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

Сеть:Machinelearning Россия1 277 Технологии и приложения332...

📈 Аналитический обзор Telegram-канала Machinelearning

Канал Machinelearning (@ai_machinelearning_big_data) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 294 933 подписчиков, занимая 332 место в категории Технологии и приложения и 1 277 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 294 933 подписчиков.

Согласно последним данным от 26 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -6 463, а за последние 24 часа — -216, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.82%. В первые 24 часа после публикации контент обычно набирает 5.40% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 23 058 просмотров. В течение первых суток публикация набирает 15 914 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 179.
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 27 июня, 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.

294 933

Подписчики

-21624 часа

-1 5507 дней

-6 46330 день

23 058

Просмотры поста

~ 15 91424 часа

~ 17 79048 часов

7.82%

Коэффициент вовлеченности

~ 6

Постов в день

Ads index

beta

Архив постов

294 854

🪩 Обучение генеративных моделей от А до Я Сейчас генеративные модели широко используются в областях искусственного интеллекта и машинного обучения. Для них важна правильная предобработка данных, а для генерации эстетичных изображений используются две стадии: улучшение предварительно обученной модели, которая уже имеет некоторые знания, и обучение с подкреплением. Однако в последнее время набирают популярность диффузионные модели: во многом благодаря своей простоте и возможности обучения на простых данных. Например, если модель обучается на изображениях кошек, она сможет генерировать похожие реалистичные изображения кошек. Смотрите запись выступления Сергея Овчаренко из Яндекса, чтобы лучше разобраться в нюансах обучения генеративных картиночных диффузионных моделей. Там же в плейлисте доступны записи и других докладов с конференции Яндекса для разработчиков YaTalks. Реклама ООО Яндекс, ИНН 7736207543, erid: 2SDnjdAJ3Jg

294 854

🔊 Как исключить проблему самотриггерения голосовых помощников на примере Маруси от VK В статье на Хабре узнаете о том, как команде мобильного приложения Маруси удалось научить помощника правильно слышать запросы и команды без триггеров на свое имя. Подробную инструкцию и итоги работы найдете по ссылке ниже. https://habr.com/ru/companies/vk/articles/782944/ @ai_machinelearning_big_data

294 854

🍏Ferret: Refer and Ground Anything Anywhere at Any Granularity Новая новая мультимодальная модель большого языка (MLLM) от Apple, которая может точно распознавать отдельные объекты и их отдельные части на изображении и обсуждать всю информацию с пользователем. В точности и скорости обработки данных с изображений на бенчмарках Ferret опережает GPT-4🔥 🖥 Code: github.com/apple/ml-ferret 🎓 Paper: https://arxiv.org/abs/2310.07704 @ai_machinelearning_big_data

294 854

☑️Here are some of the most remarkable AI releases of the year. 2023 год был годом ИИ! Вот некоторые из самых значимых ИИ релизов года...👇 https://journal.everypixel.com/2023-the-year-of-ai @ai_machinelearning_big_data

294 854

🌠AnyDoor: Zero-shot Object-level Image Customization AnyDoor - новый генератор изображений на основе диффузии, который может гармонично вписывать любые объекты в новые сцены в указанных местах. Модель, обучена на видео и понимает разные ракурсы и освещения объектов, чтобы вписывать изображения в любой новый план с новым освещением и камерой.

pip install git+https://github.com/cocodataset/panopticapi.git

pip install pycocotools -i https://pypi.douban.com/simple

pip install lvis

🖥 Code: https://github.com/damo-vilab/AnyDoor 🎓 HF: https://huggingface.co/spaces/xichenhku/AnyDoor-online 🔮 Project Page: https://damo-vilab.github.io/AnyDoor-Page/ 📚 ArXiv: https://arxiv.org/abs/2307.09481 @ai_machinelearning_big_data

