¡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
293 509
🎨 Colorization Transformer
Github: https://github.com/satoshiiizuka/siggraphasia2019_remastering
Results: http://iizuka.cs.tsukuba.ac.jp/projects/remastering/en/index.html
Paper: https://openreview.net/forum?id=5NA1PinlGFu
@ai_machinelearning_big_data
293 509
🧠 2020: A Year Full of Amazing AI Papers — A Review
https://www.kdnuggets.com/2020/12/2020-amazing-ai-papers.html
@ai_machinelearning_big_data
293 509
💉 MeDAL: Medical Abbreviation Disambiguation Dataset for Natural Language Understanding Pretraining
Github: https://github.com/BruceWen120/medal
Paper: https://arxiv.org/abs/2012.13978v1
Dataset: https://www.kaggle.com/xhlulu/medal-emnlp
Pre-trained: https://huggingface.co/xhlu/electra-medal
@ai_machinelearning_big_data
293 509
Soft-IntroVAE: Analyzing and Improving Introspective Variational Autoencoders
Project: https://taldatech.github.io/soft-intro-vae-web/
Github: https://github.com/taldatech/soft-intro-vae-pytorch
Paper: https://arxiv.org/abs/2012.13253v1
@ai_machinelearning_big_data
293 509
Solving Mixed Integer Programs Using Neural Networks
Article on speeding up Mixed Integer Programs with ML. Mixed Integer Programs are usually NP-hard problems:
- Problems solved with linear programming
- Production planning (pipeline optimization)
- Scheduling / Dispatching
Or any problems where integers represent various decisions (including some of the graph problems).
ArXiV: https://arxiv.org/abs/2012.13349
Wikipedia on Mixed Integer Programming: https://en.wikipedia.org/wiki/Integer_programming
#NPhard #MILP #DeepMind #productionml #linearprogramming #optimizationproblem
293 509
Check the data science channel there you will find a lot of articles, links and advanced researches .
Join and learn hot topics of data science @opendatascience
293 509
🌐 Global Context Networks
Github: https://github.com/xvjiarui/GCNet
Paper: https://arxiv.org/abs/2012.13375v1
@ai_machinelearning_big_data
293 509
Реализация RCNN на настраиваемом набор данных!
Читать
Код: https://github.com/jackfrost1411/MaskRCNN
@machinelearning_ru
293 509
🔥 DeiT: Data-efficient Image Transformers
Gittub: https://github.com/facebookresearch/deit
Facebook’s research: https://ai.facebook.com/blog/data-efficient-image-transformers-a-promising-new-technique-for-image-classification/
Paper: https://arxiv.org/abs/2012.12877v1
Vision Transformer: https://github.com/lucidrains/vit-pytorch
@ai_machinelearning_big_data
293 509
Feature Selection with Stochastic Optimization Algorithms
https://machinelearningmastery.com/feature-selection-with-optimization/
@ai_machinelearning_big_data
293 509
Повышаем градус киберпанка уходящего года: в 2020 прошло первое нейросетевое Евровидение, AI Song Contest. Выступления участников можно посмотреть на youtube; местами они прокляты и это смешно. Смешнее, необычнее и криповее, чем Uno от Little Big. Отсюда вопрос: что будет с музыкой, если в нее уже пришли роботы?
Первая мысль, конечно: мы все умрем, мир захватят Grimes x Endel. На деле: и нет, и да. Нет — ИИ отлично дописывает, но сочиняет посредственно. Новый Боуи или новые Queen вряд ли будут на 100% цифровыми. Зато эмбиент для йоги и медитаций он пишет, как Брайан Ино, и каверы создает из чего угодно.
Здесь можно посмотреть на прогнозы от SberCloud. От ожидаемого: ТЦ перестанут приглашать на праздники кавер-группы, до экзотики вроде юридических тонкостей работы лейблов и ИИ. Последнее, если подумать, задел на целый раздел авторского права со своими спецами, судами, скандалами. Юристы, выдыхайте. Без работы вы не останетесь.
