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 275 988 подписчиков, занимая 336 место в категории Технологии и приложения и 1 377 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 275 988 подписчиков.
Согласно последним данным от 07 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -2 499, а за последние 24 часа — -157, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 8.01%. В первые 24 часа после публикации контент обычно набирает 6.41% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 22 107 просмотров. В течение первых суток публикация набирает 17 690 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 342.
- 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 08 ноября, 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.
275 988
Подписчики
-15724 часа
-8727 дней
-2 49930 дней
Архив постов
275 986
Data-driven организация: когда алгоритмы заменят людей?
В Data-Driven подходе все принимаемые решения основаны на big data. Что это — просто мода на использование больших данных или действительно эффективный инструмент? А может, всего лишь хайповое название привычных вещей?
Этой теме будет посвящен «Цифровой четверг» Х5.
Дата: 30 сентября 10:00, онлайн
Открытый разговор с экспертами рынка (X5 Group, Ростелеком, Яндекс.Музыка, Кинопоиск, НИУ ВШЭ, Segmento) о том, как и зачем становиться Data-Driven компанией, почему иногда кейсы работы с данными не приносят реальной пользы бизнесу и могут ли алгоритмы заменить людей?
Участие бесплатное, но необходима регистрация. Подробнее про мероприятие тоже по ссылке.
275 986
🎩 Mr. TyDi: A Multi-lingual Benchmark for Dense Retrieval
Mr. TyDi is a multi-lingual benchmark dataset built on TyDi, covering eleven typologically diverse languages.
Github: https://github.com/castorini/mr.tydi
Paper: https://arxiv.org/abs/2108.08787
Tasks: https://paperswithcode.com/task/representation-learning
@ai_machinelearning_big_data
275 986
🔍 TOOD: Task-aligned One-stage Object Detection
Github: https://github.com/fcjian/TOOD
Paper: https://arxiv.org/abs/2108.07755v2
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
275 986
🔍 TOOD: Task-aligned One-stage Object Detection
Github: https://github.com/dvlab-research/panopticfcn
Paper: https://arxiv.org/abs/2108.07755v2
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
275 986
✔️ Fully Convolutional Networks for Panoptic Segmentation
Github: https://github.com/dvlab-research/panopticfcn
Paper: https://arxiv.org/pdf/2012.00720.pdf
Methods: https://paperswithcode.com/method/fcn
@ai_machinelearning_big_data
275 986
💡 X-modaler: A Versatile and High-performance Codebase for Cross-modal Analytics
Github: https://github.com/yehli/xmodaler
Paper: https://arxiv.org/abs/2108.08217v1
Project: https://xmodaler.readthedocs.io/en/latest/
@ai_machinelearning_big_data
275 986
👁 MMOCR: A Comprehensive Toolbox for Text Detection, Recognition and Understanding
MMOCR is an open-source toolbox based on PyTorch and mmdetection for text detection, text recognition
Github: https://github.com/open-mmlab/mmocr
Paper: https://arxiv.org/abs/2108.06543v1
Documentation: https://mmocr.readthedocs.io/en/latest/
@ai_machinelearning_big_data
275 986
⏺ Towards Interpretable Deep Metric Learning with Structural Matching
Github: https://github.com/wl-zhao/diml
Paper: https://arxiv.org/abs/2108.05889v1
RevisitDML: https://github.com/wl-zhao/diml
@ai_machinelearning_big_data
275 986
Oriented R-CNN for Object Detection
Github: https://github.com/jbwang1997/OBBDetection
BboxToolkit: https://github.com/jbwang1997/BboxToolkit
Paper: https://arxiv.org/abs/2104.11227
@ai_machinelearning_big_data
275 986
🖊 Как внедряются элементы машинного обучения в службу поддержки: об этом рассказал Яндекс Go в новой статье на VC.
Внутри можно узнать, каких результатов добилась компания и какие задачи решила благодаря SupportAI:
VC: https://vc.ru/yandex.go/280385-yandeks-uluchshil-kachestvo-pismennoy-podderzhki-polzovateley-i-sokratil-rashody-bolee-chem-na-45
@ai_machinelearning_big_data
275 986
Multiscale Vision Transformers: A hierarchical architecture for representing image and video information
Facebook blog: https://ai.facebook.com/blog/multiscale-vision-transformers-an-architecture-for-modeling-visual-data/
Code: https://github.com/facebookresearch/SlowFast
Pytorch video: https://github.com/facebookresearch/pytorchvideo
Paper: https://arxiv.org/abs/2104.11227
@ai_machinelearning_big_data
275 986
ESPnet: end-to-end speech processing toolkit
Github: https://github.com/espnet/espnet
Paper: https://arxiv.org/abs/2107.09011v2
Notebook: https://github.com/espnet/notebook
@ai_machinelearning_big_data
275 986
⚪ SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation (SIGGRAPH 2021)
Github: https://github.com/liruihui/sp-gan
Paper: https://arxiv.org/abs/2108.04476v1
Project: https://liruihui.github.io/publication/SP-GAN/
@ai_machinelearning_big_data
275 986
🧹 Overview of data cleaning methods
https://habr.com/ru/company/ru_mts/blog/571606/
@ai_machinelearning_big_data
275 986
🎨 Paint Transformer: Feed Forward Neural Painting with Stroke Prediction
Github: https://github.com/huage001/painttransformer
Paper: https://arxiv.org/abs/2108.03798
Paddle Implementation: https://github.com/PaddlePaddle/PaddleGAN
@ai_machinelearning_big_data
275 986
🔍 Contrastive Sensor Fusion
Github: https://github.com/descarteslabs/contrastive_sensor_fusion
Paper: https://arxiv.org/abs/2108.05094v1
@ai_machinelearning_big_data
275 986
📹 Internal Video Inpainting by Implicit Long-range Propagation
Github: https://github.com/Tengfei-Wang/Implicit-Internal-Video-Inpainting
Paper: https://arxiv.org/abs/2108.01912v1
4k Data: https://github.com/Tengfei-Wang/Annotated-4K-Videos
Dataset: https://paperswithcode.com/dataset/videoremoval4k
@ai_machinelearning_big_data
275 986
👁 Improving Contrastive Learning by Visualizing Feature Transformation
Github: https://github.com/DTennant/CL-Visualizing-Feature-Transformation
Paper: https://arxiv.org/abs/2108.02982
@ai_machinelearning_big_data
275 986
📸 Physics-based Noise Modeling for Extreme Low-light Photography
Github: https://github.com/Vandermode/ELD
Paper: https://arxiv.org/abs/2108.02158v1
Dataset: https://drive.google.com/drive/folders/1CT2Ny9W9ArdSQaHNxC5hGwav9lZHoqJa?usp=sharing
@ai_machinelearning_big_data
275 986
How to automate Hadoop administration without excruciating pain
https://habr.com/ru/company/ru_mts/blog/569762/
@ai_machinelearning_big_data
