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 275 988 suscriptores, ocupando la posición 336 en la categoría Tecnologías y Aplicaciones y el puesto 1 377 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 275 988 suscriptores.
Según los últimos datos del 07 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -2 499, y en las últimas 24 horas de -157, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.01%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.41% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 22 107 visualizaciones. En el primer día suele acumular 17 690 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 342.
- 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 08 noviembre, 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.
275 988
Suscriptores
-15724 horas
-8727 días
-2 49930 días
Archivo de publicaciones
275 986
Data-driven организация: когда алгоритмы заменят людей?
В Data-Driven подходе все принимаемые решения основаны на big data. Что это — просто мода на использование больших данных или действительно эффективный инструмент? А может, всего лишь хайповое название привычных вещей?
Этой теме будет посвящен «Цифровой четверг» Х5.
Дата: 30 сентября 10:00, онлайн
Открытый разговор с экспертами рынка (X5 Group, Ростелеком, Яндекс.Музыка, Кинопоиск, НИУ ВШЭ, Segmento) о том, как и зачем становиться Data-Driven компанией, почему иногда кейсы работы с данными не приносят реальной пользы бизнесу и могут ли алгоритмы заменить людей?
Участие бесплатное, но необходима регистрация. Подробнее про мероприятие тоже по ссылке.
275 986
🎩 Mr. TyDi: A Multi-lingual Benchmark for Dense Retrieval
Mr. TyDi is a multi-lingual benchmark dataset built on TyDi, covering eleven typologically diverse languages.
Github: https://github.com/castorini/mr.tydi
Paper: https://arxiv.org/abs/2108.08787
Tasks: https://paperswithcode.com/task/representation-learning
@ai_machinelearning_big_data
275 986
🔍 TOOD: Task-aligned One-stage Object Detection
Github: https://github.com/fcjian/TOOD
Paper: https://arxiv.org/abs/2108.07755v2
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
275 986
🔍 TOOD: Task-aligned One-stage Object Detection
Github: https://github.com/dvlab-research/panopticfcn
Paper: https://arxiv.org/abs/2108.07755v2
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
275 986
✔️ Fully Convolutional Networks for Panoptic Segmentation
Github: https://github.com/dvlab-research/panopticfcn
Paper: https://arxiv.org/pdf/2012.00720.pdf
Methods: https://paperswithcode.com/method/fcn
@ai_machinelearning_big_data
275 986
💡 X-modaler: A Versatile and High-performance Codebase for Cross-modal Analytics
Github: https://github.com/yehli/xmodaler
Paper: https://arxiv.org/abs/2108.08217v1
Project: https://xmodaler.readthedocs.io/en/latest/
@ai_machinelearning_big_data
275 986
👁 MMOCR: A Comprehensive Toolbox for Text Detection, Recognition and Understanding
MMOCR is an open-source toolbox based on PyTorch and mmdetection for text detection, text recognition
Github: https://github.com/open-mmlab/mmocr
Paper: https://arxiv.org/abs/2108.06543v1
Documentation: https://mmocr.readthedocs.io/en/latest/
@ai_machinelearning_big_data
275 986
⏺ Towards Interpretable Deep Metric Learning with Structural Matching
Github: https://github.com/wl-zhao/diml
Paper: https://arxiv.org/abs/2108.05889v1
RevisitDML: https://github.com/wl-zhao/diml
@ai_machinelearning_big_data
275 986
Oriented R-CNN for Object Detection
Github: https://github.com/jbwang1997/OBBDetection
BboxToolkit: https://github.com/jbwang1997/BboxToolkit
Paper: https://arxiv.org/abs/2104.11227
@ai_machinelearning_big_data
275 986
🖊 Как внедряются элементы машинного обучения в службу поддержки: об этом рассказал Яндекс Go в новой статье на VC.
Внутри можно узнать, каких результатов добилась компания и какие задачи решила благодаря SupportAI:
VC: https://vc.ru/yandex.go/280385-yandeks-uluchshil-kachestvo-pismennoy-podderzhki-polzovateley-i-sokratil-rashody-bolee-chem-na-45
@ai_machinelearning_big_data
275 986
Multiscale Vision Transformers: A hierarchical architecture for representing image and video information
Facebook blog: https://ai.facebook.com/blog/multiscale-vision-transformers-an-architecture-for-modeling-visual-data/
Code: https://github.com/facebookresearch/SlowFast
Pytorch video: https://github.com/facebookresearch/pytorchvideo
Paper: https://arxiv.org/abs/2104.11227
@ai_machinelearning_big_data
275 986
ESPnet: end-to-end speech processing toolkit
Github: https://github.com/espnet/espnet
Paper: https://arxiv.org/abs/2107.09011v2
Notebook: https://github.com/espnet/notebook
@ai_machinelearning_big_data
275 986
⚪ SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation (SIGGRAPH 2021)
Github: https://github.com/liruihui/sp-gan
Paper: https://arxiv.org/abs/2108.04476v1
Project: https://liruihui.github.io/publication/SP-GAN/
@ai_machinelearning_big_data
275 986
🧹 Overview of data cleaning methods
https://habr.com/ru/company/ru_mts/blog/571606/
@ai_machinelearning_big_data
275 986
🎨 Paint Transformer: Feed Forward Neural Painting with Stroke Prediction
Github: https://github.com/huage001/painttransformer
Paper: https://arxiv.org/abs/2108.03798
Paddle Implementation: https://github.com/PaddlePaddle/PaddleGAN
@ai_machinelearning_big_data
275 986
🔍 Contrastive Sensor Fusion
Github: https://github.com/descarteslabs/contrastive_sensor_fusion
Paper: https://arxiv.org/abs/2108.05094v1
@ai_machinelearning_big_data
275 986
📹 Internal Video Inpainting by Implicit Long-range Propagation
Github: https://github.com/Tengfei-Wang/Implicit-Internal-Video-Inpainting
Paper: https://arxiv.org/abs/2108.01912v1
4k Data: https://github.com/Tengfei-Wang/Annotated-4K-Videos
Dataset: https://paperswithcode.com/dataset/videoremoval4k
@ai_machinelearning_big_data
275 986
👁 Improving Contrastive Learning by Visualizing Feature Transformation
Github: https://github.com/DTennant/CL-Visualizing-Feature-Transformation
Paper: https://arxiv.org/abs/2108.02982
@ai_machinelearning_big_data
275 986
📸 Physics-based Noise Modeling for Extreme Low-light Photography
Github: https://github.com/Vandermode/ELD
Paper: https://arxiv.org/abs/2108.02158v1
Dataset: https://drive.google.com/drive/folders/1CT2Ny9W9ArdSQaHNxC5hGwav9lZHoqJa?usp=sharing
@ai_machinelearning_big_data
275 986
How to automate Hadoop administration without excruciating pain
https://habr.com/ru/company/ru_mts/blog/569762/
@ai_machinelearning_big_data