Ссылка
293 509
YolactEdge: Real-time Instance Segmentation on the Edge
Github: https://github.com/haotian-liu/yolact_edge
Demo: https://www.youtube.com/watch?v=GBCK9SrcCLM
Paper: https://arxiv.org/abs/2012.12259
@ai_machinelearning_big_data
293 509
🎇 TensorFlow Tutorial
https://datascience-enthusiast.com/DL/Tensorflow_Tutorial.html
@ai_machinelearning_big_data
293 509
🔮 An end-to-end machine learning project with Python Pandas, Keras, Flask, Docker and Heroku
Article: https://towardsdatascience.com/an-end-to-end-machine-learning-project-with-python-pandas-keras-flask-docker-and-heroku-c987018c42c7
Habr Ru: https://habr.com/ru/company/skillfactory/blog/534078
Code: https://github.com/RyanEricLamb/rugby-score-prediction
@ai_machinelearning_big_data
293 509
Ещё не слушали наш подкаст с автором @loss_function_porn Каримом Искаковым? Многое теряете!
Как участники зум-конференций могут выдавать себя за других людей, как рэперы снимают клипы с Трампом, и причём тут специалист по компьютерному зрению родом из Кисловодска — всё в одном разговоре. Не пропустите.
293 509
Learning Continuous Image Representation with Local Implicit Image Function.
https://yinboc.github.io/liif/
Github: https://github.com/yinboc/liif
Video: https://www.youtube.com/watch?v=6f2roieSY_8
Paper: https://arxiv.org/abs/2012.09161
@ai_machinelearning_big_data
293 509
🌐 Optimization Algorithms in Neural Networks
https://datascience-enthusiast.com/DL/Optimization_methods.html
Most used optimizers: https://www.theaidream.com/post/optimization-algorithms-in-neural-networks
@ai_machinelearning_big_data
293 509
7 статей на английском про Data Science, ИИ и инфлюенсеров 🧐
Ежемесячная подборка из Medium от Антона Чунаева
1. Немецкий стартап «AI Expert Roadmap» получил 3.5 тысячи звезд на GitHub.
О том, как проект выстрелил благодаря своему интерактивному роадмапу. С его помощью можно узнать, какие знания и умения нужны для освоения той или иной профессии в AI.
— https://slc.tl/6rNsw
2. Преимущества Pulsar перед Kafka.
О том, есть ли все-таки конкуренты у Kafka. Сейчас, если у провайдера нет Kafka, то «shame on you». А вот выяснилось, что ни Францом единым. Судя по тексту, Pulsar быстрее, да еще и мультитенантный.
— https://slc.tl/6MhLZ
3. Несколько AutoML-архитектур, о которых стоит знать.
Про варианты построения AutoML-архитектур в Microsoft и Amazon.
— https://slc.tl/cq2jB
4. 5 полезных YouTube-каналов для дата-сайентистов по машинному обучению, на которые стоит подписаться.
Про странное время, в котором мы живем: кто-то на YouTube машины сжигает, а кто-то умные вещи рассказывает. Контент блогеров из статьи не рассчитан на обычную аудиторию — специфическую лексику и видео по 3 часа осилят только самые отчаянные.
— https://slc.tl/X0uoQ
5. AI Explainability 360 сделает решения ИИ прозрачными для пользователей.
О том, как IBM показала, кто в мире AI главный. Взяла и выкатила технологию, о которой другие пока только научные статьи пишут. Инструмент объясняет решения, принятые искусственным интеллектом.
— https://slc.tl/Snq9X
6. Как выбрать правильное аналитическое направление для работы с CDP?
Одной CDP не всегда достаточно для эффективного анализа пользовательских данных. В материале есть несколько интересных рекомендаций по подходам к их аналитике.
— https://slc.tl/8vlKy
7. Чтобы построить многомиллионный бизнес, нужно больше отдыхать.
Что если нужно работать меньше для достижения лучшего результата? Автор утверждает, что многие предприниматели слишком много работают и это тормозит их рост.
— https://slc.tl/9wc5R
