Machinelearning
رفتن به کانال در 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
نمایش بیشتر
شبکه:📈 تحلیل کانال تلگرام Machinelearning
کانال Machinelearning (@ai_machinelearning_big_data) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 276 830 مشترک است و جایگاه 334 را در دسته فناوری و برنامه‌ها و رتبه 1 377 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 276 830 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 31 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -1 719 و در ۲۴ ساعت گذشته برابر -146 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 8.38% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 6.14% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 23 205 بازدید دریافت می‌کند. در اولین روز معمولاً 16 993 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 362 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند openai, claude, api, gemini, контекст تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“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”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 01 نوامبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.
276 830
مشترکین
-14624 ساعت
-7017 روز
-1 71930 روز
آرشیو پست ها
276 824
![⚡Top 100+ Machine Learning Projects for 2023 [with Source Code] В этой статье вы найдете 100+ лучших проектов и идей в област](https://cdn.tlmtr.io/_next/static/media/empty-channel.35ed232f.svg)
⚡Top 100+ Machine Learning Projects for 2023 [with Source Code]
В этой статье вы найдете 100+ лучших проектов и идей в области машинного обучения, которые будут полезны как начинающим, так и опытным специалистам.
📌 Projects
ai_machinelearning_big_data
276 824
👨🎓Harvard CS50’s Artificial Intelligence with Python – Full University Course
В этом бесплатном курсе Гарвардского университета рассматриваются концепции и алгоритмы, лежащие в основе современного искусственного интеллекта.
🎞 Video
📌 Course resources
ai_machinelearning_big_data
276 824
✅ SSLRec: A Self-Supervised Learning Library for Recommendation
SSLRec, a novel benchmark platform that provides a standardized, flexible, and comprehensive framework for evaluating various SSL-enhanced recommenders.
SSLRec - это фреймворк основанный на PyTorch с открытым исходным кодом для рекомендательных систем, усовершенствованных с помощью self-supervised learning.
Он удобен в использовании и содержит датасеты код для обработки данных, обучения, тестирования, оценки, а также современные исследовательские модели.
SSLRec предлагает широкий набор полезных функций и простой в использовании интерфейс, упрощающий разработку и оценку рекомендательных моделей.
🖥 Github: https://github.com/hkuds/sslrec
📕 Paper: https://arxiv.org/abs/2308.05697v1
⛓ Models: https://github.com/HKUDS/SSLRec/blob/main/docs/Models.md
☑️ Datasets: https://github.com/HKUDS/SSLRec/blob/main/docs/Models.md
ai_machinelearning_big_data
276 824
🪄Optimizing a Text-To-Speech model using 🤗 Transformers
В этом руководстве показано как можно оптимизировать Bark, модель Text-To-Speech (TTS), на основе трех библиотек из экосистемы Hugging face: Transformers, Optimum и Accelerate.
🤗 Post: https://huggingface.co/blog/optimizing-bark
🖥 Colab: https://colab.research.google.com/github/ylacombe/notebooks/blob/main/Benchmark_Bark_HuggingFace.ipynb
⭐️ Bark: https://huggingface.co/docs/transformers/main/en/model_doc/bark#overview
ai_machinelearning_big_data
276 824
Присоединяйтесь к TechTrain 2023 Autumn — онлайн-фестивалю, посвященному машинному обучению и искусственному интеллекту.
В программе — классическое ML, Computer Vision, NLP, ASR, RecSys, LLMs и MLOps. Обязательно будут обсуждения прикладного использования ML на примере конкретных проектов. Обзор таких тем, как графовые модели, генеративные нейросети, AI в разработке и другое.
Участников ждут как актуальные практики применения ML&AI, так и дискуссии со спикерами и экспертами.
Проводит фестиваль JUG Ru Group — организатор крупных технических IT-конференций и митапов для разработчиков. Дата проведения: 30 августа.
Читайте подробности и регистрируйтесь бесплатно — на сайте.
276 824
🚀 AgentBench: Evaluating LLMs as Agents.
