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 276 293 suscriptores, ocupando la posición 336 en la categoría Tecnologías y Aplicaciones y el puesto 1 374 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 276 293 suscriptores.
Según los últimos datos del 05 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -2 229, y en las últimas 24 horas de -129, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.04%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.20% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 22 218 visualizaciones. En el primer día suele acumular 17 137 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 330.
- 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 06 noviembre, 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.
276 293
Suscriptores
-12924 horas
-8177 días
-2 22930 días
Archivo de publicaciones
276 251
😲 LIVE- Towards Layer-wise Image Vectorization (CVPR 2022 Oral)
New method to progressively generate a SVG that fits the raster image in a layer-wise fashion.
Github: https://github.com/picsart-ai-research/live-layerwise-image-vectorization
Project: https://ma-xu.github.io/LIVE/
Paper: https://arxiv.org/pdf/2206.04655v1.pdf
Colab: https://colab.research.google.com/drive/1s108WmqSVH9MILOjSAu29QyAEjExOWAP?usp=sharing
@ai_machinelearning_big_data
276 251
Can CNNs Be More Robust Than Transformers?
CNN architectures without any attention-like operations that is as robust as, or even more robust than, Transformers.
Github: https://github.com/ucsc-vlaa/robustcnn
Paper: https://arxiv.org/abs/2206.03452v1
Dataset: https://paperswithcode.com/dataset/imagenet-r
@ai_machinelearning_big_data
276 251
#Вакансия: Data Engineer (Middle)
📍 В классном офисе в Москве/гибрид;
📍200-350К руб., белая ЗП или ИП;
📍Большой датасет, интересные задачи, возможность влиять на продукт.
✅ОБЯЗАННОСТИ
• Проектировать, разрабатывать и поддерживать пайплайны для сбора и обработки данных;
• Обеспечивать SLA и качество данных;
• Готовить данные для моделей машинного обучения и участвовать в их продукционализации совместно с data science командой.
✅ТРЕБОВАНИЯ
• Хорошее знание технологий из стека: Python, SQL, Spark, Airflow;
• Опыт работы на проектах с большими данными, понимание принципов распределенной обработки данных;
• Опыт продуктовой разработки в технологических компаниях.
✅БУДЕТ ПЛЮСОМ:
• Опыт работы с облаками, особенно, с Яндекс.Облаком;
• Опыт разработки высоконагруженных бэкенд сервисов на Java, Scala или Python;
• Опыт работы с моделями машинного обучения в продакшене;
• Опыт работы с базами данных для аналитики, особенно, с ClickHouse.
Понравилась вакансия? Присылай CV @naikava276 251
🔥 EG3D: Efficient Geometry-aware 3D Generative Adversarial Networks by Nvidia
Expressive hybrid explicit-implicit network architecture that, together with other design choices, synthesizes not only high-resolution multi-view-consistent images in real time but also produces high-quality 3D geometry.
Github: https://github.com/NVlabs/eg3d
Project: https://nvlabs.github.io/eg3d/
Video: https://www.youtube.com/watch?v=cXxEwI7QbKg&feature=emb_logo&ab_channel=StanfordComputationalImagingLab
Paper: https://nvlabs.github.io/eg3d/media/eg3d.pdf
Documentation: https://ontomerger.readthedocs.io/
276 251
👁🗨 CVNets: A library for training computer vision networks
Improved model, MobileViTv2, is state-of-the-art on several mobile vision tasks, including ImageNet object classification and MS-COCO object detection.
Github: https://github.com/apple/ml-cvnets
Examples: https://github.com/apple/ml-cvnets/blob/main/docs/source/en/models
Paper: https://arxiv.org/abs/2206.02680v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
276 251
Создайте свою первую нейросеть за 10 дней
Благодаря машинному обучению нам доступны чудеса вроде распознавания лиц, написания песен в стиле Курта Кобейна и картин в духе Рембрандта. Создать свою собственную нейросеть реально.
На бесплатном курсе Нетологии «Искусственный интеллект: создайте свою первую нейросеть» за 5 занятий вы узнаете, как устроены нейросети и в каких сферах они применяются, а также самостоятельно обучите до 4-х математических моделей, которые будут распознавать собак на фото, классифицировать изображения и определять эмоциональную окраску сообщения. Мир Data Science и искусственного интеллекта — доступнее, чем кажется.
