Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
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📈 Аналітичний огляд Telegram-каналу Machinelearning
Канал Machinelearning (@ai_machinelearning_big_data) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 293 457 підписників, посідаючи 326 місце в категорії Технології та додатки та 1 281 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 293 457 підписників.
За останніми даними від 02 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -6 464, а за останні 24 години на -249, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.49%. Протягом перших 24 годин після публікації контент зазвичай збирає 5.71% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 21 989 переглядів. Протягом першої доби публікація в середньому набирає 16 765 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 173.
- 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 03 липня, 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.
293 457
Підписники
-24924 години
-1 5267 днів
-6 46430 день
Архів дописів
293 432
Хотите узнать какие подводные камни в работе с современной BigData?
12 октября пройдет демо-урок «Современные большие данные, анализ и оптимизация производительности распределенных приложений»
Кирилл Султанов, расскажет, про подводные камни в работе с современной BigData: кастомизация, распределенное профилирование, контрибьют в open source.
Все, что нужно - чтобы выйти в продакшн!
Демо-урок является частью онлайн-курса «Промышленный ML на больших данных». Используйте эту возможность, чтобы получить ценные знания, оценить качество знаний и формат обучения. Для регистрации пройдите вступительный тест https://otus.pw/oWF5/
293 432
From Trees to Continuous Embeddings and Back: Hyperbolic Hierarchical Clustering
Gitgub: https://github.com/HazyResearch/HypHC
Paper: https://arxiv.org/abs/2010.00402
293 432
aLRP Loss: A Ranking-based, Balanced Loss Function
Unifying Classification and Localisation in Object Detection.
💻 Github: https://github.com/kemaloksuz/aLRPLoss
📎 Dataset: https://cocodataset.org/#download
🗒 Paper: https://arxiv.org/abs/2009.13592v1
@ai_machinelearning_big_data
293 432
Rotated Binary Neural Network
Pytorch implementation of RBNN.
Github: https://github.com/lmbxmu/RBNN
Paper: https://arxiv.org/abs/2009.13055
@ai_machinelearning_big_data
293 432
Transfer learning with TensorFlow Hub | TensorFlow Core
https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
TensorFlow Hub : https://tfhub.dev/
Github: https://github.com/tensorflow/docs/blob/master/site/en/tutorials/images/transfer_learning_with_hub.ipynb
@tensorflowblog
293 432
Utterance-level Dialogue Understanding: An Empirical Study
The recent abundance of conversational data on the Web and elsewhere calls for effective NLP systems for dialog understanding.
Github: https://github.com/declare-lab/conv-emotion
Paper: https://arxiv.org/abs/2009.13902v1
293 432
Seeing Theory
🎲 A visual introduction to probability and statistics
https://seeing-theory.brown.edu/index.html#4thPage
📗 Free book: https://seeing-theory.brown.edu/doc/seeing-theory.pdf
293 432
CaGNet: Context-aware Feature Generation for Zero-shot Semantic Segmentation.
Github: https://github.com/bcmi/CaGNet-Zero-Shot-Semantic-Segmentation
Paper: https://arxiv.org/abs/2009.12232v1
@ai_machinelearning_big_data
293 432
Graph Normalization
Learning Graph Normalization for Graph Neural Networks
Github: https://github.com/cyh1112/GraphNormalization
Paper: https://arxiv.org/abs/2009.11746v1
@ai_machinelearning_big_data
293 432
🔋 The Most Complete Guide to PyTorch for Data Scientists
https://www.kdnuggets.com/2020/09/most-complete-guide-pytorch-data-scientists.html
Code: https://github.com/MLWhiz/data_science_blogs/tree/master/pytorch_guide
@ai_machinelearning_big_data
293 432
Bringing the Mona Lisa Effect to Life with TensorFlow.js
https://blog.tensorflow.org/2020/09/bringing-mona-lisa-effect-to-life-tensorflow-js.html
Github: https://github.com/emilyxxie/mona_lisa_eyes
Demo: https://monalisaeffect.com/
@ai_machinelearning_big_data
293 432
Facebook AI Releases ‘Dynabench’, A Dynamic Benchmark Testing Platform For Machine Learning Systems
Articel: https://ai.facebook.com/blog/dynabench-rethinking-ai-benchmarking/
Project: https://dynabench.org/
@ai_machinelearning_big_data
293 432
📸 Old Photo Restoration (Official PyTorch Implementation)
Restore old photos that suffer from severe degradation through a deep learning approace.
http://raywzy.com/Old_Photo/
Github: https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life
Paper: https://arxiv.org/pdf/2009.07047v1.pdf
Colab: https://colab.research.google.com/drive/1NEm6AsybIiC5TwTU_4DqDkQO0nFRB-uA
@ai_machinelearning_big_data
293 432
Advancing NLP with Efficient Projection-Based Model Architectures
https://ai.googleblog.com/2020/09/advancing-nlp-with-efficient-projection.html
Sequence Projection Models: https://github.com/tensorflow/models/tree/master/research/sequence_projection
293 432
Implementing a Deep Learning Library from Scratch in Python
https://www.kdnuggets.com/2020/09/implementing-deep-learning-library-scratch-python.html
293 432
MEAL V2
Boosting Vanilla ResNet-50 to 80%+ Top-1 Accuracy on ImageNet without Tricks.
Github: https://github.com/szq0214/MEAL-V2
Paper: https://arxiv.org/abs/2009.08453
ImageNet dataset: https://github.com/pytorch/examples/tree/master/imagenet#requirements.
@ai_machinelearning_big_data
293 432
Dialog Ranking Pretrained Transformers
It is a set of dialog response ranking models proposed by Microsoft Research NLP Group trained on millions of human feedback data.
Github: https://github.com/golsun/DialogRPT
Paper: https://arxiv.org/abs/2009.06978
Colab: https://colab.research.google.com/drive/1jQXzTYsgdZIQjJKrX4g3CP0_PGCeVU3C?usp=sharing
@ai_machinelearning_big_data
293 432
Improving Sparse Training with RigL
https://ai.googleblog.com/2020/09/improving-sparse-training-with-rigl.html
Github: https://github.com/google-research/rigl
Paper: https://arxiv.org/abs/1911.11134
@ai_machinelearning_big_data
293 432
Rule-Guided Graph Neural Networks for Recommender Systems
Сombination of rule learning and GNNs achieves substantial improvement compared to methods only using either of them
Github: https://github.com/nju-websoft/RGRec
Paper: https://arxiv.org/abs/2009.04104v1
293 432
LaSOT
Large-scale Single Object Tracking (LaSOT) aims to provide a dedicated platform for training data-hungry deep trackers as well as assessing long-term tracking performance.
http://vision.cs.stonybrook.edu/~lasot/
Github: https://github.com/HengLan/LaSOT_Evaluation_Toolkit
Dataset: http://vision.cs.stonybrook.edu/~lasot/download.html
Paper: https://arxiv.org/abs/2009.03465
@ai_machinelearning_big_data
