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 293 602 подписчиков, занимая 326 место в категории Технологии и приложения и 1 281 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 293 602 подписчиков.
Согласно последним данным от 02 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -6 464, а за последние 24 часа — -249, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.49%. В первые 24 часа после публикации контент обычно набирает 5.71% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 21 989 просмотров. В течение первых суток публикация набирает 16 765 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 173.
- 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 03 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.
293 602
Подписчики
-24924 часа
-1 5267 дней
-6 46430 день
Архив постов
293 536
🎨 Colorization Transformer by Google
💻 Github: https://github.com/google-research/google-research/tree/master/coltran
📝 Paper: https://arxiv.org/abs/2102.04432v1
🌐 Pre-trained model: https://console.cloud.google.com/storage/browser/gresearch/coltran;tab=objects?pli=1&prefix=&forceOnObjectsSortingFiltering=false
@ai_machinelearning_big_data
293 536
Работаете в направлении Машинного обучения и хотите развиваться дальше?
Специально для вас девять практикующих экспертов приготовили онлайн-курс «Machine Learning. Advanced». Познакомиться с курсом можно будет уже 15 февраля на демо-занятии «Multi-armed bandits для оптимизации AB тестирования».
Вместе с Андреем Канашовым, Data Scientist в OMD OM GROUP, вы разберете один из самых простых, но эффективных вариантов применения обучения с подкреплением. Вы узнаете, как можно переформулировать задачу АБ тестирования в задачу байесовского вывода и получать результаты по тестам раньше, чем при классическом тестировании.
Используйте демо-занятие, чтобы освоить новые навыки, познакомиться с преподавателем и оценить сложность курса. Пройдите вступительный тест, чтобы зарегистрироваться на урок https://otus.pw/NLh4/
293 536
MeInGame: Create a Game Character Face from a Single Portrait
Github : https://github.com/FuxiCV/MeInGame
Paper: https://arxiv.org/abs/2102.02371v1
Demo: https://www.youtube.com/watch?v=597cvKOegfE&feature=youtu.be&ab_channel=EdwardLin
@ai_machinelearning_big_data
293 536
Грант до 1 000 000 рублей на разработку проекта в сфере машинного обучения
Технологии машинного обучения и искусственного интеллекта завоёвывают мир: каждый день появляются новые идеи и проекты. Как оторваться от конкурентов? Много экспериментировать, быстро работать и выпускать решения на рынок. Если у вас есть идея революционного продукта, но вы не знаете, какая платформа лучше справится с вашими задачами, обратите внимание на ML SPACE от SberCloud — единственный в мире сервис на базе суперкомпьютера Christofari c распределённым обучением на 1000+ GPU.
▫️В платформу интегрированы все популярные фреймворки и библиотеки для ML-разработки — просто берите и пользуйтесь.
▫️ Деплой моделей в три клика и запуск распределённых задач на кластер целиком позволяют сократить time to market: дни вместо недель, минуты вместо дней.
▫️ Платите по схеме Pay as you go — только за ресурсы, которыми пользуетесь.
Сейчас попробовать и оценить преимущества ML SPACE можно бесплатно. SberCloud предоставляет гранты до 1 000 000 рублей компаниям, создающим AI и ML продукты. По ссылке можно узнать больше о возможностях ML SPACE для бизнеса и оставить заявку. Количество грантов ограничено.
293 536
Only a Matter of Style: Age Transformation Using a Style-Based Regression Model
Github: https://github.com/yuval-alaluf/SAM
Paper: https://arxiv.org/abs/2102.02754v1
@ai_machinelearning_big_data
293 536
Knover allows researchers and developers efficient training/inference of large-scale dialogue generation models.
Github: https://github.com/PaddlePaddle/Knover
Paper: https://arxiv.org/abs/2102.02096v1
@ai_machinelearning_big_data
293 536
WeNet open source, production first and production ready end-to-end (E2E) speech recognition toolkit
Github: https://github.com/mobvoi/wenet
Paper: https://arxiv.org/abs/2102.01547v1
Tutorial: https://github.com/mobvoi/wenet/blob/main/docs/tutorial.md
@ai_machinelearning_big_data
293 536
Работаете в направлении Машинного обучения и хотите развиваться дальше?
Специально для вас девять практикующих экспертов приготовили онлайн-курс «Machine Learning. Advanced». Познакомиться с курсом можно будет уже 15 февраля на демо-занятии «Multi-armed bandits для оптимизации AB тестирования».
