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 276 197 підписників, посідаючи 336 місце в категорії Технології та додатки та 1 374 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 276 197 підписників.
За останніми даними від 05 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -2 229, а за останні 24 години на -129, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.04%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.20% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 22 218 переглядів. Протягом першої доби публікація в середньому набирає 17 137 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 330.
- 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 06 листопада, 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.
276 197
Підписники
-12924 години
-8177 днів
-2 22930 днів
Архів дописів
276 191
Group R-CNN for Point-based Weakly Semi-supervised Object Detection
Instance-aware representation learning which consists of instance-aware feature enhancement and instance-aware parameter generation to overcome this issue.
Code: https://github.com/jshilong/grouprcnn
Installation: https://mmdetection.readthedocs.io/en/v2.18.1/get_started.html#installation
Paper: https://arxiv.org/abs/2205.05920v1
Task: https://paperswithcode.com/task/object-detection
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
276 191
Group R-CNN for Point-based Weakly Semi-supervised Object Detection
Code: https://github.com/jshilong/grouprcnn
Paper: https://arxiv.org/abs/2205.05920v1
Dataset: https://paperswithcode.com/dataset/coco
@ArtificialIntelligencedl
276 191
Прокачай карьеру в NLP и компьютерной лингвистике!
19 мая в 18:00 (по МСК) Мила Рванова, ведущий аналитик-исследователь Газпромбанка, расскажет:
• что такое Natural Language Processing,
• почему знаний в IT и математике может быть недостаточно,
• зачем NLP нужен бизнесу,
• что нужно знать для построения карьеры в NLP.
Лекция пройдет в Zoom – нужна регистрация: https://vk.cc/cd3e4B
276 191
Efficient and performance-portable vector software
CPUs provide SIMD/vector instructions that apply the same operation to multiple data items. This can reduce energy usage e.g. fivefold because fewer instructions are executed. We also often see 5-10x speedups.
Code: https://github.com/google/highway
Paper: https://arxiv.org/abs/2205.05982v1
Testing: https://github.com/google/highway/blob/master/g3doc/release_testing_process.md
@ai_machinelearning_big_data
276 191
Планируете переезд или остаётесь в России?
Если вы разработчик и у вас есть минута времени, поделитесь планами в анонимном опросе. Там всего 7 вопросов.
Ваши ответы помогут крупному IT-работодателю понять, в каких странах стоит открывать офисы и как условия нужны разработчикам.
276 191
🦉 OWL-ViT: Open-World Object Detection with Vision Transformers
OWL-ViT is an open-vocabulary object detector.
Github: https://github.com/google-research/scenic/tree/main/scenic/projects/owl_vit
Paper: https://arxiv.org/abs/2205.06230
Colab: https://colab.research.google.com/github/google-research/scenic/blob/main/scenic/projects/owl_vit/notebooks/OWL_ViT_minimal_example.ipynb
Dataset: https://paperswithcode.com/dataset/objects365
@ai_machinelearning_big_data
276 191
Интернет вещей — это глобальная сеть, которая соединяет не только компьютеры, но и другие электрические приборы, от кофе-машин до тостеров. Почему интернет вещей до сих пор не стал чем-то обыденным и насколько жизнь человека может стать комфортнее с развитием этой технологии? Узнайте в новом выпуске подкаста «ZIP. Архив техногенного мира» от команды Газпромбанка.
Слушайте и делитесь > https://vk.cc/cdrlFa
276 191
🗯 DeepFilterNet
A Low Complexity Speech Enhancement Framework for Full-Band Audio (48kHz) using on Deep Filtering.
Github: https://github.com/rikorose/deepfilternet
Paper: https://arxiv.org/abs/2205.05474v1
Demo: https://huggingface.co/spaces/hshr/DeepFilterNet2
@ai_machinelearning_big_data
276 191
📝 EasyNLP is an easy-to-use NLP development and application toolkit in PyTorch
$ pip install pai-easynlp.
Github: https://github.com/alibaba/EasyNLP
Paper: https://arxiv.org/abs/2205.03071v1
Dataset: https://paperswithcode.com/dataset/natural-questions
Documentation: https://www.yuque.com/easyx/easynlp/kkhkai
@ai_machinelearning_big_data
276 191
🪄 Language Models Can See: Plugging Visual Controls in Text Generation
Github: https://github.com/yxuansu/magic
Paper: https://arxiv.org/abs/2205.02655v1
Dataset: https://paperswithcode.com/dataset/coco
Contrastive Framework for Neural Text Generation: https://github.com/yxuansu/simctg
Colab: https://colab.research.google.com/drive/19lyyMXDRNr-Op8vwUOiRmbhMxI_s3rwW?usp=sharing
@ai_machinelearning_big_data
276 191
Дзен-митап: исследования в рекомендательных системах
19 мая приглашаем на первый в этом году офлайн-митап от Дзена по рекомендательным системам.
Поговорим о том, как правильно строить эмбеддинги для качественных рекомендаций, о нюансах в А/Б тестировании и особенностях научных исследований в рекомендательных системах в академии и бизнесе.
Митап пройдет в ресторане Ketch Up (Москва, ул.Кузнецкий мост, 6/3). Количество мест ограничено — мы пригласим тех, кому мероприятие ближе всего по профилю и опыту. А записи докладов вышлем всем зарегистрировавшимся!
