¡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
293 602
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
293 602
🤗 ⚡️Multilingual CLIP with Huggingface + PyTorch Lightning
https://sachinruk.github.io/blog/pytorch/pytorch%20lightning/loss%20function/gpu/2021/03/07/CLIP.html#Data
CLIP: Connecting Text and Images: https://openai.com/blog/clip/
@ai_machinelearning_big_data
293 602
Салют! Семейство виртуальных ассистентов Салют и компания Just AI ищут разработчиков чат-ботов, голосовых и других виртуальных помощников и предлагают им возможности платформы Сбера.
1. Открыта возможность переноса в ассистентов Салют навыков чат-ботов, созданных на платформе JAICP или с помощью конструктора Aimylogic. Детали по ссылке https://clck.ru/TsXMU
2. Доступен эмулятор для тестирования навыков на поверхностях платформы Сбера (умные устройства и мобильные приложения).
3. Есть возможность подключить оплату на любом шаге сценария.
4. Доступ к аудитории экосистемы Сбера.
А ещё каждый квартал команда Сбера определяет лучшие приложения, разработанные для каталога SmartMarket и дарит их авторам по 2,5 млн рублей. Узнай подробности по ссылке: https://clck.ru/Ttz2V
293 602
Towards Ultra-Resolution Neural Style Transfer via Thumbnail Instance Normalization
Github: https://github.com/czczup/URST
Paper: https://arxiv.org/abs/2103.11784
Dataset: https://cocodataset.org/#download
@ai_machinelearning_big_data
293 602
Каждый день мы загружаем и передаем все больше контента. Нагрузка на базовые станции операторов растет, но вместе с ней растет и качество связи. Как это получается? И какую роль в этом процессе играет big data?
Ответы найдете в видео «Как нейросети помогают оставаться на связи», где Тимур и Вика, датасайентисты из МегаФона, рассказывают, почему модернизация базовых станций – это задача из области data science, как работает модель, на основании рекомендаций которой принимаются решения о необходимости «прокачки» той или иной вышки, и остается ли в этом процессе место для человека.
Спойлер: место для человека остается. Например, в МегаФоне в команду по работе с большими данными ищут Team Lead, Senior data scientist, инженера SQL и других специалистов.
293 602
The GENRE (Generarive ENtity REtrieval) system as presented in Autoregressive Entity Retrieval implemented in pytorch.
Github: https://github.com/facebookresearch/GENRE
Paper: https://arxiv.org/abs/2103.12528v1
Dataset: https://github.com/facebookresearch/GENRE/blob/main/scripts/download_all_datasets.sh
@ai_machinelearning_big_data
293 602
The last article in uplift modeling tutorials by MTS data scientists: “Metrics in uplift modeling”📈
Uplift models are used to promote products and create advertising segments 🤑
📗 Habr: https://habr.com/ru/company/ru_mts/blog/538934/
💻 Code: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/uplift_metrics_tutorial.ipynb
293 602
🔬 The Best ML Frameworks & Extensions for Scikit-learn
https://neptune.ai/blog/the-best-ml-framework-extensions-for-scikit-learn
@ai_machinelearning_big_data
293 602
Contrastive Learning of Musical Representations
Github: https://github.com/spijkervet/CLMR
Paper: https://arxiv.org/abs/2103.09410
@ai_machinelearning_big_data
293 602
Продолжается набор на оплачиваемую летнюю стажировку в Яндексе ⚡️
Если вы (или ваши друзья) давно хотели попробовать себя в роли разработчика, летняя стажировка — идеальный вариант.
Отлично проявившие себя стажеры получат шанс перейти в штат!
Направления: фронтенд- и бэкенд-разработка, машинное обучение, аналитика, мобильная разработка и другие — ознакомиться с ними можно здесь.
Особый формат стажировки — Deep Dive в Яндекс.Маркете.
Сколько длится: от трех до 6 месяцев.
Где: в Москве, Санкт-Петербурге, Екатеринбурге, Нижнем Новгороде, Новосибирске, Сочи, Симферополе и Минске.
Если вы из другого города — мы оплатим вам дорогу и проживание в Москве 🙌
Что нужно уметь: мы ждём отличного знания базовых алгоритмов и уверенных навыков программирования на одном из языков.