294 854

🖥 Десять самых ярких ИИ-работ от NVIDIA Research за 2023 год. - Neuralangelo: потрясающая высокоточная 3D-реконструкция поверхностей. https://research.nvidia.com/labs/dir/neuralangelo/ - Magic3D: быстрое преобразование текста в 3D! https://research.nvidia.com/labs/dir/magic3d/ - Hair Simulation: эффективное моделирование дискретных упругих стержней (DER) для волос. Это не совсем работа над искусственным интеллектом, но очень визуально привлекательная технология. https://research.nvidia.com/publication/2023-08_interactive-hair-simulation-gpu-using-admm -Eureka: GPT-4 учит робота-руку крутить ручки! https://eureka-research.github.io - Align Your Latents: синтез видео высокого разрешения с помощью моделей латентной диффузии. Одна из лучших работ по генерации видео в 2023 году. https://research.nvidia.com/labs/toronto-ai/VideoLDM/ - Text2Materials: Модель работы с текстовыми промптами для генерации материалов, таких как кирпич или мозаика, которые можно выложить плиткой и плавно воспроизвести на поверхности любого размера. https://blogs.nvidia.com/blog/siggraph-research-generative-ai-materials-3d-scenes/ - CALM: метод обучения управляемых виртуальных персонажей выполнению действий в физическом симуляторе. https://research.nvidia.com/labs/par/ - Vid2Player3D: обучение навыкам игры в теннис для виртуальных персонажей! https://research.nvidia.com/labs/toronto-ai/vid2player3d/ - Flexicubes: mesh optimization https://research.nvidia.com/labs/toronto-ai/flexicubes/ - eDiff-I: диффузия текста в изображение с помощью ансамбля экспертных моделей. https://research.nvidia.com/labs/dir/eDiff-I/ @ai_machinelearning_big_data

294 854

PIA: Your Personalized Image Animator via Plug-and-Play Modules in Text-to-Image Models 🎄 🎁 🎅 Colab 🥳 PIA, аниматор изображений, который превосходит аналоги в согласованности текста с изображениями. 🎓 page: https://pi-animator.github.io 📚 paper: https://arxiv.org/abs/2312.13964 🖥 code: https://github.com/open-mmlab/PIA 🥩 OpenXLab: https://openxlab.org.cn/apps/detail/zhangyiming/PiaPia 🥩 colab: https://github.com/camenduru/PIA-colab @ai_machinelearning_big_data

294 854

Хостинг Aéza устраивает новый год для своих! Флагманские 7950x3D до 5.7 ГГц от 420 рублей/месяц и тёплая локация ВПН в Турции от 143 рублей! С новым годом с Aéza! Реклама. ООО "АЕЗА ГРУПП" ИНН 7813654490 erid:LatgBUyJc

294 854

🌪 Can machine learning predict chaos? Может ли машинное обучение предсказывать хаос? В новой статье проводится масштабное сравнение современных методов прогнозирования на гигантском наборе данных из 135 хаотических систем. https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.5.043252 @ai_machinelearning_big_data

294 854

Банк ВТБ и Финтех Хаб Банка России объявляют о запуске программы "Машинное обучение PRO". Она предназначена для тех, кто уже знаком с основами машинного обучения и хочет углубить свои знания в области обработки документов и генеративных нейросетей. Программа состоит из двух модулей: теоретического и практического. Теоретический модуль будет проходить в дистанционном формате с 12 февраля по 11 марта 2024 года и включает в себя лекции по основам NLP, обработке изображений, языковым моделям и другим темам. Практический модуль будет проходить в дистанционном формате с несколькими очными днями в Москве с 18 марта по 8 апреля 2024 года. Лучшие участники теоретического модуля смогут применить полученные знания и пройти цикл продуктовой ML-разработки с менторами из Банка России и ВТБ. В конце программы лучшим командам будет предложено презентовать разработанный прототип на международной конференции Data Fusion 18 апреля 2024 года. Заявки на программу можно подать на сайте

294 854

🎲 ReBRAC (Revisited Behavior Regularized Actor Critic) ReBRAC (Revisited Behavior Regularized Actor Critic) — алгоритм, созданный в Tinkoff Research, который обучает ИИ в четыре раза быстрее и на 40% качественнее мировых аналогов в области обучения с подкреплением (Reinforcement Learning, RL), адаптируя его к новым условиям на ходу. 🖥 Code: https://github.com/tinkoff-ai/ReBRAC 📚 ArXiv: https://arxiv.org/abs/2305.09836 @ai_machinelearning_big_data

294 854

🎧 Слушать под ёлкой, заедая оливье Что выйдет, если собрать трёх дата-сайентистов и одну ИТ-журналистку в помещении с микрофонами? Получится подкаст, в котором они подводят итоги 2023 года по теме machine learning и всего того, что около. В выпуске обсудили развитие генеративных нейросетей, их применение в работе и в жизни, этические вопросы и угрозы. А также попытались выяснить у ИИ, когда он нас поработит. Слушайте на любой удобной платформе.

