Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
Machine learning Interview
Відкрити в Telegram
ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно! Вопросы - @workakkk РКН: clck.ru/3FmwRz
Показати більше📈 Аналітичний огляд Telegram-каналу Machine learning Interview
Канал Machine learning Interview (@machinelearning_interview) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 30 035 підписників, посідаючи 4 579 місце в категорії Технології та додатки та 21 921 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 30 035 підписників.
За останніми даними від 13 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 40, а за останні 24 години на 8, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 21.14%. Протягом перших 24 годин після публікації контент зазвичай збирає 7.35% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 6 350 переглядів. Протягом першої доби публікація в середньому набирає 2 208 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 40.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як claude, llm, контекст, hermes, nvidia.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно!
Вопросы - @workakkk
РКН: clck.ru/3FmwRz”
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.
30 035
Підписники
+824 години
-77 днів
+4030 день
Архів дописів
+4
⚡️ Погружение в Deep Learning — лекции и видеозаписи Мюнхенского университета
Это серия из 23 лекций по Deep Learning, к каждой лекции прилагается запись на YouTube и pdf с подробным описанием + практические задания
Курс раскрывает такие темы Deep Learning и ML как:
— свёрточные нейросети (CNN) и популярные архитектуры
— настройка гиперпараметров
— рекуррентные нейросети (RNN) и трансформеры
— NLP и работа с текстом
— а также много других тем + 22 практических задания
🟡 Introduction to Deep Learning
@machinelearning_interview
Стратегический шаг для ИИ
В последние годы ИИ стал одной из самых быстроразвивающихся и востребованных областей. Применение ИИ охватывает широкий спектр отраслей – от здравоохранения до финансов, от транспорта до образования. Спрос на специалистов по ИИ продолжает расти, и этот тренд только усиливается. В 2024 году наличие глубоких знаний в этой области станет вашим ключевым преимуществом.
Аспирантура Яндекса, НИУ ВШЭ и ИТМО предоставит доступ к передовым исследованиям и разработкам. Одним из ключевых преимуществ программы является практикоориентированность. Это не теоретические упражнения, а настоящие задачи, которые решаются в рамках компании. Такой опыт чрезвычайно ценен, поскольку он помогает вам понять, как ваши разработки и исследования могут быть использованы для решения конкретных проблем и создания инновационных решений.
Подробнее тут.
#Яндекс #ИИ #Аспирантура #Образование #Наука #Технологии #ИТМО #НИУВШЭ
@machinelearning_interview
+2
⚡️ Разработка Яндекса, которая позволит внедрять объёмные языковые модели в смартфоны или умные колонки
Яндекс выложил в опенсорс новые методы сжатия языковых моделей, с помощью которых размер нейросети можно уменьшить до 8 раз. Качество ответов при этом сохраняется на 95%, а уменьшенные с помощью алгоритмов модели могут работать до четырёх раз быстрее, поскольку требуют проводить меньше вычислений.
🟡Статья
@machinelearning_interview
+4
📌 Открытый курс по ML с видео и лекциями от Амстердамского университета
Этот курс покрывает множество тем ML, вот некоторые из них:
— Gaussian Mixture Models
— PCA (Principal Component Analysis)
— SVM (Support Vector Machines)
— Bootstrapping, Feature Bagging
К каждой теме приводится pdf с основными формулами и видео с подробным объяснением, в целом очень годный курс
🟡 Machine Learning (UvA)
@machinelearning_interview
Станьте профессионалом в области Data Science и машинного обучения в магистратуре от Центрального университета!
Центральный университет — современный вуз, созданный при поддержке ведущих компаний России: Т-Банка, Авито и других.
Получите диплом магистра в области математики и компьютерных наук и обучайтесь на основе реальных кейсов ведущих ИТ-компаний у профессоров из МГУ, МФТИ, РЭШ и практиков из индустрии. Хорошая новость для тех, кто уже имеет опыт в Data Science и машинном обучении — вы можете пропустить базовое обучение и закончить магистратуру за 3 семестра.
У каждого студента будет:
-личный ментор по траектории обучения;
-доступ к карьерному центру с коучами и консультантами;
-опыт работы в проектах партнеров уже во время обучения.
Участвуйте в онлайн-отборе, чтобы выиграть грант на обучение до 1,2 млн рублей. Больше подробностей про университет и конкурс грантов по ссылке!
erid:2VtzqvmW7GE
Реклама, АНО ВО «Центральный университет», ИНН 7743418023
+3
📌Подборка полезных ресурсов для изучения ML и для подготовки к собеседованию
Здесь приводится много ссылок на ресурсы, которые объясняют основы Computer Science, матанализ и линейную алгебру, теорию вероятностей и статистику.
