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 293 879 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 293 879 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.
293 879
Подписчики
-23524 часа
-1 5517 дней
-6 44430 день
Архив постов
293 875
📌 При работе большими данными часто обучение моделей возможно только с использованием Spark. Но как потом эту модель обернуть в REST интерфейс и запустить в форме веб-сервиса?
📚 Узнаем на бесплатном demo-занятии 2 марта в 20:00 (мск) с Павлом Филоновым, Ex-Data Science Manager в Kaspersky.
🔥 На вебинаре мы рассмотрим несколько подходов к решению такой задачи, начиная от самых простых до более сложных вариантов (MLFlow serve, ONNX export).
❗️ Открытый урок — это возможность попробовать онлайн-курс «MLOps», разработанный с поддержкой Сбера.
👉 Для участия пройдите вступительный тест https://otus.pw/hC9h/
293 875
🔎 Anomalib: A Deep Learning Library for Anomaly Detection
Github: https://github.com/openvinotoolkit/anomalib
Docs: https://openvinotoolkit.github.io/anomalib/
Paper: https://arxiv.org/abs/2202.08341v1
Dataset: https://paperswithcode.com/dataset/btad
@ai_machinelearning_big_data
293 875
Как делать в Data Science не только карьеру, но и чудеса?
🔥 Компьютерное зрение — высший пилотаж в мире Deep Learning для тех, кому надоело заниматься скорингами, фродом и прочей аналитикой.
На онлайн-курсе «Computer Vision» от OTUS вы научитесь использовать фреймворки PyTorch, TensorFlow и Keras и создадите свою нейросеть, которая сможет обрабатывать изображения или видео не хуже юного тиктокера.
Знаете математику, основы машинного обучения и принципы построения нейросетей? Тогда проходите вступительный тест и присоединяйтесь к группе 👉 https://otus.pw/6mdC/
293 875
🗣 Facebbok’s textless-lib: a Library for Textless Spoken Language Processing
Github: https://github.com/facebookresearch/textlesslib
Code examples: https://github.com/facebookresearch/textlesslib/tree/main/examples
Paper: https://arxiv.org/abs/2202.07359v1
Dataset: https://paperswithcode.com/dataset/librispeech
@ai_machinelearning_big_data
293 875
Конференция для разработчиков ИИ NVIDIA GTC 2022 пройдет онлайн и бесплатно 21-24 марта: вас ждут пленарный доклад Дженсена Хуанга, новые продукты и более 900 сессий от лидеров ИИ и индустрии.
Среди спикеров GTC:
• Andrew Ng, основатель DeepLearning.AI, основатель и генеральный директор Landing AI
• Hao Yang, вице-президент по исследованиям в ИИ, Visa
• Jack Jin, ведущий инженер по машинному обучению, Zoom
• Lidia Fonseca, директор по цифровым технологиям, Pfizer
• Magnus Östberg, главный специалист по программному обеспечению, Mercedes-Benz AG
• Markus Gross, вице-президент по исследованиям, Walt Disney Studios
• Peter Stone, исполнительный директор в Sony AI и профессор в Техасском Университете г Остин
• Stefan Sicklinger, глава BigLoop and Advanced Systems, CARIAD/VW Group
• Yu Liu, директор по ИИ, Meta
И другие. Кроме того, вас ждут новые воркшопы, возможности для общения и новейшие технологии NVIDIA.
Посмотреть полную программу и зарегистрироваться можно здесь: https://nvda.ws/3GVPthK
293 875
🐙 OCTIS : Optimizing and Comparing Topic Models is Simple!
Github: https://github.com/mind-Lab/octis
Paper: https://arxiv.org/abs/2202.07631v1
Dataset: https://paperswithcode.com/dataset/20-newsgroups
@ai_machinelearning_big_data
293 875
На курсе «Мидл python-разработчик» студенты учатся продвинутой бэкенд-разработке и получают проекты в портфолио без NDA.
