¡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 293 457 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 293 457 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.
293 457
Suscriptores
-24924 horas
-1 5267 días
-6 46430 días
Archivo de publicaciones
293 419
Metrics to Use to Evaluate Deep Learning Object Detectors.
https://www.kdnuggets.com/2020/08/metrics-evaluate-deep-learning-object-detectors.html
A Survey on Performance Metrics for Object-Detection Algorithms: https://www.researchgate.net/publication/343194514_A_Survey_on_Performance_Metrics_for_Object-Detection_Algorithms
Github: https://github.com/ultralytics/yolov3/issues/898
@ai_machinelearning_big_data
293 419
Multilingual Speech Synthesis
Synthesized samples, training and evaluation data, source code, and parameters for Multilingual Speech Synthesis.
Github: https://github.com/Tomiinek/Multilingual_Text_to_Speech
Demo Code: https://colab.research.google.com/github/Tomiinek/Multilingual_Text_to_Speech/blob/master/notebooks/code_switching_demo.ipynb
Website with samples: https://tomiinek.github.io/multilingual_speech_samples/
Paper: https://arxiv.org/abs/2008.00768
@ai_machinelearning_big_data
293 419
Netflix’s Polynote is a New Open Source Framework to Build Better Data Science Notebooks
Polynote is an experimental polyglot notebook environment. Currently, it supports Scala and Python, SQL, and Vega.
https://www.kdnuggets.com/2020/08/netflix-polynote-open-source-framework-better-data-science-notebooks.html
Project page: https://polynote.org/
Github: https://github.com/polynote/polynote
@ai_machinelearning_big_data
293 419
Почему тимлиды в «Лаборатории Касперского» не стрессуют? За год они прошли 8075 сеансов массажа прямо в офисе! Приходи в команду разработки безопасных решений для мобильных (KasperskyOS).
Все подробности тут!
293 419
How to Use XGBoost for Time Series Forecasting
https://machinelearningmastery.com/xgboost-for-time-series-forecasting/
@ai_machinelearning_big_data
293 419
Train your TensorFlow model on Google Cloud using TensorFlow Cloud
https://blog.tensorflow.org/2020/08/train-your-tensorflow-model-on-google.html
293 419
Привет! Уже в этот четверг в 19:00 (6 августа) состоится онлайн-митап “Как правильно учить людей программированию и Data Science?”, который организует SkillFactory.
Спикеры:
Наталья Кузнецова (SkillFactory) "Как мы используем метрики для улучшения продукта"
Анатолий Карпов (автор курсов по data science, Mail.ru) "Как правильно учить data science"
Артем Пичугин (Newprolab) "Только 4С/ID, только хардкор"
Если вы занимаетесь обучением программированию и анализу данных - то будет очень интересно.
Регистрируемся на митап в телеграм-чате по ссылке: https://t.me/joinchat/CwioCBfsTKoFGBHP0rR2dw
293 419
On the Convergence of Tsetlin Machines for the IDENTITY- and NOT Operators
The Tsetlin Machine solves complex pattern recognition problems with easy-to-interpret propositional formulas.
Github: https://github.com/cair/TsetlinMachine
Paper: https://arxiv.org/abs/2007.14268v1
293 419
The channel for software engineers
Daily Pattern
- software design patterns
- architectural solutions
- refactoring
- tips for writing clean code
Subscribe:
@dailypattern
@dailypattern
@dailypattern
293 419
SipMask: Spatial Information Preservation for Fast Image and Video Instance Segmentation
Github: https://github.com/JialeCao001/SipMask
Paper: https://arxiv.org/abs/2007.14772v1
@ai_machinelearning_big_data
293 419
Building a Content-Based Book Recommendation Engine
https://www.kdnuggets.com/2020/07/building-content-based-book-recommendation-engine.html
Content-Based Recommendation System using Word Embeddings: https://medium.com/towards-artificial-intelligence/content-based-recommendation-system-using-word-embeddings-c1c15de1ef95
@ai_machinelearning_big_data
293 419
👶 BabyAI 1.1
BabyAI is a platform used to study the sample efficiency of grounded language acquisitio
Github: https://github.com/mila-iqia/babyai
https://github.com/mila-iqia/babyai
Paper: https://arxiv.org/abs/2007.12770v1
@ai_machinelearning_big_data
293 419
TensorFlow 2.3.0 Release
TensorFlow 2.3 has been released!
https://blog.tensorflow.org/2020/07/whats-new-in-tensorflow-2-3.html
Release : https://github.com/tensorflow/tensorflow/releases
@ai_machinelearning_big_data
293 419
DeepSVG
A Hierarchical Generative Network for Vector Graphics Animation.
https://blog.alexandrecarlier.com/deepsvg/
Github: https://github.com/alexandre01/deepsvg
Paper: https://arxiv.org/abs/2007.11301
@ai_machinelearning_big_data
293 419
LOOCV for Evaluating Machine Learning Algorithms
https://machinelearningmastery.com/loocv-for-evaluating-machine-learning-algorithms/
@ai_machinelearning_big_data
293 419
Whole-Body Human Pose Estimation in the Wild
Github: https://github.com/jin-s13/COCO-WholeBody
Paper: https://arxiv.org/abs/2007.11858v1
Dataset: https://cocodataset.org/#keypoints-2017
293 419
Using Snorkel and NLP Models to Predict Multiple Sclerosis Severity Scores
https://www.kdnuggets.com/2020/07/labelling-data-using-snorkel.html
Tutorial: https://nlp4h.com/blog/snorkel_tutorial/
293 419
Хочешь попробовать свои силы в Data Science? Пройди онлайн-интенсив по анализу данных и научись использовать продвинутые методы, чтобы автоматизировать рутину, работать быстрее и получить хорошо оплачиваемую востребованную профессию.
Участвуй в бесплатном интенсиве: https://clc.to/d53k4A.
Что тебя ждёт?
💣 Основы языка Python.
💣 Работа с библиотеками Pandas и Matplotlib.
💣 Техники исследования данных и практические кейсы.
💣 Практические задания.
💣 Общение с опытным специалистом.
Все, кто дойдёт до конца занятий, получат электронную книгу Кея Петерсона и Дэвида Колба «Век живи — век учись».
293 419
Private prediction methods: A systematic study by Facebook Research
https://ai.facebook.com/blog/private-prediction-methods-a-systematic-study/
Github: https://github.com/facebookresearch/private_prediction
Paper: https://arxiv.org/pdf/2007.05089.pdf
@ai_machinelearning_big_data
293 419
Multi-scale Interactive Network for Salient Object Detection.
Github: https://github.com/lartpang/MINet
Paper: https://arxiv.org/abs/2007.09062v1
Results & Pretrained Parameters: https://drive.google.com/drive/folders/16yTcf_m-ehnhWgXlN6hbZpBKMy6lYIQQ
