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 294 113 підписників, посідаючи 330 місце в категорії Технології та додатки та 1 277 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 294 113 підписників.
За останніми даними від 30 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -6 432, а за останні 24 години на -166, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.71%. Протягом перших 24 годин після публікації контент зазвичай збирає 5.50% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 22 682 переглядів. Протягом першої доби публікація в середньому набирає 16 178 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 176.
- 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 01 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.
294 113
Підписники
-16624 години
-1 5837 днів
-6 43230 день
Архів дописів
294 030
Идея для лета — нырнуть в Data Science с головой
Станьте специалистом по Data Science и приручите алгоритмы под свои амбициозные цели: от решения бизнес-задач до развития медицинских технологий. На курсе Яндекс Практикума вы можете за 8 месяцев изучить Python, SQL, машинное обучение и визуализацию данных — необходимый минимум для работы младшим специалистом.
Пять «П» — преимущества обучения в Практикуме:
— Помощь с трудоустройством: 78% выпускников находят работу в течение 4 месяцев после окончания курса.
— Портфолио: 16 проектов на основе реальных задач бизнеса и диплом о профессиональной переподготовке.
— Поддержка: преподаватели, наставники, кураторы и ревьюры помогают пройти обучение.
— Подходящий формат: можете заниматься из любой точки мира когда вам удобно.
— Практика: курс на 75% состоит из задач в онлайн-тренажёре и учебных проектов.
→ Старт потока — 21 июля.
Оплачивать учёбу можно помесячно, от 6 090 ₽/мес, или 112 000 ₽ сразу.
Начните учиться бесплатно и решите, подходит ли вам роль специалиста по Data Science.
→ Попробуйте курс бесплатно
294 030
KGI (Knowledge Graph Induction) for slot filling
Github: https://github.com/ibm/kgi-slot-filling
KILT data and knowledge source: https://github.com/facebookresearch/KILT
Paper: https://arxiv.org/abs/2207.06300v1
Dataset: https://paperswithcode.com/dataset/natural-questions
@ai_machinelearning_big_data
294 030
⁉️ Разработать одну ML-модель и провести ее валидацию — уже давно не проблема. Как экспериментировать сразу с сотнями моделей и с разными параметрами и при этом не захлебнуться в разнообразии экспериментов? Как не потерять этот опыт и легко воспроизводить эксперименты годовой давности?
📌 20 июля в 20:00 на открытом уроке OTUS мы разберем инструмент MLFlow. Он позволяет легко выбирать лучшие модели среди всех экспериментов и при этом легко сравнивать эти модели, и всегда иметь понятное описание эксперимента.
💻 Занятие проведет Миленькин Александр, старший менеджер по работе с большими данными в X5 Retail Group.
💣 Чтобы зарегистрироваться на урок, пройдите вступительный тест
⚠️ Еще больше знаний о том, как устроен процесс внедрения ML-решения, ждет вас на онлайн-курсе «MLOps». Он рассчитан на специалистов по машинному обучению или Software инженеров.
294 030
🏎 Instance Shadow Detection with A Single-Stage Detector
Deep framework, and an evaluation metric to approach this new task.
Github: https://github.com/stevewongv/InstanceShadowDetection
Instance Shadow Detection: https://github.com/stevewongv/SSIS
Video: https://www.youtube.com/watch?v=p0b_2SsFypw
Colab: https://colab.research.google.com/drive/1y9UpS5uA1YuoMyvYVzcKL4ltA_FDu_x0?usp=sharing
Paper: https://arxiv.org/abs/2207.04614v1
Datasets: https://paperswithcode.com/dataset/soba
@ai_machinelearning_big_data
294 030
❓ Как сделать тематическое моделирование сообществ в Telegram?
Для начала пару слов о том, что такое тематическое моделирование. Тематическое моделирование (оно же topic modeling) — задача и процесс построения тематической модели.....
🎯 Читать статью в habr — https://otus.pw/MKRq/
Статья подготовлена в рамках онлайн-курса с продвинутыми приемами машинного обучения — Machine Learning Advanced».
🔥 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
👉🏻 ПРОЙТИ ТЕСТ
https://otus.pw/vth9/
294 030
🧍♂ PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision
Human-centric privacy-preserving synthetic data generator with highly parametrized domain randomization.
Github: https://github.com/unity-technologies/peoplesanspeople
Paper: https://arxiv.org/abs/2207.05025v1
Demo Video: https://www.youtube.com/watch?v=mQ_DUdB70dc
@ai_machinelearning_big_data
294 030
Большие данные захватили мир
Как стриминговые сервисы понимают, что вы любите? Анализ данных уже давно открыл человечеству новые возможности. Бизнес активно использует инструменты Data Science на полную: голосовые ассистенты, чат-боты, персонализированная реклама.
