Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
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📈 Аналитический обзор Telegram-канала Machinelearning
Канал Machinelearning (@ai_machinelearning_big_data) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 293 687 подписчиков, занимая 327 место в категории Технологии и приложения и 1 276 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 293 687 подписчиков.
Согласно последним данным от 01 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -6 444, а за последние 24 часа — -235, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.55%. В первые 24 часа после публикации контент обычно набирает 5.55% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 22 202 просмотров. В течение первых суток публикация набирает 16 311 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 172.
- 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 02 июля, 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.
293 687
Подписчики
-23524 часа
-1 5517 дней
-6 44430 день
Архив постов
293 638
✅ Graph Transformer Networks: Learning Meta-path Graphs to Improve GNNs
Github: https://github.com/seongjunyun/Graph_Transformer_Networks
Paper: https://arxiv.org/abs/2106.06218v1
Dataset: https://github.com/Jhy1993/HAN
@ai_machinelearning_big_data
293 638
Microsoft's FLAML - Fast and Lightweight AutoML
Github: https://github.com/microsoft/FLAML
Code: https://github.com/microsoft/FLAML/tree/main/notebook/
Paper: https://arxiv.org/abs/2106.04815v1
@ai_machinelearning_big_data
293 638
👨 TFace: A trusty face recognition research platform
Github: https://github.com/Tencent/TFace
Paper: https://arxiv.org/abs/2106.05519v1
@ai_machinelearning_big_data
293 638
🧠 Yet Another Language Model — нейросетевой языковой алгоритм генерации текстов, разработанный Яндексом
Создатели YaLM выпустили подробную статью о разработке и применении генеративных трансформеров для поиска ответов. Из неё вы узнаете, в каких случаях для обучения огромной модели продуктивнее использовать лишь малую часть параметров и изучите различия между Pipeline parallelism, Tensor parallelism и ZeRO.
Статья: https://wow.link/Er21
@ai_machinelearning_big_data
293 638
📈 NGBoost: Natural Gradient Boosting for Probabilistic Prediction
Github: https://github.com/stanfordmlgroup/ngboost
Slides: https://drive.google.com/file/d/183BWFAdFms81MKy6hSku8qI97OwS_JH_/view
Paper: https://arxiv.org/abs/2106.03823v1
@ai_machinelearning_big_data
293 638
X5 Group проводит собственное мероприятие X5Tech Future Night о технологиях и бизнесе. Большое летнее офлайн событие объединит на одной площадке разные форматы: лекции, паблик-интервью, бизнес-дебаты, дискуссии и музыкальный оупен-эйр.
В программе есть отдельная секция, посвященная Big Data, а именно тому, как монетизировать данные и превратить их в новые продукты. Среди спикеров Дмитрий Прусов (X5 Group), Роман Доронин (EORA.ai), Олег Хомюк (Lamoda), Владимир Горовой (Яндекс.Вертикали) и другие.
Участие бесплатное, регистрируйтесь сейчас, чтобы не пропустить. Количество мест ограничено!
293 638
🤖 DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification
Project: https://dynamicvit.ivg-research.xyz/
Github: https://github.com/raoyongming/DynamicViT
Paper: https://arxiv.org/abs/2106.02034
@ai_machinelearning_big_data
293 638
Всё вокруг автоматизируется и на смену ручному труду приходят машины и алгоритмы. Почти в каждом магазине — кассы самообслуживания, вместо курьеров — роботы, даже новости теперь пишет GPT-3. Кажется, вакансии для простых работяг скоро сильно сократятся. Но зато появится еще больший спрос на людей, которые будут разрабатывать и обучать нейросети.
Поэтому, если вы хотите научиться профессии, которая создает будущее — обратите внимание на курс «Дата-сайентист» от SkillFactory. Вы получите сильную теоретическую базу, а затем будете очень много практиковаться. На курсе вы создадите искусственный интеллект, обучите нейронную сеть, будете анализировать данные и строить прогнозные модели, которые помогают бизнесу принимать верные решения на основе данных.
Можно учиться когда удобно, скорректировать нагрузку или заморозить курс на время, если, например, уезжаете в отпуск.
Ментор поможет в трудную минуту и ответит на все вопросы. А после окончания курса карьерный центр помогает студентам с трудоустройством.
❗️Оставить заявку и узнать все подробности можно по ссылке — https://clc.am/941n7A
293 638
🌏 The FLORES-101 Evaluation Benchmark for Low-Resource and Multilingual Machine Translation
Github: https://github.com/facebookresearch/flores
Paper: https://ai.facebook.com/research/publications/the-flores-101-evaluation-benchmark-for-low-resource-and-multilingual-machine-translation
Facebook blog: https://ai.facebook.com/blog/the-flores-101-data-set-helping-build-better-translation-systems-around-the-world/
@ai_machinelearning_big_data
293 638
You Only 👀 One Sequence
Rethinking Transformer in Vision through Object Detection
Github: https://paperswithcode.com/paper/you-only-look-at-one-sequence-rethinking
Dataset: https://paperswithcode.com/dataset/imagenet
Paper: https://arxiv.org/abs/2106.00666
@ai_machinelearning_big_data
293 638
Поговорим о продвинутых навыках в Machine Learning?
