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

Сітка:Machinelearning Росія1 276 Технології та додатки327...

📈 Аналітичний огляд Telegram-каналу Machinelearning

Канал Machinelearning (@ai_machinelearning_big_data) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 293 879 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 293 879 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.

293 879

Підписники

-23524 години

-1 5517 днів

-6 44430 день

22 202

Перегляди допису

~ 16 31124 години

~ 18 21848 годин

7.55%

Коефіцієнт залучення

~ 6

Дописів на день

Ads index

beta

Архів дописів

293 857

📐 RepMLPNet: Hierarchical Vision MLP with Re-parameterized Locality (PyTorch) Github: https://github.com/DingXiaoH/RepMLP Pre-trained model: https://drive.google.com/drive/folders/1eDFunxOQ67MvBBmJ4Bw01TFh2YVNRrg2?usp=sharing Paper: https://arxiv.org/abs/2112.11081v1 Task: https://paperswithcode.com/task/semantic-segmentation @ai_machinelearning_big_data

293 857

💻 SmartMarket — это единая точка доступа ко всем технологическим платформам Сбера. С помощью SmartMarket вы сможете: — Использовать десятки современных инструментов — от веб-хостинга до нейросетевых решений; — Подключить к готовому проекту NLP-платформу и распознавание жестов; — Использовать виртуальных персонажей или создать Создать виртуального персонажа или чат-ботСоздать виртуального персонажа или чат-бот; — Монетизировать бизнес в один клик; — Организовать облачное хранение данных; — Пользоваться документацией, API и спецификациями для всех сервисов и многое другое! А еще вы получите доступ к аудитории Сбера в 100 млн человек и сообществу из 2500+ IT-специалистов, сможете общаться с ними в Telegram-канале и посещать регулярные митапы. 👉🏻 Бесплатно зарегистрироваться в SmartMarket Studio можно уже сейчас.

293 857

🌠 NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems NetKet is an open-source project delivering cutting-edge methods for the study of many-body quantum systems with artificial neural networks and machine learning techniques. Github: https://github.com/netket/netket Paper: https://arxiv.org/pdf/2112.10526v1.pdf Homepage: https://www.netket.org Documentation: https://www.netket.org/documentation Tutorials: https://www.netket.org/tutorials @ai_machinelearning_big_data

293 857

💡 Ensembling Off-the-shelf Models for GAN Training Github: https://github.com/nupurkmr9/vision-aided-gan Paper: https://arxiv.org/pdf/2112.09130v1.pdf Dataset: https://paperswithcode.com/dataset/lsun @ai_machinelearning_big_data

293 857

Разработчик ML в Финтех Яндекса Новый сервис продолжает свои поиски: будущему Банку нужны разработчики ML. И чем больше, тем лучше! Что предстоит делать? Решать задачи от риск-моделирования до моделей привлечения и ретеншна пользователей; строить большие и сложные модели, которые учитывают данные самой разной природы из тех, что есть в Яндексе; совмещать современный ML и глубокое обучение с продвинутыми статистическими моделями. Что ещё? Отвечать за весь стек ML-задач: и не только обучать модели, но и внедрять их в production, налаживать процессы обучения, деплоя и мониторинга моделей, пользуясь развитой ML-инфраструктурой большого Яндекса. Верим, что многим из вас интересно заложить фундамент ML в большом стартапе внутри большого Яндекса, и, к/Users/egor/Downloads/yandex.mp4онечно, максимально прокачаться. Будет сложно, будет круто — приходите, скучать точно не придётся! Никаких долгих изматывающих собесов, попасть в телеграм к эйчару можно прямо с этой промки, после простой задачки-капчи.

293 857

📑 Extreme Zero-Shot Learning for Extreme Text Classification Github: https://github.com/amzn/pecos Paper: https://arxiv.org/abs/2112.08652v1 @ai_machinelearning_big_data

293 857

📹 Vision Transformer Based Video Hashing Retrieval for Tracing the Source of Fake Videos Github: https://github.com/lajlksdf/vtl Paper: https://arxiv.org/abs/2112.08117v1 Dataset: https://paperswithcode.com/dataset/dftl @ai_machinelearning_big_data

293 857

🕷 Bayesian Active Learning (BaaL) Github: https://github.com/ElementAI/baal Documentation: https://baal.readthedocs.io. Paper: https://arxiv.org/abs/2112.06586v1 Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source @ai_machinelearning_big_data

293 857

Бесплатный онлайн-учебник по ML и Data Science Для начинающих ML-специалистов, аналитиков и разработчиков появилось отличное учебное онлайн-пособие, которое систематизирует актуальную базовую информацию о Machine Learning и Data Science и помогает погрузиться в тему. Авторы учебника — специалисты Школы анализа данных Яндекса — проводят от основ машинного обучения и знакомства с ключевыми для ML разделами математики до примеров реального применения их на практике. Учебник выложен в свободный доступ, и сейчас в нем открыты две главы: «Классические методы обучения с учителем» и «Оценка качества моделей». В ближайшее время появятся и новые разделы — авторы обещают регулярно обновлять информацию вслед за развитием сферы ML. Добавляйте в закладки!

