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 276 666 подписчиков, занимая 335 место в категории Технологии и приложения и 1 376 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 276 666 подписчиков.
Согласно последним данным от 02 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -1 749, а за последние 24 часа — -93, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 8.35%. В первые 24 часа после публикации контент обычно набирает 6.08% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 23 103 просмотров. В течение первых суток публикация набирает 16 836 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 359.
- 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 ноября, 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.
276 666
Подписчики
-9324 часа
-7807 дней
-1 74930 дней
Архив постов
276 642
🔉 Три темы, которые затронут на апрельском Дзен-митапе про рекомендательные системы:
1. Факторизация: как обучить её в реальном времени и перенести с ALS на SGD;
2. Как сэкономить вычислительные ресурсы во время обучения рекомендательных систем;
3. Как улучшить рекомендации и способы отбора кандидатов для пользователя.
После докладов участников ждут ML-квиз и афтепати, на котором можно будет познакомиться с единомышленниками. Митап начнется 13 апреля в 19:00 в московском офисе Дзена.
Переходите по ссылке и регистрируйтесь
276 642
AutoAD: Movie Description in Context
MAD: A Scalable Dataset for Language Grounding in Videos from Movie Audio Descriptions.
MAD - это масштабный набор данных, собранный из аудиоописаний фильмов.
🖥 Github: https://github.com/Soldelli/MAD
⏩ Paper: https://arxiv.org/abs/2303.16899v1
💨 Dataset: https://paperswithcode.com/dataset/lsmdc
ai_machinelearning_big_data
276 642
Intern Meetup Week в Яндексе 🎉
С 17 по 20 апреля в Яндексе пройдёт неделя митапов для начинающих разработчиков. Будет доступен офлайн и онлайн формат.
19 апреля состоится митап для направлений ML и аналитика.
Регистрация по ссылке: https://clck.ru/33qW5b
В программе лекции экспертов о технологиях, общение с руководителями команд и рекрутерами, нетворкинг и подарки.
При отборе на митапы у вас есть шанс получить приглашение на пробное собеседование на стажировку в Яндекс 🔥
📆Когда: 19 апреля 18:00 - 21:30, сбор гостей с 17:30
🌐Где: офис Яндекса, ул. Льва Толстого, 16, м.Парк Культуры и трансляция онлайн
Все подробности и регистрация по ссылке: https://clck.ru/33qW5b
А чтобы быть в курсе всех новостей Young&&Yandex, подписывайтесь на чат-бот.
276 642
One-Stage 3D Whole-Body Mesh Recovery with Component Aware Transformer
🖥 Github: https://github.com/IDEA-Research/OSX
⏩ Paper: http://arxiv.org/abs/2303.16160
⭐️ Project: https://osx-ubody.github.io/
💨 Dataset: https://paperswithcode.com/dataset/expose
ai_machinelearning_big_data
276 642
Ищем учеников на бесплатное обучение по созданию искусственного интеллекта с нуля. Опыт программирования не важен!🤖
Всего за 3 вечера под руководством Дмитрия Романова - основателя Университета Искусственного Интеллекта, лидера обучения AI-разработке в РФ, вы с легкостью напишете свой первый искусственный интеллект👨💻
Какие нейронные сети вы создадите?
▫️Классификация людей на входящих и выходящих из автобуса
▫️Обнаружение возгораний
▫️Оценка стоимости квартир
▫️Оценка резюме соискателей
▫️Прогнозирование стоимости полиметаллов
▫️Сегментация изображений самолетов
▫️Распознавание команд умного дома⠀
Лучше освоить навыки создания нейронных сетей вам помогут домашние задания с проверкой от кураторов.⠀
Приходите на бесплатное обучение и напишите искусственный интеллект за 3 вечера💪
Регистрация по ссылке
276 642
Federated Learning using Hugging Face and Flower
В этом уроке рассматривается, как использовать Hugging Face для Federated Learning (так называется совокупность методов обучения ML моделей на распределённых данных) языковых моделей на нескольких клиентах с помощью фреймворка Flower
This tutorial will show how to leverage Hugging Face to federate the training of language models over multiple clients.
pip install datasets evaluate flwr torch transformers
🤗 Hugging face: https://huggingface.co/blog/fl-with-flower
🌷 Flower: https://flower.dev/
🖥 Colab: https://colab.research.google.com/github/huggingface/blog/blob/main/notebooks/fl-with-flower.ipynb
🖥 Github: https://github.com/adap/flower/tree/main/examples/quickstart_huggingface
ai_machinelearning_big_data276 642
🔥Какие знания точно нужны программисту? Ответ — все ключевые понятия в Computer Science.
