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 293 687 підписників, посідаючи 327 місце в категорії Технології та додатки та 1 276 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 293 687 підписників.
За останніми даними від 01 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -6 444, а за останні 24 години на -235, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.55%. Протягом перших 24 годин після публікації контент зазвичай збирає 5.55% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 22 202 переглядів. Протягом першої доби публікація в середньому набирає 16 311 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 172.
- 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 02 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.
293 687
Підписники
-23524 години
-1 5517 днів
-6 44430 день
Архів дописів
293 687
✅ AliceMind: ALIbaba's Collection of Encoder-decoders from MinD (Machine IntelligeNce of Damo) Lab
Github: https://github.com/alibaba/AliceMind
Paper: https://arxiv.org/abs/2109.05687v1
Dataset: https://paperswithcode.com/dataset/glue
@ArtificialIntelligencedl
293 687
🔊 Textless NLP: Generating expressive speech from raw audio
Facebook Ai: https://ai.facebook.com/blog/textless-nlp-generating-expressive-speech-from-raw-audio/
Examples: https://speechbot.github.io/pgslm/
Code: https://github.com/pytorch/fairseq/tree/master/examples/textless_nlp/gslm
Paper: https://arxiv.org/abs/2102.01192
@ai_machinelearning_big_data
293 687
🧍♂ Texformer: 3D Human Texture Estimation from a Single Image with Transformers
Github: https://github.com/xuxy09/texformer
Paper: http://arxiv.org/abs/2109.02563
Meta data: https://www.dropbox.com/s/ekxn300cuw8bw6b/meta.zip
@ai_machinelearning_big_data
293 687
🔝 Reinforcement Learning Lecture Series 2021
https://deepmind.com/learning-resources/reinforcement-learning-series-2021
Video: youtube.com/playlist?list=PLqYmG7hTraZDVH599EItlEWsUOsJbAodm
@ai_machinelearning_big_data
293 687
☄️ nnFormer: Interleaved Transformer for Volumetric Segmentation
Github: https://github.com/ziniuwan/maed
Paper: https://arxiv.org/abs/2109.03201v1
Dataset: https://www.creatis.insa-lyon.fr/Challenge/acdc/
@ai_machinelearning_big_data
293 687
📹 CTRL-C: Camera calibration TRansformer with Line-Classification
Github: https://github.com/jwlee-vcl/ctrl-c
Paper: https://arxiv.org/abs/2109.02259v1
Dataset: https://drive.google.com/file/d/1opDR_j-9y4TY82ZscBb-xYAoMkTocAOp/view
@ai_machinelearning_big_data$$$
293 687
👨🎓 Best Resources to Learn Natural Language Processing in 2021
https://www.kdnuggets.com/2021/09/best-resources-learn-natural-language-processing-2021.html
@ai_machinelearning_big_data
293 687
📁 Open-sourcing Common Objects in 3D, a large-scale data set for 3D reconstruction
Github: https://github.com/facebookresearch/co3d
Paper: https://arxiv.org/abs/2109.00512
Facebook blog: https://github.com/openvinotoolkit/training_extensions/tree/develop/misc
Dataset: https://ai.facebook.com/datasets/co3d-downloads/
@ai_machinelearning_big_data
293 687
ℹ️ LIGAR: Lightweight General-purpose Action Recognition
Github: https://github.com/openvinotoolkit/training_extensions
Paper: https://arxiv.org/abs/2108.13153v1
Models: https://github.com/openvinotoolkit/training_extensions/tree/develop/misc
@ai_machinelearning_big_data
293 687
🔎 Efficient Person Search: An Anchor-Free Approach.
Github: https://github.com/daodaofr/AlignPS
Paper: https://arxiv.org/abs/2109.00211v1
Dataset: https://paperswithcode.com/dataset/cuhk-sysu
@ai_machinelearning_big_data
293 687
📶 ISNet: Integrate Image-Level and Semantic-Level Context for Semantic Segmentation
Github: https://github.com/segmentationblwx/sssegmentation
Paper: https://arxiv.org/abs/2108.12382v1
Dataset: https://cs.stanford.edu/~roozbeh/pascal-context/
@ai_machinelearning_big_data
293 687
ShapeConv: Shape-aware Convolutional Layer for Indoor RGB-D Semantic Segmentation
Github: https://github.com/hanchaoleng/shapeconv
Paper: https://arxiv.org/abs/2108.10528v1
@ai_machinelearning_big_data
293 687
💬 Train Short, Test Long: Attention with Linear Biases Enables Input Length Extrapolation
Github: https://github.com/ofirpress/attention_with_linear_biases
Paper: https://ofir.io/train_short_test_long.pdf
Fairseq: https://github.com/pytorch/fairseq
@ai_machinelearning_big_data
293 687
🧍 Fast and Flexible Human Pose Estimation with HyperPose
Github: https://github.com/tensorlayer/hyperpose
Paper: https://arxiv.org/abs/2108.11826v1
Docs: https://hyperpose.readthedocs.io/en/latest/markdown/quick_start/prediction.html#table-of-flags-for-hyperpose-cli
@ai_machinelearning_big_data
293 687
💡Volunteer computing: статья про коллаборативное обучение нейросети
Если вы хотите создавать большие модели, не имея суперкомпьютер за спиной, то вам понадобится технология, способная разделить вычисления между теми, кто готов предоставить вам мощности. В этом поможет технология DeDLOC, разработанная в Yandex Research, Hugging Face и University of Toronto.
Хабр: https://habr.com/ru/company/yandex/blog/574466/
@ai_machinelearning_big_data
293 687
🕸 Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study
Github: https://github.com/VITA-Group/Deep_GCN_Benchmarking
Paper: https://arxiv.org/abs/2108.10521v1
@ai_machinelearning_big_data
293 687
🔗 A Unified Objective for Novel Class Discovery
Github: https://github.com/DonkeyShot21/UNO
Paper: https://arxiv.org/abs/2108.08536v2
Dataset: https://paperswithcode.com/dataset/cifar-100
@ai_machinelearning_big_data
293 687
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.
293 687
🎩 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
