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 275 988 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 275 988 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.
275 988
Підписники
-15724 години
-8727 днів
-2 49930 днів
Архів дописів
275 985
▶️ Deepminds's Perceiver: General Perception with Iterative Attention
General architecture that works on many kinds of data
https://deepmind.com/blog/article/building-architectures-that-can-handle-the-worlds-data
Github: https://github.com/deepmind/deepmind-research/tree/master/perceiver
Colab: https://colab.research.google.com/github/deepmind/deepmind_research/blob/master/perceiver/colabs/masked_language_modelling.ipynb
Paper: https://arxiv.org/abs/2103.03206
@ai_machinelearning_big_data
275 985
Создайте систему биометрии — попробуйте себя в роли дата-сайентиста!
На бесплатном воркшопе от онлайн-магистратуры МГУ «Искусственный интеллект и цифровые технологии» вы узнаете:
▪️Как построить систему распознавания лиц с помощью Python
▪️Как выполнять тестовые задания и проходить собеседования
▪️Как эффективно изучать Data Science
Подключайтесь на онлайн-трансляцию 5 августа в 19:00 по МСК
Регистрируйтесь сейчас, чтобы не пропустить воркшоп:
https://u.to/w66BGw
275 985
🥑 DALL·E Mini
Generate images from a text prompt
Demo: https://huggingface.co/spaces/flax-community/dalle-mini
Github: https://github.com/borisdayma/dalle-mini
Paper: https://wandb.ai/dalle-mini/dalle-mini/reports/DALL-E-mini--Vmlldzo4NjIxODA
@ai_machinelearning_big_data
275 985
📡 StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
Github: https://github.com/rinongal/StyleGAN-nada
Paper: https://arxiv.org/abs/2108.00946v1
Project: https://stylegan-nada.github.io/
Dataset: https://paperswithcode.com/dataset/lsun
@ai_machinelearning_big_data
275 985
🗣 Pretrained Language Model
AutoTinyBERT: Automatic Hyper-parameter Optimization for Efficient Pre-trained Language Models
Github: https://github.com/huawei-noah/Pretrained-Language-Model
Paper: https://arxiv.org/abs/2107.13686v1
AutoTinyBERT: https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/AutoTinyBERT
@ai_machinelearning_big_data
275 985
🤖 Droidlet: modular, heterogenous, multi-modal agents
Github: https://github.com/facebookresearch/droidlet
Paper: https://arxiv.org/abs/2101.10384
Article: https://t.me/machinelearning_ru/279
@ai_machinelearning_big_data
275 985
🌠 Deepmind's Generally capable agents emerge from open-ended play
Blog : https://deepmind.com/blog/article/generally-capable-agents-emerge-from-open-ended-play
Paper: https://deepmind.com/research/publications/open-ended-learning-leads-to-generally-capable-agents
DeepMind Research: https://github.com/deepmind/deepmind-research
Video: https://www.youtube.com/watch?v=lTmL7jwFfdw&ab_channel=DeepMind
@ai_machinelearning_big_data
275 985
👁 Contextual Transformer Networks for Visual Recognition.
Github: https://github.com/JDAI-CV/CoTNet
Paper: https://arxiv.org/abs/2107.12292v1
Chalange: https://eval.ai/web/challenges/challenge-page/1041/leaderboard/2695
@ai_machinelearning_big_data
275 985
🖊 Introducing Triton: Open-Source GPU Programming for Neural Networks
https://openai.com/blog/triton/
Github: https://github.com/openai/triton
Documents: https://triton-lang.org/
@ai_machinelearning_big_data
275 985
📂 RLQP: Accelerating Quadratic Optimization with RL
Github: https://github.com/berkeleyautomation/rlqp
Paper: https://arxiv.org/abs/2107.10833v1
@ai_machinelearning_big_data
275 985
AAVAE: Augmentation-Augmented Variational Autoencoders
Github: https://github.com/gridai-labs/aavae
Paper: https://arxiv.org/abs/2107.12329v1
Dataset: https://paperswithcode.com/dataset/cifar-10
@ai_machinelearning_big_data
275 985
🔎 Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data
Github: https://github.com/xinntao/Real-ESRGAN
Paper: https://arxiv.org/abs/2107.10833v1
How to Train Real-ESRGAN: https://github.com/xinntao/Real-ESRGAN/blob/master/Training.md
Colab Demo: https://colab.research.google.com/drive/1sVsoBd9AjckIXThgtZhGrHRfFI6UUYOo
@ai_machinelearning_big_data
275 985
https://t.me/Golang_google - golang channel
https://t.me/javascriptv - javascript tutorials
https://t.me/memes_prog - it memes
https://t.me/pro_python_code - python ru
https://t.me/htmlcssjavas - web development
275 985
🤗 The Best SOTA NLP Course is Free!
