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 293 306 подписчиков, занимая 326 место в категории Технологии и приложения и 1 283 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 293 306 подписчиков.
Согласно последним данным от 03 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -6 469, а за последние 24 часа — -218, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.32%. В первые 24 часа после публикации контент обычно набирает 5.77% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 21 487 просмотров. В течение первых суток публикация набирает 16 937 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 169.
- 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 04 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.
293 306
Подписчики
-21824 часа
-1 5287 дней
-6 46930 день
Архив постов
293 317
Deep learning of dynamical attractors from time series measurements
Embed complex time series using autoencoders and a loss function based on penalizing false-nearest-neighbors.
Code: https://github.com/williamgilpin/fnn
Paper: https://arxiv.org/abs/2002.05909
293 317
Detecting spam call with machine learning methods
https://habr.com/ru/company/ru_mts/blog/488828/
293 317
The Illustrated BERT, ELMo, and co. (How NLP Cracked Transfer Learning)
https://jalammar.github.io/illustrated-bert/
Habr ru: https://habr.com/ru/post/487358/
BERT FineTuning with Cloud TPUs notebook: https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/bert_finetuning_with_cloud_tpus.ipynb
293 317
🤩Неделя скидок в SkillFactory! Дарим –30% на все курсы!
В 1962 году трое мужчин обманули охрану и смогли покинуть «Алькатрас» — тюрьму, из которой невозможно сбежать. Следователи решили, что мужчины утонули после бегства, однако спустя почти 60 лет нейросеть от компаний Identv и Rothco, проанализировав миллионы фото, «опознала» двоих преступников на снимке 1975 года. То, что оказалось неподвластным человеку, сделал искусственный интеллект.
Какие еще возможности открывает Deep Learning, расскажут преподаватели SkillFactory на курсе по нейросетям. Осваивайте machine learning, Data Engineering и менеджмент, чтобы решать интересные задачи и расти профессионально. В течение 10 недель вы изучите фреймворки TensorFlow и Keras, научитесь работать со сверточными нейросетями и сможете их оптимизировать; в конце обучения проводится хакатон на реальных датасетах.
Углубите свои знания в области Data Science: https://clc.to/xNEs5Q
293 317
Learning to Rank with XGBoost and GPU | NVIDIA Developer Blog
https://devblogs.nvidia.com/learning-to-rank-with-xgboost-and-gpu/
293 317
GANILLA: Generative Adversarial Networks for Image to Illustration Translation.
Github: https://github.com/giddyyupp/ganilla
Dataset: https://github.com/giddyyupp/ganilla/blob/master/docs/datasets.md
Paper: https://arxiv.org/abs/2002.05638v1
293 317
5 причин стать специалистом в Data Science в 2020 году
1. Огромный спрос на профи
Data Scientists анализируют данные и прокачивают искусственный интеллект. С 2012 года спрос на эту профессию увеличился на 650%. Компании больше не хотят полагаться на гипотезы — им нужны точные данные для принятия решений и спецы, готовые с ними работать.
2. Карьерные перспективы
Мечтаешь работать в западной компании? Google, Amazon, Uber, Facebook — в этих корпорациях и в крупных российских компаниях открыто больше 2 000 вакансий для мастеров машинного обучения и работы с данными.
3. Высокая зарплата
Потребность в Data Scientists растет — и им готовы много платить. 200 000 рублей — средняя зарплата специалиста по работе с данными в России.
4. Гарантированное трудоустройство
Skillbox гарантирует трудоустройство всем студентам. Правда, специалиста в Data Science с готовыми проектами в портфолио и так с руками оторвут.
5. Полгода бесплатного обучения
Первый платёж только через 6 месяцев обучения!
На курсе «Профессия Data Scientist» от Skillbox тебя ждет много практики под руководством специалистов из NVIDIA, НИУ ВШЭ и ivi.ru. Сможешь освоить крутую профессию, даже если пока ничего не умеешь. Узнай подробности курса: https://clc.to/06jAbg/.
293 317
Matrix Compression Operator
https://blog.tensorflow.org/2020/02/matrix-compression-operator-tensorflow.html
Experimental API that facilitates matrix compression of a neural network's weight tensors: https://github.com/google-research/google-research/tree/master/graph_compression
Full documentation: https://drive.google.com/file/d/1843aNpKx_rznpuh9AmEshgAKmISVdpJY/view
293 317
Capsules with Inverted Dot-Product Attention Routing
New routing algorithm for capsule networks, in which a child capsule is routed to a parent based only on agreement between the parent’s state and the child’s vote.