294 854

⚡️ LongAnimateDiff, a text2video model for generating extended videos. ▪Новая модель "LongAnimateDiff" способная генерировать видео с количеством кадров от 16 до 64. Веса можно загрузить с Google Drive или HuggingFace. Для получения оптимальных результатов рекомендуется использовать шкалу движения 1,28. ▪Специализированная модель, предназначенная для создания видеороликов с 32 кадрами. Эта модель обычно создает видео более высокого качества по сравнению с моделью LongAnimateDiff, поддерживающей 16-64 кадра. Веса на Google Drive или HuggingFace. Для получения хороших результатов используйте масштаб движения 1,15. 🖥 Code: https://github.com/Lightricks/LongAnimateDiff 🎓 HF: https://huggingface.co/spaces/Lightricks/LongAnimateDiff @ai_machinelearning_big_data

294 854

🔍 FIND: Interface Foundation Models' Embeddings FIND - удобный интерфейс для настройки эмбедингов вших моделей. 🖥 Code: https://github.com/UX-Decoder/FIND 🎓 Demo: http://find.xyzou.net/ 🔮 Project Page: https://x-decoder-vl.github.io 🥩 Demo: http://find.xyzou.net 📚 ArXiv: https://arxiv.org/pdf/2312.07532.pdf @ai_machinelearning_big_data

294 854

Всё, что нужно знать о CatBoost и LightGBM Не нашёл инфу — написал сам. Так поступил дата-сайентист из Точки Артур Сосновиков. В статье на Хабре он рассказал, как работают алгоритмы CatBoost и LightGBM: что у каждого под капотом и в чём их особенности. Подробно, с примерами и формулами. Будет интересно начинающим и тем, кто уже знает классический градиентный бустинг, а мидлам будет полезно для расширения кругозора. Ну и конечно тем, кто готовится к собесам и хочет произвести хорошее впечатление) Читать статью на Хабре @ai_machinelearning_big_data

294 854

🥳FreeInit with AnimateDiff Gradio Colab FreeInit - новый эффективный метод улучшения временной согласованности видео, генерируемых диффузионными моделями. 🖥 colab: https://github.com/camenduru/FreeInit-colab 🔮page: https://tianxingwu.github.io/pages/FreeInit/ 📚paper: https://arxiv.org/abs/2312.07537 🥩code: https://github.com/TianxingWu/FreeInit @ai_machinelearning_big_data

294 854

👾 Погрузитесь в мир цифровых двойников и моделирования с подкастом «Математическим путем»! В нем Дмитрий Фомичев, директор по математическому моделированию Росатома, и Александр Никоноров, которого вы знаете по Инженерному подкасту НИЯУ МИФИ, разберут на мельчайшие детали науку математического моделирования и обсудят новые технологии с приглашенными экспертами атомной отрасли. 🎧 Слушайте подкаст и читайте подробности по ссылке: https://podcast.mephi.ru/special #ЯРосатом #КарьеравРосатоме

294 854

🃏 Poker Hand History File Format Specification An open-source Python library for poker simulations and hand evaluations. PokerKit - это библиотека Python с открытым исходным кодом для симуляции игры в покер и оценки покерных рук, разработанная группой по изучению покера Университета Торонто. PokerKit поддерживает широкий спектр разновидностей покера и предоставляет архитектуру для создания собственных игр. Все эти возможности предоставляются через интуитивно понятный унифицированный API высокого уровня. Библиотека может быть использована в самых разных сферах, от разработки покерного AI до создания инструментов предсказания покерных. pip install pokerkit 🖥 GitHub: https://github.com/uoftcprg/pokerkit 📚 Paper: https://arxiv.org/pdf/2312.11753v1.pdf 🥩 Project: https://pokerkit.readthedocs.io/en/stable/ @ai_machinelearning_big_data

294 854

⚠️ Как получить вакансию в машинном обучении в Европе, Азии и США? ⬆️ Расскажет Валентин Шкулов – Data Scientist в Meson Capital Partners на бесплатном вебинаре. 🔹 На занятии вы познакомитесь с различными этапами собеседований для разных локаций и изучите подходы к подготовке и прохождению интервью 🔹 Узнаете особенности в получении офферов в разных локациях. 🔥 Урок идеально подойдет продвинутым IT-специалистам, практикующим ML и желающим выйти на другие рынки или релоцироваться. 👉 Встречаемся 26 декабря в 19:00 мск в рамках курса «Machine Learning. Advanced». ➡️ Регистрация https://otus.pw/DWOk/?erid=LjN8K8QYH Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963

294 854

🖼 ImageDream: Image-Prompt Multi-view Diffusion for 3D Generation ImageDream - новый набор диффузионных моделей многоракурсной генерации, разработанный для решения сложной задачи создания 3D-объектов из изображения. 🖥 GitHub: https://github.com/bytedance/ImageDream 📚 Paper: https://arxiv.org/abs/2312.02201 🥩 Demo: https://github.com/bytedance/ImageDream/blob/main @ai_machinelearning_big_data