Machinelearning

Открыть в 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

Больше

Сеть:Machinelearning Россия1 277 Технологии и приложения332...

📈 Аналитический обзор Telegram-канала Machinelearning

Канал Machinelearning (@ai_machinelearning_big_data) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 294 933 подписчиков, занимая 332 место в категории Технологии и приложения и 1 277 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 294 933 подписчиков.

Согласно последним данным от 26 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -6 463, а за последние 24 часа — -216, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.82%. В первые 24 часа после публикации контент обычно набирает 5.40% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 23 058 просмотров. В течение первых суток публикация набирает 15 914 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 179.
Тематические интересы: Контент сосредоточен на ключевых темах, таких как openai, claude, api, gemini, контекст.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“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”

Благодаря высокой частоте обновлений (последние данные получены 27 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.

294 933

Подписчики

-21624 часа

-1 5507 дней

-6 46330 день

23 058

Просмотры поста

~ 15 91424 часа

~ 17 79048 часов

7.82%

Коэффициент вовлеченности

~ 6

Постов в день

Ads index

beta

Архив постов

294 940

OpenAI только что выпустила технический отчет Sora! Вот что вам нужно знать о лучшей архитектуре модели преобразования текста в видео. 𝟭. 𝗗𝗮𝘁𝗮 𝗥𝗲𝗽𝗿𝗲𝘀𝗲𝗻𝘁𝗮𝘁𝗶𝗼𝗻: Sora преобразует визуальные данные в пространственно-временные патчи (spacetime patches), подобно токенизации в больших языковых моделях (LLM). Это позволяет масштабировать обучение на разнообразном визуальном контенте. 𝟮. 𝗖𝗼𝗺𝗽𝗿𝗲𝘀𝘀𝗶𝗼𝗻 𝗮𝗻𝗱 𝗣𝗮𝘁𝗰𝗵 𝗘𝘅𝘁𝗿𝗮𝗰𝘁𝗶𝗼𝗻: Видео компрессор уменьшает визуальные данные до сжатого латентного пространства, а затем разбивает его на пространственно-временные патчи. Эти патчи являются строительными блоками для обучения и создания контента. 𝟯. 𝗧𝗿𝗮𝗻𝘀𝗳𝗼𝗿𝗺𝗲𝗿-𝗯𝗮𝘀𝗲𝗱 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴: Sora использует трансформеры для обработки пространственно-временных патчей, эффективно улавливая сложные паттерны и динамику генераций. Этот метод использует способность трансформеров обрабатывать большие наборы данных и различные зависимости. 𝟰. 𝗗𝗶𝗳𝗳𝘂𝘀𝗶𝗼𝗻 𝗣𝗿𝗼𝗰𝗲𝘀𝘀: Диффузия используеся для уточнения зашумленных входных данных в детальные видео. Предсказывая лучшие версии патчей с каждой итерацией, Sora генерирует высококачественные видео, руководствуясь текстовыми промптами. 𝟱. 𝗙𝗹𝗲𝘅𝗶𝗯𝗹𝗲 𝗢𝘂𝘁𝗽𝘂𝘁 𝗚𝗲𝗻𝗲𝗿𝗮𝘁𝗶𝗼𝗻: Благодаря патч-ориентированному подходу Sora генерирует видео различных размеров и форм. Она может настраивать выходной сигнал под конкретные разрешения, соотношения сторон и продолжительность, что делает ее очень адаптируемой. 𝟲. 𝗘𝗺𝗲𝗿𝗴𝗲𝗻𝘁 𝗖𝗮𝗽𝗮𝗯𝗶𝗹𝗶𝘁𝗶𝗲𝘀: Масштабные тренировки Sora привели к появлению свойств, необходимых для генерации качетсвенного 3D-контента и симуляция взаимодействий. https://openai.com/research/video-generation-models-as-world-simulators ai_machinelearning_big_data