Code: https://github.com/apple/ml-capsules-inverted-attention-routing
Paper: https://openreview.net/pdf?id=HJe6uANtwH
293 317
fastai—A Layered API for Deep Learning
https://www.fast.ai//2020/02/13/fastai-A-Layered-API-for-Deep-Learning/
Complete documentation and tutorials:
https://docs.fast.ai/
293 317
Learning to See Transparent Objects
ClearGrasp uses 3 neural networks: a network to estimate surface normals, one for occlusion boundaries (depth discontinuities), and one that masks transparent objects
Google research: https://ai.googleblog.com/2020/02/learning-to-see-transparent-objects.html
Code: https://github.com/Shreeyak/cleargrasp
Dataset: https://sites.google.com/view/transparent-objects
3D Shape Estimation of Transparent Objects for Manipulation: https://sites.google.com/view/cleargrasp
293 317
The popularity of machine learning is so great that people try to use it wherever they can. Some attempts to replace classical approaches with neural networks turn up unsuccessful. This time we'll consider machine learning in terms of creating effective static code analyzers for finding bugs and potential vulnerabilities.
The PVS-Studio team believes that with machine learning, there are many pitfalls lurking in code analysis tasks.
http://bit.ly/2vqmeV7
293 317
Unsupervised Discovery of Interpretable Directions in the GAN Latent Space
Official PyTorch implementation of pre-print Unsupervised Discovery of Interpretable Directions in the GAN Latent
Code: https://github.com/anvoynov/GANLatentDiscovery
Paper: https://arxiv.org/abs/2002.03754
293 317
Recurrent Neural Networks (RNN) with Keras
Recurrent neural networks (RNN) are a class of neural networks that is powerful for modeling sequence data such as time series or natural language.
https://www.tensorflow.org/guide/keras/rnn
Source code: https://github.com/tensorflow/docs/blob/master/site/en/guide/keras/rnn.ipynb
Habr : https://habr.com/ru/post/487808/
293 317
TensorFlow Lattice: Flexible, controlled and interpretable ML
The library enables you to inject domain knowledge into the learning process through common-sense or policy-driven shape constraints.
https://blog.tensorflow.org/2020/02/tensorflow-lattice-flexible-controlled-and-interpretable-ML.html
Video: https://www.youtube.com/watch?v=ABBnNjbjv2Q&feature=emb_logo
Github: https://github.com/tensorflow/lattice
293 317
Лучшие эксперты в области программно-определяемого хранения, облаках, ransomware и управлении данными выступят сегодня и завтра на виртуальном ивенте Commvault - Virtual Connections. На первой сессии речь пойдет об оптимизации защиты данных в PaaS-облаках.
Virtual Connections is a free two-day virtual event that brings Commvault’s best tech-experts right to your screen. Learn about the limitations of native cloud protection for PaaS workloads – and how Commvault software can overcome them.
https://www.commvault.com/virtual-connectionsс
293 317
The Annotated Transformer
The Transformer – a model that uses attention to boost the speed with which these models can be trained.
http://nlp.seas.harvard.edu/2018/04/03/attention.html
The Illustrated Transformer: https://jalammar.github.io/illustrated-transformer/
Habr: https://habr.com/ru/post/486358/
293 317
Mutual Information-based State-Control for Intrinsically Motivated Reinforcement Learning
Agent Learning Framework: https://github.com/HorizonRobotics/alf
Github: https://github.com/ruizhaogit/misc
Paper: https://arxiv.org/abs/2002.01963v1
293 317
Попробуйте себя в роли специалиста по Data Science на интенсиве от профессионала в сфере машинного обучения Михаила Овчинникова.
Ссылка для регистрации: 🔜 https://clc.to/qV49FA
Участие бесплатное!
✔ Вы узнаете, какие инструменты и алгоритмы используют профи.
✔ Изучите азы языка программирования Python.
✔ Научитесь грамотно выгружать и визуализировать данные.
✔ Сами создадите модель машинного обучения.
✔ Узнаете, как оценивать качество модели.
🎁 Авторы трёх лучших проектов получат сертификаты на 30 000 рублей для поступления на любой курс в онлайн-университет Skillbox.
Начните осваивать профессию будущего! Ждём вас 10-12 февраля в 20:00.
293 317
CCMatrix: A billion-scale bitext data set for training translation models
CCMatrix is the largest data set of high-quality, web-based bitexts for training translation models
https://ai.facebook.com/blog/ccmatrix-a-billion-scale-bitext-data-set-for-training-translation-models/
Paper: https://arxiv.org/abs/1911.04944
Github: https://github.com/facebookresearch/LASER/tree/master/tasks/CCMatrix
@ai_machinelearning_big_data
