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 293 457 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 293 457 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.
293 457
Подписчики
-24924 часа
-1 5267 дней
-6 46430 день
Архив постов
293 432
Хотите узнать какие подводные камни в работе с современной BigData?
12 октября пройдет демо-урок «Современные большие данные, анализ и оптимизация производительности распределенных приложений»
Кирилл Султанов, расскажет, про подводные камни в работе с современной BigData: кастомизация, распределенное профилирование, контрибьют в open source.
Все, что нужно - чтобы выйти в продакшн!
Демо-урок является частью онлайн-курса «Промышленный ML на больших данных». Используйте эту возможность, чтобы получить ценные знания, оценить качество знаний и формат обучения. Для регистрации пройдите вступительный тест https://otus.pw/oWF5/
293 432
From Trees to Continuous Embeddings and Back: Hyperbolic Hierarchical Clustering
Gitgub: https://github.com/HazyResearch/HypHC
Paper: https://arxiv.org/abs/2010.00402
293 432
aLRP Loss: A Ranking-based, Balanced Loss Function
Unifying Classification and Localisation in Object Detection.
💻 Github: https://github.com/kemaloksuz/aLRPLoss
📎 Dataset: https://cocodataset.org/#download
🗒 Paper: https://arxiv.org/abs/2009.13592v1
@ai_machinelearning_big_data
293 432
Rotated Binary Neural Network
Pytorch implementation of RBNN.
Github: https://github.com/lmbxmu/RBNN
Paper: https://arxiv.org/abs/2009.13055
@ai_machinelearning_big_data
293 432
Transfer learning with TensorFlow Hub | TensorFlow Core
https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
TensorFlow Hub : https://tfhub.dev/
Github: https://github.com/tensorflow/docs/blob/master/site/en/tutorials/images/transfer_learning_with_hub.ipynb
@tensorflowblog
293 432
Utterance-level Dialogue Understanding: An Empirical Study
The recent abundance of conversational data on the Web and elsewhere calls for effective NLP systems for dialog understanding.
Github: https://github.com/declare-lab/conv-emotion
Paper: https://arxiv.org/abs/2009.13902v1
293 432
Seeing Theory
🎲 A visual introduction to probability and statistics
https://seeing-theory.brown.edu/index.html#4thPage
📗 Free book: https://seeing-theory.brown.edu/doc/seeing-theory.pdf
293 432
CaGNet: Context-aware Feature Generation for Zero-shot Semantic Segmentation.
Github: https://github.com/bcmi/CaGNet-Zero-Shot-Semantic-Segmentation
Paper: https://arxiv.org/abs/2009.12232v1
@ai_machinelearning_big_data
293 432
Graph Normalization
Learning Graph Normalization for Graph Neural Networks
Github: https://github.com/cyh1112/GraphNormalization
Paper: https://arxiv.org/abs/2009.11746v1
@ai_machinelearning_big_data
293 432
🔋 The Most Complete Guide to PyTorch for Data Scientists
https://www.kdnuggets.com/2020/09/most-complete-guide-pytorch-data-scientists.html
Code: https://github.com/MLWhiz/data_science_blogs/tree/master/pytorch_guide
@ai_machinelearning_big_data
293 432
Bringing the Mona Lisa Effect to Life with TensorFlow.js
https://blog.tensorflow.org/2020/09/bringing-mona-lisa-effect-to-life-tensorflow-js.html
Github: https://github.com/emilyxxie/mona_lisa_eyes
Demo: https://monalisaeffect.com/
@ai_machinelearning_big_data
293 432
Facebook AI Releases ‘Dynabench’, A Dynamic Benchmark Testing Platform For Machine Learning Systems
Articel: https://ai.facebook.com/blog/dynabench-rethinking-ai-benchmarking/
Project: https://dynabench.org/
@ai_machinelearning_big_data
293 432
📸 Old Photo Restoration (Official PyTorch Implementation)
Restore old photos that suffer from severe degradation through a deep learning approace.
http://raywzy.com/Old_Photo/
Github: https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life
Paper: https://arxiv.org/pdf/2009.07047v1.pdf
Colab: https://colab.research.google.com/drive/1NEm6AsybIiC5TwTU_4DqDkQO0nFRB-uA
@ai_machinelearning_big_data
293 432
Advancing NLP with Efficient Projection-Based Model Architectures
https://ai.googleblog.com/2020/09/advancing-nlp-with-efficient-projection.html
Sequence Projection Models: https://github.com/tensorflow/models/tree/master/research/sequence_projection
293 432
Implementing a Deep Learning Library from Scratch in Python
https://www.kdnuggets.com/2020/09/implementing-deep-learning-library-scratch-python.html
293 432
MEAL V2
Boosting Vanilla ResNet-50 to 80%+ Top-1 Accuracy on ImageNet without Tricks.
Github: https://github.com/szq0214/MEAL-V2
Paper: https://arxiv.org/abs/2009.08453
ImageNet dataset: https://github.com/pytorch/examples/tree/master/imagenet#requirements.
@ai_machinelearning_big_data
293 432
Dialog Ranking Pretrained Transformers
It is a set of dialog response ranking models proposed by Microsoft Research NLP Group trained on millions of human feedback data.
Github: https://github.com/golsun/DialogRPT
Paper: https://arxiv.org/abs/2009.06978
Colab: https://colab.research.google.com/drive/1jQXzTYsgdZIQjJKrX4g3CP0_PGCeVU3C?usp=sharing
@ai_machinelearning_big_data
293 432
Improving Sparse Training with RigL
https://ai.googleblog.com/2020/09/improving-sparse-training-with-rigl.html
Github: https://github.com/google-research/rigl
Paper: https://arxiv.org/abs/1911.11134
@ai_machinelearning_big_data
293 432
Rule-Guided Graph Neural Networks for Recommender Systems
Сombination of rule learning and GNNs achieves substantial improvement compared to methods only using either of them
Github: https://github.com/nju-websoft/RGRec
Paper: https://arxiv.org/abs/2009.04104v1
293 432
LaSOT
Large-scale Single Object Tracking (LaSOT) aims to provide a dedicated platform for training data-hungry deep trackers as well as assessing long-term tracking performance.
http://vision.cs.stonybrook.edu/~lasot/
Github: https://github.com/HengLan/LaSOT_Evaluation_Toolkit
Dataset: http://vision.cs.stonybrook.edu/~lasot/download.html
Paper: https://arxiv.org/abs/2009.03465
@ai_machinelearning_big_data
