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 276 130 suscriptores, ocupando la posición 337 en la categoría Tecnologías y Aplicaciones y el puesto 1 374 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 276 130 suscriptores.
Según los últimos datos del 06 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -2 370, y en las últimas 24 horas de -145, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.02%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.32% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 22 160 visualizaciones. En el primer día suele acumular 17 447 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 335.
- 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 07 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.
276 130
Suscriptores
-14524 horas
-8617 días
-2 37030 días
Archivo de publicaciones
276 067
❓Какие инструменты должен знать специалист по работе с большими данными и машинному обучению?
Узнайте 1 декабря в 20:00 на Demo day онлайн-курса «MLOps» от OTUS. Курс разработан совместно со Сбером.
✨Преподаватель представит программу и формат обучения, а также поделится свои карьерным опытом.
А вы сможете задать вопросы об инструментах и технологиях работы с большими данными эксперту.
👉Регистрируйтесь на мероприятие и готовьте свои вопросы
https://otus.pw/37L4
276 067
🌍 TorchGeo is a PyTorch domain library, similar to torchvision, that provides datasets, transforms, samplers, and pre-trained models specific to geospatial data.
Github: https://github.com/microsoft/torchgeo
Paper: https://arxiv.org/abs/2111.08872v1
Dataset: https://paperswithcode.com/dataset/so2sat-lcz42
Documentation: https://github.com/microsoft/torchgeo#documentation
@ai_machinelearning_big_data
276 067
DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing
Github: https://github.com/microsoft/DeBERTa
Explanation: https://www.youtube.com/watch?v=_c6A33Fg5Ns&ab_channel=YannicKilcher
Paper: https://arxiv.org/abs/2111.09543v1
Dataset: https://paperswithcode.com/dataset/squad
Documentation: https://deberta.readthedocs.io/en/latest/
@ai_machinelearning_big_data
276 067
Привет!
Команда Cameos ищет крутого ML разработчика в лондонский офис Snapchat. Вас ожидают state-of-the-art computer vision задачи (https://www.thesun.co.uk/tech/13383120/snapchat-rolls-out-cartoon-lens/). Полагаются все плюшки работы в большой компании, при этом мы еще сохраняем дух стартапа внутри (компания AI Factory была недавно куплена Snap). Через год возможен relocation в Лос-Анджелес 😎🌴
Желающие попробовать свои силы пишите @akovalenko7
276 067
🧊 GANformer: Generative Adversarial Transformers
Github: https://github.com/pengzhiliang/MAE-pytorch
Paper: https://arxiv.org/abs/2111.08960
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
276 067
📶 Word Embeddings Transformers In SVM Classifier Using Python
https://www.nbshare.io/notebook/197284676/Word-Embeddings-Transformers-In-SVM-Classifier-Using-Python/
@ai_machinelearning_big_data
276 067
18 ноября в 11:00 МСК состоится вебинар «Бесплатная оптимизация ИИ-моделей на базе ML Space с помощью Intel®️ oneAPI». Эксперт облачного провайдера услуг и сервисов SberCloud Владимир Новоженов расскажет об инструментах Intel oneAPI — OpenVino на облачной платформе ML Space, ставших теперь доступными для физических лиц, и продемонстрирует, как с их помощью оптимизировать ИИ-модели. Также вы узнаете, где получить бесплатный доступ к инструментам Intel oneAPI на платформе ML Space.
Intel oneAPI Toolkits – это набор инструментов для разработки приложений под различные архитектуры: CPU, GPU, FPGA и другие. В состав набора входит компилятор языка Data Parallel C++, библиотеки для API-программирования и комплект средств для анализа и отладки приложений. Intel oneAPI обеспечивает разработчикам продуктивное и производительное гетерогенное программирование.
Присоединяйтесь! Будет интересно и полезно:
https://sbercloud.ru/ru/warp/webinar?id=9657285
276 067
🔄 Unofficial PyTorch implementation of Masked Autoencoders Are Scalable Vision Learners
Github: https://github.com/pengzhiliang/MAE-pytorch
Paper: https://arxiv.org/abs/2111.06377
Pytorch: https://github.com/lucidrains/vit-pytorch
Dataset: https://paperswithcode.com/dataset/ade20k
@ai_machinelearning_big_data
276 067
Must have для каждого специалиста по машинному обучению!
Последняя в этом году практическая группа по «Machine Learning. Advanced» старт уже 29 ноября.
Приглашаем вас на бесплатный 2-х дневный интенсив:
⌛️22-23 ноября в 20:00 (мск) «Деплой ml модели: от грязного кода в ноутбуке к рабочему сервису» от OTUS и Сбер: https://otus.pw/9wGG/
Ответьте на 10 вопросов и проверьте свой уровень знаний. Пройдите вступительный тест на онлайн-курс, чтобы определить подойдет ли вам сложность курса, и успейте словить бонусную скидку.
