¡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 293 943 suscriptores, ocupando la posición 330 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 293 943 suscriptores.
Según los últimos datos del 30 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 432, y en las últimas 24 horas de -166, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.71%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.50% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 22 682 visualizaciones. En el primer día suele acumular 16 178 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 176.
- 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 01 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.
293 943
Suscriptores
-16624 horas
-1 5837 días
-6 43230 días
Archivo de publicaciones
293 894
📝 EasyNLP is an easy-to-use NLP development and application toolkit in PyTorch
$ pip install pai-easynlp.
Github: https://github.com/alibaba/EasyNLP
Paper: https://arxiv.org/abs/2205.03071v1
Dataset: https://paperswithcode.com/dataset/natural-questions
Documentation: https://www.yuque.com/easyx/easynlp/kkhkai
@ai_machinelearning_big_data
293 894
🪄 Language Models Can See: Plugging Visual Controls in Text Generation
Github: https://github.com/yxuansu/magic
Paper: https://arxiv.org/abs/2205.02655v1
Dataset: https://paperswithcode.com/dataset/coco
Contrastive Framework for Neural Text Generation: https://github.com/yxuansu/simctg
Colab: https://colab.research.google.com/drive/19lyyMXDRNr-Op8vwUOiRmbhMxI_s3rwW?usp=sharing
@ai_machinelearning_big_data
293 894
Дзен-митап: исследования в рекомендательных системах
19 мая приглашаем на первый в этом году офлайн-митап от Дзена по рекомендательным системам.
Поговорим о том, как правильно строить эмбеддинги для качественных рекомендаций, о нюансах в А/Б тестировании и особенностях научных исследований в рекомендательных системах в академии и бизнесе.
Митап пройдет в ресторане Ketch Up (Москва, ул.Кузнецкий мост, 6/3). Количество мест ограничено — мы пригласим тех, кому мероприятие ближе всего по профилю и опыту. А записи докладов вышлем всем зарегистрировавшимся!
293 894
↘️ PyRDF2Vec: A Python Implementation and Extension of RDF2Vec
Create a 2D feature matrix from a Knowledge Graph for downstream ML tasks.
Github: https://github.com/IBCNServices/pyRDF2Vec
RDF2Vec: http://rdf2vec.org/
Paper: https://arxiv.org/abs/2205.02283v1
Examples: https://github.com/IBCNServices/pyRDF2Vec/tree/main/examples
How to Create Representations of Entities in a Knowledge Graph
@ai_machinelearning_big_data
293 894
❓ Какой подход использовать для построения рекомендательных систем?
На открытом уроке «Что порекомендует мне машинное обучение?» вместе с Марией Тихоновой, Senior Data Scientist Сбера, реализуем один из классических подходов к построению рекомендательных систем своими руками.
🔥 БОНУС
Готовый инструмент, который позволяет создать рекомендашку всего в пару строк кода.
🟢 Еще больше полезных знаний и увлекательных задач ждет вас на онлайн-курсе «Machine Learning. Professional» в OTUS и его партнера — Сбера.
Записаться на урок https://otus.pw/bEtn/
293 894
💬 Textual Entailment for Event Argument Extraction: Zero- and Few-Shot with Multi-Source Learning
Github: https://github.com/osainz59/Ask2Transformers
Instructions: https://github.com/facebookresearch/metaseq/blob/main/docs/setup.md
Paper: https://arxiv.org/abs/2205.01376v1
Dataset: https://paperswithcode.com/dataset/snli
@ai_machinelearning_big_data
293 894
Знаете базу SQL, но для работы этого мало?
Курс «Аналитик данных» научит вас говорить с аналитиками на одном языке.
Изучите все инструменты для работы с данными: Python, SQL, Tableau, теорию вероятностей, статистику, бизнес-метрики и визуализацию данных. Даже если вы никогда не программировали или не разбираетесь в математике.
Теория и практика кода будет в интерактивном тренажёре. А ещё — на проектах, учебных и реальных. 170+ наших студентов работали над задачами в НКО и коммерческих компаниях.
Поддержвать вас будет целая команда сопровождения. Специалисты помогут со сложными темами, проверят код и не дадут прокрастинировать.
Оплачивать учёбу можно помесячно.
Если сомневаетесь, пдойдёт ли вам курс — попробуйте бесплатную вводную часть. В ней можно посмотреть, как работает тренажёр и какие задания предстоит выполнять.
→ Старт потока — 12 мая
→ Попробуйте курс бесплатно
293 894
🔝 OPT (Open Pre-trained Transformers) is a family of NLP models trained on billions of tokens of text obtained from the internet.
__175B GPT-3__
Github: https://github.com/facebookresearch/metaseq
Insttructions: https://github.com/facebookresearch/metaseq/blob/main/docs/setup.md
Paper: https://arxiv.org/abs/2205.01068v2
Dataset: https://paperswithcode.com/dataset/superglue
@ai_machinelearning_big_data
293 894
🚗 MMRotate: A Rotated Object Detection Benchmark using Pytorch
Github: https://github.com/open-mmlab/mmrotate
Documentation: https://mmrotate.readthedocs.io/en/latest/
Paper: https://arxiv.org/abs/2204.13317v1
Dataset: https://paperswithcode.com/dataset/dota
@ai_machinelearning_big_data
293 894
🧊 Focal Sparse Convolutional Networks for 3D Object Detection (CVPR 2022, Oral)
Github: https://github.com/dvlab-research/focalsconv
Paper: https://arxiv.org/abs/2204.12463
Dataset: https://paperswithcode.com/dataset/nuscenes
@ai_machinelearning_big_data
293 894
Хотите повысить свои hard-скиллы в Computer Vision и научиться решать весь пайплайн задач в CV?
