¡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
293 611
C 12 по 25 апреля приглашаем принять участие в EPAM Data Hiring Weeks!
Станьте частью команды EPAM и получите welcome-бонус в размере одного оклада.
Направления:
Big Data: https://epa.ms/EPAM-BigData-HiringWeek
Data Quality: https://epa.ms/EPAM-DataQuality-HiringWeek
Как подать заявку:
1. Заполните регистрационную форму и получите подтверждение;
2. Пройдите интервью и получите оффер в течение 24 часов.
Мы ценим ваше время, и эта одна из причин проведения мероприятия – не нужно долго ждать решения. После успешного прохождения интервью в течение 24 часов вам будет сделан оффер. Если вы примете его в период с 12 по 25 апреля, вы получите welcome-бонус.
293 611
Implicit Neural Representations with Periodic Activation Functions
Github: https://github.com/lucidrains/siren-pytorch
Paper: https://arxiv.org/abs/2006.09661
@ai_machinelearning_big_data
293 611
💬 New Facebook's Casual Conversations Dataset over 45,000 videos
Dataset: https://ai.facebook.com/datasets/casual-conversations-dataset/
Paper: https://ai.facebook.com/blog/shedding-light-on-fairness-in-ai-with-a-new-data-set/
@ai_machinelearning_big_data
293 611
🦏 DoubleML - Double Machine Learning in Python
Github: https://github.com/DoubleML/doubleml-for-py
Paper: https://arxiv.org/abs/2104.03220v1
Docs: https://docs.doubleml.org/stable/index.html
@ai_machinelearning_big_data
293 611
📗 New updates: Interpretable Machine Learning
A Guide for Making Black Box Models Explainable.
https://christophm.github.io/interpretable-ml-book/
@ai_machinelearning_big_data
293 611
Regularizing Generative Adversarial Networks under Limited Data
Github: https://github.com/google/lecam-gan
Paper: https://arxiv.org/abs/2104.03310
https://hytseng0509.github.io/lecam-gan/
@ai_machinelearning_big_data
293 611
Обращаем внимание на новый официальный телеграм-канал с вакансиями @megafonjobs.
Кому полезно?
Разработчикам, data scientists, аналитикам, продуктологам, дизайнерам и другим экспертам в области IT и digital.
Зачем нужно?
Чтобы быть в курсе крутых вакансий компании, которая создает цифровые продукты для миллионов пользователей.
Почему интересно?
На канале публикуются самые топовые и горящие вакансии, а еще запланированы полезные материалы и инсайты на темы Digital и IT, интервью с руководителями МегаФона и многое другое.
Подписывайся на @megafonjobs, если готов принять карьерный вызов и выйти на новый профессиональный уровень!
293 611
Timers and Such: A Practical Benchmark for Spoken Language Understanding with Numbers
Github: https://github.com/speechbrain/speechbrain/tree/develop/recipes/timers-and-such
Dataset: https://zenodo.org/record/4623772#.YG08zhQzZs9
Paper: https://arxiv.org/abs/2104.01604v1
@ai_machinelearning_big_data
293 611
15 апреля в 17:00 пройдет мероприятие Arrival Live, на котором команда Arrival впервые расскажет о том, как устроено автомобилестроение будущего: что находится под капотом автомобилей и в стенах фабрик компании. Не пропусти!
Предварительная регистрация поможет не забыть про митап и получить ссылку на онлайн-трансляцию, а также материалы по итогам митапа. Не пропусти – meetup.arrival.com
293 611
Audio-Visual Event Localization in Unconstrained Videos
https://sites.google.com/view/audiovisualresearch
Github: https://github.com/YapengTian/AVE-ECCV18
Paper: https://arxiv.org/abs/1803.08842
@ai_machinelearning_big_data
293 611
Беспокоитесь о сохранности данных?
8 апреля в 11:00 приглашаем на вебинар «Commvault Intelligent Data Management. Больше чем просто backup».