Начните изучать эту область 30 марта в 20:00 на вебинаре, приуроченном к старту онлайн-курса «Computer Science» в OTUS. Тема открытого урока: «Ввод-вывод в компьютерных системах».
📚Что интересного будет на занятии?
— Рассмотрим основы архитектуры ввода-вывода (I/O) в компьютерных системах.
— Изучим роль I/O систем в компьютерной архитектуре, рассмотрим различные типы устройств и их использование в компьютерных системах.
— Обсудим необходимые аппаратные компоненты, такие как память
— Научимся использовать программно устройства ввода-вывода.
Результат занятия 👉 вы разберетесь в роли, типах I/O систем в компьютерной архитектуре и способов взаимодействия с ними.
🎁 Продолжить изучение Computer Science вы сможете на курсе, доступном в рассрочку.
Для участия зарегистрируйтесь: https://otus.pw/ebgF/
276 642
Conditional Image-to-Video Generation with Latent Flow Diffusion Models
New approach for cI2V using novel latent flow diffusion models (LFDM) that synthesize an optical flow sequence in the latent space based on the given condition to warp the given image.
Генерация видео из изображений с использованием моделей диффузии.
🖥 Github: https://github.com/nihaomiao/cvpr23_lfdm
⏩ Paper: https://arxiv.org/abs/2303.13744v1
💨 Dataset: https://drive.google.com/file/d/1dRn1wl5TUaZJiiDpIQADt1JJ0_q36MVG/view?usp=share_link
ai_machinelearning_big_data
276 642
Альфа-Банк открывает набор на второй поток магистратуры по Data science в МФТИ🔥
Если у вас есть диплом бакалавра или специалиста, вы умеете программировать, знаете основы для подготовки данных для машинного обучения и хотите научиться:
📌 Управлять циклом создания модели: от сбора данных до оценки эффективности
📌 Работать с большими объёмами данных, используя современный стек технологий
📌 Анализировать и моделировать данные с помощью алгоритмов Python
📌 Решать прикладные задачи Machine Learning и Deep Learning
📌 Защищать идеи, эффективно работать в команде
Обучение проходит очно, всем студентам во время обучения выплачивается стипендия и по окончании магистратуры выпускники получат диплом государственного образца от МФТИ, а лучшие - оффер в Альфа-Банк🅰️
Как поступить?
Подайте онлайн-заявку до 31 марта, решите одну из двух задач
по машинному обучению и пройдите интервью.
Больше информации — на сайте магистратуры и в ТG @alfabankmipt
276 642
🔥 Fix the Noise: Disentangling Source Feature for Controllable Domain Translation
A new approach for high-quality domain translation with better controllability.
Новый подход, который позволяет плавно контролировать степень сохранения исходных характеристик при генерации изображений.
🖥 Github: https://github.com/LeeDongYeun/FixNoise
⏩ Paper: https://arxiv.org/abs/2303.11545v1
💨 Dataset: https://paperswithcode.com/dataset/metfaces
ai_machinelearning_big_data
276 642
Почему мы всё время начинаем и бросаем учить английский?
Одна из причин — мы не знаем свой уровень языка. В итоге берёмся за контент, который нам не по силам. Например, сериал «Друзья» часто советуют смотреть тем, кто начинает учить язык, но в нём полно юмора, который начинающие пока понять не могут.
В итоге разрыв знаний удручает и мотивация снова падает.
Если вы готовы дать английскому ещё один шанс, мы поможем поверить в свои силы и довести дело до конца.
Приходите на бесплатную консультацию в Яндекс Практикум:
- Проведём устный тест на уровень языка,
- Покажем, чего реально добиться за полгода изучения,
- Расскажем, как наши курсы помогут достичь цели.
Записаться
276 642
Train your ControlNet with diffusers 🧨
ControlNet is a neural network structure that allows fine-grained control of diffusion models by adding extra conditions.
В этой статье подробно рассматривается каждый шаг, обучения модельи Uncanny Faces - модель поз лиц, основанную на синтетических 3D лицах.
🤗 Hugging face: https://huggingface.co/blog/train-your-controlnet#
🖥 Github: https://github.com/huggingface/blog/blob/main/train-your-controlnet.md
⏩ ControlNet training example: https://github.com/huggingface/diffusers/tree/main/examples/controlnet
ai_machinelearning_big_data
276 642
👾Хватит играться! Давай изучать ИИ
Data Science | Machinelearning - место, где рассказывают простым языком об изнанке нейросетей, анализе данных и алгоритмах.
