¡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 293 399 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 293 399 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.
293 399
Suscriptores
-21824 horas
-1 5287 días
-6 46930 días
Archivo de publicaciones
293 373
Всем привет!
Вероятно, вы уже знаете, что компания Mail.ru Group регулярно проводит чемпионаты по машинному обучению, программированию искусственного интеллекта и проектированию высоконагруженных сервисов. Совсем недавно команда чемпионатов All Cups объявила о запуске платформы, объединяющей все категории контестов. Уже сейчас вы можете найти информацию о прошедших соревнованиях и попробовать свои силы в песочнице.
Команда All Cups ведет официальный телеграм-канал, в котором публикуются анонсы соревнований, полезные материалы, разбор победных решений, а также ключевые новости из мира IT. Рекомендуем подписаться, чтобы не пропустить интересные контесты и не упустить возможность прокачать свои скиллы, получить бесценный опыт и стать частью коммьюнити профессионалов.
В качестве приятного бонуса - команда all cups объявила о розыгрыше Капсулы с голосовым помощником Марусей. Для того, чтобы стать одним из первых обладателей Капсулы, достаточно быть подписанным на канал all cups.
293 373
Neural Networks from Scratch - Coding a Layer
A beginner’s guide to understanding the inner workings of Deep Learning
https://morioh.com/p/fb1b9f5a52bc
Video Part 1: https://www.youtube.com/watch?v=Wo5dMEP_BbI
Video Part 2: https://www.youtube.com/watch?v=lGLto9Xd7bU
293 373
Announcing PyCaret 1.0.0
An open source low-code machine learning library in Python. PyCaret allows you to go from preparing data to deploying models within seconds from your choice of notebook environment.
https://towardsdatascience.com/announcing-pycaret-an-open-source-low-code-machine-learning-library-in-python-4a1f1aad8d46
Habr RU : https://habr.com/ru/company/otus/blog/497770/
Github: https://github.com/pycaret/pycaret
Guide: https://pycaret.org/guide/
293 373
Local-Global Video-Text Interactions for Temporal Grounding
This paper addresses the problem of text-to-video temporal grounding, which aims to identify the time interval in a video semantically relevant to a text query
Github: https://github.com/JonghwanMun/LGI4temporalgrounding
Paper: https://arxiv.org/abs/2004.07514
293 373
EfficientDet from Google: Towards Scalable and Efficient Object Detection
A new family of scalable and efficient object detectors. EfficientDet achieves state-of-the-art accuracy while being up to 9x smaller and using significantly less computation compared to prior state-of-the-art detectors
https://ai.googleblog.com/2020/04/efficientdet-towards-scalable-and.html
Github: https://github.com/google/automl/tree/master/efficientdet
Paper: https://arxiv.org/abs/1911.09070
Tutorial: https://github.com/google/automl/blob/master/efficientdet/tutorial.ipynb
293 373
Nevergrad, an evolutionary optimization platform, adds new key features
Facebook AI’s open source Python3 library for derivative-free and evolutionary optimization.
https://ai.facebook.com/blog/nevergrad-an-evolutionary-optimization-platform-adds-new-key-features/
GitHub: https://github.com/facebookresearch/nevergrad
Documentation: https://facebookresearch.github.io/nevergrad/index.html
293 373
Huawei announced that its TensorFlow and PyTorch-style MindSpore Deep Learning middleware is now open source
https://towardsdatascience.com/huaweis-mindspore-a-new-competitor-for-tensorflow-and-pytorch-d319deff2aec
Github: https://github.com/mindspore-ai/mindspore
Docs: https://www.mindspore.cn/docs/en/0.1.0-alpha/architecture.html
Official tutorials: https://www.mindspore.cn/en
293 373
TuiGAN: Learning Versatile Image-to-Image Translation with Two Unpaired Images
TuiGAN can be use for various computer vision tasks ranging from image style transfer to object transformation and appearance transformation.
Github: https://github.com/linjx-ustc1106/TuiGAN-PyTorch
Paper: https://arxiv.org/abs/2004.04634
293 373
А вы знали, что в более чем 50% вакансий на должность аналитика требуется знание SQL?
⏰ В среду, 15 апреля в 19:00 (мск) ребята из ProductStar проводят бесплатный интенсив для начинающих аналитиков: «SQL: группировка данных, подзапросы и объединение таблиц - практика».
👩🏫 Кто выступит?
Яна Манухина, Head of Data в Bookmate
👨🏫 О чем пойдет речь?
— Рассмотрим разные возможности агрегации и группировки данных.
— Выясним, что можно сделать с помощью подзапросов и что нельзя.
— Закрепим полученные знания на нескучной практике: посчитаем данные из дата-сета «Star Wars».
🔥 Двое самых активных участников получат сертификат на бесплатное обучение в ProductStar.
Участие бесплатное, но регистрация обязательна.