→ Приходите учиться, если вы знакомы с основами Python, базами данных и API. Мы поможем стать уверенным мидлом за шесть месяцев, а не за полтора года.
Курс научит решать задачи с хранилищами данных, работать с синхронными и асинхронными фреймворками, проектировать лаконичную архитектуру, а ещё — даст опыт командной разработки.
Что будет на учёбе:
⬛️ Код-ревью и обратная связь от старших разработчиков из Яндекса и других IT-компаний.
⬛️ Вся необходимая теория в одном месте.
⬛️ Обучение в команде на реальных рабочих задачах: студенты создадут сервисы для полноценного онлайн-кинотеатра в GitHub.
⬛️ Наставники помогут разобраться с трудностями и поделятся опытом на вебинарах и демо.
⬛️ Кураторы и дедлайны не дадут прокрастинировать.
⬛️ Карьерные консультации: наши специалисты помогут найти новый проект или сделать так, чтобы на текущей работе вам начали давать более амбициозные задачи.
→ Старт потока — 24 февраля. Учёба длится шесть месяцев.
→ Познакомьтесь с курсом и оцените свои силы во вступительном тестировании — это бесплатно.
293 875
💡 A lightweight vision library for performing large scale object detection & instance segmentation
Github: https://github.com/obss/sahi
Paper: https://arxiv.org/abs/2202.06934v1
Kaggle notebook: https://www.kaggle.com/remekkinas/sahi-slicing-aided-hyper-inference-yv5-and-yx
Dataset: https://paperswithcode.com/dataset/xview
@ai_machinelearning_big_data
293 875
Опубликованы новые материалы по Machine Learning от Школы анализа данных Яндекса 🔥
То самое пособие, которое ШАД разместила в открытом доступе, пополнилось новым разделом — про базовые архитектуры и обучение нейросетей. Чтобы вы лучше разобрались в предыдущих темах, авторы также добавили главы о математике ML: матричное дифференцирование и bias-variance decomposition.
Возьмитесь за основательное изучение Machine Learning и сохраняйте ссылку на онлайн-учебник: https://clck.ru/b33aZ
P.S. Пособие регулярно обновляется, и в скором времени в нём появятся материалы о вероятностном подходе к ML и решении сложных задач Data Science. Следите за выходом новых глав!
293 875
🎬 FILM: Frame Interpolation for Large Scene Motion
Github: https://github.com/google-research/frame-interpolation
Paper: https://arxiv.org/pdf/2202.04901.pdf
Video: https://www.youtube.com/watch?v=OAD-BieIjH4
Project: https://film-net.github.io/
@ai_machinelearning_big_data
293 875
📱 Best it channels in telegram
https://t.me/ArtificialIntelligencedl - ai
https://t.me/pythonl - largest python
https://t.me/Machinelearningtest - machine learning test
https://t.me/pro_python_code - python ru
https://t.me/datascienceiot - ds, ml free books
https://t.me/programming_books_it
https://t.me/pythonlbooks - python books
https://t.me/javascriptv - javascript channel
https://t.me/about_javascript - advanced js
https://t.me/JavaScript_testit - js tests
https://t.me/Golang_google - Go channel
https://t.me/golangl. -golang chat
https://t.me/golang_jobsgo -golang jobs
https://t.me/neural - neural nets
https://t.me/hashdev - web development
https://t.me/htmlcssjavas - web
https://t.me/hr_itwork - jobs
https://t.me/linux_kal - kali linux
https://t.me/machinee_learning - ml chat
https://t.me/linuxkalii - linux chat
https://t.me/machinelearning_ru - ml ru
https://t.me/python_testit - python tests
https://t.me/csharp_ci- c#
https://t.me/tensorflowblog - tensorflow
https://t.me/Django_pythonl
293 875
🗒 DALL-Eval: Probing the Reasoning Skills and Social Biases of Text-to-Image Generative Transformers
Github: https://github.com/j-min/dalleval
Paper: https://arxiv.org/pdf/2202.01936v1.pdf
Data: https://drive.google.com/drive/folders/1Bza2zyvHLvComohZ9PAGyykY7sm7JoIH
Dataset: https://paperswithcode.com/dataset/conceptual-captions
@ai_machinelearning_big_data
293 875
Хотите развиваться в области Data Science?
