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
🌟 Количественные методы с использованием R
В этой свободной книге представлены практические примеры, которые легко можно применить к любому набору данных, плюс детально обсуждается, как работает каждый пример.
Здесь рассматривается описательная и базовая статистика, включая анализ графиков, распределения, дисперсию, вероятность, проверку гипотез, корреляцию, простую регрессию и тесты 𝛘-квадрат.
Будет полезно начинающим ML-специалистам и не только
🟡 Quantitative Methods Using R
@machinelearning_interview
⚡️ Вливайтесь в команду AI VK: ребята развивают технологии искусственного интеллекта, создают системы рекомендаций и поиска контента…и находятся в поиске ML-разработчика (Senior)!
Чем предстоит заниматься:
- улучшать базовое качество рекомендаций;
- запускать новые сценарии музыкальных рекомендаций;
- анализировать статистику потребления контента, выдвигать и проверять гипотезы, проводить А/B тесты;
- взаимодействовать со смежными командами (разрабатывать рекомендации для всевозможных типов аудиоконтента и голосового помощника).
Для этого потребуется:
- опыт промышленного применения ML;
- глубокое понимание алгоритмов классического ML (LogReg, MF, CatBoost, etc..);
- опыт работы с большими данными (MapReduce/Spark).
Знание Java и опыт в построении рекомендательных систем будут плюсом.
Если это мэтч — пишите в личку в tg: https://t.me/ellinatsyra.
+1
🧠 Наконец-то кто-то создал leetcode для машинного обучения.
Этот сайт предлагает задачки разной сложности в категориях линейной алгебры, машинного и глубокого обучения, анализа данных.
Он полезен для всех, кто хочет углубить свои знания, улучшить навыки и попрактиковаться в машинном обучении. На сайте указаны уровни сложности, есть интерфейс для ввода своего решения и правильные ответы.
Только что выполнил первое упражнение: вычисление матрично-векторного произведения без каких-либо тензорных операций (разрешены только списки на python).
http://deep-ml.com
@data_analysis_ml
+2
🌟 CSCE585: Machine Learning Systems
Держите отличную подборку лекций по ML, есть и pdf, и видео.
Всего здесь 20 лекций, они раскрывают такие темы ML как:
— построение масштабируемых и распределённых ML-систем
— методы оптимизации и нейронные сети
— сжатие моделей и квантование
— аппаратная сторона ML-систем
— обзор ML-платформ
🟡 Лекции по ML, pdf
🟡 Плейлист YouTube
@machinelearning_interview
Repost from Machinelearning
+3
⚡️ GraphRAG — методология улучшенного извлечения данных для генерации текста из определенных источников (RAG) от Microsoft.
GraphRAG использует графы знаний для улучшения ответов на запросы. Во время запроса система обращается к графу знаний и использует резюме сообществ и связи между сущностями для формирования контекста, который помогает LLM дать более точный ответ, чем традиционные методы, основанные на поиске по векторным сходствам.
Архитектура GraphRAG состоит из ключевых компонентов:
Indexer : разделяет корпус данных на мелкие текстовые блоки (TextUnits), извлекает из них сущности, связи и ключевые утверждения.
Clustering : группирует данные в иерархическую структуру с использованием метода Лейдена, создавая граф знаний.
Community Summarization : генерирует обобщенные описания для каждой группы данных, что помогает в понимании контекста и смыслового связывания всей информации.
Knowledge Graph : структура, объединяющая сущности и их связи, созданная на основе данных.
GraphRAG значительно улучшает работу моделей языка с частными данными, позволяя им более точно и полно отвечать на сложные вопросы, требующие синтеза информации из разных источников.
⚠️ Рекомендации и предупреждения:
- Эффективность индексации зависит от правильной идентификации понятий
- Индексация может быть дорогостоящей, рекомендуется создание тестового набора данных
- Система предназначена для опытных пользователей в предметной области
- Необходим анализ ответов человеком для получения достоверной информации
- Методология наиболее эффективна на текстовых данных с общей темой и множеством сущностей
📄 Документация:
🟢локальный запуск
🟢конфигурирование
🟢эмулятор Azurite
🖥Github
🖥Github для запуска на API Azure
🟡Страница проекта
🟡Arxiv
@ai_machinelearning_big_data
#LLM #GraphRAG #ML #RAG #NLP #Deeplearning
+3
⚡️ GraphRAG — методология улучшенного извлечения данных для генерации текста из определенных источников (RAG) от Microsoft.
