¡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
293 399
NeuralPy
NeuralPy: A Keras like deep learning library works on top of PyTorch PyTorch is an open-source machine learning framework that accelerates the path from research prototyping to production deployment developed by Facebook runs on both CPU and GPU.
Github: https://github.com/imdeepmind/NeuralPy
Project: https://neuralpy.imdeepmind.com/
293 399
Analyzing pretraining approaches for vision and language tasks
Simple design choices in pretraining can help us achieve close to state-of-art results on downstream tasks without any architectural changes.
https://ai.facebook.com/blog/analyzing-pretraining-approaches-for-vision-and-language-tasks/
Github: https://github.com/facebookresearch/mmf/tree/master/projects/pretrain_vl_right
Paper: https://arxiv.org/abs/2004.08744
293 399
Segmentation Loss Odyssey
Loss functions for image segmentation
Github: https://github.com/JunMa11/SegLoss
Paper: https://arxiv.org/abs/2005.13449v1
293 399
Обратите внимание: @kaicode (5 сентября). Это первый в своём роде сбор на одной площадке авторов open source проектов, в Москве. Huawei спонсирует и организует. Отошлите им ссылку на свой GitHub проект, его рассмотрят и лучших пригласят на площадку для выступления и защиты. Три проекта получают в руки по $5000 каждый и возможность дальнейшей поддержки от Huawei. Пишите им в Телеграм группу за подробностями и бесплатным билетом на вход.
293 399
Towards computer-aided severity assessment: training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity
The COVID-Net models provided here are intended to be used as reference models that can be built upon and enhanced as new data becomes available.
Github: https://github.com/lindawangg/COVID-Net
Paper: https://arxiv.org/abs/2005.12855v1
293 399
How MTS used smart contract to build a system for selecting best technological projects.
https://habr.com/ru/company/ru_mts/blog/504058
293 399
DE⫶TR: End-to-End Object Detection with Transformers
PyTorch training code and pretrained models for DETR The main ingredients of the new framework, called DEtection TRansformer or DETR, are a set-based global loss that forces unique predictions via bipartite matching, and a transformer encoder-decoder architecture.
Github: https://github.com/facebookresearch/detr
Paper: https://arxiv.org/abs/2005.12872v1
Code: https://colab.research.google.com/github/facebookresearch/detr/blob/colab/notebooks/detr_demo.ipynb
293 399
Mail.ru Group запускает набор в бесплатную Академию больших данных MADE для датасайентистов и программистов.
Можно освоить одну из специализаций: Data Scientist, Machine Learning Engineer или Data Engineer на лекциях или сидя дома.
У академии реально мощные преподаватели и практикующие специалисты, которые готовы учить на реальных кейсах. Уникальная Возможность освоить: Прикладной анализ данных, разработку моделей машинного обучения для высоконагруженных сервисов, обработку больших данных, компьютерное зрение, обработку естественного языка, распознавание речи и другие актуальные темы. Перед прохождением тебя ждет вступительный тест. Лучшие получат job offer.
Записаться можно до 1 августа: https://vk.cc/auoVmA
Уже сегодня принимай участие в Командном бое на Хабре: Python vs C++ и прокачай свои скилы в машинном обучении: https://habr.com/ru/article/502606/
293 399
Tensorflow vs PyTorch for Text Classification using GRU
https://medium.com/@rodolfosaldanha_71881/tensorflow-vs-pytorch-for-text-classification-using-gru-e95f1b68fa2d
293 399
Evaluating Natural Language Generation with BLEURT
BLEURT (Bilingual Evaluation Understudy with Representations from Transformers) builds upon recent advances in transfer learning to capture widespread linguistic phenomena, such as paraphrasing
https://ai.googleblog.com/2020/05/evaluating-natural-language-generation.html
Github: https://github.com/google-research/bleurt
Paper: https://arxiv.org/abs/2004.04696
293 399
Natural Language Processing With spaCy in Python
https://realpython.com/natural-language-processing-spacy-python/
293 399
SymJAX: symbolic CPU/GPU/TPU programming
SymJAX is a symbolic programming version of JAX simplifying graph input/output/updates and providing additional functionalities for general machine learning and deep learning applications.
docs: https://symjax.readthedocs.io/en/latest/
github: https://github.com/RandallBalestriero/SymJAX
pdf: https://arxiv.org/pdf/2005.10635v1.pdf
293 399
Instance-aware Image Colorization
https://ericsujw.github.io/InstColorization/
Github: https://github.com/ericsujw/InstColorization
Paper: https://arxiv.org/abs/2005.10825v1
293 399
Graph Structure Learning for Robust Graph Neural Networks
A general framework Pro-GNN, which can jointly learn a structural graph and a robust graph neural network model from the perturbed graph guided by these properties.
Github: https://github.com/ChandlerBang/Pro-GNN
Paper: https://arxiv.org/abs/2005.10203
293 399
Free Live Course: Deep Learning with PyTorch
https://www.freecodecamp.org/news/free-deep-learning-with-pytorch-live-course/
video: https://www.youtube.com/watch?v=vo_fUOk-IKk
293 399
Galaxy Zoo: Classifying Galaxies with Crowdsourcing and Active Learning
In this tutorial you will know how to use crowdsourcing and machine learning to investigate how galaxies evolve by classifying millions of galaxy images.
https://blog.tensorflow.org/2020/05/galaxy-zoo-classifying-galaxies-with-crowdsourcing-and-active-learning.html
Code: https://github.com/mwalmsley/galaxy-zoo-bayesian-cnn/blob/88604a63ef3c1bd27d30ca71e0efefca13bf72cd/zoobot/active_learning/acquisition_utils.py#L81
293 399
Хотите получить практические навыки по программированию искусственного интеллекта? В SkillFactory скоро стартует специализация «AI разработчик». Спрос на таких специалистов намного выше, чем предложение.
На курсе вы освоите:
— машинное обучение с нуля до продвинутого уровня
— Computer Vision, NLP, Reinforcement learning
— и нейронные сети
По окончанию обучения вы сможете проектировать и внедрять рекомендательные системы, участвовать в fintech проектах, создавать интерактивных агентов технологиями NLP и многое другое.
Курс основан на практике, к каждому студенту прикрепляется ментор, который поможет пройти путь в новую профессию.
💼Карьерный центр поможет вам оформить резюме, начать проходить собеседования и освоить необходимые soft skills.
🧨Пилим цены пополам до 25 мая, чтобы вы смогли начать свой путь в ИТ! Получите курс со скидкой 50%: https://clc.to/0W97Iw
293 399
👄 Lip2Wav
Generate high quality speech from only lip movements. This code is part of the paper: Learning Individual Speaking Styles for Accurate Lip to Speech Synthesis
Demo: https://www.youtube.com/watch?v=HziA-jmlk_4
Github: https://github.com/Rudrabha/Lip2Wav
Paper: https://arxiv.org/abs/2005.08209v1
293 399
How to Use Quantile Transforms for Machine Learning
https://machinelearningmastery.com/quantile-transforms-for-machine-learning/
293 399
Single-Stage Semantic Segmentation from Image Labels
Github: https://github.com/visinf/1-stage-wseg
Paper: https://arxiv.org/abs/2005.08104