AgentBench, a multi-dimensional evolving benchmark that currently consists of 8 distinct environments to assess LLM-as-Agent's reasoning and decision-making abilities in a multi-turn open-ended generation setting.
Комплексный бенчмарк для оценки работы LLM агентов.
🖥 Github: https://github.com/thudm/agentbench
📕 Paper: https://arxiv.org/abs/2308.03688v1
☑️ Dataset: https://paperswithcode.com/dataset/alfworld
ai_machinelearning_big_data
276 824
❗️Один из важнейших инструментов MLOps — это MLFlow.
▶️ 10 августа в 20:00 мск в рамках онлайн-курса MLOps от OTUS пройдёт открытый урок «MLflow версии 2. Рецепты и пайплайны в машинном обучении».
✅ На открытом уроке вы узнаете:
🔹 О развитии MLFlow и о том, какие усовершенствования вошли в новые релизы (2.x)
🔹 О роли пайплайнов в организации процессов машинного обучения
🔹 Что такое MLFlow recipes и как их использовать для повышения эффективности работы DS
🧑💻 Спикером выступит преподаватель OTUS Данила Слепов. Он проектирует AI-системы, разрабатывает архитектуру MLOps платформ.
👉 РЕГИСТРАЦИЯ
https://otus.pw/UrGTq/
Нативная интеграция. Информация о продукте www.otus.ru276 824
+1👁🗨 PyTorch Toolbox for Image Quality Assessment
An IQA toolbox with pure python and pytorch.
Набор инструментов и датасетов PyTorch для оценки качества изображений, включая LPIPS, FID, NIQE, NRQM(Ma), MUSIQ, NIMA, DBCNN, WaD
🖥 Github: https://github.com/chaofengc/iqa-pytorch
📕 Paper: https://arxiv.org/abs/2308.03060v1
🖥 Colab: https://colab.research.google.com/drive/14J3KoyrjJ6R531DsdOy5Bza5xfeMODi6?usp=sharing
☑️ Dataset: https://paperswithcode.com/dataset/koniq-10k
ai_machinelearning_big_data
276 824
Хотите работать с большими данными, строить модели для бизнеса и создавать свои сервисы?
На курсе Start ML за 7 месяцев вы получите все знания и навыки, необходимые сильному ML-специалисту.
Вы научитесь разрабатывать приложения на Python, обучать модели и нейронные сети, а также оценивать их влияние на бизнес с помощью статистики и A/B-тестов — всё под руководством практиков из Яндекс и Raiffeisen.
К концу обучения у вас будет готовый сервис по ранжированию и выдаче релевантных постов в социальной сети, о котором вы сможете рассказать будущему работодателю. А ещё наш HR обязательно поможет вам с трудоустройством — в течение трёх месяцев работу находят 84% наших выпускников.
Новый поток стартует 10 августа. Также на сайте есть бесплатная демоверсия.
[Записаться]
276 824
🎲 Anti-Exploration by Random Network Distillation, Tinkoff Research, ICML 2023
We propose a new ensemble-free offline RL algorithm called SAC-RND. We evaluate our method on the D4RL (Fu et al., 2020) benchmark, and show that SAC-RND achieves performance comparable to ensemble-based methods while outperforming ensemble-free approaches.
Ученые из Tinkoff Research открыли новый Offline-RL алгоритм, который показывает SOTA-результаты, сравнимые с ансамблевыми моделями (в некоторых случаях даже лучше) и при этом требует до 20 раз меньше времени на обучение.
🖥 Github: https://github.com/tinkoff-ai/sac-rnd
🤓 Paper: https://proceedings.mlr.press/v202/nikulin23a.html
ai_machinelearning_big_data
276 824
+2🌉Enhancing Visibility in Nighttime Haze Images Using Guided APSF and Gradient Adaptive Convolution
Experiments demonstrate that our method achieves a PSNR of 30.72dB, outperforming state-of-the-art methods by 14
on GTA5 nighttime haze dataset.
Модель улучшение видимости ночных изображений, путем подавления свечения и усиления слабоосвещенных областей с помощью функции APSF (Angular Point Spread Function).