Этот пост для вас, если:
- вы хотите улучшить навыки и поднять свою ценность на рынке,
- вы развиваете собственный CV-проект и не знаете как довести его до продакшена,
- вы тимлид и хотите повысить эффективность своей команды.
8 опытных инженеров из разных компаний подготовили курс, который научит вас создавать стабильные и быстрые DL-сервисы с нуля до выпуска первой версии. Вы научитесь:
- дешево добывать чистые данные,
- быстро учить нейросети,
- ускорять инференс,
- автоматизировать деплой и мониторить свои сервисы,
- работать в команде, правильно версионируя код и эксперименты,
и многое другое.
Вас ждут живые онлайн-лекции, групповая работа, квизы и ревью кода от опытных наставников.
Переходите по ссылке и записывайтесь на курс до 11 мая. Всего доступно 25 мест, поторопитесь!
293 894
🧍♂ StyleGAN-Human: A Data-Centric Odyssey of Human Generation
human image dataset with over 230K samples capturing diverse poses and textures
Github: https://github.com/stylegan-human/stylegan-human
Demo video: https://youtu.be/nIrb9hwsdcI
Paper: https://arxiv.org/abs/2204.11823v1
Dataset: https://paperswithcode.com/dataset/market-1501
Colab: https://colab.research.google.com/drive/1sgxoDM55iM07FS54vz9ALg1XckiYA2On
@ai_machinelearning_big_data
293 894
🔹 Exploring a Fine-Grained Multiscale Method for Cross-Modal Remote Sensing Image Retrieval
Github: https://github.com/xiaoyuan1996/AMFMN
Paper: https://arxiv.org/abs/2204.09868v1
Dataset: https://paperswithcode.com/dataset/kitti
@ai_machinelearning_big_data
293 894
Мониторинги показывают, что GPU загружены, при этом видно, что они не потребляют электричества. Что делать? Хорошая статья с ответом на этот вопрос.
Будет полезно почитать, даже если вы занимаетесь обучением моделек на домашних GPU.
293 894
🚀 TorchSparse: Efficient Point Cloud Inference Engine
Github: https://github.com/mit-han-lab/torchsparse
Paper: https://arxiv.org/abs/2204.10319v1
Dataset: https://paperswithcode.com/dataset/nuscenes
Demo: https://paperswithcode.com/dataset/pipal-perceptual-iqa-dataset
@ai_machinelearning_big_data
293 894
Количество вакансий в Data Science выросло на 433% за 3 года. По прогнозам Frost & Sullivan, рынок продолжит расти на 35,9% в год ближайшие 10 лет 🔝
Освойте Data Science с нуля в лучшем техническом вузе страны — МФТИ. Среди профессоров и выпускников института 10 лауреатов Нобелевской премии.
Онлайн-магистратура «Науки о данных» поможет вам:
✅ Изучить математические дисциплины для Machine Learning
✅ Получить практическую базу написания кода
✅ Погрузиться в интересное направление: Artificial Intelligence, Big Data или Machine Learning
✅ Освоить актуальный стек технологий и инструментов
✅ Набраться опыта на кейсах от партнеров программы: Danone, «Девхаб», First Line Software и др.
Вы сможете сами выбрать 3 электива из 6. А вместо магистерской диссертации — принять участие в реальном проекте.
У вас будет то, чего не хватает выпускникам краткосрочных курсов. Это глубокое понимание алгоритмов и принципов анализа данных, умение мыслить абстрактными категориями и творческий подход к решению сложных задач.
Вам будут преподавать IT-руководители, ML-инженеры, специалисты по Data Engineering. Те, кто сами прошли путь от новичка — до позиции Lead. И вам помогут.
Вы получите крепкий фундамент, убедительное портфолио и диплом МФТИ государственного образца. Плюс карьерные консультации от опытных HR-менеджеров для успешного трудоустройства.
Возможна оплата обучения с помощью образовательного кредита с господдержкой.
Совсем скоро мы запускаем бесплатный подготовительный курс для абитуриентов.
Успейте к нам присоединиться: https://clc.to/vDsqFg
293 894
Ты начинающий IT-специалист, но уверен в своих знаниях и уже готов работать на позиции джуна? Газпромбанк совместно с журналом «КОД» Яндекс.Практикума подготовил 4 интерактивных теста для начинающих разработчиков 👨💻
С помощью них ты посмотришь на себя глазами рекрутера, потренируешься проходить собеседования и справляться с первыми трудностями на работе > https://vk.cc/ccNVNV
293 894
🛠 MANIQA: Multi-dimension Attention Network for No-Reference Image Quality Assessment
Github: https://github.com/iigroup/maniqa
Paper: https://arxiv.org/abs/2204.08958v1
Dataset: https://paperswithcode.com/dataset/kitti
Demo: https://paperswithcode.com/dataset/pipal-perceptual-iqa-dataset
@ai_machinelearning_big_data
293 894
🎯 Хардкорный тест по Machine Learning
🚀 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе -
«Machine Learning Professional» от OTUS и его партнера — Сбера.
🔥 РЕЗУЛЬТАТ ПРОХОЖДЕНИЯ КУРСА
Сильное портфолио, которое позволит вам претендовать на Junior+ и Middle позиции Data Scientist.
Время прохождения теста ограниченно 20 минут
👉 ПРОЙТИ ТЕСТ
https://otus.pw/W6UA/
293 894
🌄 NAFSSR: Stereo Image Super-Resolution Using NAFNet
Github: https://github.com/megvii-research/NAFNet
Paper: https://arxiv.org/abs/2204.08714v1
Dataset: https://paperswithcode.com/dataset/kitti
Demo: https://colab.research.google.com/drive/1dkO5AyktmBoWwxBwoKFUurIDn0m4qDXT?usp=sharing
@ai_machinelearning_big_data
