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

Red:Machinelearning Rusia1 277 Tecnologías y Aplicaciones332...

📈 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 294 933 suscriptores, ocupando la posición 332 en la categoría Tecnologías y Aplicaciones y el puesto 1 277 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 294 933 suscriptores.

Según los últimos datos del 26 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 463, y en las últimas 24 horas de -216, conservando un alto alcance.

Estado de verificación: No verificado
Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.82%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.40% de reacciones respecto al total de suscriptores.
Alcance de las publicaciones: Cada publicación recibe en promedio 23 058 visualizaciones. En el primer día suele acumular 15 914 visualizaciones.
Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 179.
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 27 junio, 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.

294 933

Suscriptores

-21624 horas

-1 5507 días

-6 46330 días

23 058

Visitas de la publicación

~ 15 91424 horas

~ 17 79048 horas

7.82%

Tasa de compromiso

~ 6

Mensajes por día

Ads index

beta

Archivo de publicaciones

294 887

📐 AlphaGeometry: An Olympiad-level AI system for geometry Deepmind представили AlphaGeometry: систему искусственного интеллекта, которая решает олимпиадные задачи по геометрии на уровне, приближающемся к уровню золотого медалиста. Система была обучена исключительно на синтетических данных и знаменует собой прорыв ИИ в области математики. https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/ 🖥 Code: https://github.com/facebookresearch/audiocraft/blob/main/docs/MAGNET.md#api 🚀 Deepmind: https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/ 📚 Paper: https://www.nature.com/articles/s41586-023-06747-5 @ai_machinelearning_big_data

294 887

🔉 MAGNeT: Masked Audio Generation using a Single Non-Autoregressive Transformer Мощная система преобразования текста в звук от FAIR. И да, она с открытым исходным кодом. 🖥 Code: https://github.com/facebookresearch/audiocraft/blob/main/docs/MAGNET.md#api 🚀 HF: https://huggingface.co/collections/facebook/magnet-659ef0ceb62804e6f41d1466 📚 Paper: https://arxiv.org/abs/2401.04577 🌟 Project: https://pages.cs.huji.ac.il/adiyoss-lab/MAGNeT/ ⚛️ Datasets: https://github.com/facebookresearch/audiocraft/blob/main/docs/DATASETS.md @ai_machinelearning_big_data

294 887

Международная online конференция про AI от основателей Epic Growth Лучшие практики для разработчиков, инженеров, ресерчеров, дата сайентистов, тим-лидов и продактов, от ведущих мировых компаний, которые создают AI-based продукты и инфраструктуру. Выступят спикеры 📣 — Meta (команда Llama-2) — Github (команда Copilot) — Databricks — Hugging Face — Anyscale — Zilliz — Writer — Speechify — Twelve Labs И других классных компаний, которые прямо сейчас создают AI-будущее. Будут затронуты самые актуальные темы: — AI Agents development — Fine-tuning & RLHF — AI devtools & infrastructure — Retrieval-Augmented Generation — LLMops — Open Source AI — Multimodal APIs — AI & Data analytics Конференция пройдет в Online формате 3️⃣0️⃣➖3️⃣1️⃣ января на английском языке 🇬🇧 Участники получат доклады, воркшопы и записи, а также доступ в нетворкинг-чат. Скидка 1️⃣0️⃣ % по промо-коду — MBFIAA358 Регистрация через VPN

294 887

🖼️ DDColor: Towards Photo-Realistic Image Colorization via Dual Decoders 🔥 DDColor - фреймвор с двумя декодерами для естественной колоризации изображений. Обширные эксперименты показывают, что DDColor превосходит все существующие современные разработки на бенчмарках. 🖥 Code: github.com/piddnad/DDColor 📚 Paper: arxiv.org/abs/2212.11613 🌟 Colab: https://github.com/camenduru/DDColor-colab @ai_machinelearning_big_data

294 887

💊 AMIE: A research AI system for diagnostic medical reasoning and conversations 149 актеров, играющих пациентов, общались в прямом эфире с одним из 20 врачей, отобранных для теста и новым медицинским LLM от Google, AMIE. После врачи-специалисты и пациенты оценивали качество обслуживания. AMIE обошел врачей. 💡 Blog: https://blog.research.google/2024/01/amie-research-ai-system-for-diagnostic_12.html 📚 Paper: https://arxiv.org/abs/2401.05654 @ai_machinelearning_big_data

294 887

Создать и обучить нейросеть — вопрос времени. Получить необходимый для этого навык — вообще не вопрос. Приходите на бесплатный интенсив «Погружение в Data Science: обучите свою первую нейросеть за два дня» от онлайн-школы Skillfactory. С 16 по 17 января будете строить алгоритмы и обучать нейронную сеть. А за лучшее решение домашнего задания сможете получить мини-курс по аналитическому мышлению в подарок. Зарегистрироваться: https://go.skillfactory.ru/&erid=2VtzqusXUGV Реклама, ООО «Скилфэктори», ИНН: 9702009530

