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
275 985
▶️ Deepminds's Perceiver: General Perception with Iterative Attention
General architecture that works on many kinds of data
https://deepmind.com/blog/article/building-architectures-that-can-handle-the-worlds-data
Github: https://github.com/deepmind/deepmind-research/tree/master/perceiver
Colab: https://colab.research.google.com/github/deepmind/deepmind_research/blob/master/perceiver/colabs/masked_language_modelling.ipynb
Paper: https://arxiv.org/abs/2103.03206
@ai_machinelearning_big_data
275 985
Создайте систему биометрии — попробуйте себя в роли дата-сайентиста!
На бесплатном воркшопе от онлайн-магистратуры МГУ «Искусственный интеллект и цифровые технологии» вы узнаете:
▪️Как построить систему распознавания лиц с помощью Python
▪️Как выполнять тестовые задания и проходить собеседования
▪️Как эффективно изучать Data Science
Подключайтесь на онлайн-трансляцию 5 августа в 19:00 по МСК
Регистрируйтесь сейчас, чтобы не пропустить воркшоп:
https://u.to/w66BGw
275 985
🥑 DALL·E Mini
Generate images from a text prompt
Demo: https://huggingface.co/spaces/flax-community/dalle-mini
Github: https://github.com/borisdayma/dalle-mini
Paper: https://wandb.ai/dalle-mini/dalle-mini/reports/DALL-E-mini--Vmlldzo4NjIxODA
@ai_machinelearning_big_data
275 985
📡 StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
Github: https://github.com/rinongal/StyleGAN-nada
Paper: https://arxiv.org/abs/2108.00946v1
Project: https://stylegan-nada.github.io/
Dataset: https://paperswithcode.com/dataset/lsun
@ai_machinelearning_big_data
275 985
🗣 Pretrained Language Model
AutoTinyBERT: Automatic Hyper-parameter Optimization for Efficient Pre-trained Language Models
Github: https://github.com/huawei-noah/Pretrained-Language-Model
Paper: https://arxiv.org/abs/2107.13686v1
AutoTinyBERT: https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/AutoTinyBERT
@ai_machinelearning_big_data
275 985
🤖 Droidlet: modular, heterogenous, multi-modal agents
Github: https://github.com/facebookresearch/droidlet
Paper: https://arxiv.org/abs/2101.10384
Article: https://t.me/machinelearning_ru/279
@ai_machinelearning_big_data
275 985
🌠 Deepmind's Generally capable agents emerge from open-ended play
Blog : https://deepmind.com/blog/article/generally-capable-agents-emerge-from-open-ended-play
Paper: https://deepmind.com/research/publications/open-ended-learning-leads-to-generally-capable-agents
DeepMind Research: https://github.com/deepmind/deepmind-research
Video: https://www.youtube.com/watch?v=lTmL7jwFfdw&ab_channel=DeepMind
@ai_machinelearning_big_data
275 985
👁 Contextual Transformer Networks for Visual Recognition.
Github: https://github.com/JDAI-CV/CoTNet
Paper: https://arxiv.org/abs/2107.12292v1
Chalange: https://eval.ai/web/challenges/challenge-page/1041/leaderboard/2695
@ai_machinelearning_big_data
275 985
🖊 Introducing Triton: Open-Source GPU Programming for Neural Networks
https://openai.com/blog/triton/
Github: https://github.com/openai/triton
Documents: https://triton-lang.org/
@ai_machinelearning_big_data
275 985
📂 RLQP: Accelerating Quadratic Optimization with RL
Github: https://github.com/berkeleyautomation/rlqp
Paper: https://arxiv.org/abs/2107.10833v1
@ai_machinelearning_big_data
275 985
AAVAE: Augmentation-Augmented Variational Autoencoders
Github: https://github.com/gridai-labs/aavae
Paper: https://arxiv.org/abs/2107.12329v1
Dataset: https://paperswithcode.com/dataset/cifar-10
@ai_machinelearning_big_data
275 985
🔎 Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data
Github: https://github.com/xinntao/Real-ESRGAN
Paper: https://arxiv.org/abs/2107.10833v1
How to Train Real-ESRGAN: https://github.com/xinntao/Real-ESRGAN/blob/master/Training.md
Colab Demo: https://colab.research.google.com/drive/1sVsoBd9AjckIXThgtZhGrHRfFI6UUYOo
@ai_machinelearning_big_data
275 985
https://t.me/Golang_google - golang channel
https://t.me/javascriptv - javascript tutorials
https://t.me/memes_prog - it memes
https://t.me/pro_python_code - python ru
https://t.me/htmlcssjavas - web development
275 985
🤗 The Best SOTA NLP Course is Free!
