uk
Feedback
Machinelearning

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
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

How to Develop a Deep Convolutional Neural Network From Scratch for Fashion MNIST Clothing Classification https://machinelearningmastery.com/how-to-develop-a-cnn-from-scratch-for-fashion-mnist-clothing-classification/

Digging Into Self-Supervised Monocular Depth Estimation Article.: https://arxiv.org/abs/1806.01260 Github: https://github.com/nianticlabs/monodepth2

Announcing Open Images V5 and the ICCV 2019 Open Images Challenge http://ai.googleblog.com/2019/05/announcing-open-images-v5-and-iccv-2019.html

Искусственный интеллект на примере простой игры. Часть 2 https://habr.com/ru/post/451070/

How to Develop a Convolutional Neural Network From Scratch for MNIST Handwritten Digit Classification https://machinelearningmastery.com/blog/

Огромный открытый датасет русской речи https://habr.com/ru/post/450760/

How to Visualize Filters and Feature Maps in Convolutional Neural Networks https://machinelearningmastery.com/how-to-visualize-filters-and-feature-maps-in-convolutional-neural-networks/

Billion-scale semi-supervised learning for image classification" Weakly-supervised pre-training + semi-supervised pre-training + distillation + transfer/fine-tuning =81.2% twith ResNet-50, 84.8% with ResNeXt-101-32x16, top-1 accuracy on ImageNet. article: https://arxiv.org/abs/1905.00546 announce : https://www.facebook.com/i.zeki.yalniz/posts/10157311492509962

Best Practices for Preparing and Augmenting Image Data for Convolutional Neural Networks https://machinelearningmastery.com/best-practices-for-preparing-and-augmenting-image-data-for-convolutional-neural-networks/

Announcing Google-Landmarks-v2: An Improved Dataset for Landmark Recognition & Retrieval http://ai.googleblog.com/2019/05/announcing-google-landmarks-v2-improved.html

BoTorch is a library for Bayesian Optimization built on PyTorch. Facebook open-sources Ax and BoTorch to simplify AI model optimization github: https://github.com/pytorch/botorch description: https://techcrunch.com/2019/05/01/facebook-open-sources-ax-and-botorch-to-simplify-ai-model-optimization/

Real-Time Patch-Based Stylization of Portraits Using Generative Adversarial Network http://dcgi.fel.cvut.cz/home/sykorad/facestyleGAN.html

Пошаговое руководство по созданию голосового помощника с Python https://habr.com/ru/post/450224/

A Gentle Introduction to the ImageNet Large Scale Visual Recognition Challenge (ILSVRC) https://machinelearningmastery.com/introduction-to-the-imagenet-large-scale-visual-recognition-challenge-ilsvrc/