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 293 399 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 293 399 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.
293 399
Подписчики
-21824 часа
-1 5287 дней
-6 46930 день
Архив постов
293 396
Objects are the secret key to revealing the world between vision and language
https://www.microsoft.com/en-us/research/blog/objects-are-the-secret-key-to-revealing-the-world-between-vision-and-language/
293 396
An Ethical Application of Computer Vision and Deep Learning — Identifying Child Soldiers Through Automatic Age and Military Fatigue Detection
https://www.pyimagesearch.com/2020/05/11/an-ethical-application-of-computer-vision-and-deep-learning-identifying-child-soldiers-through-automatic-age-and-military-fatigue-detection/
293 396
PyTorch version of Stable Baselines, improved implementations of reinforcement learning algorithms.
https://towardsdatascience.com/stable-baselines-a-fork-of-openai-baselines-reinforcement-learning-made-easy-df87c4b2fc82
Documentation: https://stable-baselines3.readthedocs.io
Githab: https://github.com/DLR-RM/stable-baselines3
Paper: https://arxiv.org/abs/2005.05719v1
293 396
FlowTron: Improved Text to Speech Engine from NVIDIA
Paper: https://arxiv.org/abs/2005.05957
Code: https://github.com/NVIDIA/flowtron
293 396
Крутой Data-scientist, Python-разработчик или аналитик? 😎
DigitalSuperHero ждет вас!
Регистрируйтесь на онлайн-хакатон «Интеллектуальные транспортные системы и элементы ситуационных центров»
Хакатон пройдет 23-30 мая. Главный приз за 1-ое место: 200 000 рублей!
🏆Победители получат денежный приз, внедрение пилота и возможность попасть на Всероссийский финальный хакатон, который пройдет в сентябре.
На хакатоне надо создать аналитические модели и прототипы решений для:
● управления «умной» транспортной инфраструктурой;
● развития информационно-аналитической платформы «Ситуационный центр», которая помогает в принятии управленческих решений на уровне целого региона.
Подавайте заявку до 20 мая тут: dshkazan.ru/its
P.S. А еще у нас есть телеграм-чат для общения и ваших вопросов https://t.me/dsh_kazan
293 396
1008 machine translation models, covering of 140 different languages
https://huggingface.co/models?search=Helsinki-NLP%2Fopus-mt
293 396
Little Ball of Fur
Little Ball of Fur consists of methods to do sampling of graph structured data
Documentation : https://little-ball-of-fur.readthedocs.io/en/latest/#little-ball-of-fur-documentation
github: https://github.com/benedekrozemberczki/littleballoffur
paper: https://arxiv.org/abs/2005.05257v1
293 396
Fine-tuning ResNet with Keras, TensorFlow, and Deep Learning
In this tutorial, you will learn how to fine-tune ResNet using Keras, TensorFlow, and Deep Learning.
https://www.pyimagesearch.com/2020/04/27/fine-tuning-resnet-with-keras-tensorflow-and-deep-learning/
293 396
TK & TKL - Efficient Transformer-based neural re-ranking models
TK employs a small number of low-dimensional Transformer layers to contextualize query and document word embeddings. TK scores the interactions of the contextualized representations with simple, yet effective soft-histograms based on the kernel-pooling technique .
Github: https://github.com/sebastian-hofstaetter/transformer-kernel-ranking
Paper: https://arxiv.org/abs/2005.04908v1
The Neural-IR-Explorer is a interactive exploration tool. It allows you to browse around the actual results of a neural re-ranking run
https://neural-ir-explorer.ec.tuwien.ac.at/
293 396
Set of Machine Learning Python plugins for GIMP
This paper introduces GIMP-ML, a set of Python plugins for the widely popular GNU Image Manipulation Program (GIMP). It enables the use of recent advances in computer vision to the conventional image editing pipeline.
Github: https://github.com/kritiksoman/GIMP-ML
Paper: https://arxiv.org/abs/2004.13060
Demo: https://www.youtube.com/watch?v=HVwISLRow_0
293 396
Знаете, каким образом ваш голосовой помощник распознает речь, как банк защищает ваш аккаунт от мошенников и как интернет-магазин определяет товар для рекомендации?
За всем этим стоит Data Scientist. Хочешь также?
Тогда онлайн-школе SkillFactory есть, что тебе предложить — полноценный курс по Data Science с фокусом на практические задачи.