https://huggingface.co/course/chapter1
Dataset: https://github.com/huggingface/datasets
Colab: https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/chapter1/section3.ipynb
@ai_machinelearning_big_data
275 985
Тут у Яндекса интересная новость. Компания запускает соревнование для исследователей в области машинного обучения в рамках крупнейшей конференции MLщиков в мире - NeurIPS 2021. Вместе с учеными Оксфорда и Кембриджа предлагают участникам посоревноваться в разработке алгоритмов и их обучении для погоды, машинного перевода текстов и предсказания поведения участников автомобильного движения. Основной задачей будет проверить эффективность этих алгоритмов при сдвиге данных.
Для соревнования Яндекс открыл доступ к собственному датасету, который считается самым большим в мире по беспилотным автомобилям. Еще поделятся реальными данными Я.Погоды и Я.Переводчика. Это данные из сервисов, которые много лет работают в реальном мире, используются в различных сценариях, и уже проходили испытание сдвигом данных.
Полученные решения можно будет применять в разных отраслях, которые сталкиваются со сдвигом данных. Крутая инициатива!
https://research.yandex.com/shifts
275 985
ИТ-компания Selectel приглашает на вебинар «Искусственный интеллект и Machine learning»
После вебинара вы сможете:
💥 наладить прозрачный R&D-процесс в командах
💥 получить нужный результат даже при низкой квалификации кадров
💥 провести оценку эффективности работы исследователей
Дата: 29 июля, четверг, 16:00 МСК
Спикеры: Алексей Гончаров, CEO в Machine Intelligence Laboratory, и Антон Чунаев, менеджер ML-продуктов в @selectelnews.
Подробности и регистрация по ссылке:
🚀 https://slc.tl/RaS56
275 985
🌀 CycleMLP: A MLP-like Architecture for Dense Prediction
Github: https://github.com/ShoufaChen/CycleMLP
Paper: https://arxiv.org/abs/2107.10224
Dataset: https://paperswithcode.com/dataset/imagenet
@ai_machinelearning_big_data
275 985
Хотите освоить продвинутые приемы Машинного обучения?
Тогда без знаний, которые даст вам онлайн-курс «Machine Learning. Advanced», не обойтись.
📍Справитесь ли вы с уровнем курса? Покажет вступительный тест.
Пройдите тестирование, чтобы:
● оценить свои навыки
● занять место на курсе по специальной цене
● получить доступ к демо-урокам курса
👉🏻Пройти тестирование: https://otus.pw/U0aY/
275 985
🔝 Deepmind's WikiGraphs: A Wikipedia Text - Knowledge Graph Paired Dataset
This package provides tools to download the WikiGraphs dataset
Github: https://github.com/deepmind/deepmind-research/tree/master/wikigraphs
Paper: https://arxiv.org/abs/2107.09556v1
Dataset: https://paperswithcode.com/dataset/wikigraphs
@ai_machinelearning_big_data
275 985
🐍 PyTorch Fundamentals Free Microsoft Course
https://docs.microsoft.com/en-us/learn/paths/pytorch-fundamentals/
Ru: https://docs.microsoft.com/ru-ru/learn/paths/pytorch-fundamentals/
Github: https://github.com/pytorch/tutorials
@ai_machinelearning_big_data