293 857

🎓 GAN-Supervised Dense Visual Alignment Github: https://github.com/wpeebles/gangealing Project: https://www.wpeebles.com/gangealing Paper: https://arxiv.org/abs/2112.04894v1 Dataset: https://paperswithcode.com/dataset/celeba @ai_machinelearning_big_data

293 857

💉 Semi-supervised-learning-for-medical-image-segmentation. Github: https://github.com/HiLab-git/SSL4MIS Paper: https://arxiv.org/abs/2112.04894v1 @ai_machinelearning_big_data

293 857

Federated Learning: Collaborative Machine Learning with a Tutorial on How to Get Started https://www.kdnuggets.com/2021/12/federated-learning-collaborative-machine-learning-tutorial-get-started.html @ai_machinelearning_big_data

293 857

🦎 → 🐍 NL-Augmenter: A Framework for Task-Sensitive Natural Language Augmentation Github: https://github.com/GEM-benchmark/NL-Augmenter Paper: https://arxiv.org/abs/2112.02721v1 Dataset: https://paperswithcode.com/dataset/sst @ai_machinelearning_big_data

293 857

🔗 DenseCLIP: Language-Guided Dense Prediction with Context-Aware Prompting Github: https://github.com/raoyongming/denseclip Paper: https://arxiv.org/abs/2112.01518v1 Dataset: https://paperswithcode.com/dataset/coco @ai_machinelearning_big_data

293 857

Intel организовал чемпионат по обработке и анализу данных. Главный приз – 1 000 000 рублей! c 1 по 17 декабря в рамках чемпионата вам предлагается обучить нейросети с помощью инструментов для анализа информации Intel oneAPI. Автор задачи СберМаркет - один из крупнейших онлайн-сервисов доставки продуктов. Вам предстоит - построить модель, которая предскажет, какие покупки совершит пользователь в следующем месяце. Исторические данные включают в себя информацию о покупках пользователей за последние 4 месяца. Для того чтобы принять участие нужно зарегистрироваться, скачать предложенные датасеты и получить условия задачи Участники соревнований получат доступ к набору программных инструментов для ускорения машинного обучения и анализа данных Intel® oneAPI на облачной платформе ML Space. Затем нужно обучить модель и готовую версию загрузить обратно на платформу для проверки. Победителем станет тот, кто наиболее точно предскажет категории товаров и получит приз – 1 000 000 рублей. Все подробности по ссылке #INTEL #SBERMARKET

293 857

🔹 Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning Github: https://github.com/facebookresearch/Mask2Former Installation: https://github.com/facebookresearch/Mask2Former/blob/main/INSTALL.md Paper: https://arxiv.org/abs/2112.01527v1 Dataset: https://paperswithcode.com/dataset/cityscapes @ai_machinelearning_big_data

293 857

🎙 Продолжаем серию митапов GPB.Talks. В этот раз спикеры из Газпромбанка и КРОК Облачные Сервисы обсудят в онлайн-формате тренды финтех-индустрии и эффективные подходы к бизнесу, которые действительно работают в 2021-м году. Митап будет интересен архитекторам, фронтенд-разработчикам, devops-инженерам, заинтересованным в облачных решениях, а также сотрудникам fintech-направления. Спикерами выступят: 🔷 Владимир Григорьев, директор по архитектуре, и Александр Виноградов, начальник Управления архитектуры решений, расскажут, как устроена омниканальная платформа в Газпромбанке. 🔷 Максим Морарь, менеджер по развитию бизнеса КРОК Облачные Сервисы, объяснит, почему контейнеризация в связке с DevOps-подходами и облачными сервисами — это тренд, который следует учитывать любой динамично развивающейся компании с собственными цифровыми продуктами. Модерировать митап будет Александр Виноградов — начальник Управления архитектуры решений Газпромбанка. Чтобы принять участие, зарегистрируйтесь по ссылке > https://vk.cc/c8BNrf

293 857

Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning Github: https://github.com/JDAI-CV/faceX-Zoo Paper: https://arxiv.org/abs/2112.00568v1 Dataset: https://paperswithcode.com/dataset/replay-attack @ArtificialIntelligencedl

293 857

Онлайн-хакатон по медицинскому искусственному интеллекту от «Наносемантики» и ФГАУ «РЦУД и РТ», на котором участникам предстоит разработать тренажёр в виде веб-сайта или мобильного приложения, который позволит пациентам с тяжёлым расстройством речи проходить реабилитацию – тренировать произношение слов и фраз. Призовой фонд – 500 тыс.рублей, участвовать можно с 16 лет, а все решения должны быть опубликованы в Open Source под свободной лицензией Apache 2.0 • Даты проведения: 7-9 декабря • Место проведения: online • Регистрация: до 7 декабря • Ссылка на регистрацию: https://nanosemantics.timepad.ru/event/1861440/ • Читать подробнее: https://habr.com/ru/company/ashmanov_net/blog/592667/

293 857

🚀 Revitalizing CNN Attention via Transformers in Self-Supervised Visual Representation Learning Github: https://github.com/chongjiange/care Paper: https://openreview.net/pdf?id=sRojdWhXJx Dataset: https://paperswithcode.com/dataset/coco @ai_machinelearning_big_data