¡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 293 399 suscriptores, ocupando la posición 326 en la categoría Tecnologías y Aplicaciones y el puesto 1 283 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 293 399 suscriptores.
Según los últimos datos del 03 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 469, y en las últimas 24 horas de -218, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.32%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.77% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 21 487 visualizaciones. En el primer día suele acumular 16 937 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 169.
- 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 04 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.
293 399
Suscriptores
-21824 horas
-1 5287 días
-6 46930 días
Archivo de publicaciones
293 332
Meta-Transfer Learning for Zero-Shot Super-Resolution
Code: https://github.com/JWSoh/MZSR
Paper: https://arxiv.org/abs/2002.12213v1
293 332
160+ Data Science Interview Questions
https://hackernoon.com/160-data-science-interview-questions-415s3y2a
293 332
Fast and Three-rious: Speeding Up Weak Supervision with Triplet Methods
FlyingSquid is a new framework for automatically building models from multiple noisy label sources.
Code: https://github.com/HazyResearch/flyingsquid
Blog: http://hazyresearch.stanford.edu/flyingsquid
Paper: https://arxiv.org/abs/2002.11955v1
293 332
Imbalanced Classification Model to Detect Mammography Microcalcifications
https://machinelearningmastery.com/imbalanced-classification-model-to-detect-microcalcifications/
293 332
FreezeD: A Simple Baseline for Fine-tuning GANs
Simple Baseline for Fine-Tuning GANs
Code: https://github.com/sangwoomo/freezeD
Paper: https://arxiv.org/abs/2002.10964
Datasets: https://vcla.stat.ucla.edu/people/zhangzhang-si/HiT/exp5.html
293 332
Using Reinforcement Learning in the Algorithmic Trading Problem
Trading with recurrent actor-critic reinforcement learning
Code: https://github.com/evgps/a3c_trading
Paper: https://arxiv.org/abs/2002.11523v1
293 332
@itlecture - канал с бесплатными обучающими видео-лекциями по IT и технологиям, а так же записями крупных конференций на различные IT тематики как для новичков, так и для опытных айтишников.
Программирование, Искусственный Интеллект, DevOps, Clouds, Веб-Дизайн, Базы Данных и многое другое.
➡️ https://t.me/itlecture
293 332
Open Images V6 — Now Featuring Localized Narratives
Open Images is the largest annotated image dataset in many regards, for use in training the latest deep convolutional neural networks for computer vision tasks
https://ai.googleblog.com/2020/02/open-images-v6-now-featuring-localized.html
Open Images Dataset V6 + Extensions: https://storage.googleapis.com/openimages/web/index.html
Localized Narratives Example: https://www.youtube.com/watch?v=mZqHVUstmIQ&feature=emb_logo
293 332
ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network
AdelaiDet is an open source toolbox for multiple instance-level detection applications.
Code: https://github.com/aim-uofa/adet
Paper: https://arxiv.org/pdf/2002.10200v1.pdf
293 332
How to Calibrate Probabilities for Imbalanced Classification
https://machinelearningmastery.com/probability-calibration-for-imbalanced-classification/
293 332
Exploring Transfer Learning with T5: the Text-To-Text Transfer Transformer
https://ai.googleblog.com/2020/02/exploring-transfer-learning-with-t5.html
Code: https://colab.research.google.com/github/google-research/text-to-text-transfer-transformer/blob/master/notebooks/t5-trivia.ipynb
Github: https://github.com/google-research/text-to-text-transfer-transformer
293 332
Ищем Data Scientists, которые готовы принять методологический вызов и участвовать в хакатоне Яндекс.Недвижимости по анализу данных домов в Москве для повышения эффективности объявлений на классифайде. Очный этап 21-22 марта, регистрация для индивидуальных участников и команд до 10 марта на сайте: https://hacktherealty.ru/
293 332
JAX-based neural network library
https://github.com/deepmind/dm-haiku
Haiku Documentation: https://dm-haiku.readthedocs.io/en/latest/
293 332
A Gentle Introduction to the Fbeta-Measure for Machine Learning
https://machinelearningmastery.com/fbeta-measure-for-machine-learning/
293 332
Implementation of the BASIS algorithm for source separation with deep generative priors
This repository provides an implementation of the BASIS (Bayesian Annealed SIgnal Source) separation algorithm. BASIS separation uses annealed Langevin dynamics to sample from the posterior distribution of source components given a mixed signal.
Github: https://github.com/jthickstun/basis-separation
Paper: https://arxiv.org/abs/2002.07942
293 332
В России запустился сервис «Манго» — это страховая компания, которая продает страховку квартир по подписке. Сервис использует алгоритмы машинного обучения,разработанные участниками нашего канала для подбора персонального предложения.
Как это работает?
- Вводите адрес — система автоматически подгрузит все данные о вашей квартире!
- Выбираете сумму покрытия.
- Готово! Полис в личном кабинете, а квартира и все вещи застрахованы от проблем 🙂
Никаких бумажек, договоров и поездок в офис, все онлайн. Сумму страхового покрытия можете изменить, если захотите, а в случае чего, выплату получите на карту. Работает по всей России!
Попробовать и получить 1 месяц подписки в подарок: https://clc.to/LkD4SA
293 332
The Microsoft Toolkit of Multi-Task Deep Neural Networks for Natural Language Understanding
Code: https://github.com/namisan/mt-dnn
Paper: https://arxiv.org/abs/2002.07972v1
293 332
ZeRO & DeepSpeed: New system optimizations enable training models with over 100 billion parameters
https://www.microsoft.com/en-us/research/blog/zero-deepspeed-new-system-optimizations-enable-training-models-with-over-100-billion-parameters/
293 332
How to Develop an Imbalanced Classification Model to Detect Oil Spills
https://machinelearningmastery.com/imbalanced-classification-model-to-detect-oil-spills/