Как проходит отбор: зависит от направления, но в большинстве случаев нужно будет выполнить тестовое задание, пройти два-три технических интервью, а затем выбрать команду.
Подавайте заявку до 31 мая: https://clck.ru/TgiBN
293 602
Large Scale Image Completion via Co-Modulated Generative Adversarial Networks, ICLR 2021 (Spotlight)
Gitub: https://github.com/zsyzzsoft/co-mod-gan
Paper: https://openreview.net/pdf?id=sSjqmfsk95O
Demo: http://comodgan.ml/
@ai_machinelearning_big_data
293 602
Кейс: как сервис с развлекательным видео-контентом увеличил доход с рекламы на 10%
Сервис зарабатывает на рекламе — чем больше пользователь смотрит рекламы, тем выше доход. Все, по классической схеме.
Но есть проблема: пользователи отказывались от просмотра контента, среднее количество отказов — 17,7%. Очевидно, сервис не умеет показывать релевантные ролики.
Тогда сервис решил настроить персональные рекомендации, как в ютубе. Беда в том, что пользователи просматривают контент анонимно:
— включают VPN,
— используют режим инкогнито
— не оставляют комментарии и лайки
— не регистрируются.
Непонятно, по каким критериям настраивать рекомендации. Ситуация выглядит безнадежной.
Дата-аналитик Orbitsoft рассказывает, как они справились с проблемой, чем помог искусственный интеллект и биг-дата.
http://bit.ly/3tmsnuq
293 602
🔷 PyTorch Geometric Temporal is a temporal (dynamic) extension library for PyTorch Geometric.
Github: https://github.com/benedekrozemberczki/pytorch_geometric_temporal
Paper: https://dl.acm.org/doi/10.1145/3308560.3316581
Dataset: https://pytorch-geometric-temporal.readthedocs.io/en/latest/notes/introduction.html#discrete-time-datasets
@ai_machinelearning_big_data
293 602
Probabilistic two-stage detection
Two-stage object detectors that use class-agnostic one-stage detectors as the proposal network.
Github: https://github.com/xingyizhou/CenterNet2
Paper: https://arxiv.org/abs/2103.07461v1
@ai_machinelearning_big_data
293 602
Яндекс создал новый сервис для ML-разработки и анализа данных — Yandex DataSphere.
👉 Его можно попробовать бесплатно (предоставляется 50+ часов с GPU в фоновых ячейках) по ссылке: https://clck.ru/TkwJG
В чем его главные фишки
✅ Не требует настройки: разворачивается в облаке за пару кликов и сразу же готов к работе. Поэтому забываем как страшный сон об установке ПО и выборе правильных мощностей заранее.
🖥 Привычный интерфейс Jupyter Notebook. А сами проекты не пропадают и живут столько же, сколько ваше облако.
▶️ После исполнения сохраняется состояние (состояние = код + вывод + переменные). Поэтому можно вернуться к любому шагу разработки и не придется заново запускать вычисления.
Продукт молодой, команда очень отзывчива к пожеланиям и на информацию о любых багах быстро реагирует в чате (https://t.me/yandex_datasphere). Вы можете принять реальное участие в становлении Yandex DataSphere.
293 602
Open Avatarify Photorealistic avatars for video-conferencing apps. Democratized.
Github: https://github.com/alievk/avatarify-python
Demo: https://www.youtube.com/watch?v=Q7LFDT-FRzs&feature=youtu.be&ab_channel=AliAliev
@ai_machinelearning_big_data
293 602
Бесплатный вебинар «MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен» от Mail.ru Cloud Solutions
MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении.
Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения.
На вебинаре сотрудники MCS настроят MLflow в максимально близком к production варианте, а также покажут, как реализовать использование компонентов облака в качестве различных backend-сервисов MLflow.
Мероприятие пройдет во вторник, 23 марта, онлайн.
Начало в 18:00 по Москве.
👉 Регистрируйтесь: https://vk.cc/bZIwUi
293 602
Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion
Github: https://github.com/hkchengrex/MiVOS
Paper: https://arxiv.org/pdf/2103.07941v1.pdf
@ai_machinelearning_big_data
293 602
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
293 602
Develop a Neural Network for Banknote Authentication
https://machinelearningmastery.com/neural-network-for-banknote-authentication/
@ai_machinelearning_big_data