Зарегистрироваться на вебинар 👉 @ProductStarAnalyticsBot
293 373
PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human Digitization
Method achieves state-of-the-art performance on a public benchmark and outperforms the prior work for clothed human digitization from a single image.
https://shunsukesaito.github.io/PIFu/
Code: https://github.com/shunsukesaito/PIFu
Paper: https://arxiv.org/abs/1905.05172
293 373
ML Code Completeness Checklist
https://medium.com/paperswithcode/ml-code-completeness-checklist-e9127b168501
Tips for Publishing Research Code: https://github.com/paperswithcode/releasing-research-code
Facebook blog: https://ai.facebook.com/blog/new-code-completeness-checklist-and-reproducibility-updates/
293 373
Научи нейросеть узнавать объекты с первого раза. Приходи на открытый урок по Нейросетям на Python https://otus.pw/aPhG/
14 апреля в 20:00 Михаил Степанов, эксперт по машинному обучению из Jet Infosystems, проведет занятие по Triplet loss.
Что будем делать:
* Научимся работать с tensorflow datasets
* Рассмотрим проблему one-shot learning, metric learning
* Разберемся, что такое siamese networks и triplet loss
* Обучим нейросеть, способную с первого раза узнавать объекты
Проходи вступительный тест и записывайся в группу, пока действуют самые большие скидки!
293 373
Advancing Self-Supervised and Semi-Supervised Learning with SimCLR
https://ai.googleblog.com/2020/04/advancing-self-supervised-and-semi.html
Code and Pretrained-Models: https://github.com/google-research/simclr
Papaer: https://arxiv.org/abs/2002.05709
293 373
5 причин стать специалистом в Data Science в 2020 году
1. Огромный спрос на профи
Data Scientists анализируют данные и прокачивают искусственный интеллект. С 2012 года спрос на эту профессию увеличился на 650%. Компании больше не хотят полагаться на гипотезы — им нужны точные данные для принятия решений и спецы, готовые с ними работать.
2. Карьерные перспективы
Мечтаешь работать в западной компании? Google, Amazon, Uber, Facebook — в этих корпорациях и в крупных российских компаниях открыто больше 2 000 вакансий для мастеров машинного обучения и работы с данными.
3. Высокая зарплата
Потребность в Data Scientists растет — и им готовы много платить. 200 000 рублей — средняя зарплата специалиста по работе с данными в России.
4. Гарантированное трудоустройство
Skillbox гарантирует трудоустройство всем студентам. Правда, специалиста в Data Science с готовыми проектами в портфолио и так с руками оторвут.
5. Полгода бесплатного обучения
Первый платёж только через 6 месяцев обучения!
На курсе «Профессия Data Scientist» от Skillbox тебя ждет много практики под руководством специалистов из NVIDIA, НИУ ВШЭ и ivi.ru. Сможешь освоить крутую профессию, даже если пока ничего не умеешь. Узнай подробности курса: https://clc.to/jJhlDg.
293 373
GANSpace: Discovering Interpretable GAN Controls
Simple technique to analyze Generative Adversarial Networks (GANs) and create interpretable controls for image synthesis, such as change of viewpoint, aging, lighting, and time of day.
Code: https://github.com/harskish/ganspace
Paper: https://arxiv.org/abs/2004.02546v1
Video: https://www.youtube.com/watch?v=jdTICDa_eAI&feature=youtu.be
293 373
kNN classification using Neighbourhood Components Analysis
NCA allows you to learn a linear transformation of your data that maximizes k-nearest neighbours performance.
https://kevinzakka.github.io/2020/02/10/nca/
PyTorch Code : https://github.com/kevinzakka/nca
Paper: https://www.cs.toronto.edu/~hinton/absps/nca.pdf
293 373
Умение качественно анализировать ключевые показатели является весомым преимуществом для продакта.
⏰ В четверг, 9 апреля в 19:00 (мск) мы проводим бесплатный интенсив «Управление метриками продукта с помощью машинного обучения»
👩🏫 Кто выступит?
Айра Монгуш, CEO & Founder в Mathshub
👨🏫 Что будет на вебинаре?
— Погрузимся в язык дата-саенса,
— Разберемся с основными метриками продукта,
— Познакомимся со структурой ML-алгоритмов,
— Решим практическую задачу предсказания оттока пользователей в телекоме на Python.
🔥 Двое самых активных участников получат сертификат на бесплатное обучение в ProductStar.
Участие бесплатное, но регистрация обязательна.
Зарегистрироваться на вебинар 👉 @ProductStarProductBot
293 373
⚪️ Tracking Objects as Points
Simultaneous object detection and tracking using center points
Github: https://github.com/xingyizhou/CenterTrack
Paper: https://arxiv.org/abs/2004.01177v1
293 373
Sum Product Flow: An Easy and Extensible Library for Sum-Product Networks
Simple interface to inference, learning and manipulation routines for deep and tractable probabilistic models called Sum-Product Networks (SPNs).
Github: https://github.com/SPFlow/SPFlow
Paper: https://arxiv.org/abs/2004.01167v1
293 373
Introduction to Quantization on PyTorch
Quantization refers to techniques for doing both computations and memory accesses with lower precision data, usually int8 compared to floating point implementations.
https://pytorch.org/blog/introduction-to-quantization-on-pytorch/
PYTORCH TUTORIALS: https://pytorch.org/tutorials/#model-optimization
