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
📈 تحلیل کانال تلگرام Machinelearning
کانال Machinelearning (@ai_machinelearning_big_data) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 275 988 مشترک است و جایگاه 336 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 275 988 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 07 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -2 499 و در ۲۴ ساعت گذشته برابر -157 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 8.01% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 6.41% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 22 107 بازدید دریافت می‌کند. در اولین روز معمولاً 17 690 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 342 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 08 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.
275 988
مشترکین
-15724 ساعت
-8727 روز
-2 49930 روز
آرشیو پست ها
275 991
📖 Physics-Based Deep Learning
Book: https://www.physicsbaseddeeplearning.org/intro.html
Github: https://github.com/thunil/Physics-Based-Deep-Learning
Deep-Flow-Prediction: https://github.com/thunil/Deep-Flow-Prediction
Paper: https://arxiv.org/abs/2109.05237v1
@ai_machinelearning_big_data
275 991
🔧 Neural Networks Block Movement Pruning
Code: https://github.com/huggingface/nn_pruning
Paper: https://arxiv.org/abs/2109.04838v1
Documentation: https://github.com/huggingface/nn_pruning/blob/main/docs/HOWTO.md
@ai_machinelearning_big_data
275 991
✅ AliceMind: ALIbaba's Collection of Encoder-decoders from MinD (Machine IntelligeNce of Damo) Lab
Github: https://github.com/alibaba/AliceMind
Paper: https://arxiv.org/abs/2109.05687v1
Dataset: https://paperswithcode.com/dataset/glue
@ArtificialIntelligencedl
275 991
🔊 Textless NLP: Generating expressive speech from raw audio
Facebook Ai: https://ai.facebook.com/blog/textless-nlp-generating-expressive-speech-from-raw-audio/
Examples: https://speechbot.github.io/pgslm/
Code: https://github.com/pytorch/fairseq/tree/master/examples/textless_nlp/gslm
Paper: https://arxiv.org/abs/2102.01192
@ai_machinelearning_big_data
275 991
🧍♂ Texformer: 3D Human Texture Estimation from a Single Image with Transformers
Github: https://github.com/xuxy09/texformer
Paper: http://arxiv.org/abs/2109.02563
Meta data: https://www.dropbox.com/s/ekxn300cuw8bw6b/meta.zip
@ai_machinelearning_big_data
275 991
🔝 Reinforcement Learning Lecture Series 2021
https://deepmind.com/learning-resources/reinforcement-learning-series-2021
Video: youtube.com/playlist?list=PLqYmG7hTraZDVH599EItlEWsUOsJbAodm
@ai_machinelearning_big_data
275 991
☄️ nnFormer: Interleaved Transformer for Volumetric Segmentation
Github: https://github.com/ziniuwan/maed
Paper: https://arxiv.org/abs/2109.03201v1
Dataset: https://www.creatis.insa-lyon.fr/Challenge/acdc/
@ai_machinelearning_big_data
275 991
📹 CTRL-C: Camera calibration TRansformer with Line-Classification
Github: https://github.com/jwlee-vcl/ctrl-c
Paper: https://arxiv.org/abs/2109.02259v1
Dataset: https://drive.google.com/file/d/1opDR_j-9y4TY82ZscBb-xYAoMkTocAOp/view
@ai_machinelearning_big_data$$$
275 991
👨🎓 Best Resources to Learn Natural Language Processing in 2021
https://www.kdnuggets.com/2021/09/best-resources-learn-natural-language-processing-2021.html
@ai_machinelearning_big_data
275 991
📁 Open-sourcing Common Objects in 3D, a large-scale data set for 3D reconstruction
Github: https://github.com/facebookresearch/co3d
Paper: https://arxiv.org/abs/2109.00512
Facebook blog: https://github.com/openvinotoolkit/training_extensions/tree/develop/misc
Dataset: https://ai.facebook.com/datasets/co3d-downloads/
@ai_machinelearning_big_data
275 991
ℹ️ LIGAR: Lightweight General-purpose Action Recognition
Github: https://github.com/openvinotoolkit/training_extensions
Paper: https://arxiv.org/abs/2108.13153v1
Models: https://github.com/openvinotoolkit/training_extensions/tree/develop/misc
@ai_machinelearning_big_data
275 991
🔎 Efficient Person Search: An Anchor-Free Approach.
Github: https://github.com/daodaofr/AlignPS
Paper: https://arxiv.org/abs/2109.00211v1
Dataset: https://paperswithcode.com/dataset/cuhk-sysu
@ai_machinelearning_big_data
275 991
📶 ISNet: Integrate Image-Level and Semantic-Level Context for Semantic Segmentation
Github: https://github.com/segmentationblwx/sssegmentation
Paper: https://arxiv.org/abs/2108.12382v1
Dataset: https://cs.stanford.edu/~roozbeh/pascal-context/
@ai_machinelearning_big_data
275 991
ShapeConv: Shape-aware Convolutional Layer for Indoor RGB-D Semantic Segmentation
Github: https://github.com/hanchaoleng/shapeconv
Paper: https://arxiv.org/abs/2108.10528v1
@ai_machinelearning_big_data
275 991
💬 Train Short, Test Long: Attention with Linear Biases Enables Input Length Extrapolation
Github: https://github.com/ofirpress/attention_with_linear_biases
Paper: https://ofir.io/train_short_test_long.pdf
Fairseq: https://github.com/pytorch/fairseq
@ai_machinelearning_big_data
275 991
🧍 Fast and Flexible Human Pose Estimation with HyperPose
Github: https://github.com/tensorlayer/hyperpose
Paper: https://arxiv.org/abs/2108.11826v1
Docs: https://hyperpose.readthedocs.io/en/latest/markdown/quick_start/prediction.html#table-of-flags-for-hyperpose-cli
@ai_machinelearning_big_data
275 991
💡Volunteer computing: статья про коллаборативное обучение нейросети
Если вы хотите создавать большие модели, не имея суперкомпьютер за спиной, то вам понадобится технология, способная разделить вычисления между теми, кто готов предоставить вам мощности. В этом поможет технология DeDLOC, разработанная в Yandex Research, Hugging Face и University of Toronto.
Хабр: https://habr.com/ru/company/yandex/blog/574466/
@ai_machinelearning_big_data
275 991
🕸 Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study
Github: https://github.com/VITA-Group/Deep_GCN_Benchmarking
Paper: https://arxiv.org/abs/2108.10521v1
@ai_machinelearning_big_data
275 991
🔗 A Unified Objective for Novel Class Discovery
Github: https://github.com/DonkeyShot21/UNO
Paper: https://arxiv.org/abs/2108.08536v2
Dataset: https://paperswithcode.com/dataset/cifar-100
@ai_machinelearning_big_data