294 887

⚡️ SigLIP: a better CLIP model SigLIP от Google теперь доступен в 🤗 Transformers! Он улучшает CLIP с помощью функции сигмоидальной потери. SOTA для пары изображение в текст и наоборот. 🖥 Github: https://github.com/NielsRogge/Transformers-Tutorials/blob/master/SigLIP/Inference_with_(multilingual)_SigLIP%2C_a_better_CLIP_model.ipynb 📚 Paper: https://arxiv.org/abs/2303.15343 ⚡️HF: https://huggingface.co/docs/transformers/main/en/model_doc/siglip @ai_machinelearning_big_data

294 887

🔥Physics-based Text-to-Motion🔥 InsActor - генеративный фреймворк, использующий последние достижения в области диффузионных моделей движения человека для создания управляемых промптами анимаций персонажей, основанных на физике. 🖥 Code: github.com/jiawei-ren/insactor 📚 Paper: arxiv.org/abs/2312.17135 ⚡️ Project: https://jiawei-ren.github.io/projects/insactor/ @ai_machinelearning_big_data

294 887

⚡️ The SwiftInfer project combines StearmingLLM with TesorR-LLM to make the inference efficiency and productivity much higher. Сегодня состоялся новый большой релиз от команды Colossal-AI! Они выложили в открытый доступ новый алгоритм SwiftInfer. Алгоритм позволяет на 46% улучшить производительность LLM! Этот проект объединяет инновации из двух недавних проектов, таких как StreamingLLM и TensoRT-LLM, чтобы обеспечить лучшую производильность и низкую задержку при выводе LLM. Как StreamingLLM решает эту проблему 📌 StreamingLLM решает проблему 'attentional sink' (поглощения внимания) , когда начальные лексемы в тексте получают непропорционально большое внимание алгоритма. В традиционных методах, производительность модели значительно снижается, как только эти начальные лексемы исключаются из окна внимания. StreamingLLM решает эту проблему, обеспечивая постоянное включение этих важных начальных лексем в окно внимания, тем самым стабилизируя генерацию и поддерживая высокое качество без необходимости дополнительной тонкой настройки. Очень интересный проект!

git clone https://github.com/hpcaitech/SwiftInfer.git
cd SwiftInfer
pip install.

🖥 Github @ai_machinelearning_big_data

294 887

🧠 BakedAvatar: Baking Neural Fields for Real-Time Head Avatar Synthesis Рендеринг в реальном времени управляемых аватаров с 4D-головой на различных устройствах, включая мобильные. BakedAvatar использует видеозаписи человека для создания качественных управляемых аватаров.

git clone https://github.com/buaavrcg/BakedAvatar
cd BakedAvatar

🖥 Code: https://github.com/buaavrcg/BakedAvatar 📚 Paper: https://dl.acm.org/doi/10.1145/3618399 ⚡️ Page: https://buaavrcg.github.io/BakedAvatar/ @ai_machinelearning_big_data

294 887

🖥 Transformers From Scratch PYTHON In this notebook we have built a transformer model based on the Attention Is All You Need paper following along with Andrej Karpathy’s fantastic YouTube video: Let’s build GPT. В этом блоге показн процесс создания и обучения трансформеров с нуля. Шаг за шагом рассмотрен каждый основополагающий элемент с объяснением, что происходит на каждом этапе. Этот блог написан в блокноте Jupyter, который вы можете скачать и использовать для самостоятельного выполнения кода по ходу работы. 📌 Notebook @ai_machinelearning_big_data

294 887

🦾 Free Course: The Hands-on Reinforcement Learning course 🚀 Обучение с подкреплением — один из способов машинного обучения, в ходе которого испытуемая система обучается, взаимодействуя с некоторой средой. Это пошаговый практический курс, который поможет вам пройти изучить RL с сымых основ. 💻 Course 🖥 Github @ai_machinelearning_big_data

294 887

🦜 DreamTalk: When Expressive Talking Head Generation Meets Diffusion Probabilistic Models DreamTalk - это фреймворк для создания выразительных говорящих голов, который может создавать высококачественные видеоролики говорящих голов в различных стилях речи. DreamTalk демонстрирует высокую производительность при работе с разнообразными исходными данными, включая песни, речь на нескольких языках, зашумленное аудио. 🖥 Code: https://github.com/ali-vilab/dreamtalk 📚 Paper: https://arxiv.org/abs/2312.09767 ⚡️ Page: https://dreamtalk-project.github.io 🌟 Colab: https://github.com/camenduru/dreamtalk-colab @ai_machinelearning_big_data

294 887

🎙OpenVoice: Versatile Instant Voice Cloning OpenVoice: Универсальное мгновенное клонирование голоса ✨ 1. Точное клонирование тональности голоса. OpenVoice может точно клонировать тон голоса и генерировать речь на нескольких языках и акцентах. 2. Гибкое управление стилем голоса. OpenVoice позволяет контролировать стили голоса, такие как эмоции и акцент, а также другие параметры стиля, включая ритм, паузы и интонацию. 3. Кросс-языковое клонирование голоса. 🖥 Code: https://github.com/myshell-ai/OpenVoice 📚 Paper: https://arxiv.org/abs/2312.01479 ⚡️ Page: https://research.myshell.ai/open-voice 🌟 Colab: https://github.com/camenduru/OpenVoice-colab @ai_machinelearning_big_data