Курс гармонично развивает все что нужно дата саентисту через практические бизнес-кейсы:
— Базовые навыки (foundation),
— Soft skills для эффективного менеджмента и карьеры
— Финальный проект
После обучения студент уверенно сможет начать карьеру data scientist’a, а также получит инструменты для профессионального роста до middle (з/п от 200 тыс).
Программа составлена ведущими экспертами в Data Science (NVIDIA, EORA). Мы поможем с резюме, предложим вакансии от партнеров и договоримся о собеседованиях. Вам остается только учиться.
🚀Получите курс со скидкой 40%: https://clc.to/vyw2kA/
293 396
Global explanations for discovering bias in data
Github: https://github.com/agamiko/gebi
Code: https://github.com/AgaMiko/GEBI/blob/master/notebooks/GEBI.ipynb
Paper: https://arxiv.org/abs/2005.02269v1
293 396
Beneath the Tip of the Iceberg: Current Challenges and New Directions in Sentiment Analysis Research
Awesome Sentiment Analysis papers: https://github.com/declare-lab/awesome-sentiment-analysis
Paper: https://arxiv.org/abs/2005.00357v1
293 396
На бесплатном уроке рассмотрим класс MPP-баз на примере базы Greenplum и построим небольшое хранилища данных на основе этой базы. На занятии:
- обсудим, что такое аналитические базы и для чего они нужны
- рассмотрим, чем DWH отличается от просто большой базы
- узнаем, что такое Greenplum
- построим несколько слоев обработки данных с использованием Greenplum
Пройдите вступительный тест и записывайтесь по ссылке: https://otus.pw/LXDj/
Успейте присоединиться к группе пока действует максимальная скидка!
293 396
The Best Deep Learning Papers from the ICLR 2020 Conference
https://neptune.ai/blog/iclr-2020-deep-learning
293 396
Будущее рядом — освой профессию Data Scientist
Раньше мы с огромным интересом смотрели фильмы про искусственный интеллект и гадали, как же это пришло в голову сценаристам и режиссёрам, ведь так не бывает. Зачастую в этих увлекательных блокбастерах человек становился не нужен — роль «главной скрипки» приходилась именно носителю искусственного интеллекта. В кинематографе это были и роботы, и специальные компьютеры либо устройства, похожие на пылесос (кстати, последние очень даже неплохо убирают).
Но в реалиях настоящей жизни искусственный интеллект — это не фантазии американских сценаристов-выдумщиков. Это реальность, которая стремительно врывается в нашу жизнь. Но с одной поправкой. Незаменимый помощник Data Scientist — специалист по машинному обучению, который выбирает архитектуру и обучающие алгоритмы, для работы с этими данными.
И у тебя как раз есть шанс стать тем самым незаменимым специалистом благодаря курсу от Skillbox «Профессия Data Scientist».
На курсе тебе предстоит научиться очень многим интересным вещам: от программирования на Python и визуализации данных до программирования на R и применения нейронных сетей для решения реальных задач.
Skillbox даёт возможность сначала уделить время обучению, а заботы с оплатой можно отложить на полгода. Также доступна рассрочка — и никакой переплаты по процентам!
После прохождения курса не стоит переживать о том, где найти работу. Эти заботы берут на себя опытные HR-специалисты.
Открой мир будущего — переходи по ссылке ▶ https://clc.to/oBAY5g и бронируй место на курсе со скидкой 40%.
293 396
An Implementation of ERNIE For Language Understanding (including Pre-training models and Fine-tuning tools)
ERNIE 2.0 is a continual pre-training framework for language understanding in which pre-training tasks can be incrementally built and learned through multi-task learning.
ERNIE 2.0 from Baidu: https://github.com/PaddlePaddle/ERNIE
Dataset: https://gluebenchmark.com/tasks
Understanding Language using XLNet with autoregressive pre-training
https://medium.com/@zxiao2015/understanding-language-using-xlnet-with-autoregressive-pre-training-9c86e5bea443
293 396
Why We Need DevOps for ML Data
https://tecton.ai/blog/devops-ml-data/
Хабр: https://habr.com/ru/company/itsumma/blog/500272/
293 396
NUBIA (NeUral Based Interchangeability Assessor) is a new SoTA evaluation metric for text generation
Methodology to build automatic evaluation metrics for text generation using only machine learning models as core components
https://wl-research.github.io/blog/
Github: https://github.com/wl-research/nubia
Paper: https://arxiv.org/abs/2004.14667v1
Colab: https://colab.research.google.com/drive/1_K8pOB8fRRnkBPwlcmvUNHgCr4ur8rFg
