¡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
293 495
Sketch-Generation-with-Drawing-Process-Guided-by-Vector-Flow-and-Grayscale
Github: https://github.com/TZYSJTU/Sketch-Generation-with-Drawing-Process-Guided-by-Vector-Flow-and-Grayscale
Paper: https://arxiv.org/abs/2012.09004
@ai_machinelearning_big_data
293 495
Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting.
Github: https://github.com/zhouhaoyi/Informer2020
Paper: https://arxiv.org/abs/2012.07436v1
@ai_machinelearning_big_data
293 495
Свежая подборка из мира новостей по искусственному интеллекту, Big Data и машинному обучению. Переходи по ссылке и будь в курсе всего, что происходит в России и мире. Не оставайся в стороне от историй, за которыми будущее.
https://t.me/bolshiedannye
293 495
RLax -useful building blocks for implementing reinforcement learning agents
Github: https://github.com/deepmind/rlax
deepmind article: https://deepmind.com/blog/article/using-jax-to-accelerate-our-research
@ai_machinelearning_big_data
293 495
Real-Time High-Resolution Background Matting
https://grail.cs.washington.edu/projects/background-matting-v2/
Github: https://github.com/PeterL1n/BackgroundMattingV2
Paper: https://arxiv.org/abs/2012.07810v1
Video: https://www.youtube.com/watch?v=oMfPTeYDF9g
@ai_machinelearning_big_data
293 495
Машинное обучение поможет собакам из приютов обрести дом. Не верите?
Послушные собаки, которые знают команды, с большей вероятностью находят себе новых хозяев. Разработчики CompanionPro озаботились этой проблемой и создали устройство, использующее фреймворк Google TensorFlowLite, которое помогает питомцу выучить команды без участия человека
Освоить Machine Learning, чтобы решать небанальные задачи, можно на курсе «Машинное обучение» от SkillFactory, даже если вы начинающий специалист,. Вы изучите принципы математических алгоритмов, современные библиотеки, feature engineering и оценку моделей. Во время обучения проводится два хакатона, промежуточный и финальный, с использованием реальных датасетов (например, отзывы из магазина книг Amazon Kindle Store).
🎄Пусть в 2020 году будет хоть что-то хорошее! Сейчас на курс действует скидка 50%
❗️Узнать подробнее: https://clc.am/pEpCtA
293 495
Fairscale is a PyTorch extension library for high performance and large scale training for optimizing training
Github: https://github.com/facebookresearch/fairscale
Documentation: https://fairscale.readthedocs.io/en/latest/
Tutorials: https://fairscale.readthedocs.io/en/latest/tutorials/index.html
@ai_machinelearning_big_data
293 495
Куда пойти учиться?
Newprolab - лаборатория профессионального развития для дата-сайентистов, дата-инженеров и руководителей в области анализа больших данных объявляет программу курсов на 2021 год.
Интенсивные программы Big Data, Data Engineering, Deep Learning ориентированы на обучение на практике: самые актуальные инструменты и подходы, преподаватели-практики, кейсы и датасеты из реальной жизни.
🎄 До 31 декабря действует специальная цена, выбирайте траектории своего развития уже сейчас: https://clck.ru/SSk66
🌎Готовы к выходу на европейский рынок?
Выпускники Newprolab работают в ведущих международных и российских компаниях в более, чем 20-ти странах мира.
Отдельное направление: корпоративное обучение - программы обучения под задачи любого бизнеса, требующего грамотных специалистов в области работы с данными.
293 495
ViP-DeepLab: Learning Visual Perception with Depth-aware Video Panoptic Segmentation
Github: https://github.com/joe-siyuan-qiao/ViP-DeepLab
Dataset: http://semantic-kitti.org
Paper: https://arxiv.org/abs/2012.05258v1
@ai_machinelearning_big_data
293 495
Приглашаем на предновогодний Дзен-митап в эту пятницу в 19:00 по Москве. Тема встречи: исследования и рекомендательные системы — поговорим об обучении с подкреплением и об атаках на модели. От Дзена будет история о том, как возникла задача ранжирования по сложной негладкой метрике, какие подходы в ней пробовали и что заработало лучше всего.
