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
293 298
🚀 Google just published 25 million free datasets
https://towardsdatascience.com/google-just-published-25-million-free-datasets-d83940e24284
Datasetsearch: https://datasetsearch.research.google.com
@ai_machinelearning_big_data
293 298
GL2vec: Graph Embedding Enriched by Line Graphs with Edge Features
Code: https://github.com/benedekrozemberczki/karateclub
Paper: https://link.springer.com/chapter/10.1007/978-3-030-36718-3_1
https://karateclub.readthedocs.io
293 298
🧠 Releasing the Drosophila Hemibrain Connectome — The Largest Synapse-Resolution Map of Brain Connectivity
http://ai.googleblog.com/2020/01/releasing-drosophila-hemibrain.html
293 298
Идет набор в новую группу профессионального онлайн-курса «Data Engineer». Если слова Hadoop, MapReduce, Spark (и не только!) для вас не пустой звук – это ваш курс.
📌Изучайте программу и минимальные требования к поступающим, проходите вступительное тестирование и присоединяйтесь с welcome-скидкой: https://otus.pw/MMn1/
Что даст вам этот курс:
📌 знание ключевых способов хранения и методов обработки больших объемов данных, а также стоимости их внедрения;
📌 умение работать с распределенными система в контексте Hadoop экосистемы;
📌практические навыки разработки приложений с использованием программной модели MapReduce ;
📌опыт использования распределенной файловой системы (HDFS).
Делиться с вами своей экспертизой будут преподаватели и наставники курса, среди которых Егор Матешук (Senior Data Engineer) и Артемий Козырь (Data Engineer).
Приходите учиться на боевых задачах у настоящих профессионалов.
293 298
AI Habitat state-of-the-art simulation platform adds object interactivity
A major update to Facebook AI’s open source AI Habitat platform , which enables significantly faster training of embodied AI agents in a variety of photorealistic 3D virtual environments.
https://ai.facebook.com/blog/ai-habitat-state-of-the-art-simulation-platform-adds-object-interactivity/
Github: https://github.com/facebookresearch/habitat-sim/
https://github.com/facebookresearch/habitat-api
Paper: Are We Making Real Progress in Simulated Environments? Measuring the Sim2Real Gap in Embodied Visual Navigation
https://arxiv.org/abs/1912.06321
293 298
Plato Dialogue System: A Flexible Conversational AI Research Platform
Code: https://github.com/uber-research/plato-research-dialogue-system
Introducing the Plato Research : https://eng.uber.com/plato-research-dialogue-system/
Paper: https://arxiv.org/abs/2001.06463v1
293 298
Big data, machine learning, cloud cloud, smoothie meetup, agile, coworking
https://t.me/mlbigdata
293 298
Neural Arithmetic Units
Code for Neural Arithmetic Units (ICLR) and Measuring Arithmetic Extrapolation Performance (SEDL|NeurIPS):
https://github.com/AndreasMadsen/stable-nalu
Paper : https://openreview.net/forum?id=H1gNOeHKPS
@ai_machinelearning_big_data
293 298
20 января в 20:00 мск OTUS приглашает на бесплатный пробный урок онлайн-курса «Математика для Data Science» - «Методы регрессионного анализа в Data Science» для аналитиков и разработчиков: https://otus.pw/fLr0/
На вебинаре вы:
- познакомитесь с понятием линейных регрессий;
- изучите, где и как их можно применять на практике;
- узнаете, какие темы и разделы математического анализа, линейной алгебры и теории вероятностей используются в этой области.
Вебинар проведёт Пётр Лукьянченко (преподаватель ВШЭ по высшей математике с опытом более 10 лет, работал в Lamoda на должности Team Lead Analytics). Не упустите возможности задать ему все интересующие вопросы!
Чтобы узнать свой уровень и сделать выбор между Базовым и Продвинутым курсами, пройдите вступительный тест: https://otus.pw/0ZFq/
293 298
Optuna: A hyperparameter optimization framework
Optuna is an automatic hyperparameter optimization software framework, particularly designed for machine learning.
Code: https://github.com/optuna/optuna
Paper: https://arxiv.org/abs/1907.10902v1
Tutorial: https://optuna.org/
293 298
Trax — your path to advanced deep learning
Trax helps you understand and explore advanced deep learning.
https://github.com/google/trax
Paper Reformer: The Efficient Transformer: https://arxiv.org/abs/2001.04451v1
293 298
#MoscowTravelHack #DataScience #ПредиктивнаяАналитика
Задачи для DataSience-команд и аналитиков в рамках хакатона Moscow Travel Hack. Создай предиктивную модель покупки билета на основе данных о пользователе в сервисе «Мегафон Путешествия» или придумай рекомендательный сервис, который сможет построить индивидуальную программу посещения Москвы для иностранного туриста на платформе Russpass.
Эти и другие 10 задач можно найти на сайте хакатона travelhack.moscow
Призовой фонд — 1,1 млн рублей!
293 298
SMOTE Oversampling for Imbalanced Classification with Python
https://machinelearningmastery.com/smote-oversampling-for-imbalanced-classification/
293 298
Deep Image Compression using Decoder Side Information
Code: https://github.com/ayziksha/DSIN
Paper: https://arxiv.org/abs/2001.04753v1
293 298
PyTorch 1.4 released, domain libraries updated
https://pytorch.org/blog/pytorch-1-dot-4-released-and-domain-libraries-updated/
Examples using model parallel training for reinforcement learning and with an LSTM: https://github.com/pytorch/examples/tree/master/distributed/rpc
293 298
Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study
Paper: https://arxiv.org/abs/2001.03844v1
Code https://github.com/pfliu-nlp/Named-Entity-Recognition-NER-Papers
293 298
Using neural networks to solve advanced mathematics equations
https://ai.facebook.com/blog/using-neural-networks-to-solve-advanced-mathematics-equations/
293 298
Уже 17 января стартует обучение на "Deep Learning и нейронные сети", комплексном курсе по глубокому обучению на Python в SkillFactory.
Программа подойдет для тех, кто хочет в сжатые сроки получить практические навыки по программированию глубоких нейронных сетей.
Вам подойдет этот курс, если у вас есть базовое понимание машинного обучения и знание языка Python.
В рамках курса вы пройдете полный путь от аренды GPU-сервера, который подходит для Deep Learning, вплоть до создания полноценной рабочей модели для компьютерного зрения, анализа естественного языка и рекомендательных систем.
На курсе вы освоите навыки работы с основными фреймворками для Deep Learning, такими как TensorFlow, Keras и другими.
Партнер направления: NVIDIA Corporation
🎯Если и учиться, то только на практике: https://clc.to/ePFa8g
293 298
Self-supervised learning and computer vision
https://www.fast.ai//2020/01/13/self_supervised/
