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 275 899 підписників, посідаючи 336 місце в категорії Технології та додатки та 1 377 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 275 899 підписників.
За останніми даними від 07 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -2 499, а за останні 24 години на -157, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.01%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.41% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 22 107 переглядів. Протягом першої доби публікація в середньому набирає 17 690 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 342.
- 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 08 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.
275 899
Підписники
-15724 години
-8727 днів
-2 49930 днів
Архів дописів
275 849
Каждый Data scientist хоть раз пробовал поиграться с нейросетями. Но чтобы они решали задачи бизнеса, работали стабильно и не потребляли чрезмерное количество ресурсов — тут не обойтись без практики и специальных знаний.
Хотите связать свою карьеру с нейросетями? Ждем вас на онлайн-курсе «Deep Learning. Basic», где вы с основ шаг за шагом создадите и обучите свою первую послушную нейронную сеть.
⚡️За 5 месяцев вы ознакомитесь с базовыми возможностями нейронных сетей, попробуете разные направления Deep Learning и освоите такие фреймворки как PyTorch, Keras, NumPy. После обучения вы сможете претендовать на начальные позиции специалиста по нейронным сетям и самостоятельно решать рядовые распространенные задачи.
👉Вступительный тест покажет, достаточно ли у вас знаний математики и базового синтаксиса Python для прохождения курса. Набирайте проходной балл и занимайте место по спец.цене: https://otus.pw/mAwq/
275 849
UniverseNet
UniverseNet is the state-of-the-art detector that can be trained in 24 epochs.
Github: https://github.com/shinya7y/UniverseNet
Paper: https://arxiv.org/abs/2103.14027v1
@ai_machinelearning_big_data
275 849
Swin Transformer - PyTorch
Code: https://github.com/berniwal/swin-transformer-pytorch
Github: https://github.com/microsoft/Swin-Transformer
Paper: https://arxiv.org/abs/2103.14030v1
@ai_machinelearning_big_data
275 849
🤗 ⚡️Multilingual CLIP with Huggingface + PyTorch Lightning
https://sachinruk.github.io/blog/pytorch/pytorch%20lightning/loss%20function/gpu/2021/03/07/CLIP.html#Data
CLIP: Connecting Text and Images: https://openai.com/blog/clip/
@ai_machinelearning_big_data
275 849
Салют! Семейство виртуальных ассистентов Салют и компания Just AI ищут разработчиков чат-ботов, голосовых и других виртуальных помощников и предлагают им возможности платформы Сбера.
1. Открыта возможность переноса в ассистентов Салют навыков чат-ботов, созданных на платформе JAICP или с помощью конструктора Aimylogic. Детали по ссылке https://clck.ru/TsXMU
2. Доступен эмулятор для тестирования навыков на поверхностях платформы Сбера (умные устройства и мобильные приложения).
3. Есть возможность подключить оплату на любом шаге сценария.
4. Доступ к аудитории экосистемы Сбера.
А ещё каждый квартал команда Сбера определяет лучшие приложения, разработанные для каталога SmartMarket и дарит их авторам по 2,5 млн рублей. Узнай подробности по ссылке: https://clck.ru/Ttz2V
275 849
Towards Ultra-Resolution Neural Style Transfer via Thumbnail Instance Normalization
Github: https://github.com/czczup/URST
Paper: https://arxiv.org/abs/2103.11784
Dataset: https://cocodataset.org/#download
@ai_machinelearning_big_data
275 849
Каждый день мы загружаем и передаем все больше контента. Нагрузка на базовые станции операторов растет, но вместе с ней растет и качество связи. Как это получается? И какую роль в этом процессе играет big data?
Ответы найдете в видео «Как нейросети помогают оставаться на связи», где Тимур и Вика, датасайентисты из МегаФона, рассказывают, почему модернизация базовых станций – это задача из области data science, как работает модель, на основании рекомендаций которой принимаются решения о необходимости «прокачки» той или иной вышки, и остается ли в этом процессе место для человека.
Спойлер: место для человека остается. Например, в МегаФоне в команду по работе с большими данными ищут Team Lead, Senior data scientist, инженера SQL и других специалистов.
275 849
The GENRE (Generarive ENtity REtrieval) system as presented in Autoregressive Entity Retrieval implemented in pytorch.
Github: https://github.com/facebookresearch/GENRE
Paper: https://arxiv.org/abs/2103.12528v1
Dataset: https://github.com/facebookresearch/GENRE/blob/main/scripts/download_all_datasets.sh
@ai_machinelearning_big_data
275 849
The last article in uplift modeling tutorials by MTS data scientists: “Metrics in uplift modeling”📈
Uplift models are used to promote products and create advertising segments 🤑
📗 Habr: https://habr.com/ru/company/ru_mts/blog/538934/
💻 Code: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/uplift_metrics_tutorial.ipynb
275 849
🔬 The Best ML Frameworks & Extensions for Scikit-learn
https://neptune.ai/blog/the-best-ml-framework-extensions-for-scikit-learn
@ai_machinelearning_big_data
275 849
Contrastive Learning of Musical Representations
Github: https://github.com/spijkervet/CLMR
Paper: https://arxiv.org/abs/2103.09410
@ai_machinelearning_big_data
275 849
Продолжается набор на оплачиваемую летнюю стажировку в Яндексе ⚡️
Если вы (или ваши друзья) давно хотели попробовать себя в роли разработчика, летняя стажировка — идеальный вариант.
