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 293 399 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
Архів дописів
293 396
Objects are the secret key to revealing the world between vision and language
https://www.microsoft.com/en-us/research/blog/objects-are-the-secret-key-to-revealing-the-world-between-vision-and-language/
293 396
An Ethical Application of Computer Vision and Deep Learning — Identifying Child Soldiers Through Automatic Age and Military Fatigue Detection
https://www.pyimagesearch.com/2020/05/11/an-ethical-application-of-computer-vision-and-deep-learning-identifying-child-soldiers-through-automatic-age-and-military-fatigue-detection/
293 396
PyTorch version of Stable Baselines, improved implementations of reinforcement learning algorithms.
https://towardsdatascience.com/stable-baselines-a-fork-of-openai-baselines-reinforcement-learning-made-easy-df87c4b2fc82
Documentation: https://stable-baselines3.readthedocs.io
Githab: https://github.com/DLR-RM/stable-baselines3
Paper: https://arxiv.org/abs/2005.05719v1
293 396
FlowTron: Improved Text to Speech Engine from NVIDIA
Paper: https://arxiv.org/abs/2005.05957
Code: https://github.com/NVIDIA/flowtron
293 396
Крутой Data-scientist, Python-разработчик или аналитик? 😎
DigitalSuperHero ждет вас!
Регистрируйтесь на онлайн-хакатон «Интеллектуальные транспортные системы и элементы ситуационных центров»
Хакатон пройдет 23-30 мая. Главный приз за 1-ое место: 200 000 рублей!
🏆Победители получат денежный приз, внедрение пилота и возможность попасть на Всероссийский финальный хакатон, который пройдет в сентябре.
На хакатоне надо создать аналитические модели и прототипы решений для:
● управления «умной» транспортной инфраструктурой;
● развития информационно-аналитической платформы «Ситуационный центр», которая помогает в принятии управленческих решений на уровне целого региона.
Подавайте заявку до 20 мая тут: dshkazan.ru/its
P.S. А еще у нас есть телеграм-чат для общения и ваших вопросов https://t.me/dsh_kazan
293 396
1008 machine translation models, covering of 140 different languages
https://huggingface.co/models?search=Helsinki-NLP%2Fopus-mt
293 396
Little Ball of Fur
Little Ball of Fur consists of methods to do sampling of graph structured data
Documentation : https://little-ball-of-fur.readthedocs.io/en/latest/#little-ball-of-fur-documentation
github: https://github.com/benedekrozemberczki/littleballoffur
paper: https://arxiv.org/abs/2005.05257v1
293 396
Fine-tuning ResNet with Keras, TensorFlow, and Deep Learning
In this tutorial, you will learn how to fine-tune ResNet using Keras, TensorFlow, and Deep Learning.
https://www.pyimagesearch.com/2020/04/27/fine-tuning-resnet-with-keras-tensorflow-and-deep-learning/
293 396
TK & TKL - Efficient Transformer-based neural re-ranking models
TK employs a small number of low-dimensional Transformer layers to contextualize query and document word embeddings. TK scores the interactions of the contextualized representations with simple, yet effective soft-histograms based on the kernel-pooling technique .
Github: https://github.com/sebastian-hofstaetter/transformer-kernel-ranking
Paper: https://arxiv.org/abs/2005.04908v1
The Neural-IR-Explorer is a interactive exploration tool. It allows you to browse around the actual results of a neural re-ranking run
https://neural-ir-explorer.ec.tuwien.ac.at/
293 396
Set of Machine Learning Python plugins for GIMP
This paper introduces GIMP-ML, a set of Python plugins for the widely popular GNU Image Manipulation Program (GIMP). It enables the use of recent advances in computer vision to the conventional image editing pipeline.
Github: https://github.com/kritiksoman/GIMP-ML
Paper: https://arxiv.org/abs/2004.13060
Demo: https://www.youtube.com/watch?v=HVwISLRow_0
293 396
Знаете, каким образом ваш голосовой помощник распознает речь, как банк защищает ваш аккаунт от мошенников и как интернет-магазин определяет товар для рекомендации?
За всем этим стоит Data Scientist. Хочешь также?
Тогда онлайн-школе SkillFactory есть, что тебе предложить — полноценный курс по Data Science с фокусом на практические задачи.