Убедитесь в этом сами → https://netolo.gy/iwv
276 251
🔘 Squeezeformer: An Efficient Transformer for Automatic Speech Recognition
Github: https://github.com/kssteven418/squeezeformer
Paper: https://arxiv.org/abs/2206.00888v1
Dataset: https://paperswithcode.com/dataset/librispeech
@ai_machinelearning_big_data
276 251
Kuber Conf — конференция по контейнерной разработке от Yandex Cloud — возвращается в 2022!
23 июня (чт) в 14:00 Мск, в онлайн или офлайн-формате.
Мы расскажем, как не тратить на разработку месяцы, а проверять гипотезы и применять фичи на лету на всех этапах — от проектирования до эксплуатации и защиты. Поделимся опытом из первых рук — от авторов, создающих контейнерные проекты с Kubernetes®.
Будет интересно DevOps и DevSecOps, архитекторам и разработчикам.
Количество мест ограничено, регистрируйтесь →
276 251
🎆 Optimizing Relevance Maps of Vision Transformers Improves Robustness
This code allows to finetune the explainability maps of Vision Transformers to enhance robustness.
Github: https://github.com/hila-chefer/robustvit
Colab: https://colab.research.google.com/github/hila-chefer/RobustViT/blob/master/RobustViT.ipynb
Paper: https://arxiv.org/abs/2206.01161
Dataset: https://github.com/UnsupervisedSemanticSegmentation/ImageNet-S
@ai_machinelearning_big_data
276 251
💬 Text2Human - Official PyTorch Implementation
We synthesize full-body human images starting from a given human pose
Github: https://github.com/yumingj/Text2Human
Project: https://yumingj.github.io/projects/Text2Human.html
StyleGAN: https://github.com/stylegan-human/stylegan-human
Paper: https://arxiv.org/abs/2205.15996v1
Dataset: https://github.com/yumingj/DeepFashion-MultiModal
Demo video: https://youtu.be/yKh4VORA_E0
@ai_machinelearning_big_data
276 251
Вакансия: Machine learning engineer
📍в классном офисе в Москве/гибрид;
📍250-350К руб., белая ЗП или ИП;
📍большой датасет, интересные задачи, возможность влиять на продукт.
✅Что нужно делать:
• Разработка моделей машинного обучения, в частности, предиктивных моделей (например, прогнозирование оттока клиентов) и рекомендательной системы;
• Самостоятельная постановка гипотез, анализ данных и дизайн фич, проведение и оценка экспериментов;
• Участие в продукционализации ML моделей вместе с нашими cloud инженерами и data инженерами.
✅ Требования
• Знание алгоритмов машинного обучения и статистического анализа;
• Опыт программирования на Python и знание основных библиотек для работы с данными и ML моделями; знание хотя бы одного из фреймворков для deep learning;
• Знание SQL и опыт работы с большими данными;
• Понимание жизненного цикла и опыт продукционализации ML моделей.
✅ Опционально (плюс):
• Опыт участия в соревнованиях по машинному обучению (Kaggle и др);
• Понимание принципов распределенной обработки данных, опыт работы с Spark’ом и Spark MLlib;
• Знание инструментов и методов MLOps.
📩Интересна вакансия? Присылай свое резюме в tg @fedosovaAS 🙂
Кроме аналитика нам нужны разработчики и data scientist - если это ты - пиши:)
@Machinelearning_Jobs
276 251
Repost from Data Science Jobs
📍в классном офисе в Москве/гибрид;
📍250-350К руб., белая ЗП или ИП;
📍большой датасет, интересные задачи, возможность влиять на продукт.
✅Что нужно делать:
• Разработка моделей машинного обучения, в частности, предиктивных моделей (например, прогнозирование оттока клиентов) и рекомендательной системы;
• Самостоятельная постановка гипотез, анализ данных и дизайн фич, проведение и оценка экспериментов;
• Участие в продукционализации ML моделей вместе с нашими cloud инженерами и data инженерами.
✅ Требования
• Знание алгоритмов машинного обучения и статистического анализа;
• Опыт программирования на Python и знание основных библиотек для работы с данными и ML моделями; знание хотя бы одного из фреймворков для deep learning;
• Знание SQL и опыт работы с большими данными;
• Понимание жизненного цикла и опыт продукционализации ML моделей.
