¡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 293 879 suscriptores, ocupando la posición 327 en la categoría Tecnologías y Aplicaciones y el puesto 1 276 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 293 879 suscriptores.
Según los últimos datos del 01 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 444, y en las últimas 24 horas de -235, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.55%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.55% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 22 202 visualizaciones. En el primer día suele acumular 16 311 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 172.
- 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 02 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.
293 879
Suscriptores
-23524 horas
-1 5517 días
-6 44430 días
Archivo de publicaciones
293 857
📐 RepMLPNet: Hierarchical Vision MLP with Re-parameterized Locality (PyTorch)
Github: https://github.com/DingXiaoH/RepMLP
Pre-trained model: https://drive.google.com/drive/folders/1eDFunxOQ67MvBBmJ4Bw01TFh2YVNRrg2?usp=sharing
Paper: https://arxiv.org/abs/2112.11081v1
Task: https://paperswithcode.com/task/semantic-segmentation
@ai_machinelearning_big_data
293 857
💻 SmartMarket — это единая точка доступа ко всем технологическим платформам Сбера. С помощью SmartMarket вы сможете:
— Использовать десятки современных инструментов — от веб-хостинга до нейросетевых решений;
— Подключить к готовому проекту NLP-платформу и распознавание жестов;
— Использовать виртуальных персонажей или создать Создать виртуального персонажа или чат-ботСоздать виртуального персонажа или чат-бот;
— Монетизировать бизнес в один клик;
— Организовать облачное хранение данных;
— Пользоваться документацией, API и спецификациями для всех сервисов и многое другое!
А еще вы получите доступ к аудитории Сбера в 100 млн человек и сообществу из 2500+ IT-специалистов, сможете общаться с ними в Telegram-канале и посещать регулярные митапы.
👉🏻 Бесплатно зарегистрироваться в SmartMarket Studio можно уже сейчас.
293 857
🌠 NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems
NetKet is an open-source project delivering cutting-edge methods for the study of many-body quantum systems with artificial neural networks and machine learning techniques.
Github: https://github.com/netket/netket
Paper: https://arxiv.org/pdf/2112.10526v1.pdf
Homepage: https://www.netket.org
Documentation: https://www.netket.org/documentation
Tutorials: https://www.netket.org/tutorials
@ai_machinelearning_big_data
293 857
💡 Ensembling Off-the-shelf Models for GAN Training
Github: https://github.com/nupurkmr9/vision-aided-gan
Paper: https://arxiv.org/pdf/2112.09130v1.pdf
Dataset: https://paperswithcode.com/dataset/lsun
@ai_machinelearning_big_data
293 857
Разработчик ML в Финтех Яндекса
Новый сервис продолжает свои поиски: будущему Банку нужны разработчики ML. И чем больше, тем лучше!
Что предстоит делать? Решать задачи от риск-моделирования до моделей привлечения и ретеншна пользователей; строить большие и сложные модели, которые учитывают данные самой разной природы из тех, что есть в Яндексе; совмещать современный ML и глубокое обучение с продвинутыми статистическими моделями.
Что ещё? Отвечать за весь стек ML-задач: и не только обучать модели, но и внедрять их в production, налаживать процессы обучения, деплоя и мониторинга моделей, пользуясь развитой ML-инфраструктурой большого Яндекса.
Верим, что многим из вас интересно заложить фундамент ML в большом стартапе внутри большого Яндекса, и, к/Users/egor/Downloads/yandex.mp4онечно, максимально прокачаться. Будет сложно, будет круто — приходите, скучать точно не придётся!
Никаких долгих изматывающих собесов, попасть в телеграм к эйчару можно прямо с этой промки, после простой задачки-капчи.
293 857
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@ai_machinelearning_big_data
293 857
📹 Vision Transformer Based Video Hashing Retrieval for Tracing the Source of Fake Videos
Github: https://github.com/lajlksdf/vtl
Paper: https://arxiv.org/abs/2112.08117v1
Dataset: https://paperswithcode.com/dataset/dftl
@ai_machinelearning_big_data
293 857
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@ai_machinelearning_big_data
293 857
Бесплатный онлайн-учебник по ML и Data Science
Для начинающих ML-специалистов, аналитиков и разработчиков появилось отличное учебное онлайн-пособие, которое систематизирует актуальную базовую информацию о Machine Learning и Data Science и помогает погрузиться в тему.
Авторы учебника — специалисты Школы анализа данных Яндекса — проводят от основ машинного обучения и знакомства с ключевыми для ML разделами математики до примеров реального применения их на практике. Учебник выложен в свободный доступ, и сейчас в нем открыты две главы: «Классические методы обучения с учителем» и «Оценка качества моделей». В ближайшее время появятся и новые разделы — авторы обещают регулярно обновлять информацию вслед за развитием сферы ML. Добавляйте в закладки!