Вместе с Андреем Канашовым, Data Scientist в OMD OM GROUP, вы разберете один из самых простых, но эффективных вариантов применения обучения с подкреплением. Вы узнаете, как можно переформулировать задачу АБ тестирования в задачу байесовского вывода и получать результаты по тестам раньше, чем при классическом тестировании.
Используйте демо-занятие, чтобы освоить новые навыки, познакомиться с преподавателем и оценить сложность курса. Пройдите вступительный тест, чтобы зарегистрироваться на урок https://otus.pw/Yxtjs/
293 536
👁 TRANSFER LEARNING FOR COMPUTER VISION TUTORIAL WITH PYTORCH
TUTORIAL: https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html
Github: https://github.com/pytorch/tutorials/blob/master/beginner_source/transfer_learning_tutorial.py
@ai_machinelearning_big_data
293 536
📣Начните осваивать математику для Data Science на практике уже 10 февраля на демо-уроке «Статистическая зависимость».
За 2 часа вместе с преподавателем Александром Горяиновым вы разберете разные виды зависимостей между количественными и номинальными признаками, научитесь не путать статистическую зависимость с причинно-следственной, узнаете о методах выявления статистических зависимостей.
⚡️Демо-урок входит в программу онлайн-курса «Math for Data Science». Для обучения достаточно школьных знаний математики. Чтобы зарегистрироваться на занятие, пройдите вступительный тест: https://otus.pw/65lS/
293 536
293 536
Вот и подошла к концу самая эпичная битва зимы! ⚔️
Финал чемпионата для дата-сайентистов Alfa Battle 2.0. - присоединяйтесь на утренний кофе с победителями и всеми причастными к громкому событию в it-индустрии 💥
Мы собрали для вас содержательный и яркий видеоподкаст:
✔️Победители раскроют свои секреты эффективного подхода к решению задач чемпионата
✔️Организаторы поделятся инсайтами “Как создавать задачи со звездочками”
✔️Жюри выберет лучшие открытые решения
✔️Раскроем карты “Как попасть на стажировку в компании Альфа-Групп”
📍 https://www.youtube.com/watch?v=A7ha6mRUnhc
293 536
Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet, arxiv
Github: https://github.com/yitu-opensource/T2T-ViT
Paper: https://arxiv.org/abs/2101.11986
ImageNet training: https://github.com/pytorch/examples/tree/master/imagenet
@ai_machinelearning_big_data
293 536
💻 Learning to Reason Over Tables from Less Data
Google research: https://ai.googleblog.com/2021/01/learning-to-reason-over-tables-from.html
Code: https://github.com/google-research/tapas
Colab: https://colab.research.google.com/github/google-research/tapas/blob/master/notebooks/tabfact_predictions.ipynb
Dataset: https://www.microsoft.com/en-us/download/details.aspx?id=54253
@ai_machinelearning_big_data
293 536
Bottleneck Transformer - Pytorch
Github: https://github.com/lucidrains/bottleneck-transformer-pytorch
Bottleneck Transformers : https://github.com/leaderj1001/BottleneckTransformers
Paper: https://arxiv.org/abs/2101.11605v1
@ai_machinelearning_big_data
293 536
🧍 TIN: Transferable Interactiveness Network
Github: https://github.com/DirtyHarryLYL/Transferable-Interactiveness-Network
HOI-Learning-List: https://github.com/DirtyHarryLYL/HOI-Learning-List
Paper: https://arxiv.org/abs/2101.10292v1
@ai_machinelearning_big_data
293 536
🐍 Machine Learning From Scratch In Python - Full Course With 12 Algorithms
Video: https://www.youtube.com/watch?v=rLOyrWV8gmA&ab_channel=PythonEngineer
Code: https://github.com/python-engineer/MLfromscratch/tree/master/mlfromscratch
@ai_machinelearning_big_data
293 536
🌳 Neural-Backed Decision Trees
Demo: https://research.alvinwan.com/neural-backed-decision-trees/
Github: https://github.com/alvinwan/neural-backed-decision-trees
Paper: https://arxiv.org/abs/2004.00221
Code: https://colab.research.google.com/github/alvinwan/neural-backed-decision-trees/blob/master/examples/load_pretrained_nbdts.ipynb
Dataset: https://pytorch.org/docs/stable/torchvision/datasets.html
@ai_machinelearning_big_data
293 536
Pixellib is a library for performing segmentation of objects in images and videos.
Github: https://github.com/ayoolaolafenwa/PixelLib
Paper: https://vixra.org/abs/2101.0122
Documentation: https://pixellib.readthedocs.io/en/latest/
Video: https://www.youtube.com/watch?v=hxczTe9U8jY&feature=emb_logo&ab_channel=AyoolaOlafenwa
@ai_machinelearning_big_data
