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 283 Технології та додатки326...

📈 Аналітичний огляд Telegram-каналу Machinelearning

Канал Machinelearning (@ai_machinelearning_big_data) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 293 399 підписників, посідаючи 326 місце в категорії Технології та додатки та 1 283 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 293 399 підписників.

За останніми даними від 03 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -6 469, а за останні 24 години на -218, загальне охоплення залишається високим.

Статус верифікації: Не верифікований
Рівень залученості (ER): Середній показник залученості аудиторії становить 7.32%. Протягом перших 24 годин після публікації контент зазвичай збирає 5.77% реакцій від загальної кількості підписників.
Охоплення публікацій: В середньому кожен допис отримує 21 487 переглядів. Протягом першої доби публікація в середньому набирає 16 937 переглядів.
Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 169.
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 04 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.

293 399

Підписники

-21824 години

-1 5287 днів

-6 46930 день

21 487

Перегляди допису

~ 16 93724 години

~ 18 77448 годин

7.32%

Коефіцієнт залучення

~ 6

Дописів на день

Ads index

beta

Архів дописів

293 399

NeuralPy NeuralPy: A Keras like deep learning library works on top of PyTorch PyTorch is an open-source machine learning framework that accelerates the path from research prototyping to production deployment developed by Facebook runs on both CPU and GPU. Github: https://github.com/imdeepmind/NeuralPy Project: https://neuralpy.imdeepmind.com/

293 399

Analyzing pretraining approaches for vision and language tasks Simple design choices in pretraining can help us achieve close to state-of-art results on downstream tasks without any architectural changes. https://ai.facebook.com/blog/analyzing-pretraining-approaches-for-vision-and-language-tasks/ Github: https://github.com/facebookresearch/mmf/tree/master/projects/pretrain_vl_right Paper: https://arxiv.org/abs/2004.08744

293 399

Segmentation Loss Odyssey Loss functions for image segmentation Github: https://github.com/JunMa11/SegLoss Paper: https://arxiv.org/abs/2005.13449v1

293 399

Обратите внимание: @kaicode (5 сентября). Это первый в своём роде сбор на одной площадке авторов open source проектов, в Москве. Huawei спонсирует и организует. Отошлите им ссылку на свой GitHub проект, его рассмотрят и лучших пригласят на площадку для выступления и защиты. Три проекта получают в руки по $5000 каждый и возможность дальнейшей поддержки от Huawei. Пишите им в Телеграм группу за подробностями и бесплатным билетом на вход.

293 399

Towards computer-aided severity assessment: training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity The COVID-Net models provided here are intended to be used as reference models that can be built upon and enhanced as new data becomes available. Github: https://github.com/lindawangg/COVID-Net Paper: https://arxiv.org/abs/2005.12855v1

293 399

How MTS used smart contract to build a system for selecting best technological projects. https://habr.com/ru/company/ru_mts/blog/504058

293 399

DE⫶TR: End-to-End Object Detection with Transformers PyTorch training code and pretrained models for DETR The main ingredients of the new framework, called DEtection TRansformer or DETR, are a set-based global loss that forces unique predictions via bipartite matching, and a transformer encoder-decoder architecture. Github: https://github.com/facebookresearch/detr Paper: https://arxiv.org/abs/2005.12872v1 Code: https://colab.research.google.com/github/facebookresearch/detr/blob/colab/notebooks/detr_demo.ipynb

293 399

Mail.ru Group запускает набор в бесплатную Академию больших данных MADE для датасайентистов и программистов. Можно освоить одну из специализаций: Data Scientist, Machine Learning Engineer или Data Engineer на лекциях или сидя дома. У академии реально мощные преподаватели и практикующие специалисты, которые готовы учить на реальных кейсах. Уникальная Возможность освоить: Прикладной анализ данных, разработку моделей машинного обучения для высоконагруженных сервисов, обработку больших данных, компьютерное зрение, обработку естественного языка, распознавание речи и другие актуальные темы. Перед прохождением тебя ждет вступительный тест. Лучшие получат job offer. Записаться можно до 1 августа: https://vk.cc/auoVmA Уже сегодня принимай участие в Командном бое на Хабре: Python vs C++ и прокачай свои скилы в машинном обучении: https://habr.com/ru/article/502606/