🖥 Github: https://github.com/jinyeying/nighttime_dehaze/tree/main
📕 Paper: https://arxiv.org/abs/2308.01738v1
☑️ Dataset: https://www.dropbox.com/sh/7qzmb3y9akejape/AABYf2ZAqn_5vmPsOPg7KqoMa?dl=0
ai_machinelearning_big_data
276 824
🧍♂ Reconstructing Three-Dimensional Models of Interacting Humans
Tools to process and visualize the IMAR Vision Datasets: CHI3D, FlickrCI3D, HumanSC3D, FlickrSC3D and Fit3D.
Наборы инструментов и датасетов для задач 3d реконструкций, сегментации и обнаружения людей.
🖥 Github: https://github.com/sminchisescu-research/imar_vision_datasets_tools
📕 Paper: https://arxiv.org/abs/2308.01854v1
⭐️ Project: https://ci3d.imar.ro/
☑️ Dataset: https://paperswithcode.com/dataset/chi3d
ai_machinelearning_big_data
276 824
✅ LISA: Reasoning Segmentation via Large Language Model
New segmentation task -- reasoning segmentation. The task is designed to output a segmentation mask given a complex and implicit query text.
LISA раскрывает новые возможности сегментации мультимодальных LLM и позволяет решать сложные задачи рассуждения на знание реального мира.
🖥 Github: https://github.com/dvlab-research/lisa
📕 Paper: https://arxiv.org/abs/2308.00692v2
☑️ Dataset: https://github.com/dvlab-research/lisa#dataset
ai_machinelearning_big_data
276 824
Яндекс Практикум ищет авторов на курсы по машинному обучению и «Математика для анализа данных»
Частичная занятость (2-3 часа в день)
Яндекс Практикум — это сервис онлайн-образования, где каждый может освоить современные цифровые профессии.
Задача автора — создавать и улучшать образовательный контент, чтобы обучение было актуальным.
Что предстоит делать?
Помимо теории нужно будет придумывать квизы, тесты, практические задания, дополняя это примерами из вашей профессиональной жизни.
Почему вам стоит стать автором курса?
● Помощь тысячам людей получить востребованную IT-профессию.
● Прокачка себя и подтверждение своей экспертности.
● Дополнительных доход на удалёнке.
Оставьте отклик на сайте, пройдите отбор и станьте проводником в мир IT-профессий 👇
Автор курса «Математика для анализа данных»
Автор курсов по машинному обучению
276 824
+1🦩 OpenFlamingo: An Open-Source Framework for Training Large Autoregressive Vision-Language Models
An open-source framework for training large multimodal models.
OpenFlamingo - семейство авторегрессионных моделей для обучения LMM в стиле Flamingo с параметрами от 3B до 9B.
OpenFlamingo можно использовать для создания подписи к изображению или для создания тейзисов на основе изображения. Преимуществом такого подхода является возможность быстрой адаптации к новым задачам с помощью внутриконтекстного обучения.
pip install open-flamingo
🖥 Github: https://github.com/mlfoundations/open_flamingo
📕 Paper: https://arxiv.org/abs/2308.01390
⭐️ Demo: https://huggingface.co/spaces/openflamingo/OpenFlamingo
☑️ Dataset: https://paperswithcode.com/dataset/flickr30k
ai_machinelearning_big_data276 824
Приглашаем на новую конференцию от Яндекса по прикладному ML — Practical ML Conf 2023. Регистрация уже открыта!
7 сентября мы проведём большую конференцию по прикладному Machine Learning, где обсудим все новости, которые происходят в ML-отрасли. Это будет хардовая конференция для экспертов: с глубокими техническими докладами и главными ML-инженерами отрасли.
Поговорим о ключевых вопросах индустрии: генеративных моделях, Research, NLP, Hardware, CV, RecSys, MLOps и Ecomm. Обсудим реальное применение ML в бизнесе, поделимся кейсами и их решениями. Вот лишь несколько докладов из нашей программы:
🔸Алексей Морозов, руководитель группы модернизации нейронных сетей, Яндекс Поиск. Расскажет про zero-cost fault tolerance в распределённом глубоком обучении.