276 067
📌 Dense Unsupervised Learning for Video Segmentation
Github: https://github.com/visinf/dense-ulearn-vos
Paper: https://openreview.net/pdf?id=i8kfkuiCJCI
Video: https://www.youtube.com/watch?v=BqVtZJSLOzg&ab_channel=VisualInference
Dataset: https://paperswithcode.com/dataset/davis-2017
@ai_machinelearning_big_data
276 067
🏡 AlphaGardenSim
The simulator implements a custom OpenAI gym reinforcement learning environment for this polyculture farming setup.
Github: https://github.com/berkeleyautomation/alphagarden
Paper: https://arxiv.org/abs/2111.06014v1
Project: https://rieff.jacksonchui.ai/
@ai_machinelearning_big_data
276 067
⚡️ Как обучить нейросеть объяснять себе задачу
Яндекс внедрил метод P-tuning для языковой модели YaLM, который проще традиционных подходов и требует меньше ресурсов. Хорошего качества с ним можно добиться, обучая всего 40 тысяч параметров из трех миллиардов — такая модель в итоге опережает даже тысячекратно более трудоемкие решения.
https://habr.com/ru/company/yandex/blog/588214/
276 067
👁🗨 OCR Post Correction for Endangered Language Texts
Github: https://github.com/shrutirij/ocr-post-correction
Paper: https://arxiv.org/abs/2111.02622v1
Docs: https://shrutirij.github.io/ocr-el/
@ai_machinelearning_big_data
276 067
Создайте свою первую нейросеть за 10 дней
Благодаря машинному обучению нам доступны чудеса вроде распознавания лиц, написания песен в стиле «Гражданской обороны» и картин в духе Рембрандта. Создать свою собственную нейросеть реально — и не только для опытных дата-сайентистов. Вы тоже можете попробовать.
На бесплатном курсе Нетологии «Искусственный интеллект: создайте свою первую нейросеть» вы узнаете, как устроены нейросети и в каких сферах они применяются, а также самостоятельно обучите до 4-х математических моделей. Мир Data Science и искусственного интеллекта — доступнее, чем кажется.
Убедитесь в этом сами ↓
https://netolo.gy/hdO
276 067
⚡️ Alias-Free Generative Adversarial Networks (StyleGAN3)
Github: https://github.com/pdillis/stylegan3-fun
Paper: https://arxiv.org/abs/2111.02175v1
Dataset: https://paperswithcode.com/dataset/ffhq
@ai_machinelearning_big_data
276 067
📏 OpenPrompt: An Open-source Framework for Prompt-learning
Github: https://github.com/thunlp/OpenPrompt
Paper: https://arxiv.org/abs/2111.01998v1
@ai_machinelearning_big_data
276 067
16 ноября⚡️INTERCOM’21⚡️ Ежегодная конференция о главных коммуникационных технологиях для бизнеса
В этом году INTERCOM объединит представителей крупного бизнеса и ведущих IT-компаний, чтобы обсудить, как искусственный интеллект и машинное обучение меняют глобальный бизнес-ландшафт. В программе: опыт таких ведущих компаний, как NVIDIA, Сбeр, Yandex GO, IDC, Битрикс24 и многих других, а также тренды и прогнозы.
Конференция пройдёт онлайн 💻
Регистрируйтесь, записывайте в свои календари и готовьтесь слушать крутые, интересные выступления и интервью!
Участие: бесплатное
Регистрация по ссылке: https://bit.ly/3mxeUiR
До встречи на INTERCOM’21 👋🏼
276 067
🎯 Bayes-Newton Methods for Approximate Bayesian Inference with PSD Guarantees
Github: https://github.com/AaltoML/BayesNewton
Paper: https://arxiv.org/abs/2111.01721v1
@ai_machinelearning_big_data
276 067
Что прямо сейчас происходит в российских компьютерных науках?
Канал «Русские норм!» поговорил с учеными из Яндекса и узнал, насколько хорошо нейросети рисуют логотипы и пишут шансон и какие нюансы нужно учесть, чтобы запустить беспилотники на улицы.
Чему сейчас учат искусственный интеллект?
Что такое графы и как их используют в современных приложениях?
Что мешает роботам ориентироваться в реальном мире и можем ли мы им помочь?
Актуальное о Machine Learning и нейросетях — смотрите в выпуске «Ученые норм!».
276 067
🖼 StudioGAN is a Pytorch library providing implementations of representative Generative Adversarial Networks (GANs) for conditional/unconditional image generation.
Github: https://github.com/POSTECH-CVLab/PyTorch-StudioGAN
Paper: https://arxiv.org/abs/2111.01118v1
Dataset: https://paperswithcode.com/dataset/cifar-10
@ai_machinelearning_big_data
