Machinelearning
Відкрити 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
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Machinelearning
Канал Machinelearning (@ai_machinelearning_big_data) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 276 963 підписників, посідаючи 334 місце в категорії Технології та додатки та 1 378 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 276 963 підписників.
За останніми даними від 30 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -1 631, а за останні 24 години на -101, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.29%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.17% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 22 965 переглядів. Протягом першої доби публікація в середньому набирає 17 086 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 362.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як openai, claude, api, gemini, контекст.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“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”
Завдяки високій частоті оновлень (останні дані отримано 31 жовтня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
276 963
Підписники
-10124 години
-5977 днів
-1 63130 днів
Архів дописів
276 928
+1📚 Large (Language) Models and Foundation Models (LLM, LM, FM) for Time Series and Spatio-Temporal Data
Профессионально курируемый список больших языковых моделей и базовых моделей (
LLM, LM, FM) для темпоральных данных (временных рядов, пространственно-временных и событийных данных) с полезными ресурсами (статьи, код, датасеты и т.д.), целью которого является всестороннее обобщение последних достижений в этой области.
В Проекте собрана информацию о докладах, учебниках и обзорах по ИИ для временных рядов (AI4TS)с ведущих конференций и в журналов по ИИ.
🖥 Github: https://github.com/qingsongedu/awesome-timeseries-spatiotemporal-lm-llm
📝 AI4TS: https://github.com/qingsongedu/awesome-AI-for-time-series-papers
📕 Paper: https://arxiv.org/abs/2310.10196v1
ai_machinelearning_big_data276 928
💪 Что такое Байесовское А/B-тестирование и как его провести?
Подробно обсудим 19 октября в 20:00 мск на открытом уроке в OTUS. Занятие приурочено к старту онлайн-курса «Machine Learning. Advanced».
🔹 На вебинаре мы разберем, какие преимущества дают Байесовские A/B тесты по сравнению с обычными, как проводить Байесовские A/B тесты и как работать с Байесовскми моделями в PyMC3.
📌 Результаты урока:
Познакомитесь с основами A/B тестирования и получите новый, простой и эффективный инструмент для A/B тестирования
👉 РЕГИСТРАЦИЯ
https://otus.pw/JmBM/
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8KUFd5
276 928
+2🖕 Voyager: An Open-Ended Embodied Agent with Large Language Models
Voyager consists of three key components: an automatic curriculum for open-ended exploration, a skill library for increasingly complex behaviors, and an iterative prompting mechanism that uses code as action space.
Voyager - агент пожизненного обучения, который играет в Minecraft и непрерывно совершенствуется. Voyager постоянно улучшается, генерируя, изменяя и переписывая собственный код .
GPT-4 открывает новую парадигму: "обучение" - это генерация и выполнение кода, а не градиентный спуск. "Обучаемая модель" - это кодовая база навыков, которую Voyager итеративно составляет, а не матрицы плавающих чисел. Это безградиентная архитектуру.
Voyager быстро становится опытным исследователем. В Minecraft он получает в
3,3 раза больше уникальных предметов, преодолевает в 2,3 раза больше расстояний и открывает ключевые этапы технологического дерева на 15,3 раза быстрее, чем предыдущие методы.
В Minecraft Voyager способен принимать решения путем моделирования мира. Пример:
"очков голода осталось немного"
-> если я не получу еду в ближайшее время, то умру
-> я вижу поблизости кошку, свинью и деревенского жителя.
-> на кого из них я должен охотиться?
-> на свинью, потому что убийство двух других не даст мне еды, даже если я добьюсь успеха
-> проверить инвентарь, нет хорошего оружия
-> [пойти сделать каменный меч]
-> свинья убежала
-> [начать охоту на овец]".
Этот способ мышления предполагает постоянные рассуждения и активное вмешательство в текущее состояние агента и мира. Voyager предвидит, что ему нужно, мысленно моделируя будущее, и соответственно планирует это "воображаемое будущее". Он проводит обширную разведку и приобретает новые навыки по пути с помощью механизма библиотеки навыков. Агент совершает ошибки, но корректирует ход действий.
🖥 Github: https://github.com/MineDojo/Voyager
📕 Paper: https://arxiv.org/abs/2305.16291
⭐️ Project: https://voyager.minedojo.org/
ai_machinelearning_big_data276 928
Человек на 60% состоит из воды, а Тинькофф на 100% из масштабных ИТ-задач и ежедневных вызовов
Если ты опытный ИТ-спец, этот вызов для тебя. А решение бытовых забот берем на себя: от ультра расширенной медстраховки и юридической поддержки до компенсации питания, спорта и дополнительного обучения.