∙ как свести к минимуму риски, сложность и расходы при развертывании системы защиты данных и резервного копирования
∙ как создать единую платформу управления данными
∙ как получить решение под ключ от одного поставщика
На вебинаре представим обновленный портфель решений для интеллектуального управления данными, а также поделимся лучшими практиками применения резервного копирования.
Регистрируйтесь: https://clck.ru/U7CqN
293 611
👁 Learning Spatio-Temporal Transformer for Visual Tracking
Github: https://github.com/researchmm/Stark
Paper: https://arxiv.org/abs/2103.17154v1
@ai_machinelearning_big_data
293 611
Как устроиться на работу продактом и как её не потерять?
Узнаете 6 апреля в 19:00 на бесплатном интенсиве от ProductStar
Вместе с Ириной Гизитдиновой, Product Leader компании BPC, вы получите ответы на вопросы:
— Большая компания или стартап? Как проходить собеседования? На что обращают внимание? Какие совершаются типовые ошибки?
— Как измерить свой уровень? Как расти продакту? Как правильно подойти к прокачке своих навыков, чтобы больше "стоить" на рынке?
— Ошибки, которые могут стоить вам работы продакта.
Также каждому зрителю подарят чек-лист «Как пройти собеседование на должность продакт-менеджера»
Участие бесплатное, но регистрация обязательна
Зарегистрироваться на интенсив 👉 @ProductStarProductBot
293 611
EasyMocap is an open-source toolbox for markerless human motion capture from RGB videos
Github: https://github.com/zju3dv/EasyMocap
Paper: https://arxiv.org/abs/2104.00340v1
@ai_machinelearning_big_data
293 611
⚡️ NeX: Real-time View Synthesis with Neural Basis Expansion
Github: https://github.com/nex-mpi/nex-code
Real-time View Synthesis with Python Code: https://analyticsindiamag.com/what-is-nex-guide-to-real-time-view-synthesis-with-python-code/
Project: https://nex-mpi.github.io/
Paper: https://arxiv.org/pdf/2103.05606.pdf
Video: https://www.youtube.com/watch?v=HyfkF7Z-ddA&ab_channel=SupasornSuwajanakorn
@ai_machinelearning_big_data
293 611
Hyperbolic Graph Convolutional Auto-Encoders
Github: https://github.com/junhocho/HGCAE
Paper: https://arxiv.org/abs/2103.16046
@ai_machinelearning_big_data
293 611
TransT - Transformer Tracking
Github: https://github.com/chenxin-dlut/TransT
Paper: https://arxiv.org/abs/2103.15436
Model: https://drive.google.com/drive/folders/1GVQV1GoW-ttDJRRqaVAtLUtubtgLhWCE
@ai_machinelearning_big_data
293 611
Каждый Data scientist хоть раз пробовал поиграться с нейросетями. Но чтобы они решали задачи бизнеса, работали стабильно и не потребляли чрезмерное количество ресурсов — тут не обойтись без практики и специальных знаний.
Хотите связать свою карьеру с нейросетями? Ждем вас на онлайн-курсе «Deep Learning. Basic», где вы с основ шаг за шагом создадите и обучите свою первую послушную нейронную сеть.
⚡️За 5 месяцев вы ознакомитесь с базовыми возможностями нейронных сетей, попробуете разные направления Deep Learning и освоите такие фреймворки как PyTorch, Keras, NumPy. После обучения вы сможете претендовать на начальные позиции специалиста по нейронным сетям и самостоятельно решать рядовые распространенные задачи.
👉Вступительный тест покажет, достаточно ли у вас знаний математики и базового синтаксиса Python для прохождения курса. Набирайте проходной балл и занимайте место по спец.цене: https://otus.pw/mAwq/
293 611
UniverseNet
UniverseNet is the state-of-the-art detector that can be trained in 24 epochs.
Github: https://github.com/shinya7y/UniverseNet
Paper: https://arxiv.org/abs/2103.14027v1
@ai_machinelearning_big_data
293 611
Swin Transformer - PyTorch
Code: https://github.com/berniwal/swin-transformer-pytorch
Github: https://github.com/microsoft/Swin-Transformer
Paper: https://arxiv.org/abs/2103.14030v1
@ai_machinelearning_big_data