Плюс затрагиваются такие темы как:
— классическое ML
— байесовское ML
— Deep Learning
— NLP
— Reinforcement Learning
— применение ML, в частности в биологии и медицине
Почти все практические примеры связаны с Python и R
🟡 ML resources
@machinelearning_interview
ML: с чего начинается Data Science?
Приглашаем на открытый урок, где вы узнаете про область ML, которая лежит в основе Data Science и AI сегодня.
🔹Расскажем, чем оно отличается от классического программирования и какие в ML существуют типы задач.
✅ Практика: Решите первую задачу ML на языке Python
В результате урока вы обучите свою первую модель машинного обучения для решения задачи классификации рукописных цифр
Урок приурочен курсу «Специализация Machine Learning» от Otus.
👉 Регистрация и подробности:
https://otus.pw/SUcb/?erid=LjN8Jx11E
+2
🌟 Мощный учебник по использованию Julia в ML и Deep Learning
Здесь приведено много практических примеров, таких как реализация LSTM, реализация классического перцептрона, использование линейной/логистической регрессии и много других примеров.
Показывается, как работать с последовательностями, как корректно обрабатывать файлы, как использовать GPU.
Отличный материал, если планируете использовать Julia в работе
🟡 Deep Learning with Julia
@machinelearning_interview
Инфраструктура для ML и AI задач
Кластеры Kubernetes отлично подходят для запуска ML-проектов в продакшене. С их помощью можно изолировать проведение разных экспериментов, автоматизировать их запуск и управление, а также быстро масштабировать ресурсы под нагрузкой. Добавление нод с GPU в такие кластеры ускорит обучение ML-моделей и повысит их производительность в продакшене.
В сервисе Managed Kubernetes от Selectel, как раз есть все необходимое для работы с ML-проектами:
▪️ Большой запас видеокарт под любую задачу в наличии: NVIDIA А2, А30, А100, А2000, А5000, Tesla Т4, GTX 1080, GTX 2080
▪️ Отказоустойчивость и автомасштабирование нод c GPU. В зависимости от нагрузки Kubernetes автоматически создаст или удалит ноды в группе.
▪️ Простая настройка драйверов на GPU-нодах кластера. Используйте предустановленные драйверы или самостоятельно установите нужные с помощью GPU Operator
А сейчас новые клиенты Managed Kubernetes c GPU могут получить 100% кешбэк за первый месяц использования сервиса.
Развернуть свой ML-проект в кластерах Kubernetes c GPU и получить кешбэк можно по ссылке: https://slc.tl/hlh7k
Реклама АО «Селектел». ИНН: 7810962785
Erid: 2Vtzqvye82N
+2
📌 Applied Statistics with R — свободная книга для аналитиков, ML-инженеров и специалистов по DS
Здесь подробно объясняется линейная и логистическая регрессия и как работать с ними в R, описываются параметры данных такие как гомоскедастичность, гетероскедастичность и т.д.
Приведено много формул, при этом всё детально объясняется
🟡 Applied Statistics with R
@machinelearning_interview
+4
📌 Открытый курс по ML с видео и лекциями от Амстердамского университета
Этот курс покрывает множество тем ML, вот некоторые из них:
— Gaussian Mixture Models
— PCA (Principal Component Analysis)
— SVM (Support Vector Machines)
— Bootstrapping, Feature Bagging
К каждой теме приводится pdf с основными формулами и видео с подробным объяснением, в целом очень годный курс
🟡 Machine Learning (UvA)
@machinelearning_interview
Совмещайте очную магистратуру и работу комфортно
Яндекс Практикум и РАНХиГС открывают набор на онлайн-программу «Data Science в экономике»:
— учёба полностью онлайн, включая сессии;
— очное обучение с дипломом РАНХиГС и всеми льготами;
— фундаментальные знания от Института ЭМИТ РАНХиГС, который находится на 5-м месте в рейтинге SuperJob по уровню зарплат выпускников;
— практический опыт экспертов Яндекса.
Оплатить учёбу можно разными способами: всю сумму сразу, по семестрам или с помощью госкредита — тогда ежемесячный платёж составит от 500 ₽, а государство погасит часть кредита за вас.
→ Узнать подробности и подать заявку
Реклама. ООО «Яндекс» ИНН 7736207543
+1
🌟 Подборка Colab'ов с реализацией ML-алгоритмов, связанных с обработкой изображений
Если конкретно, здесь реализованы алгоритмы удаления фона изображения, апскейлинга, сегментирования, алгоритмы распознавания частей лица и т.д.
🟡 Google Colab'ы с кодом
@machinelearning_interview
🌟Лекции про большие языковые модели и NLP от экспертов магистратуры AI Talent Hub.