Кроме трёх докладов мы немного развлечём вас праздничной афтепати — нет, вам не придётся включать камеры и говорить, всё максимально комфортно и с подарками.
Регистрация и описание докладов.
293 495
Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and PyTorch
@datascienceiot
293 495
A Rising Library Beating Pandas in Performance
https://www.kdnuggets.com/2020/12/rising-library-beating-pandas-performance.html
Dataset: https://www.kaggle.com/colinmorris/reddit-usernames
@ai_machinelearning_big_data
293 495
Implementation of Adam and AMSGrad Optimizers
Project: https://lab-ml.com/labml_nn/optimizers/adam.html
AMSGrad: https://lab-ml.com/labml_nn/optimizers/amsgrad.html
GitHub: https://github.com/lab-ml/nn
Full list: https://lab-ml.com/labml_nn/index.html
@ArtificialIntelligencedl
293 495
Хотите увидеть, как большие данные помогают врачам открывать революционные методы лечения? Узнать, как «простые айтишники» двигают медицину и фарминдустрию вперед? Нужен ли для этого диплом медвуза? А зарплаты высокие?
Приходите на онлайн-интенсив по Data Science в медицине от GeekBrains! Вас ждут два часа живого общения с преподавателем и море практики. Узнаете, как работает наука о данных, что такое биометрия и какие знания нужны для начала карьеры аналитика в медицине. В финале получите видеозапись занятия и сертификат о прохождении обучения.
11 декабря, в среду, в 20:00 по Москве → переходите по ссылке, записывайтесь на интенсив и врывайтесь в одну из самых топовых профессий современности. И да, спойлер, зарплаты там — высокие.
293 495
River: machine learning for streaming data in Python
https://github.com/online-ml/river
Paper: https://arxiv.org/abs/2012.04740v1
Online machine learning: https://www.wikiwand.com/en/Online_machine_learning
@ai_machinelearning_big_data
293 495
11-12 декабря заходите на виртуальный стенд EPAM на конференции SmartData и тренируйте навыки Data Science: https://epa.ms/smartdata-epam-virtual-stand
🔹 Train AI: потренируйтесь с AutoML сразу в трех облаках: GCP, AWS и Azure. 10 участников, разметивших наибольшее количество
картинок, получат в подарок книгу "Глубокое обучение. Погружение в мир нейронных сетей".
🔹 Сreate AI: постройте сеть, которая максимально точно может распознавать рукописные цифры. Участники, занявшие первые 3 места в общем зачете, получат в подарок рюкзаки с LED-дисплеем.
Завершение турниров 12 декабря в 12:00 (мск).г
293 495
Hello colleagues!
Today I would like to share great news with you - we have opensourced our python framework LightAutoML (LAMA) aimed at Automated Machine Learning. It is designed to be lightweight and efficient for various tasks (binary/multiclass classifcation and regression) on tabular datasets which contains different types of features: numeric, categorical, dates, texts etc.
LAMA provides not only presets suite for end-to-end ML tasks solving, but also the easy-to-use ML pipeline creation constructor including data preprocessing elements, advanced feature generation, CV schemes (including nested CVs), hyperparameters tuning, different models and composition building methods. It also gives the user an option to generate model training and profiling reports to check model results and find insights which are not obvious from initial dataset.
Here are some examples of LAMA usage on binary classification task:
⁃ Blackbox pipeline = https://www.kaggle.com/simakov/lama-tabularautoml-preset-example
⁃ Interpretable model = https://www.kaggle.com/simakov/lama-whitebox-preset-example
⁃ Custom elements + existing ones = https://www.kaggle.com/simakov/lama-custom-automl-pipeline-example
Official documentation is here: https://lightautoml.readthedocs.io
Github: https://github.com/sberbank-ai-lab/LightAutoML
Slack community: https://lightautoml-slack.herokuapp.com
Please enjoy! :)
293 495
Learnable Tree Filter V2.
Github: https://github.com/StevenGrove/LearnableTreeFilterV2
Paper: https://arxiv.org/abs/2012.03482v1
@ai_machinelearning_big_data