https://huggingface.co/course/chapter1
Dataset: https://github.com/huggingface/datasets
Colab: https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/chapter1/section3.ipynb
@ai_machinelearning_big_data
275 985
Тут у Яндекса интересная новость. Компания запускает соревнование для исследователей в области машинного обучения в рамках крупнейшей конференции MLщиков в мире - NeurIPS 2021. Вместе с учеными Оксфорда и Кембриджа предлагают участникам посоревноваться в разработке алгоритмов и их обучении для погоды, машинного перевода текстов и предсказания поведения участников автомобильного движения. Основной задачей будет проверить эффективность этих алгоритмов при сдвиге данных.
Для соревнования Яндекс открыл доступ к собственному датасету, который считается самым большим в мире по беспилотным автомобилям. Еще поделятся реальными данными Я.Погоды и Я.Переводчика. Это данные из сервисов, которые много лет работают в реальном мире, используются в различных сценариях, и уже проходили испытание сдвигом данных.
Полученные решения можно будет применять в разных отраслях, которые сталкиваются со сдвигом данных. Крутая инициатива!
https://research.yandex.com/shifts
275 985
ИТ-компания Selectel приглашает на вебинар «Искусственный интеллект и Machine learning»
После вебинара вы сможете:
💥 наладить прозрачный R&D-процесс в командах
💥 получить нужный результат даже при низкой квалификации кадров
💥 провести оценку эффективности работы исследователей
Дата: 29 июля, четверг, 16:00 МСК
Спикеры: Алексей Гончаров, CEO в Machine Intelligence Laboratory, и Антон Чунаев, менеджер ML-продуктов в @selectelnews.
Подробности и регистрация по ссылке:
🚀 https://slc.tl/RaS56
275 985
🌀 CycleMLP: A MLP-like Architecture for Dense Prediction
Github: https://github.com/ShoufaChen/CycleMLP
Paper: https://arxiv.org/abs/2107.10224
Dataset: https://paperswithcode.com/dataset/imagenet
@ai_machinelearning_big_data
275 985
Хотите освоить продвинутые приемы Машинного обучения?
Тогда без знаний, которые даст вам онлайн-курс «Machine Learning. Advanced», не обойтись.
📍Справитесь ли вы с уровнем курса? Покажет вступительный тест.
Пройдите тестирование, чтобы:
● оценить свои навыки
● занять место на курсе по специальной цене
● получить доступ к демо-урокам курса
👉🏻Пройти тестирование: https://otus.pw/U0aY/
275 985
🔝 Deepmind's WikiGraphs: A Wikipedia Text - Knowledge Graph Paired Dataset
This package provides tools to download the WikiGraphs dataset
Github: https://github.com/deepmind/deepmind-research/tree/master/wikigraphs
Paper: https://arxiv.org/abs/2107.09556v1
Dataset: https://paperswithcode.com/dataset/wikigraphs
@ai_machinelearning_big_data
275 985
🐍 PyTorch Fundamentals Free Microsoft Course
https://docs.microsoft.com/en-us/learn/paths/pytorch-fundamentals/
Ru: https://docs.microsoft.com/ru-ru/learn/paths/pytorch-fundamentals/
Github: https://github.com/pytorch/tutorials
@ai_machinelearning_big_data
