¡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 293 306 suscriptores, ocupando la posición 326 en la categoría Tecnologías y Aplicaciones y el puesto 1 283 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 293 306 suscriptores.
Según los últimos datos del 03 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 469, y en las últimas 24 horas de -218, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.32%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.77% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 21 487 visualizaciones. En el primer día suele acumular 16 937 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 169.
- 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 04 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.
293 306
Suscriptores
-21824 horas
-1 5287 días
-6 46930 días
Archivo de publicaciones
293 298
🚀 Google just published 25 million free datasets
https://towardsdatascience.com/google-just-published-25-million-free-datasets-d83940e24284
Datasetsearch: https://datasetsearch.research.google.com
@ai_machinelearning_big_data
293 298
GL2vec: Graph Embedding Enriched by Line Graphs with Edge Features
Code: https://github.com/benedekrozemberczki/karateclub
Paper: https://link.springer.com/chapter/10.1007/978-3-030-36718-3_1
https://karateclub.readthedocs.io
293 298
🧠 Releasing the Drosophila Hemibrain Connectome — The Largest Synapse-Resolution Map of Brain Connectivity
http://ai.googleblog.com/2020/01/releasing-drosophila-hemibrain.html
293 298
Идет набор в новую группу профессионального онлайн-курса «Data Engineer». Если слова Hadoop, MapReduce, Spark (и не только!) для вас не пустой звук – это ваш курс.
📌Изучайте программу и минимальные требования к поступающим, проходите вступительное тестирование и присоединяйтесь с welcome-скидкой: https://otus.pw/MMn1/
Что даст вам этот курс:
📌 знание ключевых способов хранения и методов обработки больших объемов данных, а также стоимости их внедрения;
📌 умение работать с распределенными система в контексте Hadoop экосистемы;
📌практические навыки разработки приложений с использованием программной модели MapReduce ;
📌опыт использования распределенной файловой системы (HDFS).
Делиться с вами своей экспертизой будут преподаватели и наставники курса, среди которых Егор Матешук (Senior Data Engineer) и Артемий Козырь (Data Engineer).
Приходите учиться на боевых задачах у настоящих профессионалов.
293 298
AI Habitat state-of-the-art simulation platform adds object interactivity
A major update to Facebook AI’s open source AI Habitat platform , which enables significantly faster training of embodied AI agents in a variety of photorealistic 3D virtual environments.
https://ai.facebook.com/blog/ai-habitat-state-of-the-art-simulation-platform-adds-object-interactivity/
Github: https://github.com/facebookresearch/habitat-sim/
https://github.com/facebookresearch/habitat-api
Paper: Are We Making Real Progress in Simulated Environments? Measuring the Sim2Real Gap in Embodied Visual Navigation
https://arxiv.org/abs/1912.06321
293 298
Plato Dialogue System: A Flexible Conversational AI Research Platform
Code: https://github.com/uber-research/plato-research-dialogue-system
Introducing the Plato Research : https://eng.uber.com/plato-research-dialogue-system/
Paper: https://arxiv.org/abs/2001.06463v1
293 298
Big data, machine learning, cloud cloud, smoothie meetup, agile, coworking
https://t.me/mlbigdata
293 298
Neural Arithmetic Units
Code for Neural Arithmetic Units (ICLR) and Measuring Arithmetic Extrapolation Performance (SEDL|NeurIPS):
https://github.com/AndreasMadsen/stable-nalu
Paper : https://openreview.net/forum?id=H1gNOeHKPS
@ai_machinelearning_big_data
293 298
20 января в 20:00 мск OTUS приглашает на бесплатный пробный урок онлайн-курса «Математика для Data Science» - «Методы регрессионного анализа в Data Science» для аналитиков и разработчиков: https://otus.pw/fLr0/
На вебинаре вы:
- познакомитесь с понятием линейных регрессий;
- изучите, где и как их можно применять на практике;
- узнаете, какие темы и разделы математического анализа, линейной алгебры и теории вероятностей используются в этой области.
Вебинар проведёт Пётр Лукьянченко (преподаватель ВШЭ по высшей математике с опытом более 10 лет, работал в Lamoda на должности Team Lead Analytics). Не упустите возможности задать ему все интересующие вопросы!
Чтобы узнать свой уровень и сделать выбор между Базовым и Продвинутым курсами, пройдите вступительный тест: https://otus.pw/0ZFq/
293 298
Optuna: A hyperparameter optimization framework
Optuna is an automatic hyperparameter optimization software framework, particularly designed for machine learning.
Code: https://github.com/optuna/optuna
Paper: https://arxiv.org/abs/1907.10902v1
Tutorial: https://optuna.org/
293 298
Trax — your path to advanced deep learning
Trax helps you understand and explore advanced deep learning.
https://github.com/google/trax
Paper Reformer: The Efficient Transformer: https://arxiv.org/abs/2001.04451v1
293 298
#MoscowTravelHack #DataScience #ПредиктивнаяАналитика
Задачи для DataSience-команд и аналитиков в рамках хакатона Moscow Travel Hack. Создай предиктивную модель покупки билета на основе данных о пользователе в сервисе «Мегафон Путешествия» или придумай рекомендательный сервис, который сможет построить индивидуальную программу посещения Москвы для иностранного туриста на платформе Russpass.
Эти и другие 10 задач можно найти на сайте хакатона travelhack.moscow
Призовой фонд — 1,1 млн рублей!
293 298
SMOTE Oversampling for Imbalanced Classification with Python
https://machinelearningmastery.com/smote-oversampling-for-imbalanced-classification/
293 298
Deep Image Compression using Decoder Side Information
Code: https://github.com/ayziksha/DSIN
Paper: https://arxiv.org/abs/2001.04753v1
293 298
PyTorch 1.4 released, domain libraries updated
https://pytorch.org/blog/pytorch-1-dot-4-released-and-domain-libraries-updated/
Examples using model parallel training for reinforcement learning and with an LSTM: https://github.com/pytorch/examples/tree/master/distributed/rpc
293 298
Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study
Paper: https://arxiv.org/abs/2001.03844v1
Code https://github.com/pfliu-nlp/Named-Entity-Recognition-NER-Papers
293 298
Using neural networks to solve advanced mathematics equations
https://ai.facebook.com/blog/using-neural-networks-to-solve-advanced-mathematics-equations/
293 298
Уже 17 января стартует обучение на "Deep Learning и нейронные сети", комплексном курсе по глубокому обучению на Python в SkillFactory.
Программа подойдет для тех, кто хочет в сжатые сроки получить практические навыки по программированию глубоких нейронных сетей.
Вам подойдет этот курс, если у вас есть базовое понимание машинного обучения и знание языка Python.
В рамках курса вы пройдете полный путь от аренды GPU-сервера, который подходит для Deep Learning, вплоть до создания полноценной рабочей модели для компьютерного зрения, анализа естественного языка и рекомендательных систем.
На курсе вы освоите навыки работы с основными фреймворками для Deep Learning, такими как TensorFlow, Keras и другими.
Партнер направления: NVIDIA Corporation
🎯Если и учиться, то только на практике: https://clc.to/ePFa8g
293 298
Self-supervised learning and computer vision
https://www.fast.ai//2020/01/13/self_supervised/