294 940

✉️ Вам приглашение! Кому: талантливому Python-разработчику От кого: от Сбера Куда: на праздничный митап в честь 33-летия Python! Во вторник, 20 февраля, в московском офисе Сбера пройдёт Python Birthday Meetup с интересными докладами, профессиональным нетворкингом и приятными праздничными подарками. О чём поговорим: 🎈 Погрузимся в мир быстродействия Python и возможности распараллеливания вычислений, оптимизации кода и внедрения компонентов для вычисления на GPU. 🎈 Изучим кейсы использования Python при создании HDMap в беспилотной технологии и узнаем, как автоматизируется большое количество задач по оцифровке локаций в SberAutoTech. 🎈 Узнаем, с какими задачами и проблемами сталкивается разработчик при работе с GigaСhat, и как Python SDK GigaChain помогает их преодолевать. Скорее регистрируйтесь по ссылке , чтобы забронировать свой праздничный колпачок и кусочек торта!

294 940

⚡️ V-JEPA: The next step toward Yann LeCun’s vision of advanced machine intelligence (AMI) V-JEPA сегодня выпущен новый метод обучения машин пониманию и моделированию физического мира с помощью просмотра видео. Эта работа - еще один важный шаг на пути к к видению моделей ИИ, которые используют изученное понимание мира для планирования, рассуждения и выполнения сложных задач. Модели способны понимать и предсказывать, что происходит в видео, даже при ограниченном объеме информации. Они обучаются, предсказывая недостающие или непонятные части видео в своем внутреннем пространстве признаков. В отличие от генеративных подходов, которые заполняют недостающие пиксели, этот гибкий подход позволяет до 6 раз повысить эффективность обучения и выборки. Модели были предварительно обучены на полностью немаркированных данных. Результаты показывают, что, лучшие модели V-JEPA достигают 82,0 % на Kinetics-400, 72,2 % на Something-Something-v2 и 77,9 % на ImageNet1K. Эта работа является важной вехой на пути развития машинного интеллекта. ▪Github: https://github.com/facebookresearch/jepa ▪Paper: https://ai.meta.com/research/publications/revisiting-feature-prediction-for-learning-visual-representations-from-video/ ▪Blog: https://ai.meta.com/blog/v-jepa-yann-lecun-ai-model-video-joint-embedding-predictive-architecture/ ai_machinelearning_big_data

294 940

Дорогие коллеги, Сейчас наши друзья проводят исследование рынка разметки данных, чтобы понять потребности и задачи, с которыми они чаще всего встречаются. Для этого планируется интервью с DS инженерами или тим-лидами, которые размечают данные в компании силами собственных инженеров или разметчиков. Интервью займет не больше 15 минут, а после компания поделится результатами исследования со всеми, кто принимал участие в опросе. В благодарность для всех участников наши друзья получат эксклюзивный гайд "Автоматизация разметки данных" с закрытой конференции по AI и 1000 рублей на карту. Если вы хотите готовы дать интервью напишите @odinaev_djurahon

294 940

👨‍🦱 Awesome Face Recognition Огромный кураторский список материалов: обнаружение лиц; распознавание; идентификация; верификация; реконструкция; отслеживание; сверхразрешение и размытие; генерация и синтез лиц; замена лиц; защита от подделки; поиск по лицу. ▪Github ai_machinelearning_big_data

294 940

Если вы увлекаетесь Computer Science настолько, что хотите перейти от типовых кейсов к задачам со звёздочкой, советуем обратить внимание на образовательные программы под руководством экспертов-практиков. Такие форматы, насыщенные живым общением и возможностью поработать над реальными проектами, - лучший способ выйти на новый уровень. Начать можно с интенсивов. Например, в апреле Яндекс Образование проведёт бесплатный двухнедельный студкемп по машинному обучению на базе НИУ ВШЭ. Среди преподавателей эксперты из Школы анализа данных, Яндекса и ВШЭ. Программа кемпа направлена на насыщенную практическую работу и обмен опытом - отличная возможность добавить новый проект и сертификат в портфолио. На программе ждут студентов профильных направлений. Чтобы подать заявку, заполните анкету участника до 29 февраля. Всем, кто успешно пройдёт отбор, Яндекс Образование оплатит дорогу и проживание. Поторопитесь - количество мест ограничено.