293 857
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@ai_machinelearning_big_data
293 857
💉 Semi-supervised-learning-for-medical-image-segmentation.
Github: https://github.com/HiLab-git/SSL4MIS
Paper: https://arxiv.org/abs/2112.04894v1
@ai_machinelearning_big_data
293 857
Federated Learning: Collaborative Machine Learning with a Tutorial on How to Get Started
https://www.kdnuggets.com/2021/12/federated-learning-collaborative-machine-learning-tutorial-get-started.html
@ai_machinelearning_big_data
293 857
🦎 → 🐍 NL-Augmenter: A Framework for Task-Sensitive Natural Language Augmentation
Github: https://github.com/GEM-benchmark/NL-Augmenter
Paper: https://arxiv.org/abs/2112.02721v1
Dataset: https://paperswithcode.com/dataset/sst
@ai_machinelearning_big_data
293 857
🔗 DenseCLIP: Language-Guided Dense Prediction with Context-Aware Prompting
Github: https://github.com/raoyongming/denseclip
Paper: https://arxiv.org/abs/2112.01518v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
293 857
Intel организовал чемпионат по обработке и анализу данных. Главный приз – 1 000 000 рублей!
c 1 по 17 декабря в рамках чемпионата вам предлагается обучить нейросети с помощью инструментов для анализа информации Intel oneAPI.
Автор задачи СберМаркет - один из крупнейших онлайн-сервисов доставки продуктов. Вам предстоит - построить модель, которая предскажет, какие покупки совершит пользователь в следующем месяце. Исторические данные включают в себя информацию о покупках пользователей за последние 4 месяца.
Для того чтобы принять участие нужно зарегистрироваться, скачать предложенные датасеты и получить условия задачи
Участники соревнований получат доступ к набору программных инструментов для ускорения машинного обучения и анализа данных Intel® oneAPI на облачной платформе ML Space. Затем нужно обучить модель и готовую версию загрузить обратно на платформу для проверки. Победителем станет тот, кто наиболее точно предскажет категории товаров и получит приз – 1 000 000 рублей.
Все подробности по ссылке
#INTEL #SBERMARKET
293 857
🔹 Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Github: https://github.com/facebookresearch/Mask2Former
Installation: https://github.com/facebookresearch/Mask2Former/blob/main/INSTALL.md
Paper: https://arxiv.org/abs/2112.01527v1
Dataset: https://paperswithcode.com/dataset/cityscapes
@ai_machinelearning_big_data
293 857
🎙 Продолжаем серию митапов GPB.Talks. В этот раз спикеры из Газпромбанка и КРОК Облачные Сервисы обсудят в онлайн-формате тренды финтех-индустрии и эффективные подходы к бизнесу, которые действительно работают в 2021-м году. Митап будет интересен архитекторам, фронтенд-разработчикам, devops-инженерам, заинтересованным в облачных решениях, а также сотрудникам fintech-направления.
Спикерами выступят:
🔷 Владимир Григорьев, директор по архитектуре, и Александр Виноградов, начальник Управления архитектуры решений, расскажут, как устроена омниканальная платформа в Газпромбанке.
🔷 Максим Морарь, менеджер по развитию бизнеса КРОК Облачные Сервисы, объяснит, почему контейнеризация в связке с DevOps-подходами и облачными сервисами — это тренд, который следует учитывать любой динамично развивающейся компании с собственными цифровыми продуктами.
Модерировать митап будет Александр Виноградов — начальник Управления архитектуры решений Газпромбанка.
Чтобы принять участие, зарегистрируйтесь по ссылке > https://vk.cc/c8BNrf
293 857
Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Github: https://github.com/JDAI-CV/faceX-Zoo
Paper: https://arxiv.org/abs/2112.00568v1
Dataset: https://paperswithcode.com/dataset/replay-attack
@ArtificialIntelligencedl
293 857
Онлайн-хакатон по медицинскому искусственному интеллекту от «Наносемантики» и ФГАУ «РЦУД и РТ», на котором участникам предстоит разработать тренажёр в виде веб-сайта или мобильного приложения, который позволит пациентам с тяжёлым расстройством речи проходить реабилитацию – тренировать произношение слов и фраз.
Призовой фонд – 500 тыс.рублей, участвовать можно с 16 лет, а все решения должны быть опубликованы в Open Source под свободной лицензией Apache 2.0
• Даты проведения: 7-9 декабря
• Место проведения: online
• Регистрация: до 7 декабря
• Ссылка на регистрацию: https://nanosemantics.timepad.ru/event/1861440/
• Читать подробнее: https://habr.com/ru/company/ashmanov_net/blog/592667/
293 857
🚀 Revitalizing CNN Attention via Transformers in Self-Supervised Visual Representation Learning
Github: https://github.com/chongjiange/care
Paper: https://openreview.net/pdf?id=sRojdWhXJx
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
