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 292 839 підписників, посідаючи 328 місце в категорії Технології та додатки та 1 282 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 292 839 підписників.
За останніми даними від 06 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -6 314, а за останні 24 години на -187, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.37%. Протягом перших 24 годин після публікації контент зазвичай збирає 5.45% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 21 579 переглядів. Протягом першої доби публікація в середньому набирає 15 979 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 159.
- 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 07 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.
292 839
Підписники
-18724 години
-1 3257 днів
-6 31430 день
Архів дописів
292 834
Generating Game of Thrones Characters Using StyleGAN
article: https://blog.nanonets.com/stylegan-got/
gitHub repo: https://github.com/iyaja/stylegan-encoder
292 834
The Binary Extremes of Daenerys Targaryen
https://towardsdatascience.com/the-binary-extremes-of-daenerys-targaryen-1c89502de92d
292 834
How to (Properly) Evaluate Cross-Lingual Word Embeddings: On Strong Baselines, Comparative Analyses, and Some Misconceptions
Article: https://arxiv.org/abs/1902.00508
292 834
Разработчиков ждут 20 мая, в 20.00 (мск), на открытом практическом вебинаре «Lean Data Engineering: большие данные при небольшом бюджете». Пройдите вступительное тестирование и запишитесь на вебинар https://otus.pw/ccfN/
На вебинаре разберут, как построить эффективную и масштабируемую систему обработки данных для небольшой компании или стартапа с минимальными затратами. В качестве практики познакомят вас с инструментами обработки данных Google Cloud: только заранее создайте google-аккаунт, пройдите регистрацию (https://console.cloud.google.com/) и заведите проект с произвольным названием — это займет не более 5 минут.
Вебинар пройдет в рамках набора на профильный онлайн-курс «Data Engineer». Мастер-класс проведет один из преподавателей курса, эксперт и разработчик Егор Матешук (Senior Data Engineer, MaximaTelecom)
Приходите за подробностями! https://otus.pw/soRP/
292 834
How to Develop a Convolutional Neural Network to Classify Photos of Dogs and Cats (with 97% accuracy)
https://machinelearningmastery.com/how-to-develop-a-convolutional-neural-network-to-classify-photos-of-dogs-and-cats/
292 834
How to Use Transfer Learning when Developing Convolutional Neural Network Models
https://machinelearningmastery.com/how-to-use-transfer-learning-when-developing-convolutional-neural-network-models/
292 834
Introducing Translatotron: An End-to-End Speech-to-Speech Translation Model
http://ai.googleblog.com/2019/05/introducing-translatotron-end-to-end.html
292 834
Российские и международные эксперты обсудят "большие данные"
Сейчас всю Россию накрывает волна "цифровизации". Волна в самом хорошем смысле. Принятая в 2017 государственная программа "Цифровая экономика Российской Федерации" охватывает и "большие данные". В частности, в России, например «большие данные» планируется использовать в области здравоохранения с 2020 г.
Обсудят Big Data и на предстоящей конференции «Цифровая индустрия промышленной России – 2019». Она пройдет с 22 по 24 мая в г.Иннополис (Татарстан).
Подписывайтесь на канал «B/D» и узнайте новости с панели «Большие данные.Как увидеть будущее сегодня» с конференции «ЦИПР-2019» самыми первыми!
292 834
A 2019 guide to 3D Human Pose Estimation
https://blog.nanonets.com/human-pose-estimation-3d-guide/
292 834
TensorFlow Model Optimization Toolkit — Pruning API
https://medium.com/tensorflow/tensorflow-model-optimization-toolkit-pruning-api-42cac9157a6a
292 834
Всех, кто хочет продвинуться на непростом пути машинного обучения, ждут 15 мая, в 20:00 на вебинаре «Учим нейронную сеть копировать почерк». Запишитесь, чтобы получить напоминание https://otus.pw/k0cV/
На открытом уроке мы обсудим, что такое нейронная сеть и как от предсказания конкретных свойств объекта перейти к порождению новых объектов с заданными свойствами. В качестве примера разберем один из финальных проектов предыдущего набора курса: задачу порождения рукописного текста с заданным почерком.
Вебинар пройдет в рамках набора на профильный онлайн-курс «Нейронные сети на Python». Это курс для тех, кто хочет углубить свои знания по нейронным сетям, глубоком машинном обучении и задачах, которые решает Deep Learning Инженер. Оцените свои знания и готовность к курсу, сдайте вступительный тест https://otus.pw/0MEo/
Проведет вебинар Артур Кадурин, преподаватель курса и признанный эксперт в области нейронных сетей и machine learning.
Приходите, будет интересно и профессионально!
292 834
Unified Language Model Pre-training for Natural Language Understanding and Generation
Articel.: https://arxiv.org/abs/1905.03197v1
292 834
How to Develop a Convolutional Neural Network From Scratch for CIFAR-10 Photo Classification
https://machinelearningmastery.com/how-to-develop-a-cnn-from-scratch-for-cifar-10-photo-classification/
292 834
PyTorch implementation of the Leap Meta-Learner
Article: https://arxiv.org/abs/1812.01054
GitHub: https://github.com/amzn/metalearn-leap
292 834
Introducing TensorFlow Graphics: Computer Graphics Meets Deep Learning
Github : https://github.com/tensorflow/graphics
Article: https://medium.com/tensorflow/introducing-tensorflow-graphics-computer-graphics-meets-deep-learning-c8e3877b7668
292 834
ICLR2019 Best Paper
"The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks"
Jonathan Frankle, Michael Carbin: https://arxiv.org/abs/1803.03635
292 834
Задача по #DataScience от QIWI.
Наверняка вы знаете, что такое Терминалы QIWI. Они позволяют совершить оплату в пользу более чем двух тысяч провайдеров. Сейчас пользователи мало платят через терминалы, не знают или не помнят, что их услугу можно оплатить на терминале.
QIWI ищет команду, которая сможет доработать (уже реализованный) механизм, рекомендующий плательщику дополнительный платёж. Нужно научиться определять наиболее уместных провайдеров для данного терминала, исходя из его локации и частоты оплачиваемых провайдеров.
На реализацию QIWI выделяет 3 млн.рублей и 5 месяцев.
Задача подробно описана на сайте (видео + текст) — universe.qiwi.com
Заявки от команд до 19 мая.
Вопросы все можно задать в @QU_product_hub
