¡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 292 839 suscriptores, ocupando la posición 328 en la categoría Tecnologías y Aplicaciones y el puesto 1 282 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 292 839 suscriptores.
Según los últimos datos del 06 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 314, y en las últimas 24 horas de -187, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.37%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.45% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 21 579 visualizaciones. En el primer día suele acumular 15 979 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 159.
- 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 07 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.
292 839
Suscriptores
-18724 horas
-1 3257 días
-6 31430 días
Archivo de publicaciones
292 834
Generating Game of Thrones Characters Using StyleGAN
article: https://blog.nanonets.com/stylegan-got/
gitHub repo: https://github.com/iyaja/stylegan-encoder
292 834
The Binary Extremes of Daenerys Targaryen
https://towardsdatascience.com/the-binary-extremes-of-daenerys-targaryen-1c89502de92d
292 834
How to (Properly) Evaluate Cross-Lingual Word Embeddings: On Strong Baselines, Comparative Analyses, and Some Misconceptions
Article: https://arxiv.org/abs/1902.00508
292 834
Разработчиков ждут 20 мая, в 20.00 (мск), на открытом практическом вебинаре «Lean Data Engineering: большие данные при небольшом бюджете». Пройдите вступительное тестирование и запишитесь на вебинар https://otus.pw/ccfN/
На вебинаре разберут, как построить эффективную и масштабируемую систему обработки данных для небольшой компании или стартапа с минимальными затратами. В качестве практики познакомят вас с инструментами обработки данных Google Cloud: только заранее создайте google-аккаунт, пройдите регистрацию (https://console.cloud.google.com/) и заведите проект с произвольным названием — это займет не более 5 минут.
Вебинар пройдет в рамках набора на профильный онлайн-курс «Data Engineer». Мастер-класс проведет один из преподавателей курса, эксперт и разработчик Егор Матешук (Senior Data Engineer, MaximaTelecom)
Приходите за подробностями! https://otus.pw/soRP/
292 834
How to Develop a Convolutional Neural Network to Classify Photos of Dogs and Cats (with 97% accuracy)
https://machinelearningmastery.com/how-to-develop-a-convolutional-neural-network-to-classify-photos-of-dogs-and-cats/
292 834
How to Use Transfer Learning when Developing Convolutional Neural Network Models
https://machinelearningmastery.com/how-to-use-transfer-learning-when-developing-convolutional-neural-network-models/
292 834
Introducing Translatotron: An End-to-End Speech-to-Speech Translation Model
http://ai.googleblog.com/2019/05/introducing-translatotron-end-to-end.html
292 834
Российские и международные эксперты обсудят "большие данные"
Сейчас всю Россию накрывает волна "цифровизации". Волна в самом хорошем смысле. Принятая в 2017 государственная программа "Цифровая экономика Российской Федерации" охватывает и "большие данные". В частности, в России, например «большие данные» планируется использовать в области здравоохранения с 2020 г.
Обсудят Big Data и на предстоящей конференции «Цифровая индустрия промышленной России – 2019». Она пройдет с 22 по 24 мая в г.Иннополис (Татарстан).
Подписывайтесь на канал «B/D» и узнайте новости с панели «Большие данные.Как увидеть будущее сегодня» с конференции «ЦИПР-2019» самыми первыми!
292 834
A 2019 guide to 3D Human Pose Estimation
https://blog.nanonets.com/human-pose-estimation-3d-guide/
292 834
TensorFlow Model Optimization Toolkit — Pruning API
https://medium.com/tensorflow/tensorflow-model-optimization-toolkit-pruning-api-42cac9157a6a
292 834
Всех, кто хочет продвинуться на непростом пути машинного обучения, ждут 15 мая, в 20:00 на вебинаре «Учим нейронную сеть копировать почерк». Запишитесь, чтобы получить напоминание https://otus.pw/k0cV/
На открытом уроке мы обсудим, что такое нейронная сеть и как от предсказания конкретных свойств объекта перейти к порождению новых объектов с заданными свойствами. В качестве примера разберем один из финальных проектов предыдущего набора курса: задачу порождения рукописного текста с заданным почерком.
Вебинар пройдет в рамках набора на профильный онлайн-курс «Нейронные сети на Python». Это курс для тех, кто хочет углубить свои знания по нейронным сетям, глубоком машинном обучении и задачах, которые решает Deep Learning Инженер. Оцените свои знания и готовность к курсу, сдайте вступительный тест https://otus.pw/0MEo/
Проведет вебинар Артур Кадурин, преподаватель курса и признанный эксперт в области нейронных сетей и machine learning.
Приходите, будет интересно и профессионально!
292 834
Unified Language Model Pre-training for Natural Language Understanding and Generation
Articel.: https://arxiv.org/abs/1905.03197v1
292 834
How to Develop a Convolutional Neural Network From Scratch for CIFAR-10 Photo Classification
https://machinelearningmastery.com/how-to-develop-a-cnn-from-scratch-for-cifar-10-photo-classification/
292 834
PyTorch implementation of the Leap Meta-Learner
Article: https://arxiv.org/abs/1812.01054
GitHub: https://github.com/amzn/metalearn-leap
292 834
Introducing TensorFlow Graphics: Computer Graphics Meets Deep Learning
Github : https://github.com/tensorflow/graphics
Article: https://medium.com/tensorflow/introducing-tensorflow-graphics-computer-graphics-meets-deep-learning-c8e3877b7668
292 834
ICLR2019 Best Paper
"The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks"
Jonathan Frankle, Michael Carbin: https://arxiv.org/abs/1803.03635
292 834
Задача по #DataScience от QIWI.
Наверняка вы знаете, что такое Терминалы QIWI. Они позволяют совершить оплату в пользу более чем двух тысяч провайдеров. Сейчас пользователи мало платят через терминалы, не знают или не помнят, что их услугу можно оплатить на терминале.
QIWI ищет команду, которая сможет доработать (уже реализованный) механизм, рекомендующий плательщику дополнительный платёж. Нужно научиться определять наиболее уместных провайдеров для данного терминала, исходя из его локации и частоты оплачиваемых провайдеров.
На реализацию QIWI выделяет 3 млн.рублей и 5 месяцев.
Задача подробно описана на сайте (видео + текст) — universe.qiwi.com
Заявки от команд до 19 мая.
Вопросы все можно задать в @QU_product_hub