IT-школа Skillfactory и лучший технический вуз МФТИ ответят на эти вопросы и раскроют главный секрет на своём бесплатном онлайн-интенсиве:
“Кем ты будешь через 2 года, если пойдешь учиться на Data Science сейчас?”
За 1,5 часа руководитель онлайн-магистратур в МФТИ Мария Савицкая расскажет преимущества специалистов с профильным образованием и перспективы развития Data Science.
А эксперт по Data Science Иван Ямщиков расскажет, как работает и в каких сферах применяется машинное обучение и что нас ждет через 10 лет!
По оценкам Frost & Sullivan, каждый год сфера Data Science растет на 35,9%. При этом опытных дата-сайентистов не хватает, поэтому их зарплата стабильно увеличивается. Сейчас специалисты с опытом работы 2-3 года получают от 250 000 ₽.
Переходите по ссылке и регистрируйтесь, это займёт меньше минуты: https://go.skillfactory.ru/N4Q9wg
294 030
🔸 An Efficiency Study for SPLADE Models
SParse Lexical AnD Expansion Model for First Stage Ranking.
Github: https://github.com/naver/splade
Paper: https://arxiv.org/abs/2207.03834v1
Dataset: https://paperswithcode.com/dataset/ms-marco
@ai_machinelearning_big_data
294 030
В VK стартовал набор в Академию больших данных MADE — это бесплатное обучение для специалистов с опытом в разработке.
👉 Регистрируйтесь до 6 августа: https://vk.cc/ceWl31
Программа длится один год, но будьте готовы к серьезной нагрузке: занятия займут 25–40 часов в неделю. За это время вы сможете повысить свой профессиональный уровень или освоить новое направление в IT.
Что вас ждёт:
🔹Много практики и работа над реальными проектами.
🔹Преподаватели — ведущие эксперты в области Data Science. Например, несколько дисциплин ведёт Сергей Николенко, автор бестселлера «Глубокое обучение» и создатель курсов в СПбГУ, НИУ ВШЭ и Harbour Space University.
🔹Профессиональное сообщество, где преподаватели, выпускники и слушатели делятся знаниями, общаются и помогают в решении сложных задач.
Для поступления нужно сдать экзамены по математике и программированию, пройти соревнование по машинному обучению и анкетирование.
294 030
👀 Object Centric Open Vocabulary Detection
Object-centric alignment of the language embeddings from the CLIP model.
Github: https://github.com/hanoonaR/object-centric-ovd
Paper: https://arxiv.org/abs/2207.03482v1
Dataset: https://paperswithcode.com/dataset/imagenet
@ai_machinelearning_big_data
294 030
⬆️ YOLOv7
YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
Github: https://github.com/wongkinyiu/yolov7
Paper: https://arxiv.org/abs/2207.02696v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
294 030
Нетология ищет экспертов
Преподавание для IT-специалистов — это не только дополнительный заработок, но и возможность улучшить своё ораторское мастерство и менторские навыки, развить личный бренд, найти единомышленников среди преподавателей.
Нетология ищет экспертов уровня middle и выше, которые готовы делиться накопленными знаниями. Если вы хотите лично обучить будущих коллег и развить свои менторские навыки — переходите по ссылке, оставляйте контакты и становитесь экспертом Нетологии.
Подробнее здесь https://netolo.gy/iKT
294 030
🔀 No Language Left Behind
Meta's open-sources models capable of delivering high-quality translations directly between any pair of 200+ languages.
Github: https://github.com/facebookresearch/fairseq/tree/nllb
Paper: https://research.facebook.com/publications/no-language-left-behind/
Website: https://ai.facebook.com/research/no-language-left-behind/
Demo: https://nllb.metademolab.com/
@ai_machinelearning_big_data
294 030
⚡️ ИНТЕНСИВ ML — для продвинутых
Присоединяйтесь 11 и 13 июля в 18:00 к открытому интенсиву OTUS, вас ждет глубокое погружение в область рекомендательных систем.
👩🏻🎓 Интенсив проведет специалист по анализу данных в команде AGI NLP в Сбере Мария Тихонова.
📌 НА ИНТЕНСИВЕ ИЗУЧИМ:
- Популярные подходы для формирования рекомендаций и реализуете один из них своими руками.
- Продвинутые методы на основе матричных разложений
- Готовые инструменты и библиотеки для построения рекомендательных систем.
После интенсива вы сможете продолжить осваивать продвинутые ML-приемы на онлайн-курсе «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
День 1 - 11 июля в 18:00
https://otus.pw/Be4qY/
День 2 - 13 июля в 18:00
https://otus.pw/ni8N/
294 030
🔥 SeqDeepFake: Detecting and Recovering Sequential DeepFake Manipulation
First Seq-DeepFake dataset, where face images are manipulated sequentially with corresponding annotations of sequential facial manipulation vectors.
