Computer Science and Programming

Відкрити в Telegram

Channel specialized for advanced topics of: * Artificial intelligence, * Machine Learning, * Deep Learning, * Computer Vision, * Data Science * Python Admin: @otchebuch Memes: @memes_programming Ads: @Source_Ads, https://telega.io/c/computer_science

Сітка:Computer Science and Programming Італія87 Технології та додатки815...

📈 Аналітичний огляд Telegram-каналу Computer Science and Programming

Канал Computer Science and Programming (@computer_science_and_programming) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 142 757 підписників, посідаючи 815 місце в категорії Технології та додатки та 87 місце у регіоні Італія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 142 757 підписників.

За останніми даними від 13 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -1 316, а за останні 24 години на -26, загальне охоплення залишається високим.

Статус верифікації: Не верифікований
Рівень залученості (ER): Середній показник залученості аудиторії становить 6.13%. Протягом перших 24 годин після публікації контент зазвичай збирає 1.79% реакцій від загальної кількості підписників.
Охоплення публікацій: В середньому кожен допис отримує 8 753 переглядів. Протягом першої доби публікація в середньому набирає 2 559 переглядів.
Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 17.
Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як sellerflash, github, developer, pricing, waybienad.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Channel specialized for advanced topics of: * Artificial intelligence, * Machine Learning, * Deep Learning, * Computer Vision, * Data Science * Python Admin: @otchebuch Memes: @memes_programming Ads: @Source_Ads, https://telega.io/c/computer_sc...”

Завдяки високій частоті оновлень (останні дані отримано 14 червня, 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.

142 757

Підписники

-2624 години

-1847 днів

-1 31630 день

8 753

Перегляди допису

~ 2 55924 години

~ 3 64348 годин

6.13%

Коефіцієнт залучення

~ 1

Дописів на день

Ads index

beta

Архів дописів

142 747

OBJECT-AWARE CROPPING FOR SELF-SUPERVISED LEARNING Paper: https://arxiv.org/pdf/2112.00319v1.pdf Github: https://github.com/shlokk/object-cropping-ssl 👉👉@computer_science_and_programming

142 747

Object-aware cropping, a simple, fast and highly effective data augmentation alternative to random scene cropping for SELF-SUPERVISED LEARNING

142 747

Another state-of-the-art archtecture for Vision tasks: Github: https://github.com/sail-sg/poolformer Paper: https://arxiv.org/abs/2111.11418 Datasets: ImageNet, COCO, Ade20k Colab: https://colab.research.google.com/github/sail-sg/poolformer/blob/main/misc/poolformer_demo.ipynb 👉👉@computer_science_and_programming

142 747

PoolFormer: MetaFormer is Actually What You Need for Vision

142 747

ESPnet: end-to-end text-to-speech processing toolkit ESPnet2-TTS: Extending the Edge of TTS Research Github: https://github.com/espnet/espnet Docs: https://espnet.github.io/espnet/ Paper: https://arxiv.org/abs/2110.07840v1 Dataset: https://paperswithcode.com/dataset/vctk

142 747

One of the best reference book is definately "Deep Learning with Python" (1st edition) by François Chollet (creator of Keras) Deep Learning with Python (2nd edition) has been released with 500 pages of code examples, theory, context, practical tips... Book: https://www.manning.com/books/deep-learning-with-python-second-edition?a_aid=keras For online reading: https://livebook.manning.com/book/deep-learning-with-python-second-edition/chapter-1/ Jupyter notebooks on Github: https://github.com/fchollet/deep-learning-with-python-notebooks 👉👉@computer_science_and_programming

142 747

Under review as a conference paper at ICLR 2022 8-BIT OPTIMIZERS VIA BLOCK-WISE QUANTIZATION Paper: https://arxiv.org/abs/2110.02861 Github: https://github.com/facebookresearch/bitsandbytes Video: https://www.youtube.com/watch?v=IxrlHAJtqKE Documentation: https://bitsandbytes.readthedocs.io/en/latest/ 👉@computer_science_and_programming

142 747

8-bit optimizers – a replacement for regular optimizers. 🚀, 75% less memory, same with upwards trend, no hyperparam tuning needed Input symbol for numbers: #Lightweight, #LessMemory

142 747

PASS: Pictures without humAns for Self-Supervised Pretraining PASS is a large-scale image dataset that does not include any humans, human parts, or other personally identifiable information Github https://github.com/yukimasano/PASS Paper https://arxiv.org/abs/2109.13228v1 Dataset https://paperswithcode.com/dataset/pass Documentation https://www.robots.ox.ac.uk/~vgg/research/pass/

142 747

Code: https://github.com/gist-ailab/uoais#unseen-object-amodal-instance-segmentation-uoais Paper: https://arxiv.org/abs/2109.11103 Dataset: https://paperswithcode.com/dataset/ocid Project page: https://sites.google.com/view/uoais 👉@computer_science_and_programming

142 747

⚠ Message was hidden by channel owner

142 747

Unseen Object Amodal Instance Segmentation (UOAIS)

142 747

Paper (ICCV2021): https://arxiv.org/pdf/2109.04425v1.pdf Github: https://github.com/yumingj/Talk-to-Edit Dataset: https://drive.google.com/drive/folders/18nejI_hrwNzWyoF6SW8bL27EYnM4STAs 👉@computer_science_and_programming

142 747

Now we can generate the faces with just with talking

142 747

Paper: https://arxiv.org/pdf/2108.11250v1.pdf Github: https://github.com/hustvl/YOLOP

142 747

You Only 👀 Once for Panoptic 🚙 Perception

142 747

Paper: https://arxiv.org/pdf/2105.06993.pdf Github: https://github.com/erikalu/omnimatte Project Page: https://omnimatte.github.io/ Supplimentary material: https://omnimatte.github.io/supplementary/index.html Explained: https://www.youtube.com/watch?v=lCBSGOwV-_o 👉@computer_science_and_programming

142 747

Now removing, duplicating or enhancing objects in video is more realistic with the assist of AI "We need to talk about the car in the room." This paper: what car? 🙈

142 747

Paper: https://arxiv.org/pdf/2103.14030.pdf Github: https://github.com/SwinTransformer/Swin-Transformer-Object-Detection Demo: https://www.youtube.com/watch?v=FQVS_0Bja6o 👉@computer_science_and_programming

142 747

Swin transformer for : ✔️ Object detection ✔️ Image Classification ✔️ Semantic Segmentation ✔️ Video Recognition