройти тестирование "Computer vision": https://otus.pw/MO87/
293 625
PaddleGAN provides developers with high-performance implementation of classic and SOTA Generative Adversarial Networks
Github: https://github.com/PaddlePaddle/PaddleGAN
Paper: https://arxiv.org/abs/2104.05376v1
@ai_machinelearning_big_data
293 625
C 12 по 25 апреля приглашаем принять участие в EPAM Data Hiring Weeks!
Станьте частью команды EPAM и получите welcome-бонус в размере одного оклада.
Направления:
Big Data: https://epa.ms/EPAM-BigData-HiringWeek
Data Quality: https://epa.ms/EPAM-DataQuality-HiringWeek
Как подать заявку:
1. Заполните регистрационную форму и получите подтверждение;
2. Пройдите интервью и получите оффер в течение 24 часов.
Мы ценим ваше время, и эта одна из причин проведения мероприятия – не нужно долго ждать решения. После успешного прохождения интервью в течение 24 часов вам будет сделан оффер. Если вы примете его в период с 12 по 25 апреля, вы получите welcome-бонус.