GraphRAG использует графы знаний для улучшения ответов на запросы. Во время запроса система обращается к графу знаний и использует резюме сообществ и связи между сущностями для формирования контекста, который помогает LLM дать более точный ответ, чем традиционные методы, основанные на поиске по векторным сходствам.
Архитектура GraphRAG состоит из ключевых компонентов:
Indexer : разделяет корпус данных на мелкие текстовые блоки (TextUnits), извлекает из них сущности, связи и ключевые утверждения.
Clustering : группирует данные в иерархическую структуру с использованием метода Лейдена, создавая граф знаний.
Community Summarization : генерирует обобщенные описания для каждой группы данных, что помогает в понимании контекста и смыслового связывания всей информации.
Knowledge Graph : структура, объединяющая сущности и их связи, созданная на основе данных.
GraphRAG значительно улучшает работу моделей языка с частными данными, позволяя им более точно и полно отвечать на сложные вопросы, требующие синтеза информации из разных источников.
⚠️ Рекомендации и предупреждения:
- Эффективность индексации зависит от правильной идентификации понятий
- Индексация может быть дорогостоящей, рекомендуется создание тестового набора данных
- Система предназначена для опытных пользователей в предметной области
- Необходим анализ ответов человеком для получения достоверной информации
- Методология наиболее эффективна на текстовых данных с общей темой и множеством сущностей
📄 Документация:
🟢локальный запуск
🟢конфигурирование
🟢эмулятор Azurite
🖥Github
🖥Github для запуска на API Azure
🟡Страница проекта
🟡Arxiv
@ai_machinelearning_big_data
#LLM #GraphRAG #ML #RAG #NLP #Deeplearning
+4
🌟 Детальный разбор реального кейса ML — предсказание исхода больных пациентов по их физиологическим данным
Параллельно затрагиваются такие моменты:
— подготовка данных, удаление выбросов
— обучение ML-модели
— проверка прогнозов модели, оценивание
Используемые данные были взяты из датасета eICU Collaborative Research Database, содержащего обезличенные физиологические данные тяжелобольных пациентов.
🟡 Introduction to Machine Learning
@machinelearning_interview
Оплачиваемая стажировка и трудоустройство без опыта — ну ничего себе 😳
Все возможно с Добровольным квалификационным экзаменом! Это бесплатный проект Правительства Москвы, где ты можешь показать свои знания по специальности, запомниться потенциальным работодателям и получить оффер в престижные компании Москвы.
Тебя ждет всего три шага:
1️⃣ Пройди тест
После регистрации на сайте ДКЭ тебе будет доступно 70 профессий по 7 направлениям. Выбирай тест по своей специальности и проверь уровень своих знаний!
2️⃣ Реши кейс
Если ты успешно сдал тест, тебя пригласят на следующий этап, где ты с другими участниками в команде будешь решать реальный кейс одного из работодателей.
3️⃣ Стань победителем
Окажись в числе лучших по общему количеству баллов за оба этапа и получи шанс попасть на оплачиваемую стажировку с дальнейшим трудоустройством.