294 887

✔️ AIJack: Security and Privacy Risk Simulator for Machine Learning Security and Privacy Risk Simulator for Machine Learning. AIJack - библиотека с открытым исходным кодом, предназначенная для оценки рисков безопасности и конфиденциальности, связанных с обучением и развертыванием моделей машинного обучения. На фоне растущего интереса к большим данным и искусственному интеллекту ускоряется прогресс в исследованиях и применения в бизнесе инструментов машинного обучения. Однако недавние исследования выявили потенциальные угрозы, такие как кража обучающих данных и манипулирование моделями со стороны злоумышленников. Поэтому полное понимание уязвимостей моделей машинного обучения в области безопасности и конфиденциальности имеет решающее значение для безопасной интеграции машинного обучения в реальные проекты. AIJack призван решить эту задачу, предоставляя библиотеку с различными методами атак и защиты через единый API. pip install git+https://github.com/Koukyosyumei/AIJack 🖥 Code: https://github.com/microsoft/promptbench 🌟 Docs: https://promptbench.readthedocs.io/en/latest/ 📚 Paper: https://arxiv.org/abs/2312.07910v1 ⚡️ Dataset: https://paperswithcode.com/dataset/mmlu @ai_machinelearning_big_data

294 887

🌹4DGen: Grounded 4D Content Generation with Spatial-temporal Consistency Генерация 4D-контента с пространственно-временной согласованностью! Пайплайн обеспечивает условное создание 4D, позволяя пользователям задавать геометрию генераци и движение (монокулярные видео), тем самым обеспечивая контроль над созданием контента. #GaussianSplatting #3DGS 🖥 Code: https://github.com/VITA-Group/4DGen 🔮 Project: https://vita-group.github.io/4DGen/ 📚 ArXiv: https://arxiv.org/abs/2305.06456 @ai_machinelearning_big_data

294 887

🧍‍♂ Perpetual Humanoid Control for Real-time Simulated Avatars Новая модель, которая позволяет добиться генерации текста в движение в режиме реального времени, используя симуляцию движения человека. Контроллер, обеспечивает высокую точность имитации движений и восстановления положения при наличии помех и неожиданных падений. 🖥 Code: github.com/ZhengyiLuo/PerpetualHumanoidControl 🎓 Video: https://www.youtube.com/watch?v=zS6Y00EW37A 🔮 Project: https://zhengyiluo.github.io/PHC/ 📚 ArXiv: https://arxiv.org/abs/2305.06456 @ai_machinelearning_big_data

294 887

⚡️ MotionCtrl: A Unified and Flexible Motion Controller for Video Generation Новая модель-контроллер движения для генерации видео, который способен самостоятельно управлять сложным движением камеры и движением объектов в генерируемых видео. 🖥 Code: https://github.com/TencentARC/MotionCtrl 🎓 Colab: https://github.com/camenduru/MotionCtrl-colab 🔮 Project Page: https://openxlab.org.cn/apps/detail/camenduru/MotionCtrl 📚 ArXiv: https://arxiv.org/abs/2312.03641 @ai_machinelearning_big_data

294 887

🐱DiffMorpher: Unleashing the Capability of Diffusion Models for Image Morphing DiffMorpher - новый подход, обеспечивающий плавное преобрахование изображений с помощью диффузионных моделей. 🖥 Code: https://github.com/Kevin-thu/DiffMorpher 🧪OpenXLab: https://openxlab.org.cn/apps/detail/KaiwenZhang/DiffMorpher 🎓 Colab: https://github.com/camenduru/DiffMorpher-colab 🔮 Project Page: https://kevin-thu.github.io/DiffMorpher_page 📚 ArXiv: https://arxiv.org/abs/2312.07409 @ai_machinelearning_big_data

294 887

🪩 Обучение генеративных моделей от А до Я Сейчас генеративные модели широко используются в областях искусственного интеллекта и машинного обучения. Для них важна правильная предобработка данных, а для генерации эстетичных изображений используются две стадии: улучшение предварительно обученной модели, которая уже имеет некоторые знания, и обучение с подкреплением. Однако в последнее время набирают популярность диффузионные модели: во многом благодаря своей простоте и возможности обучения на простых данных. Например, если модель обучается на изображениях кошек, она сможет генерировать похожие реалистичные изображения кошек. Смотрите запись выступления Сергея Овчаренко из Яндекса, чтобы лучше разобраться в нюансах обучения генеративных картиночных диффузионных моделей. Там же в плейлисте доступны записи и других докладов с конференции Яндекса для разработчиков YaTalks. Реклама ООО Яндекс, ИНН 7736207543, erid: 2SDnjdAJ3Jg