Курс гармонично развивает все что нужно дата саентисту через практические бизнес-кейсы:
— Базовые навыки (foundation),
— Soft skills для эффективного менеджмента и карьеры
— Финальный проект
После обучения студент уверенно сможет начать карьеру data scientist’a, а также получит инструменты для профессионального роста до middle (з/п от 200 тыс).
Программа составлена ведущими экспертами в Data Science (NVIDIA, EORA). Мы поможем с резюме, предложим вакансии от партнеров и договоримся о собеседованиях. Вам остается только учиться.
🚀Получите курс со скидкой 40%: https://clc.to/vyw2kA/
293 396
Global explanations for discovering bias in data
Github: https://github.com/agamiko/gebi
Code: https://github.com/AgaMiko/GEBI/blob/master/notebooks/GEBI.ipynb
Paper: https://arxiv.org/abs/2005.02269v1
293 396
Beneath the Tip of the Iceberg: Current Challenges and New Directions in Sentiment Analysis Research
Awesome Sentiment Analysis papers: https://github.com/declare-lab/awesome-sentiment-analysis
Paper: https://arxiv.org/abs/2005.00357v1
293 396
На бесплатном уроке рассмотрим класс MPP-баз на примере базы Greenplum и построим небольшое хранилища данных на основе этой базы. На занятии:
- обсудим, что такое аналитические базы и для чего они нужны
- рассмотрим, чем DWH отличается от просто большой базы
- узнаем, что такое Greenplum
- построим несколько слоев обработки данных с использованием Greenplum
Пройдите вступительный тест и записывайтесь по ссылке: https://otus.pw/LXDj/
Успейте присоединиться к группе пока действует максимальная скидка!
293 396
The Best Deep Learning Papers from the ICLR 2020 Conference
https://neptune.ai/blog/iclr-2020-deep-learning
293 396
Будущее рядом — освой профессию Data Scientist
Раньше мы с огромным интересом смотрели фильмы про искусственный интеллект и гадали, как же это пришло в голову сценаристам и режиссёрам, ведь так не бывает. Зачастую в этих увлекательных блокбастерах человек становился не нужен — роль «главной скрипки» приходилась именно носителю искусственного интеллекта. В кинематографе это были и роботы, и специальные компьютеры либо устройства, похожие на пылесос (кстати, последние очень даже неплохо убирают).
Но в реалиях настоящей жизни искусственный интеллект — это не фантазии американских сценаристов-выдумщиков. Это реальность, которая стремительно врывается в нашу жизнь. Но с одной поправкой. Незаменимый помощник Data Scientist — специалист по машинному обучению, который выбирает архитектуру и обучающие алгоритмы, для работы с этими данными.
И у тебя как раз есть шанс стать тем самым незаменимым специалистом благодаря курсу от Skillbox «Профессия Data Scientist».
На курсе тебе предстоит научиться очень многим интересным вещам: от программирования на Python и визуализации данных до программирования на R и применения нейронных сетей для решения реальных задач.
Skillbox даёт возможность сначала уделить время обучению, а заботы с оплатой можно отложить на полгода. Также доступна рассрочка — и никакой переплаты по процентам!
После прохождения курса не стоит переживать о том, где найти работу. Эти заботы берут на себя опытные HR-специалисты.
Открой мир будущего — переходи по ссылке ▶ https://clc.to/oBAY5g и бронируй место на курсе со скидкой 40%.
293 396
An Implementation of ERNIE For Language Understanding (including Pre-training models and Fine-tuning tools)
ERNIE 2.0 is a continual pre-training framework for language understanding in which pre-training tasks can be incrementally built and learned through multi-task learning.
ERNIE 2.0 from Baidu: https://github.com/PaddlePaddle/ERNIE
Dataset: https://gluebenchmark.com/tasks
Understanding Language using XLNet with autoregressive pre-training
https://medium.com/@zxiao2015/understanding-language-using-xlnet-with-autoregressive-pre-training-9c86e5bea443
293 396
Why We Need DevOps for ML Data
https://tecton.ai/blog/devops-ml-data/
Хабр: https://habr.com/ru/company/itsumma/blog/500272/
293 396
NUBIA (NeUral Based Interchangeability Assessor) is a new SoTA evaluation metric for text generation
Methodology to build automatic evaluation metrics for text generation using only machine learning models as core components
https://wl-research.github.io/blog/
Github: https://github.com/wl-research/nubia
Paper: https://arxiv.org/abs/2004.14667v1
Colab: https://colab.research.google.com/drive/1_K8pOB8fRRnkBPwlcmvUNHgCr4ur8rFg
