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
293 301
🔥Multi-Channel Attention Selection GANs for Guided Image-to-Image Translation
SelectionGAN for guided image-to-image translation, where we translate an input image into another while respecting an external semantic guidance
Code: : https://github.com/Ha0Tang/SelectionGAN
Paper: https://arxiv.org/abs/2002.01048v1
@ai_machinelearning_big_data
293 301
Agile Machine Learning: Effective Machine Learning Inspired by the Agile Manifesto (2019)
@datascienceiot
293 301
Using ‘radioactive data’ to detect if a data set was used for training
https://ai.facebook.com/blog/using-radioactive-data-to-detect-if-a-data-set-was-used-for-training/
Paper: https://arxiv.org/abs/2002.00937
293 301
«Карьера в Data Science» звучит как полёт на луну — вроде реально, но есть вопросы. И хорошо, что есть: значит, есть в чём разбираться.
Разбираться предлагаем 9 февраля в Кампусе Нетологии, на митапе по Data Science. Полезно будет всем: начинающим — ответы на вопросы о карьере и розыгрыш бесплатного обучения в Нетологии. Практикующим аналитикам — нетворкинг и лайфхаки от экспертов отрасли.
Стартуем 9 февраля очно и онлайн. Регистрируйтесь ↓
http://netolo.gy/fg8
293 301
Torch-Struct: Deep Structured Prediction Library
Code: https://github.com/harvardnlp/pytorch-struct
Paper: https://arxiv.org/abs/2002.00876v1
Fast, general, and tested differentiable structured prediction in PyTorch: http://nlp.seas.harvard.edu/pytorch-struct/
293 301
How to Configure XGBoost for Imbalanced Classification
https://machinelearningmastery.com/xgboost-for-imbalanced-classification/
293 301
Filter Sketch for Network Pruning
Framework of FilterSketch. The top displays the second-order covariance of the pre-trained CNN
Code: https://github.com/lmbxmu/FilterSketch
Paper: https://arxiv.org/abs/2001.08514v1
293 301
Project DeepSpeech
A TensorFlow implementation of Baidu's DeepSpeech architecture
Code: https://github.com/mozilla/DeepSpeech
Tensorflow & Pytorch: https://github.com/DemisEom/SpecAugment
SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition:
https://arxiv.org/pdf/1904.08779.pdf
293 301
Open Source Differentiable Computer Vision Library for PyTorch
https://kornia.org
Code: https://github.com/kornia/kornia
Paper: https://arxiv.org/abs/1910.02190v2
293 301
📚Fresh book by Nassim Taleb
Statistical Consequences of Fat Tails: Real World Preasymptotics, Epistemology, and Applications
https://arxiv.org/abs/2001.10488
@ai_machinelearning_big_data
293 301
TVR: A Large-Scale Dataset for Video-Subtitle Moment Retrieval
Github: https://github.com/jayleicn/TVRetrieval
PyTorch implementation of MultiModal Transformer (MMT), a method for multimodal (video + subtitle) captioning: https://github.com/jayleicn/TVCaption
Paper: https://arxiv.org/abs/2001.09099v1
293 301
Uplift modeling tutorial
https://habr.com/ru/company/ru_mts/blog/485980/
Code example: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/RetailHero.ipynb
293 301
f-BRS: Rethinking Backpropagating Refinement for Interactive Segmentation
Code: https://github.com/saic-vul/fbrs_interactive_segmentation
Paper: https://arxiv.org/abs/2001.10331
293 301
Hyperparameter tuning with Keras Tuner
https://blog.tensorflow.org/2020/01/hyperparameter-tuning-with-keras-tuner.html
Github: https://github.com/keras-team/keras-tuner
Distributed Tuning: https://keras-team.github.io/keras-tuner/tutorials/distributed-tuning/
293 301
Multi-task self-supervised learning for Robust Speech Recognition
A PASE model can be used as a speech feature extractor or to pre-train an encoder for our desired end-task
Code: https://github.com/santi-pdp/pase
Paper: https://arxiv.org/abs/2001.09239v1
@ai_machinelearning_big_data
293 301
Знаете, каким образом ваш голосовой помощник распознает речь, как банк защищает ваш аккаунт от мошенников и как интернет-магазин определяет товар для рекомендации?
Эти задачи решает Data Scientist. Не удивительно, что сегодня это прорывная профессия с ЗП от 130 000 руб./мес
Звучит интересно, но сложно? На специализации Data Science в школе-данных SkillFactory вы сможете онлайн освоить профессию за 12 месяцев. Будет непросто, да, но интересно и супер-перспективно.
На курсе вас ждут 20% теории и 80% практики на реальных данных: Python, машинное обучение, нейросети и deep learning, Big Data и Data engineering, математика и статистика для Data Sciencе + модуль менеджмента.
Уже к концу обучения вы сможете продемонстрировать работодателям Git-репозиторий с вашими готовыми кейсами!
Узнайте подробности: https://clc.to/e9kMjg
⚡️Киберпонедельник уже здесь! Cкидка на курсы до 40% ー не упустите шанс!
293 301
Channel Pruning via Automatic Structure Search
Code: https://github.com/lmbxmu/ABCPruner
Paper: https://arxiv.org/abs/2001.08565
293 301
Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation
http://vllab.ucmerced.edu/ym41608/projects/CrossDomainFewShot/
Code and data: https://github.com/hytseng0509/CrossDomainFewShot
Paper: https://arxiv.org/abs/2001.08735
293 301
FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence
Code: https://github.com/google-research/fixmatch
Paper: https://arxiv.org/abs/2001.07685