Выбрать вакансию и стать частью ИТ-команды можно тут:
https://w.tinkoff.ru/it.career
АО «Тинькофф Банк», ИНН 7710140679
276 928
+1✅ Pixel Codec Avatars
В 2021 году была выпущена статья под названием Pixel Codec Avatars (PiCA). Ее значимость стала понятна, когда Lex Fridman выпустил свой подкаст в метаверсе.
PiCA - это фактически формат MP4 для VR. Совершенно новый протокол для потокового 3D-вещания.
Интуиция метода такова:
- Сначала энкодер сжимает изображение, полученное с помощью лицевой камеры VR, в латентный код. Этот код фиксирует тонкую мимику и все нюансы лица, которые придают интервью Лекса гиперреалистичность.
- Латентный код передается через Интернет - это гораздо эффективнее, чем пересылка 3D-сетки или изображений.
- Декодер выполняет две задачи:
(1) Реконструирует глобальную 3D-геометрию лица и выражения в реальном времени.
(2) Перерисовывает цвет каждого пикселя с учетом определенного угла обзора.
PiCA НЕ перерисовывает пиксели, которые находятся в окклюзии, т.е. затылки Лекса и Марка фактически не существуют. Интригующая связь с гипотезой симуляции: мир не существует, пока вы активно на него не смотрите.
📕 Paper: https://arxiv.org/abs/2104.04638
☑️ Video: https://www.youtube.com/watch?v=MVYrJJNdrEg
ai_machinelearning_big_data
276 928
🔥 Burn - A Flexible and Comprehensive Deep Learning Framework in Rust
Новый фреймворк глубокого обучения, построенный полностью на Rust, который призван обеспечить баланс между гибкостью, производительностью и простотой использования для исследователей, инженеров ML и разработчиков.
cargo new new_burn_app
🖥 Github: https://github.com/burn-rs/burn
📕 Burn Book: https://burn-rs.github.io/book/
⭐️ Guide: https://www.kdnuggets.com/rust-burn-library-for-deep-learning
ai_machinelearning_big_data276 928
✨ ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with Diffusion Models
Новый инструмент для генерации изображений по предварительно обученным диффузионным моделям с разрешением, значительно превышающим размеры обучающих изображений.
🖥 Github: https://github.com/yingqinghe/scalecrafter
📕 Paper: https://arxiv.org/abs/2310.07702v1
⭐️ Project: https://yingqinghe.github.io/scalecrafter/
ai_machinelearning_big_data
276 928
Яндекс продолжает приём заявок на Yandex ML Prize — премию для учёных и преподавателей в области Machine Learning
Принять участие могут исследователи, научные руководители и преподаватели в области машинного обучения.
Премия вручается за исследования в следующих направлениях:
— компьютерное зрение,
— обработка естественного языка и машинный перевод,
— распознавание и синтез речи,
— информационный поиск и анализ данных,
— генеративные модели.
География премии охватывает 11 стран. Подать заявку на соискание премии могут исследователи и преподаватели из России, Азербайджана, Армении, Беларуси, Казахстана, Кыргызстана, Молдовы, Таджикистана, Туркменистана, Узбекистана и Сербии.
Лауреаты Yandex ML Prize получат денежные призы от 500 тысяч до 1 млн рублей, гранты от Yandex Cloud для использования сервиса в своих исследованиях, а также подписки на Яндекс 360 и Плюс Мульти.
Больше информации по ссылке.
Реклама. ООО «Яндекс»
276 928
⚡️ Приглашаем на ML Party — неформальный митап для экспертов в области машинного обучения, который впервые пройдёт в Белграде!
Обсудим последние тренды, новые подходы и вызовы индустрии:
🔘 Фёдор Лебедь, разработчик отдела NLP группы YandexGPT Alignment, Яндекс Поиск. Расскажет, как методы обучения с подкреплением позволяют повысить полезность, безопасность и правдивость генеративных моделей
🔘 Максим Мачула, руководитель службы качества контента в Поиске по товарам, Яндекс. Объяснит, как мы группируем предложения магазинов в карточки товаров и при чём тут HNSW и CatBoost
🔘 Алексей Березникер, руководитель команды генерации рекламы, Яндекс. Поделится историей о проекте на стыке ML-технологий и ecom-продукта и расскажет про нейросетевую генерацию объявлений
После будет нетворкинг с приятной музыкой, едой, напитками и дружеской атмосферой.