Сделайте первые шаги на открытом уроке «Natural language processing: как компьютер общается с людьми» 16 февраля в 18:00. Тексты встречаются в огромном числе Data Science задач: чат-ботах, голосовых ассистентах или поисковиках. Мария Тихонова, Senior Data Scientist в Сбере, расскажет о принципах их работы и главных трендах в обработке естественного языка.
Demo-занятие пройдет в рамках онлайн-курса «Machine Learning. Professional». Пройдите вступительный тест, чтобы оценить свой уровень подготовки и зарегистрироваться https://otus.pw/Tsyh/
293 875
🖌 Two-Dimensional Tensors in Pytorch
https://machinelearningmastery.com/two-dimensional-tensors-in-pytorch/
One-Dimensional Tensors: https://machinelearningmastery.com/one-dimensional-tensors-in-pytorch/
PyTorch tensor Tutorial: https://pytorch.org/tutorials/beginner/basics/tensorqs_tutorial.html
@ai_machinelearning_big_data
293 875
21 февраля Яндекс.Практикум запускает бесплатную Школу наставников.
Школа наставников — это хорошая возможность развить софт-скиллы, научиться делиться знаниями с командой и подтвердить экспертность в своей области. Она проходит в формате онлайн-занятий. Всего будет 5 уроков, которые будут проходить два раза в неделю по вечерам.
Наставник в Практикуме — это опытный специалист, который передаёт свои знания студентам, помогает учиться и справляться с трудностями.
Наставничество можно совмещать с основной работой, оно занимает от 6 до 15 часов в неделю. Вознаграждение — от 35 до 50 тысяч рублей в зависимости от курса и потраченного времени.
Сейчас ищем наставников в сферах: аналитика данных и Data Science, тестирование, веб-разработка, разработка на Java, Python, С++, Go, дизайн и управление.
Подать заявку желательно до 14 февраля, чтобы успеть выполнить тестовое задание: https://clck.ru/auije
293 875
🦾 The easiest way to the neuroscience world with the shield for RaspberryPi
Github: https://github.com/Ildaron/EEGwithRaspberryPI
Paper: https://arxiv.org/pdf/2202.01936v1.pdf
Project: https://www.crowdsupply.com/hackerbci/pieeg
@ai_machinelearning_big_data
293 875
VOS: Learning What You Don't Know by Virtual Outlier Synthesis
Github: https://github.com/deeplearning-wisc/vos
Paper: https://arxiv.org/pdf/2202.01197v2.pdf
Dataset: https://paperswithcode.com/dataset/bdd100k
@ai_machinelearning_big_data
293 875
FashionTech — новое экспертное медиа про технологии в моде: коллаборации, AR, NFT, тренд репорты и многое другое.
Подписавшись, вы узнаете:
— Прогноз тенденций по развитию метавселенных
— Зачем физические коллекции переходят в цифровые и продаются, как NFT
— Какие новые технологии устойчивого производства внедряют бренды
— Почему ресайкл и апсайкл - ключевые тренды будущего
В канале много переводной аналитики из закрытых источников и экспертного мнения от людей из индустрии.
293 875
📍 Competition-Level Code Generation with AlphaCode
Github: https://github.com/deepmind/code_contests
Paper: https://storage.googleapis.com/deepmind-media/AlphaCode/competition_level_code_generation_with_alphacode.pdf
Dataset: https://paperswithcode.com/dataset/humaneval
@ai_machinelearning_big_data
293 875
📹 VRT: A Video Restoration Transformer
Github: https://github.com/jingyunliang/vrt
Paper: https://arxiv.org/abs/2201.12288
Dataset: https://paperswithcode.com/dataset/gopro
@ai_machinelearning_big_data