293 399

Tensorflow vs PyTorch for Text Classification using GRU https://medium.com/@rodolfosaldanha_71881/tensorflow-vs-pytorch-for-text-classification-using-gru-e95f1b68fa2d

293 399

Evaluating Natural Language Generation with BLEURT BLEURT (Bilingual Evaluation Understudy with Representations from Transformers) builds upon recent advances in transfer learning to capture widespread linguistic phenomena, such as paraphrasing https://ai.googleblog.com/2020/05/evaluating-natural-language-generation.html Github: https://github.com/google-research/bleurt Paper: https://arxiv.org/abs/2004.04696

293 399

Natural Language Processing With spaCy in Python https://realpython.com/natural-language-processing-spacy-python/

293 399

SymJAX: symbolic CPU/GPU/TPU programming SymJAX is a symbolic programming version of JAX simplifying graph input/output/updates and providing additional functionalities for general machine learning and deep learning applications. docs: https://symjax.readthedocs.io/en/latest/ github: https://github.com/RandallBalestriero/SymJAX pdf: https://arxiv.org/pdf/2005.10635v1.pdf

293 399

Instance-aware Image Colorization https://ericsujw.github.io/InstColorization/ Github: https://github.com/ericsujw/InstColorization Paper: https://arxiv.org/abs/2005.10825v1

293 399

Graph Structure Learning for Robust Graph Neural Networks A general framework Pro-GNN, which can jointly learn a structural graph and a robust graph neural network model from the perturbed graph guided by these properties. Github: https://github.com/ChandlerBang/Pro-GNN Paper: https://arxiv.org/abs/2005.10203

293 399

Free Live Course: Deep Learning with PyTorch https://www.freecodecamp.org/news/free-deep-learning-with-pytorch-live-course/ video: https://www.youtube.com/watch?v=vo_fUOk-IKk

293 399

Galaxy Zoo: Classifying Galaxies with Crowdsourcing and Active Learning In this tutorial you will know how to use crowdsourcing and machine learning to investigate how galaxies evolve by classifying millions of galaxy images. https://blog.tensorflow.org/2020/05/galaxy-zoo-classifying-galaxies-with-crowdsourcing-and-active-learning.html Code: https://github.com/mwalmsley/galaxy-zoo-bayesian-cnn/blob/88604a63ef3c1bd27d30ca71e0efefca13bf72cd/zoobot/active_learning/acquisition_utils.py#L81

293 399

Хотите получить практические навыки по программированию искусственного интеллекта? В SkillFactory скоро стартует специализация «AI разработчик». Спрос на таких специалистов намного выше, чем предложение. На курсе вы освоите: — машинное обучение с нуля до продвинутого уровня — Computer Vision, NLP, Reinforcement learning — и нейронные сети По окончанию обучения вы сможете проектировать и внедрять рекомендательные системы, участвовать в fintech проектах, создавать интерактивных агентов технологиями NLP и многое другое. Курс основан на практике, к каждому студенту прикрепляется ментор, который поможет пройти путь в новую профессию. 💼Карьерный центр поможет вам оформить резюме, начать проходить собеседования и освоить необходимые soft skills. 🧨Пилим цены пополам до 25 мая, чтобы вы смогли начать свой путь в ИТ! Получите курс со скидкой 50%: https://clc.to/0W97Iw

293 399

👄 Lip2Wav Generate high quality speech from only lip movements. This code is part of the paper: Learning Individual Speaking Styles for Accurate Lip to Speech Synthesis Demo: https://www.youtube.com/watch?v=HziA-jmlk_4 Github: https://github.com/Rudrabha/Lip2Wav Paper: https://arxiv.org/abs/2005.08209v1

293 399

How to Use Quantile Transforms for Machine Learning https://machinelearningmastery.com/quantile-transforms-for-machine-learning/

293 399

Single-Stage Semantic Segmentation from Image Labels Github: https://github.com/visinf/1-stage-wseg Paper: https://arxiv.org/abs/2005.08104