Встреча пройдёт 25 октября в Белграде, будет онлайн-трансляция.
📤 Зарегистрироваться можно здесь
До встречи!
Реклама. ООО "Яндекс". erid:2Vtzqx6dm1N
276 928
🧠 LightZero: A Unified Benchmark for Monte Carlo Tree Search in General Sequential Decision Scenarios
Метод комбинирования древовидного поиска Монте-Карло и глубокого обучения с подкреплением, представленный
AlphaZero и MuZero, позволил достичь сверхчеловеческого уровня в различных играх, таких как Go и Atari, а также добиться заметного прогресса в научных областях, таких как предсказание структуры белков, поиск алгоритмов перемножения матриц и т.д.
🖥 Github: https://github.com/opendilab/LightZero
📕 Paper: https://arxiv.org/abs/2310.08348v1
⭐️ Tasks: https://paperswithcode.com/task/atari-games
ai_machinelearning_big_data276 928
2VtzqumwymE
@Insaider_X5
Реклама: ООО «Корпоративный центр ИКС 5». ИНН:7728632689 erid:2VtzqumwymE
276 928
✅ Mini-DALLE3: Interactive Text to Image by Prompting Large Language Models
Модель Mini-DALLE3: Интерактивное преобразование текста в изображение с помощью больших языковых моделей.
🖥 Github: https://github.com/Zeqiang-Lai/Mini-DALLE3
📕 Paper: https://arxiv.org/abs/2310.07653v1
⭐️ Dataset: https://paperswithcode.com/dataset/mmlu
ai_machinelearning_big_data
276 928
🔥Международное AI соревнование — AI Journey Contest 2023 в самом разгаре!
Продемонстрируй свои навыки, ведь на кону ценный опыт, признание от экспертов и впечатляющий призовой фонд в размере более 11 миллионов рублей!
Задачи конкурса в этом году – настоящий вызов: от создания мультимодальных диалоговых систем до распознавания русского жестового языка на основе видео. Предстоит не только показать свои технические навыки, но и проявить креативность.
Успей отправить своё решение до 7 ноября, участвовать может каждый старше 18 лет.
Присоединяйся к AI Journey Contest 2023 и ворвись в лидерборды, где кто-то уже замер в ожидании победы!
276 928
🌽 Harnessing Administrative Data Inventories to Create a Reliable Transnational Reference Database for Crop Type Monitoring
EuroCrops - это большая коллекция датасетов, объединяющая все общедоступные сельскохозяйственные наборы данных по из стран Европейского Союза.
🖥 Github: https://github.com/maja601/eurocrops
📕 Paper: https://arxiv.org/pdf/2310.06393v1.pdf
⭐️ Dataset: https://syncandshare.lrz.de/getlink/fiAD95cTrXbnKMrdZYrFFcN8/
ai_machinelearning_big_data
276 928
✔️ Lemur: Harmonizing Natural Language and Code for Language Agents
Lemur - это открытая языковая модель, оптимизированная как для естественного языка, так и для кодинга, которая может служить основой для универсальных языковых агентов. Поскольку языковые модели продолжают превращаться из разговорных чат-ботов в функциональные агенты, способные действовать в реальном мире, им необходимо как глубокое понимание языка, так и способность выполнять различные действия.
Lemur обеспечивает баланс между естественным языком и кодингом, позволяя агентам выполнять инструкции, обосновывать задачи и предпринимать обоснованные действия.
🖥 Github: https://github.com/openlemur/lemur
🤗 HF: https://huggingface.co/OpenLemur
📕 Paper: https://arxiv.org/abs/2310.06830v1
⭐️ Dataset: https://paperswithcode.com/dataset/ds-1000
ai_machinelearning_big_data276 928
💻 Graph Structure Learning Benchmark (GSLB)
Комплексный бенчмарк для изучения и построения графов и (NeurIPS 2023 Datasets and Benchmarks Track).
pip install GSLB
🖥 Github: https://github.com/gsl-benchmark/gslb
📕 Paper: https://arxiv.org/abs/2310.05163v1
⭐️ Paper collection: https://github.com/GSL-Benchmark/Awesome-Graph-Structure-Learning
ai_machinelearning_big_data