• Безопасность LLM – Евгений Кокуйкин
• Краткая история NLP – Валентин Малых
• State of the LLM Landscape – Игорь Котенков
• Как выбрать языковую модель – Татьяна Шаврина
•AGI: Multi-Agent LLM for anything – Илья Макаров
▶️ Набор на 200 бюджетных мест в онлайн-магистратуру «Искусственный Интеллект» — AI Talent Hub, продолжается
В новом учебном году впервые набираем >> LLM-трек
Подай заявку* и учись бесплатно в проектной онлайн-магистратуре по ИИ от ИТМО х Napoleon IT
*для участия в конкурсе на бюджетные места, рекомендуется подать заявку до 22 июля на ai.itmo.ru
Реклама. Университет ИТМО ИНН:7813045547 erid:2Vfnxvr1n24
+3
🌟 Репозиторий с основной теорией по Data Science и Machine Learning
Здесь конспективно приводится самая основная информация с формулами и графиками, в частности говорится о таких понятиях:
— наивный Байесовский классификатор
— метод XGBoost
— кластеризация/классификация
— метод случайного леса
— обучение нейросети, признаки переобучения
— и также затрагивается множество других тем/алгоритмов
Неплохой репозиторий, чтобы полистать перед собеседованием
🖥 GitHub
@machinelearning_interview
+1
🌟 Основные методы рекомендательной системы — подробный блокнот Kaggle
Этот блокнот Kaggle — практическое введение в основные методы рекомендательных систем.
В частности, здесь рассматриваются такие методы как:
— коллаборативная фильтрация: этот метод делает автоматические прогнозы (фильтрацию) об интересах пользователя, собирая информацию о предпочтениях или вкусах других пользователей (похожих на данного). В основе такого подхода лежит предположение: если человек A выбирает те же товары, что и человек B, то вероятность того, что A будет придерживаться мнения B по данному товару, выше, чем вероятность, что мнение А совпадёт с мнением случайного человека
— фильтрация на основе содержимого: этот метод использует для моделирования предпочтений пользователя только информацию об описании и атрибутах товаров, которые он ранее употреблял. То есть, такие алгоритмы пытаются рекомендовать товары, похожие на те, которые нравились пользователю в прошлом
— гибридные методы, сочетающие коллаборативную фильтрацию и фильтрацию на основе контента
🟡 Блокнот Kaggle с пошаговой реализацией
@machinelearning_interview
❓Как понять, что последний эксперимент дает лучшие результаты?
Часто при решении ML задачи нам приходится тестировать десятки моделей в десятках конфигурация гиперпараметров.
Как не запутаться в этой куче параметров и выбрать лучшую модель? - нам поможет замечательный инструмент мониторинга экспериментов MLFlow.
✅ MLFlow один из самых популярных инструментов который позволит зафиксировать все параметры, запишет кривые обучения и запомнит все метрики для каждого эксперимента.
Регистрируйтесь на открытый урок от Otus и изучите на практике ключевой инструмент ML инженера
Вы узнаете, как реализовать развернуть и настроить MLFlow локально и в облачной среде, как добавить в свой код логирование параметров экспериментов и как сохранить ваши обученные модели в реестр моделей для их дальнейшего переиспользования на основе полученных метрик.
👉 Регистрация и подробности:
https://otus.pw/r9NJ/?erid=LjN8KAgfM
+2
📌 Applied Statistics with R — отличная книга для аналитиков, ML-инженеров и специалистов по DS
Здесь подробно объясняется линейная и логистическая регрессия и как работать с ними в R, описываются параметры данных такие как гомоскедастичность, гетероскедастичность и т.д.
Приведено много формул, при этом всё детально объясняется
🟡 Applied Statistics with R
@machinelearning_interview
25 июля, 16:00
Как построить MLOps-конвейер для CV-проекта в облаке
Коллеги из @Selectel и Neoflex проводят совместный вебинар, где обсудят особенности запуска в продакшен ML-проектов. Разберут вопрос с разных сторон: с точки зрения провайдера инфраструктуры для ML, MLOps-инженера и Data Scientist. Покажут демо, как развернуть и задеплоить CV-проект в облаке Selectel на платформе Neoflex Dognauts. Расскажут, как подобрать инфраструктуру для вашего проекта и обеспечить безопасность CV в облаке.
Мероприятие бесплатное. Задайте вопрос в форме регистрации, и мы ответим на него во время трансляции.
Посмотреть программу вебинара и зарегистрироваться можно по ссылке: https://slc.tl/lstk6
Реклама АО «Селектел». ИНН: 7810962785
Erid: 2VtzqxgL5BP
+2
📌Deep Learning на практике
Очень полезный практический учебник/туториал по Deep Learning;
каждый раздел подробно объясняет, что происходит в конкретном Jupyter Notebook'е
Вот некоторые из затрагиваемых тем:
— NLP и работа с текстом
— классификация изображений
— распознавание (начиная с классического MNIST и до более сложных примеров)
🟡 Deep Learning на практике
🖥 Ноутбуки на GitHub
@machinelearning_interview
