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 293 306 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 293 306 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.

293 306

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

293 301

🔥Multi-Channel Attention Selection GANs for Guided Image-to-Image Translation SelectionGAN for guided image-to-image translation, where we translate an input image into another while respecting an external semantic guidance Code: : https://github.com/Ha0Tang/SelectionGAN Paper: https://arxiv.org/abs/2002.01048v1 @ai_machinelearning_big_data

293 301

Agile Machine Learning: Effective Machine Learning Inspired by the Agile Manifesto (2019) @datascienceiot

293 301

Uplift modeling tutorial part 2 https://habr.com/ru/company/ru_mts/blog/485976/

293 301

Using ‘radioactive data’ to detect if a data set was used for training https://ai.facebook.com/blog/using-radioactive-data-to-detect-if-a-data-set-was-used-for-training/ Paper: https://arxiv.org/abs/2002.00937

293 301

«Карьера в Data Science» звучит как полёт на луну — вроде реально, но есть вопросы. И хорошо, что есть: значит, есть в чём разбираться. Разбираться предлагаем 9 февраля в Кампусе Нетологии, на митапе по Data Science. Полезно будет всем: начинающим — ответы на вопросы о карьере и розыгрыш бесплатного обучения в Нетологии. Практикующим аналитикам — нетворкинг и лайфхаки от экспертов отрасли. Стартуем 9 февраля очно и онлайн. Регистрируйтесь ↓ http://netolo.gy/fg8

293 301

Torch-Struct: Deep Structured Prediction Library Code: https://github.com/harvardnlp/pytorch-struct Paper: https://arxiv.org/abs/2002.00876v1 Fast, general, and tested differentiable structured prediction in PyTorch: http://nlp.seas.harvard.edu/pytorch-struct/

293 301

How to Configure XGBoost for Imbalanced Classification https://machinelearningmastery.com/xgboost-for-imbalanced-classification/

293 301

Filter Sketch for Network Pruning Framework of FilterSketch. The top displays the second-order covariance of the pre-trained CNN Code: https://github.com/lmbxmu/FilterSketch Paper: https://arxiv.org/abs/2001.08514v1

293 301

Project DeepSpeech A TensorFlow implementation of Baidu's DeepSpeech architecture Code: https://github.com/mozilla/DeepSpeech Tensorflow & Pytorch: https://github.com/DemisEom/SpecAugment SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition: https://arxiv.org/pdf/1904.08779.pdf

293 301

Open Source Differentiable Computer Vision Library for PyTorch https://kornia.org Code: https://github.com/kornia/kornia Paper: https://arxiv.org/abs/1910.02190v2

293 301

📚Fresh book by Nassim Taleb Statistical Consequences of Fat Tails: Real World Preasymptotics, Epistemology, and Applications https://arxiv.org/abs/2001.10488 @ai_machinelearning_big_data

293 301

TVR: A Large-Scale Dataset for Video-Subtitle Moment Retrieval Github: https://github.com/jayleicn/TVRetrieval PyTorch implementation of MultiModal Transformer (MMT), a method for multimodal (video + subtitle) captioning: https://github.com/jayleicn/TVCaption Paper: https://arxiv.org/abs/2001.09099v1

293 301

Uplift modeling tutorial https://habr.com/ru/company/ru_mts/blog/485980/ Code example: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/RetailHero.ipynb

293 301

f-BRS: Rethinking Backpropagating Refinement for Interactive Segmentation Code: https://github.com/saic-vul/fbrs_interactive_segmentation Paper: https://arxiv.org/abs/2001.10331

293 301

Hyperparameter tuning with Keras Tuner https://blog.tensorflow.org/2020/01/hyperparameter-tuning-with-keras-tuner.html Github: https://github.com/keras-team/keras-tuner Distributed Tuning: https://keras-team.github.io/keras-tuner/tutorials/distributed-tuning/

293 301

Multi-task self-supervised learning for Robust Speech Recognition A PASE model can be used as a speech feature extractor or to pre-train an encoder for our desired end-task Code: https://github.com/santi-pdp/pase Paper: https://arxiv.org/abs/2001.09239v1 @ai_machinelearning_big_data

293 301

Знаете, каким образом ваш голосовой помощник распознает речь, как банк защищает ваш аккаунт от мошенников и как интернет-магазин определяет товар для рекомендации? Эти задачи решает Data Scientist. Не удивительно, что сегодня это прорывная профессия с ЗП от 130 000 руб./мес Звучит интересно, но сложно? На специализации Data Science в школе-данных SkillFactory вы сможете онлайн освоить профессию за 12 месяцев. Будет непросто, да, но интересно и супер-перспективно. На курсе вас ждут 20% теории и 80% практики на реальных данных: Python, машинное обучение, нейросети и deep learning, Big Data и Data engineering, математика и статистика для Data Sciencе + модуль менеджмента. Уже к концу обучения вы сможете продемонстрировать работодателям Git-репозиторий с вашими готовыми кейсами! Узнайте подробности: https://clc.to/e9kMjg ⚡️Киберпонедельник уже здесь! Cкидка на курсы до 40% ー не упустите шанс!

293 301

Channel Pruning via Automatic Structure Search Code: https://github.com/lmbxmu/ABCPruner Paper: https://arxiv.org/abs/2001.08565

293 301

Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation http://vllab.ucmerced.edu/ym41608/projects/CrossDomainFewShot/ Code and data: https://github.com/hytseng0509/CrossDomainFewShot Paper: https://arxiv.org/abs/2001.08735

293 301

FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence Code: https://github.com/google-research/fixmatch Paper: https://arxiv.org/abs/2001.07685