Готов проявить себя? Регистрируйся и начинай проходить тест — https://dke.moscow
Реклама. АНО "РАЗВИТИЕ ЧЕЛОВЕЧЕСКОГО КАПИТАЛА", АНО "РЧК". ИНН 7710364647. erid: LjN8JtwvH
+2
🌟 Работа со статистикой на Python — серия лекций и видео
Здесь раскрываются такие темы как классификация, использование деревьев решений, SVM, обучение без учителя, Survival Analysis
Почти по каждой теме приведены подробные записи с нужной теорией — в целом, очень полезный ресурс для старта в ML
Если интересуют чисто видео, можно сразу сюда
📎 Statistical Learning using Python
@machinelearning_interview
⚡️Лучший способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь:
C++ t.me/cpluspluc
Devops: t.me/devOPSitsec
Машинное обучение: t.me/ai_machinelearning_big_data
АНАЛИЗ Данных: t.me/data_analysis_ml
Хакинг: t.me/linuxkalii
Linux: t.me/linuxacademiya
Базы данных: t.me/sqlhub
C#: t.me/csharp_ci
Golang: t.me/Golang_google
Java: t.me/javatg
React: t.me/react_tg
Javascript: t.me/javascriptv
Мобильная разработка: t.me/mobdevelop
Docker: t.me/+0WdB4uvOwCY0Mjdi
Python: t.me/pythonl
Rust: t.me/rust_code
PHP: t.me/phpshka
Android: t.me/android_its
Big Data: t.me/bigdatai
Собеседования МЛ: t.me/machinelearning_interview
Python подготовка с собесу: t.me/python_job_interview
МАТЕМАТИКА: t.me/data_math
💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
C++ папка: https://t.me/addlist/CdBs5DLepLJmZjY6
C# папка: https://t.me/addlist/u15AMycxRMowZmRi
Java папка: https://t.me/addlist/ZM3J6oFNAnRlNWU6
FRONTEND папка: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Linux папка: https://t.me/addlist/w4Doot-XBG4xNzYy
😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers
🧠ИИ: t.me/vistehno
📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
+4
🌟 Материалы по Deep Learning — ноутбуки и лекции от Парижского университета
—
git clone https://github.com/m2dsupsdlclass/lectures-labs
Можно использовать, чтобы освежить теорию перед собеседованием;
здесь подробно разбираются такие темы как:
— рекомендательные системы
— свёрточные нейросети (CNN) и классификация изображений
— рекуррентные нейросети и NLP
— работа с последовательностями
— механизмы внимания и памяти
📎 Лекции и ноутбуки
@machinelearning_interview
+2
⚡️ Большая подборка из 210 реализованных проектов, связанных с ML и Deep Learning
Здесь собраны ссылки на репозитории этих проектов с датасетами и готовыми моделями
А вот некоторые из этих проектов:
— определение надёжности клиентов для банка
— расшифровка CAPTCHA
— определение: кот или собака на изображении
— определение наличия/отсутствия диабета
🟡 210 ML-проектов
@machinelearning_interview
+3
📌Отличная шпаргалка по разным распределениям
Здесь приведено подробное описание таких распределений как β-распределение, биномиальное, 𝛘-квадрат, нормальное, Пуассона
К каждому из распределений приведена реализация на Python и примеры использования
📎 Распределения
@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:2VtzqwHKD7N
Реклама, АНО ВО «Центральный университет», ИНН 7743418023
+3
🌟 Interpretable Machine Learning with LIME for Image Classification
Отличный Colab, который поможет разобраться, как работает алгоритм LIME для классификации изображений
Параллельно затрагиваются особенности CV-алгоритмов и почему они не всегда работают, как нужно
🟡 Google Colab
@machinelearning_interview
+1
🌟 Идея для пет-проекта — ML-приложение, прогнозирующее задержки полётов
Чтобы разобраться в ML, нужно...
В общем, в этом репозитории приведены все необходимые шаги для реализации ML-приложения, предсказывающего задержки рейсов в стокгольмском аэропорту Арланда.
Очень подробно объясняется архитектура этого приложения, и даже реализуется графический интерфейс на Gradio
🖥 GitHub
🟡 Презентация проекта на Hugging Face
@machinelearning_interview
+1
⚡️ Нереальный список ресурсов по Machine Learning
Здесь приведена масса полезных ссылок для изучения NLP, computer vision, SVM и других ML-алгоритмов
Если кто искал и никак не мог найти объяснение нужной темы ML — скорее всего оно есть тут
📎 Список ресурсов
@machinelearning_interview
🔹 Как усилить технический анализ финансовых рынков методами машинного обучения?
Рассмотрим, как современные технологии машинного обучения могут усилить и расширить классические подходы технического анализа на финансовых рынках на открытом уроке от Otus, посвященный курсу «ML для финансового анализа», 3 июля в 20:00.
✅ В течении часа рассмотрим реальные примеры и кейсы, демонстрирующие использование машинного обучения для улучшения торговых стратегий на основе технического анализа.
Оставляйте заявку на курс «ML для финансового анализа» и создайте торгового робота для автоматического проведения операций с оценкой уровня риска
👉 Регистрация на урок и подробности:
https://otus.pw/XDjW/?erid=LjN8KFVwt
+4
🌟 Математика для ML
Это open-source книга для объяснения математических основ Machine Learning
Особенно актуально, чтобы освежить основные моменты перед собеседованием
📎 PDF
@machinelearning_interview