294 940

⚡️ Magic-Me: Identity-Specific Video Customized Diffusion Новый фреймворк для создания видео с конкретным человеком. С помощью предварительно обученного ID-токена вы можете генерировать любые видеоклипы с заданным персонажем. В работе представлены ряд управляемых методов генерации и редактирования видео. ▪Github: https://github.com/Zhen-Dong/Magic-Me ▪Colab: https://colab.research.google.com/drive/1gMialn4nkGeDZ72yx1Wob1E1QBgrqeGa ▪Project: https://magic-me-webpage.github.io ▪Paper: arxiv.org/abs/2402.09368 ai_machinelearning_big_data

294 940

🔥 World Model on Million-Length Video And Language With RingAttention Новая модель для обработки видео и текста длиной в миллион символов с помощью RingAttention. В опенсорс выложены 7B-модели, которые способны обрабатывать длинные текстовые документы и видео длиной более 1 млн лексем. ▪Github: https://github.com/LargeWorldModel/LWM ▪Project: https://largeworldmodel.github.io ▪Paper: https://arxiv.org/abs/2402.08268 ai_machinelearning_big_data

294 940

🚨 Осторожно, утечки! Как сообщает DLBI, в 2022 году в сеть утекли данные 75% россиян. И это несмотря на то, что компании все больше совершенствуют системы защиты информации (используя разные классы решений, такие как DLP, DAM, DCAP и другие), а ответственность за ее хищение становится все строже. Positive Technologies предлагает специалистам по защите информации пройти опрос и рассказать, чего не хватает в существующих системах защиты данных и что, по вашему мнению, можно улучшить. Меньше слов, больше дела, опрос — по ссылке.

294 940

🧠 SELF-DISCOVER: Large Language Models Self-Compose Reasoning Structures Новая стратегия prompt-flow от Google, которая позволяет LLM "самостоятельно обнаруживать присущие, описанной задаче, структуры рассуждений для решения сложных проблем". Уже ывпущено несколько первых реализаций в составе LangChain и LangGraph! ▪Paper: https://arxiv.org/pdf/2402.03620.pdf ▪LangChain example: https://github.com/langchain-ai/langchain/blob/master/cookbook/self-discover.ipynb ▪LangGraph example: https://github.com/langchain-ai/langgraph/blob/main/examples/self-discover/self-discover.ipynb ai_machinelearning_big_data

294 940

🎉 Телеграм-канал Яндекса специально для ML-специалистов Yandex for ML — канал для ML-инженеров от Яндекса. Рассказываем, как мы применяем ML в продуктах Яндекса, и показываем людей, которые двигают вперёд технологии прямо сейчас. Подписывайтесь 👉 @Yandex4ML

294 940

👁️ HASSOD: Hierarchical Adaptive Self-Supervised Object Detection HASSOD - полностью самоконтролируемый подход для обнаружения и сегментации широкого спектра объектов. HASSOD демонстрирует значительное преводходство по сравнению с предыдущими современными методами. 🖥 Github: https://github.com/Shengcao-Cao/HASSOD 📚 Paper: https://arxiv.org/abs/2402.03311 ⏩ Project: https://hassod-neurips23.github.io/ 💻 Video: https://www.youtube.com/watch?v=s8u7tEKg5ew ai_machinelearning_big_data

294 940

🦾 Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models Новый метод тонкой настройки, названный Self-Play fIne-tuNing (SPIN), в основе которого, лежит механизм самовоспроизведения, в котором LLM совершенствует свои возможности, взаимодейтсвия с экземплярами самого себя и самостоятельно генерирует данные для обучения. 🖥 Github: https://github.com/uclaml/SPIN 📚 Paper: https://arxiv.org/abs/2401.01335 ⏩ Project: https://uclaml.github.io/SPIN/ 💻 Model: https://huggingface.co/collections/UCLA-AGI/zephyr-7b-sft-full-spin-65c361dfca65637272a02c40 🛡 Dataset: https://huggingface.co/collections/UCLA-AGI/datasets-spin-65c3624e98d4b589bbc76f3a ai_machinelearning_big_data