То что нужно в эпоху нейронок: @devsp
276 642
+1ReVersion : Diffusion-Based Relation Inversion from Images
ReVersion for the Relation Inversion task, which aims to learn a specific relation (represented as "relation prompt") from exemplar images.
Фреймворк для поиска общих сущностей в изображениях для генерации промптов для синтеза новых изображений.
🖥 Github: https://github.com/ziqihuangg/reversion
⏩ Paper: https://arxiv.org/abs/2303.13495v1
💨 Project: https://ziqihuangg.github.io/projects/reversion.html
⏩ Video: https://www.youtube.com/watch?v=pkal3yjyyKQ
ai_machinelearning_big_data
276 642
🧬 Примите участие в международной конференции Data Fusion 2023 от ВТБ, которая пройдёт 13-14 апреля.
Конференция будет полезна разработчикам и специалистам в области Data Science, CDO, бизнес-заказчикам DS-продуктов и сервисов, представителям государства и науки.
Первый день конференции будет посвящен аспектам управления данными, практикам перехода на доверенные технологии, доступности дата-сетов для ИИ и другим темам, актуальным для CDO и руководителей бизнес-подразделений.
Программа 14 апреля адресована data science специалистам и исследователям. Темы докладов и сессий распределены по трем стримам: «ML+», «AI Classic», «ML Environment».
На конференции представят новейшие технологии и инструменты, а также будут проведены практические сессии и выступления ведущих предприятий. Не пропустите возможность улучшить свои навыки и расширить свои знания в области Data Science.
Участие в конференции бесплатное. Успейте зарегистрироваться по ссылке:
276 642
+2NeAT: Learning Neural Implicit Surfaces with Arbitrary Topologies from Multi-view Images
Novel neural volume rendering method, which uses SDF and validity to calculate the volume opacity and avoids rendering points with low validity.
Новая нейронная система рендеринга, которая может опрелелять различные поверхности на фото с произвольной топологией на основе многоракурсных изображений.
🖥 Github: https://github.com/xmeng525/NeAT
⏩ Paper: https://arxiv.org/abs/2303.12012v1
⏩ Dataset: https://www.dropbox.com/sh/utn5rnohmr0y2c8/AACdets4PQrP5CB1KwGkpOFUa?dl=0
💨 Project: https://xmeng525.github.io/xiaoxumeng.github.io/projects/cvpr23_neat
ai_machinelearning_big_data
276 642
→ 4 навыка для роста в аналитике
У Яндекс Практикума есть четыре курса для начинающих аналитиков. Они помогут освоить навыки уровня мидл, чтобы продвинуться в карьере и быстрее решать рутинные задачи.
1) SQL — получать и структурировать информацию из массивов данных, не перебирая их вручную.
2) Продуктовая аналитика — понимать запросы бизнеса и усилить резюме исследованиями для разных сфер.
3) Математика для аналитиков — укрепить знания и справляться с математическими секциями на собеседованиях.
4) Визуализация данных — освоить BI-инструменты, эффектно и понятно презентовать результаты исследований.
Выбирайте курс, учитесь и растите в карьере.
276 642
+1🎥 Zero-1-to-3: Zero-shot One Image to 3D Object
Zero-1-to-3, a framework for changing the camera viewpoint of an object given just a single RGB image.
Новая система изменения ракурса камеры на объект по одному RGB-изображению.
🖥 Github: https://github.com/cvlab-columbia/zero123
🤗 Hugging face: https://huggingface.co/spaces/cvlab/zero123-live
⏩ Paper: https://arxiv.org/abs/2303.11328v1
⏩ Dataset: https://zero123.cs.columbia.edu/
💨 Project: https://paperswithcode.com/dataset/beat
⭐️ Demo: https://huggingface.co/spaces/cvlab/zero123
ai_machinelearning_big_data
276 642
Всем, привет👋
Проводим небольшое исследование по просьбе одной уважаемой компании: хотим выяснить, кого вы считаете мировым лидером среди технологических компаний.
Поделитесь своим мнением — а мы потом поделимся результатами.
Пройти короткий (всего 2 вопроса, займет меньше минуты) опрос можно вот тут
276 642
⚜️ ViperGPT: Visual Inference via Python Execution for Reasoning
ViperGPT, a framework that leverages code-generation models to compose vision-and-language models into subroutines to produce a result for any query.
Новый фреймворк ViperGPT для генерации Python кода из изображений.
🖥 Github: https://github.com/cvlab-columbia/viper
⏩ Paper: https://arxiv.org/pdf/2303.08128.pdf
💨 Project: https://paperswithcode.com/dataset/beat
ai_machinelearning_big_data