9 июня ждем вас в OTUS на вебинаре с Дмитрием Сергеевым, Senior Data Scientist в Oura. Вы узнаете, какие инструменты и технологии позволяют специалисту Data Science решать задачи Middle+ уровня.
Также среди тех, кто зарегистрируется и пройдет вступительный тест до 9 июня, будут выбраны 2 участника, которые бесплатно зачислятся на онлайн-курс «Machine Learning. Advanced». Регистрация https://otus.pw/yaAQ/
293 638
🏎 Make Pandas 3 Times Faster with PyPolars
Code : https://www.kdnuggets.com/2021/05/pandas-faster-pypolars.html
Github: https://github.com/pola-rs/polars
User Guide: https://pola-rs.github.io/polars-book
@ai_machinelearning_big_data
293 638
💥Grokking Artificial Intelligence Algorithms
⬇️ Download
💥Grokking Deep Reinforcement Learning
⬇️ Download
@ai_machinelearning_big_data
293 638
Yolov5-face is a real-time,high accuracy face detection
Github: https://github.com/deepcam-cn/yolov5-face
Paper: https://arxiv.org/abs/2105.12931v1
@ai_machinelearning_big_data
293 638
🗯 Unsupervised Speech Recognition
Github: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec/unsupervised
Pretraned model: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec
Facebook blog: https://ai.facebook.com/blog/wav2vec-unsupervised-speech-recognition-without-supervision/
Paper
@ai_machinelearning_big_data
293 638
Вы уже зарегистрировались на about:cloud — ML& AI ’21?
Если нет, то самое время, еще есть места в оффлайне
https://cloud.yandex.ru/events/363
📆 Когда
Вечером в понедельник, 31 мая.
📍 Где
Оффлайн (офис Яндекса в Москве) + онлайн
❓О чем
about:cloud — ML& AI — это митап Yandex.Cloud об искусственном интеллекте и облачных технологиях. В этот раз будем говорить про Data Science и ML-разработку.
3 ключевых доклада вечера
🔁 Как выглядит полный цикл современного машинного обучения в облаке или DataSphere для пользователей Colab
✔️ ML-разработка для Enterprise. Главные фичи и возможности для крупного бизнеса
🎙 Yandex SpeechKit, который живет в DataSphere: как мы обучаем голосовые модели
Регистрация и подробности
👉🏻 https://cloud.yandex.ru/events/363
293 638
✔️ GPBoost: Combining Tree-Boosting with Gaussian Process and Mixed Effects Models
Github: https://github.com/fabsig/GPBoost
Demo code: https://htmlpreview.github.io/?https://github.com/fabsig/GPBoost/blob/master/examples/GPBoost_demo.html
Paper: https://arxiv.org/abs/2105.08966v2
@ai_machinelearning_big_data
293 638
Знаете кто стоит за каждым успешным AI-продуктом? Нет, не только команда крутых разработчиков. Без талантливого продакт-менеджера тоже не обошлось.
И если сейчас вы продакт-менеджер, но хотите большего: запускать сложные продуктовые решения и решать верхнеуровневые задачи бизнеса — то мы знаем, чем вам помочь. Нужно всего 4 месяца и мотивация стать лучше.
Речь идёт о курсе «AI Продакт-менеджер» от Product LIVE. После него вы научитесь управлять созданием продуктов с применением AI/DS-инструментов и коммуницировать с командой разработчиков. Лекции читают лидеры AI-сферы из Сбербанка, Mail.ru и Facebook, менторы и кураторы всегда помогут, если что-то не получается.
Курс рассчитан на 10 часов в неделю — можно совмещать с основной работой и сразу применять в ней полученные навыки.
До 31 мая промокод
ML45 даст скидку 45% на обучение
❗️Все подробности и регистрация: https://clc.am/-mD_mQ293 638
🧠 NeuroKit2: A Python toolbox for neurophysiological signal processing
A user-friendly package providing easy access to advanced biosignal processing routines.
Github: https://github.com/neuropsychology/NeuroKit
Paper: https://link.springer.com/article/10.3758/s13428-020-01516-y
Docs: https://neurokit2.readthedocs.io/en/latest/installation.html
@ai_machinelearning_big_data
293 638
🧠 NeuroKit2: A Python toolbox for neurophysiological signal processing
User-friendly package providing easy access to advanced biosignal processing routines
Github: https://github.com/neuropsychology/NeuroKit
Paper: https://link.springer.com/article/10.3758/s13428-020-01516-y
@ai_machinelearning_big_data