294 940

erid: LjN8JwNr5 Хотите начать карьеру в машинном обучении или прокачать скиллы, чтобы брать задачи посложнее и расти в зарплате? Станьте ML-инженером и углубите знания в разработке Machine Learning моделей, которые будут решать задачи бизнеса. В этом поможет курс «ML Engineering: от базы до продукта» от онлайн-школы «karpovꓸcourses» и магистратуры ИТМО AI Talent Hub. На курсе вас всему научат топовые эксперты лучшего образовательного проекта ИТМО 2023 по версии премии ITMO.EduAwards. Вы получите навыки разработки и обучения Machine Learning моделей, соберете портфолио и станете полноценным специалистом, который готов выйти на рынок труда. После выпуска у вас будет диплом ИТМО гособразца о профессиональной переподготовке и диплом о присвоении специализации от «karpovꓸcourses»+AI Talent Hub ИТМО. А если захочется окончить магистратуру - сможете поступить на бюджет в ИТМО и учиться в магистратуре всего 1 год вместо двух - это сэкономит вам от 200 тысяч рублей Подать заявку: https://clc.to/iL3XSQ Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627.

294 940

⚡️ LGM: Large Multi-View Gaussian Model for High-Resolution 3D Content Creation Новый фреймворк, предназначенный для создания 3D-моделей высокого разрешения из текстового описания или изображений с одним ракурсом. 🖥 Github: https://github.com/3DTopia/LGM 📚 Paper: https://arxiv.org/abs/2402.05054 🔗 Demo: https://huggingface.co/spaces/ashawkey/LGM 💻 Weights: https://huggingface.co/ashawkey/LGM ⏩ Project: https://me.kiui.moe/lgm/ ai_machinelearning_big_data

294 940

⚡️ Hiring days для ML и Backend-разработчиков Станьте частью VK всего за два дня. Команды с сильным бэкграундом, современный стек, масштабные задачи и проекты ждут вас. Отправить отклик можно до 15 февраля включительно.

294 940

🔥 EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction EfficientViT-SAM - это новое семейство ускоренных моделей Segment Anything Models для задач компьютерного зрения с высоким разрешением. Скорость до 69 раз выше, чем у SAM. 🖥 Github: https://github.com/mit-han-lab/efficientvit 📚 Paper: https://arxiv.org/abs/2205.14756 ⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_efficientvit.html ai_machinelearning_big_data

294 940

👨‍🎓 Famous scientists and modern technologies by Kandinsky Такой подборкой порадовала отечественная генеративная модель в честь Дня науки. В частности, Kandinsky нарисовала Менделеева за ноутбуком, Дарвина за электронным микроскопом, Павлова с собакой-роботом и других. 🌐page: https://vk.com/kandinskiy_bot?w=wall-219823705_8793 ai_machinelearning_big_data

294 940

⭐️ YOLO-World Real-Time Open-Vocabulary Object Detection Обнаружение объектов в режиме реального времени БЕЗ ОБУЧЕНИЯ. YOLO-World - это новая SOTA, которая превосходит предыдущие модели как по точности обнаружения, так и по скорости. 35,4 AP при 52,0 FPS на V100. Все, что вам нужно, это изображение + промпт (список категорий, которые вы хотите обнаружить). 🖥 Github: https://github.com/AILab-CVC/YOLO-World 📚 Paper: https://arxiv.org/abs/2401.17270 ⚡️Demo: https://www.yoloworld.cc 🤗Hf: https://huggingface.co/spaces/stevengrove/YOLO-World ai_machinelearning_big_data

294 940

Узнайте больше об архитектуре сервисов, искусственном интеллекте, UX/UI и безопасности на главной конференции VK Первая конференция, посвященная инновационным технологиям, состоится 6 марта в Доме культуры «ГЭС-2». Здесь ведущие эксперты осветят самые актуальные темы IT: «Архитектура & highload», «Machine Intelligence», «Продукт UX&UI» и «Безопасность». Участие в VK JT 6 марта бесплатное после регистрации.