✅ Опционально (плюс):
• Опыт участия в соревнованиях по машинному обучению (Kaggle и др);
• Понимание принципов распределенной обработки данных, опыт работы с Spark’ом и Spark MLlib;
• Знание инструментов и методов MLOps.
📩Интересна вакансия? Присылай свое резюме в tg @fedosovaAS 🙂
Кроме аналитика нам нужны разработчики и data scientist - если это ты - пиши:)
276 251
🪄 Investigating the Role of Image Retrieval for Visual Localization -- An exhaustive benchmark.
Github: https://github.com/naver/kapture-localization
Paper: https://arxiv.org/abs/2205.15761v1
Data: https://paperswithcode.com/dataset/inloc
@ai_machinelearning_big_data
276 251
Яндекс Практикум ищет наставников на курсы по Data Science и Аналитик данных
Ждём специалистов с такими навыками:
▪️Python для анализа данных;
▪️библиотеки pandas, NumPy, Matplotlib, sklearn;
▪️основы математического анализа, линейной алгебры, теории вероятности и статистики.
▪️Мы также ценим опыт преподавания и наставничества.
Мы предлагаем:
→ Частичную занятость.
→ Доход от 30 000 ₽ в месяц.
→ Удалённую работу с гибким графиком от 8 часов в неделю.
→ Сильный опыт менторства: научим давать развивающую обратную связь начинающим аналитикам, работать с критикой и возращениями и учить их совершенствовать проекты.
→ Бесплатное обучение в Школе наставников.
→ Доступ к курсу Практикума по Data Science или Аналитик данных и скидки на остальные курсы.
→ Углубление знаний и развитие софт скиллов.
Помогайте новичкам развиваться и учитесь сами — каждый день. Если вам интересно поработать с нами — оставьте заявку.
276 251
🦠 MaSIF- Molecular Surface Interaction Fingerprints: Geometric deep learning to decipher patterns in protein molecular surfaces.
MaSIF is a proof-of-concept method to decipher patterns in protein surfaces important for specific biomolecular interactions.
Github: https://github.com/LPDI-EPFL/masif
Paper: https://www.nature.com/articles/s41592-019-0666-6
Data: https://github.com/LPDI-EPFL/masif#MaSIF-data-preparation
@ai_machinelearning_big_data
276 251
Selectel продлевает миграционные каникулы
Сейчас многие компании заняты реорганизацией своей инфраструктуры. Чтобы помочь этому процессу, в @Selectel продлили миграционные каникулы для переноса данных в объектное хранилище.
Миграционные каникулы позволяют не оплачивать запросы и хранение 30 дней с момента одобрения заявки. Этот период полностью покрывает время на подготовительные работы и снижает нагрузку на бизнес.
— Перенос данных в облачное объектное хранилище, поддерживающее S3 API.
— Специалисты Selectel помогут определить проблемные зоны, например, график бэкапов или обновления сертификатов.
— Selectel Global Connect поможет объединить сегменты территориально разнесенной инфраструктуры или развернуть гибридное облако.
— Selectel заботится о том, чтобы данные не зависли между двух хранилищ. Каникулы устроены так, чтобы пользователи имели возможность не торопиться и мигрировать по плану
Оставьте заявку и начните миграционные каникулы уже сегодня: https://slc.tl/uqy7z
276 251
✈️ HIRL: A General Framework for Hierarchical Image Representation Learning
Github: https://github.com/hirl-team/hirl
Paper: https://arxiv.org/abs/2205.13159v1
Dataset: https://paperswithcode.com/dataset/places205
@ai_machinelearning_big_data
276 251
🔥 Хардкорный тест по Machine Learning
🚀 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning Professional» от OTUS и его партнера — Сбера.
🔶 ПОСЛЕДНИЙ ДЕНЬ
Успейте на онлайн-курс «Machine Learning Professional» и уже через 5 месяцев вы получите сильное портфолио, которое позволит вам претендовать на Junior+ и Middle позиции Data Scientist.
Время прохождения теста ограниченно 20 минут
👉 ПРОЙТИ ТЕСТ
https://otus.pw/BWoP/
