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 276 130 مشترک است و جایگاه 337 را در دسته فناوری و برنامه‌ها و رتبه 1 374 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 276 130 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 06 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -2 370 و در ۲۴ ساعت گذشته برابر -145 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 8.02% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 6.32% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 22 160 بازدید دریافت می‌کند. در اولین روز معمولاً 17 447 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 335 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 07 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.
276 130
مشترکین
-14524 ساعت
-8617 روز
-2 37030 روز
آرشیو پست ها
276 105
Искусственный интеллект: создайте свою первую нейросеть
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/hvt
276 105
🐭 pymdp: A Python library for active inference in discrete state spaces
Github: https://github.com/infer-actively/pymdp
Paper: https://arxiv.org/abs/2201.03904v1
Docs: https://pymdp-rtd.readthedocs.io/
Tasks: https://paperswithcode.com/task/bayesian-inference
@ai_machinelearning_big_data
276 105
🗣 AV-HuBERT (Audio-Visual Hidden Unit BERT)
AV-HuBERT is a self-supervised representation learning framework for audio-visual speech.
Github: https://github.com/facebookresearch/av_hubert
Facebook AI: https://ai.facebook.com/blog/ai-that-understands-speech-by-looking-as-well-as-hearing/
Paper: https://arxiv.org/abs/2201.02184
@ai_machinelearning_big_data
276 105
🔼 PyramidTNT: Improved Transformer-in-Transformer Baselines with Pyramid Architecture
PyramidTNT achieves better performances than the previous state-of-the-art vision transformers such as Swin Transformer
Github: https://github.com/huawei-noah/CV-backbones
Paper: https://arxiv.org/abs/2201.00978v1
GhostNet: https://github.com/huawei-noah/CV-backbones/tree/master/ghostnet_pytorch
@ai_machinelearning_big_data
276 105
276 105
📏 AdaFocus V2: End-to-End Training of Spatial Dynamic Networks for Video Recognition
Github: https://github.com/leaplabthu/adafocusv2
Paper: https://arxiv.org/abs/2112.14238v1
Tasks: https://paperswithcode.com/task/video-recognition
@ai_machinelearning_big_data
276 105
📹 MSeg: A Composite Dataset for Multi-domain Semantic Segmentation
Github: https://github.com/mseg-dataset/mseg-api
Paper: https://arxiv.org/abs/2112.13762
Dataset: https://paperswithcode.com/dataset/sun-rgb-d
@ai_machinelearning_big_data
276 105
📑 GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models
Github: https://github.com/openai/glide-text2im
Notebooks: https://github.com/openai/glide-text2im/blob/main/notebooks
Paper: https://arxiv.org/abs/2112.10741
Task: https://paperswithcode.com/task/image-generation
@ai_machinelearning_big_data
276 105
📐 RepMLPNet: Hierarchical Vision MLP with Re-parameterized Locality (PyTorch)
Github: https://github.com/DingXiaoH/RepMLP
Pre-trained model: https://drive.google.com/drive/folders/1eDFunxOQ67MvBBmJ4Bw01TFh2YVNRrg2?usp=sharing
Paper: https://arxiv.org/abs/2112.11081v1
Task: https://paperswithcode.com/task/semantic-segmentation
@ai_machinelearning_big_data
276 105
💻 SmartMarket — это единая точка доступа ко всем технологическим платформам Сбера. С помощью SmartMarket вы сможете:
— Использовать десятки современных инструментов — от веб-хостинга до нейросетевых решений;
— Подключить к готовому проекту NLP-платформу и распознавание жестов;
— Использовать виртуальных персонажей или создать Создать виртуального персонажа или чат-ботСоздать виртуального персонажа или чат-бот;
— Монетизировать бизнес в один клик;
— Организовать облачное хранение данных;
— Пользоваться документацией, API и спецификациями для всех сервисов и многое другое!
А еще вы получите доступ к аудитории Сбера в 100 млн человек и сообществу из 2500+ IT-специалистов, сможете общаться с ними в Telegram-канале и посещать регулярные митапы.
👉🏻 Бесплатно зарегистрироваться в SmartMarket Studio можно уже сейчас.
276 105
🌠 NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems
NetKet is an open-source project delivering cutting-edge methods for the study of many-body quantum systems with artificial neural networks and machine learning techniques.
Github: https://github.com/netket/netket
Paper: https://arxiv.org/pdf/2112.10526v1.pdf
Homepage: https://www.netket.org
Documentation: https://www.netket.org/documentation
Tutorials: https://www.netket.org/tutorials
@ai_machinelearning_big_data
276 105
💡 Ensembling Off-the-shelf Models for GAN Training
Github: https://github.com/nupurkmr9/vision-aided-gan
Paper: https://arxiv.org/pdf/2112.09130v1.pdf
Dataset: https://paperswithcode.com/dataset/lsun
@ai_machinelearning_big_data
276 105
Разработчик ML в Финтех Яндекса
Новый сервис продолжает свои поиски: будущему Банку нужны разработчики ML. И чем больше, тем лучше!
Что предстоит делать? Решать задачи от риск-моделирования до моделей привлечения и ретеншна пользователей; строить большие и сложные модели, которые учитывают данные самой разной природы из тех, что есть в Яндексе; совмещать современный ML и глубокое обучение с продвинутыми статистическими моделями.
Что ещё? Отвечать за весь стек ML-задач: и не только обучать модели, но и внедрять их в production, налаживать процессы обучения, деплоя и мониторинга моделей, пользуясь развитой ML-инфраструктурой большого Яндекса.
Верим, что многим из вас интересно заложить фундамент ML в большом стартапе внутри большого Яндекса, и, к/Users/egor/Downloads/yandex.mp4онечно, максимально прокачаться. Будет сложно, будет круто — приходите, скучать точно не придётся!
Никаких долгих изматывающих собесов, попасть в телеграм к эйчару можно прямо с этой промки, после простой задачки-капчи.
276 105
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@ai_machinelearning_big_data
276 105
📹 Vision Transformer Based Video Hashing Retrieval for Tracing the Source of Fake Videos
Github: https://github.com/lajlksdf/vtl
Paper: https://arxiv.org/abs/2112.08117v1
Dataset: https://paperswithcode.com/dataset/dftl
@ai_machinelearning_big_data
276 105
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@ai_machinelearning_big_data
276 105
Бесплатный онлайн-учебник по ML и Data Science
Для начинающих ML-специалистов, аналитиков и разработчиков появилось отличное учебное онлайн-пособие, которое систематизирует актуальную базовую информацию о Machine Learning и Data Science и помогает погрузиться в тему.
Авторы учебника — специалисты Школы анализа данных Яндекса — проводят от основ машинного обучения и знакомства с ключевыми для ML разделами математики до примеров реального применения их на практике. Учебник выложен в свободный доступ, и сейчас в нем открыты две главы: «Классические методы обучения с учителем» и «Оценка качества моделей». В ближайшее время появятся и новые разделы — авторы обещают регулярно обновлять информацию вслед за развитием сферы ML. Добавляйте в закладки!
276 105
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@ai_machinelearning_big_data
276 105
💉 Semi-supervised-learning-for-medical-image-segmentation.
Github: https://github.com/HiLab-git/SSL4MIS
Paper: https://arxiv.org/abs/2112.04894v1
@ai_machinelearning_big_data
276 105
Federated Learning: Collaborative Machine Learning with a Tutorial on How to Get Started
https://www.kdnuggets.com/2021/12/federated-learning-collaborative-machine-learning-tutorial-get-started.html
@ai_machinelearning_big_data