Github: https://github.com/rshaojimmy/seqdeepfake
Project: https://rshaojimmy.github.io/Projects/SeqDeepFake
Paper: https://arxiv.org/pdf/2207.02204.pdf
Dataset: https://paperswithcode.com/dataset/imagenet
@ai_machinelearning_big_data
294 030
🔥 Хардкорный тест по MLOps 🔥
🚀 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на курсе - MLOps.
📊 Курс рассчитан на специалистов по Машинному обучению или Software инженеров, которые хотят научиться использовать современные инструменты MLOps для развертывания их решений в проде.
👉 ПРОЙТИ ТЕСТ - https://otus.pw/eL7y/
⏰ Время прохождения теста ограниченно 30 минут
💣 Пройдете тест, получите доступ к 2 открытым урокам курса:
✔️ Оркерстрация пайплайнов в AirFlow
✔️ Мониторинг моделей машинного обучения в MLFlow
294 030
Repost from Data Science Jobs
Вакансия: В PREDICTO открыта вакансия
Machine learning engineer
О компании:
Predicto с 2018 г. занимается анализом и сегментацией данных для крупных российских и иностранных клиентов. В этом году мы поставили себе амбициозную задачу разработки CDP и рекомендательной системы.
В нашей команде уже 10 сильных и классных ребят, но задач столько, что очень хотим еще!
📍Middle (важно)
📍 в классном офисе в Москве/гибрид;
📍250-400К руб., белая ЗП или ИП;
📍большой датасет, интересные задачи, возможность влиять на продукт.
✅Что нужно делать:
• Разработка моделей машинного обучения, в частности, предиктивных моделей (например, прогнозирование оттока клиентов) и рекомендательной системы;
• Самостоятельная постановка гипотез, анализ данных и дизайн фич, проведение и оценка экспериментов;
• Участие в продукционализации ML моделей вместе с нашими cloud инженерами и data инженерами.
✅ Требования
• Знание алгоритмов машинного обучения и статистического анализа;
• Опыт программирования на Python и знание основных библиотек для работы с данными и ML моделями; знание хотя бы одного из фреймворков для deep learning;
• Знание SQL и опыт работы с большими данными;
• Понимание жизненного цикла и опыт продукционализации ML моделей.
✅ Опционально (плюс):
• Опыт участия в соревнованиях по машинному обучению (Kaggle и др);
• Понимание принципов распределенной обработки данных, опыт работы с Spark’ом и Spark MLlib;
• Знание инструментов и методов MLOps.
Присылайте CV @naikava
@datascienceml_jobs - ML вакансии
294 030
🔌 Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations
For the first time brings the power of robust data augmentations into regularizing the NeRF training.
Github: https://github.com/vita-group/aug-nerf
Paper: https://arxiv.org/abs/2207.01164v1
Cloud Drive: https://drive.google.com/drive/folders/128yBriW1IG_3NJ5Rp7APSTZsJqdJdfc1
@ai_machinelearning_big_data
294 030
Как быть в курсе цен конкурентов, и точно знать, что вы не упускаете прибыль из-за несвоевременной выкладки товара на полки? Инструмент Product Analyzer, разработанный Napoleon IT, распознает любые товары и цены из продуктовых ритейл-сетей, чем облегчает ведение мониторинга.
Сейчас Product Analyzer доступен на маркетплейсе Cloud AI Services по модели freemium. Узнайте, как им пользоваться и какие возможности открывает сервис для ритейлеров на совместном вебинаре Cloud и Napoleon IT!
Вебинар «Первая AI-модель для распознавания товаров и цен в розничных продуктовых сетях на платформе ML Space» будет полезен маркетинговым и коммерческим директорам розничных сетей, категорийным менеджерам, директорам по закупкам, руководителям отделов мерчендайзинга. Регистрируйтесь по ссылке: Вебинар от команды платформы ML Space
294 030
Как быть в курсе цен конкурентов, и точно знать, что вы не упускаете прибыль из-за несвоевременной выкладки товара на полки? Инструмент Product Analyzer, разработанный Napoleon IT, распознает любые товары и цены из продуктовых ритейл-сетей, чем облегчает ведение мониторинга.
Сейчас Product Analyzer доступен на маркетплейсе Cloud AI Services по модели freemium. Узнайте, как им пользоваться и какие возможности открывает сервис для ритейлеров на совместном вебинаре Cloud и Napoleon IT!
Вебинар «Первая AI-модель для распознавания товаров и цен в розничных продуктовых сетях на платформе ML Space» будет полезен маркетинговым и коммерческим директорам розничных сетей, категорийным менеджерам, директорам по закупкам, руководителям отделов мерчендайзинга. Регистрируйтесь по ссылке: Вебинар от команды платформы ML Space
