ru
Feedback
Machinelearning

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 292 839 подписчиков, занимая 328 место в категории Технологии и приложения и 1 282 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 292 839 подписчиков.

Согласно последним данным от 06 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -6 314, а за последние 24 часа — -187, при этом общий охват остаётся высоким.

  • Статус верификации: Не верифицирован
  • Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.37%. В первые 24 часа после публикации контент обычно набирает 5.45% реакций от общего числа подписчиков.
  • Охват публикаций: В среднем каждый пост получает 21 579 просмотров. В течение первых суток публикация набирает 15 979 просмотров.
  • Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 159.
  • 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 07 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.

292 839
Подписчики
-18724 часа
-1 3257 дней
-6 31430 день
Архив постов
Задача по #DataScience от QIWI. Наверняка вы знаете, что такое Терминалы QIWI. Они позволяют совершить оплату в пользу более чем двух тысяч провайдеров. Сейчас пользователи мало платят через терминалы, не знают или не помнят, что их услугу можно оплатить на терминале. QIWI ищет команду, которая сможет доработать (уже реализованный) механизм, рекомендующий плательщику дополнительный платёж. Нужно научиться определять наиболее уместных провайдеров для данного терминала, исходя из его локации и частоты оплачиваемых провайдеров. На реализацию QIWI выделяет 3 млн.рублей и 5 месяцев. Задача подробно описана на сайте (видео + текст) — universe.qiwi.com Заявки от команд до 19 мая. Вопросы все можно задать в @QU_product_hub

How to Develop a Deep Convolutional Neural Network From Scratch for Fashion MNIST Clothing Classification https://machinelearningmastery.com/how-to-develop-a-cnn-from-scratch-for-fashion-mnist-clothing-classification/

Digging Into Self-Supervised Monocular Depth Estimation Article.: https://arxiv.org/abs/1806.01260 Github: https://github.com/nianticlabs/monodepth2

Announcing Open Images V5 and the ICCV 2019 Open Images Challenge http://ai.googleblog.com/2019/05/announcing-open-images-v5-and-iccv-2019.html

Искусственный интеллект на примере простой игры. Часть 2 https://habr.com/ru/post/451070/

How to Develop a Convolutional Neural Network From Scratch for MNIST Handwritten Digit Classification https://machinelearningmastery.com/blog/

Огромный открытый датасет русской речи https://habr.com/ru/post/450760/

How to Visualize Filters and Feature Maps in Convolutional Neural Networks https://machinelearningmastery.com/how-to-visualize-filters-and-feature-maps-in-convolutional-neural-networks/

Billion-scale semi-supervised learning for image classification" Weakly-supervised pre-training + semi-supervised pre-training + distillation + transfer/fine-tuning =81.2% twith ResNet-50, 84.8% with ResNeXt-101-32x16, top-1 accuracy on ImageNet. article: https://arxiv.org/abs/1905.00546 announce : https://www.facebook.com/i.zeki.yalniz/posts/10157311492509962

Best Practices for Preparing and Augmenting Image Data for Convolutional Neural Networks https://machinelearningmastery.com/best-practices-for-preparing-and-augmenting-image-data-for-convolutional-neural-networks/

Announcing Google-Landmarks-v2: An Improved Dataset for Landmark Recognition & Retrieval http://ai.googleblog.com/2019/05/announcing-google-landmarks-v2-improved.html

BoTorch is a library for Bayesian Optimization built on PyTorch. Facebook open-sources Ax and BoTorch to simplify AI model optimization github: https://github.com/pytorch/botorch description: https://techcrunch.com/2019/05/01/facebook-open-sources-ax-and-botorch-to-simplify-ai-model-optimization/

Real-Time Patch-Based Stylization of Portraits Using Generative Adversarial Network http://dcgi.fel.cvut.cz/home/sykorad/facestyleGAN.html

Пошаговое руководство по созданию голосового помощника с Python https://habr.com/ru/post/450224/

A Gentle Introduction to the ImageNet Large Scale Visual Recognition Challenge (ILSVRC) https://machinelearningmastery.com/introduction-to-the-imagenet-large-scale-visual-recognition-challenge-ilsvrc/