🔸Валерий Ильин, руководитель группы разработки компьютерного зрения и бизнес-процессов на роботе, Яндекс Маркет. Объяснит, как устроено компьютерное зрение роботов на складах Маркета.
🔸Андрей Зимовнов, ML-директор, Дзен. Расскажет, как в Дзене переосмыслили item2item-рекомендации.
🔸Александр Ледовский, руководитель команды DS и аналитики в монетизации, Авито. Объяснит, как работают рекламные аукционы и автобиддинг в продуктах продвижения Авито.
Зарегистрироваться на участие в конференции и узнать все подробности про доклады и спикеров можно здесь.
И подписывайтесь на @Yandex4Developers, там мы скоро начнём рассказывать о программе Practical ML Conf 2023
276 824
+1💼 Introducing Qwen-7B: Open foundation and human-aligned models (of the state-of-the-arts)
Qwen-7B outperforms the baseline models of a similar model size, and even outperforms larger models of around 13B parameters, on a series of benchmark datasets.
Большая языковая модель на основе трансформеров, которая предварительно обучена на большом объеме данных, включая веб-тексты, книги, кодексы и т.д.
По сравнению с моделями аналогичного размера, значительно превосходит конкурентов на ряде эталонных датасетов.
Токенизатор модели, основан включаеи более 150 к. токенов.
🖥 Github: https://github.com/QwenLM/Qwen-7B
📕 Paper: https://github.com/QwenLM/Qwen-7B/blob/main/tech_memo.md
☑️ Dataset: https://paperswithcode.com/dataset/mmlu
ai_machinelearning_big_data
276 824
Как маленькая нейроязыковая модель победила большую облачную
Разработчики Яндекс Клавиатуры рассказали, как отказались от n-граммной модели и выбрали нейроязыковую, поделились итоговой архитектурой модели и показали, насколько получился прирост по метрике saved keys в разных группах приложениях.
🔗 Хабр: https://habr.com/ru/companies/yandex/articles/751598/
ai_machinelearning_big_data
276 824
⚡️ Improving Pixel-based MIM by Reducing Wasted Modeling Capability
A new method that explicitly utilizes low-level features from shallow layers to aid pixel reconstruction.
MMPreTrain - это набор инструментов для предварительного обучения с открытым исходным кодом, основанный на PyTorch. Он является частью проекта OpenMMLab.
🖥 Github: https://github.com/open-mmlab/mmpretrain
📕 Paper: https://arxiv.org/abs/2308.00261v1
⭐️Project: mmpretrain.readthedocs.io/en/latest/
☑️ Dataset: https://paperswithcode.com/dataset/coco
ai_machinelearning_big_data
276 824
Repost from Центр непрерывного образования ФКН НИУ ВШЭ
📣 Центр непрерывного образования ФКН приглашает на Летнюю школу по аналитике и Data Science!
Вас ждут лекции и мастер-классы от спикеров из Яндекса, МТС, Тинькофф, Альфа-Банка, Х5 Group, Дзен, Genotek, Мегафона и не только.
Приглашаем всех, кто хочет разобраться:
🔷 Зачем осваивать анализ данных? Как справиться с огромным потоком данных в компании и использовать их на пользу бизнеса?
🔷 Какие сегодня есть тренды в ИИ и как устроены современные технологии?
🔷 Как Data Science применяется в разных индустриях: ритейле, телекоме и медицине? Какие знания в области нужны для работы аналитика в банке?
🔷 Что нужно изучить, чтобы стать аналитиком данных или специалистом по Data Science? Чем аналитик данных отличается от специалиста по data science?
Школа подойдет как тем, кто только решил освоить новую профессию, так и начинающим специалистам.
🗓 Когда: 19-20 августа 2023
📌 Где: здание Вышки в Москве на Покровском бульваре, 11
Участие бесплатное для всех желающих, нужно зарегистрироваться до 14 августа.