276 191
↘️ PyRDF2Vec: A Python Implementation and Extension of RDF2Vec
Create a 2D feature matrix from a Knowledge Graph for downstream ML tasks.
Github: https://github.com/IBCNServices/pyRDF2Vec
RDF2Vec: http://rdf2vec.org/
Paper: https://arxiv.org/abs/2205.02283v1
Examples: https://github.com/IBCNServices/pyRDF2Vec/tree/main/examples
How to Create Representations of Entities in a Knowledge Graph
@ai_machinelearning_big_data
276 191
❓ Какой подход использовать для построения рекомендательных систем?
На открытом уроке «Что порекомендует мне машинное обучение?» вместе с Марией Тихоновой, Senior Data Scientist Сбера, реализуем один из классических подходов к построению рекомендательных систем своими руками.
🔥 БОНУС
Готовый инструмент, который позволяет создать рекомендашку всего в пару строк кода.
🟢 Еще больше полезных знаний и увлекательных задач ждет вас на онлайн-курсе «Machine Learning. Professional» в OTUS и его партнера — Сбера.
Записаться на урок https://otus.pw/bEtn/
276 191
💬 Textual Entailment for Event Argument Extraction: Zero- and Few-Shot with Multi-Source Learning
Github: https://github.com/osainz59/Ask2Transformers
Instructions: https://github.com/facebookresearch/metaseq/blob/main/docs/setup.md
Paper: https://arxiv.org/abs/2205.01376v1
Dataset: https://paperswithcode.com/dataset/snli
@ai_machinelearning_big_data
276 191
Знаете базу SQL, но для работы этого мало?
Курс «Аналитик данных» научит вас говорить с аналитиками на одном языке.
Изучите все инструменты для работы с данными: Python, SQL, Tableau, теорию вероятностей, статистику, бизнес-метрики и визуализацию данных. Даже если вы никогда не программировали или не разбираетесь в математике.
Теория и практика кода будет в интерактивном тренажёре. А ещё — на проектах, учебных и реальных. 170+ наших студентов работали над задачами в НКО и коммерческих компаниях.
Поддержвать вас будет целая команда сопровождения. Специалисты помогут со сложными темами, проверят код и не дадут прокрастинировать.
Оплачивать учёбу можно помесячно.
Если сомневаетесь, пдойдёт ли вам курс — попробуйте бесплатную вводную часть. В ней можно посмотреть, как работает тренажёр и какие задания предстоит выполнять.
→ Старт потока — 12 мая
→ Попробуйте курс бесплатно
276 191
🔝 OPT (Open Pre-trained Transformers) is a family of NLP models trained on billions of tokens of text obtained from the internet.
__175B GPT-3__
Github: https://github.com/facebookresearch/metaseq
Insttructions: https://github.com/facebookresearch/metaseq/blob/main/docs/setup.md
Paper: https://arxiv.org/abs/2205.01068v2
Dataset: https://paperswithcode.com/dataset/superglue
@ai_machinelearning_big_data
276 191
🚗 MMRotate: A Rotated Object Detection Benchmark using Pytorch
Github: https://github.com/open-mmlab/mmrotate
Documentation: https://mmrotate.readthedocs.io/en/latest/
Paper: https://arxiv.org/abs/2204.13317v1
Dataset: https://paperswithcode.com/dataset/dota
@ai_machinelearning_big_data
276 191
🧊 Focal Sparse Convolutional Networks for 3D Object Detection (CVPR 2022, Oral)
Github: https://github.com/dvlab-research/focalsconv
Paper: https://arxiv.org/abs/2204.12463
Dataset: https://paperswithcode.com/dataset/nuscenes
@ai_machinelearning_big_data
276 191
Хотите повысить свои hard-скиллы в Computer Vision и научиться решать весь пайплайн задач в CV?
Этот пост для вас, если:
- вы хотите улучшить навыки и поднять свою ценность на рынке,
- вы развиваете собственный CV-проект и не знаете как довести его до продакшена,
- вы тимлид и хотите повысить эффективность своей команды.
8 опытных инженеров из разных компаний подготовили курс, который научит вас создавать стабильные и быстрые DL-сервисы с нуля до выпуска первой версии. Вы научитесь:
- дешево добывать чистые данные,
- быстро учить нейросети,
- ускорять инференс,
- автоматизировать деплой и мониторить свои сервисы,
- работать в команде, правильно версионируя код и эксперименты,
и многое другое.
Вас ждут живые онлайн-лекции, групповая работа, квизы и ревью кода от опытных наставников.
Переходите по ссылке и записывайтесь на курс до 11 мая. Всего доступно 25 мест, поторопитесь!
276 191
🧍♂ StyleGAN-Human: A Data-Centric Odyssey of Human Generation
human image dataset with over 230K samples capturing diverse poses and textures
Github: https://github.com/stylegan-human/stylegan-human
Demo video: https://youtu.be/nIrb9hwsdcI
Paper: https://arxiv.org/abs/2204.11823v1
Dataset: https://paperswithcode.com/dataset/market-1501
Colab: https://colab.research.google.com/drive/1sgxoDM55iM07FS54vz9ALg1XckiYA2On
@ai_machinelearning_big_data