Отлично проявившие себя стажеры получат шанс перейти в штат!
Направления: фронтенд- и бэкенд-разработка, машинное обучение, аналитика, мобильная разработка и другие — ознакомиться с ними можно здесь.
Особый формат стажировки — Deep Dive в Яндекс.Маркете.
Сколько длится: от трех до 6 месяцев.
Где: в Москве, Санкт-Петербурге, Екатеринбурге, Нижнем Новгороде, Новосибирске, Сочи, Симферополе и Минске.
Если вы из другого города — мы оплатим вам дорогу и проживание в Москве 🙌
Что нужно уметь: мы ждём отличного знания базовых алгоритмов и уверенных навыков программирования на одном из языков.
Как проходит отбор: зависит от направления, но в большинстве случаев нужно будет выполнить тестовое задание, пройти два-три технических интервью, а затем выбрать команду.
Подавайте заявку до 31 мая: https://clck.ru/TgiBN
275 849
Large Scale Image Completion via Co-Modulated Generative Adversarial Networks, ICLR 2021 (Spotlight)
Gitub: https://github.com/zsyzzsoft/co-mod-gan
Paper: https://openreview.net/pdf?id=sSjqmfsk95O
Demo: http://comodgan.ml/
@ai_machinelearning_big_data
275 849
Кейс: как сервис с развлекательным видео-контентом увеличил доход с рекламы на 10%
Сервис зарабатывает на рекламе — чем больше пользователь смотрит рекламы, тем выше доход. Все, по классической схеме.
Но есть проблема: пользователи отказывались от просмотра контента, среднее количество отказов — 17,7%. Очевидно, сервис не умеет показывать релевантные ролики.
Тогда сервис решил настроить персональные рекомендации, как в ютубе. Беда в том, что пользователи просматривают контент анонимно:
— включают VPN,
— используют режим инкогнито
— не оставляют комментарии и лайки
— не регистрируются.
Непонятно, по каким критериям настраивать рекомендации. Ситуация выглядит безнадежной.
Дата-аналитик Orbitsoft рассказывает, как они справились с проблемой, чем помог искусственный интеллект и биг-дата.
http://bit.ly/3tmsnuq
275 849
🔷 PyTorch Geometric Temporal is a temporal (dynamic) extension library for PyTorch Geometric.
Github: https://github.com/benedekrozemberczki/pytorch_geometric_temporal
Paper: https://dl.acm.org/doi/10.1145/3308560.3316581
Dataset: https://pytorch-geometric-temporal.readthedocs.io/en/latest/notes/introduction.html#discrete-time-datasets
@ai_machinelearning_big_data
275 849
Probabilistic two-stage detection
Two-stage object detectors that use class-agnostic one-stage detectors as the proposal network.
Github: https://github.com/xingyizhou/CenterNet2
Paper: https://arxiv.org/abs/2103.07461v1
@ai_machinelearning_big_data
275 849
Яндекс создал новый сервис для ML-разработки и анализа данных — Yandex DataSphere.
👉 Его можно попробовать бесплатно (предоставляется 50+ часов с GPU в фоновых ячейках) по ссылке: https://clck.ru/TkwJG
В чем его главные фишки
✅ Не требует настройки: разворачивается в облаке за пару кликов и сразу же готов к работе. Поэтому забываем как страшный сон об установке ПО и выборе правильных мощностей заранее.
🖥 Привычный интерфейс Jupyter Notebook. А сами проекты не пропадают и живут столько же, сколько ваше облако.
▶️ После исполнения сохраняется состояние (состояние = код + вывод + переменные). Поэтому можно вернуться к любому шагу разработки и не придется заново запускать вычисления.
Продукт молодой, команда очень отзывчива к пожеланиям и на информацию о любых багах быстро реагирует в чате (https://t.me/yandex_datasphere). Вы можете принять реальное участие в становлении Yandex DataSphere.
275 849
Open Avatarify Photorealistic avatars for video-conferencing apps. Democratized.
Github: https://github.com/alievk/avatarify-python
Demo: https://www.youtube.com/watch?v=Q7LFDT-FRzs&feature=youtu.be&ab_channel=AliAliev
@ai_machinelearning_big_data
275 849
Бесплатный вебинар «MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен» от Mail.ru Cloud Solutions
MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении.
Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения.
На вебинаре сотрудники MCS настроят MLflow в максимально близком к production варианте, а также покажут, как реализовать использование компонентов облака в качестве различных backend-сервисов MLflow.
Мероприятие пройдет во вторник, 23 марта, онлайн.
Начало в 18:00 по Москве.
👉 Регистрируйтесь: https://vk.cc/bZIwUi
275 849
Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion
Github: https://github.com/hkchengrex/MiVOS
Paper: https://arxiv.org/pdf/2103.07941v1.pdf
@ai_machinelearning_big_data
