Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
Machinelearning
Kanalga Telegram’da o‘tish
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
Ko'proq ko'rsatish📈 Telegram kanali Machinelearning analitikasi
Machinelearning (@ai_machinelearning_big_data) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 293 399 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 326-o'rinni va Rossiya mintaqasida 1 283-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 293 399 obunachiga ega bo‘ldi.
03 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -6 469 ga, so‘nggi 24 soatda esa -218 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 7.32% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 5.77% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 21 487 marta ko‘riladi; birinchi sutkada odatda 16 937 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 169 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent openai, claude, api, gemini, контекст kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“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”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 04 Iyul, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
293 399
Obunachilar
-21824 soatlar
-1 5287 kunlar
-6 46930 kunlar
Postlar arxiv
293 359
В 1962 году трое мужчин обманули охрану и смогли покинуть «Алькатрас» — тюрьму, из которой невозможно сбежать. Следователи решили, что мужчины утонули после бегства, однако спустя почти 60 лет нейросеть от компаний Identv и Rothco, проанализировав миллионы фото, «опознала» двоих преступников на снимке 1975 года. То, что оказалось неподвластным человеку, сделал искусственный интеллект.
Какие еще возможности открывает Deep Learning, расскажут преподаватели SkillFactory на курсе по нейросетям. Осваивайте machine learning, Data Engineering и менеджмент, чтобы решать интересные задачи и расти профессионально. В течение 10 недель вы изучите фреймворки TensorFlow и Keras, научитесь работать со сверточными нейросетями и сможете их оптимизировать; в конце обучения проводится хакатон на реальных датасетах.
⚡️Давно откладывал обучение? Самое лучшее время – сейчас! Получи курс со скидкой: https://clc.to/skdwEA
293 359
Flows for simultaneous manifold learning and density estimation
A new class of generative models that simultaneously learn the data manifold as well as a tractable probability density on that manifold.
Code: https://github.com/johannbrehmer/manifold-flow
Paper: https://arxiv.org/abs/2003.13913
293 359
Improving Audio Quality in Duo with WaveNetEQ
https://ai.googleblog.com/2020/04/improving-audio-quality-in-duo-with.html
293 359
Introducing the Model Garden for TensorFlow 2
Code examples for state-of-the-art models and reusable modeling libraries for TensorFlow 2.
https://blog.tensorflow.org/2020/03/introducing-model-garden-for-tensorflow-2.html
Model Garden repository: https://github.com/tensorflow/models/tree/master/official
293 359
🎲 Probabilistic Regression for Visual Tracking
A general python framework for training and running visual object trackers, based on PyTorch.
Code: https://github.com/visionml/pytracking
Paper: https://arxiv.org/abs/2003.12565
293 359
Today is The World Backup Day! Don’t be an April Fool - protect your data, back up your files today! Share this reminder with your friends!
Сегодня Всемирный день резервного копирования! Commvault защищает более 11 Эксабайт данных своих клиентов по всему миру, это 11534336 Терабайт. С заботой о данных мы присоединяемся к дню бэкапа и призываем вас сегодня сделать или проверить бэкапы ваших файлов!
#WorldBackupDay #Commvault
https://discover.commvault.com/World-Backup-Day.html
293 359
iTAML: An Incremental Task-Agnostic Meta-learning Approach
iTAML hypothesizes that generalization is a key factor for continual learning Code is implemented using PyTorch and it includes code for running the incremental learning domain experiments
Code: https://github.com/brjathu/iTAML
Paper: https://arxiv.org/abs/2003.11652v1
293 359
New dataset from Google
The Taskmaster-2 dataset consists of 17,289 dialogs
https://research.google/tools/datasets/taskmaster-2/
293 359
MoCo: Momentum Contrast for Unsupervised Visual Representation Learning
Github: https://github.com/facebookresearch/moco
Paper: https://arxiv.org/abs/1911.05722
293 359
@yegor256news is an author's English-speaking channel by Yegor Bugayenko, a programmer, blogger, author of Elegant Objects, creator of Zerocracy platform and a regular speaker at many major IT-conferences; subscribe and follow his publications!
293 359
Improved Techniques for Training Single-Image GANs
The latest convolutional layers are trained with a given learning rate, while previously existing convolutional layers are trained with a smaller learning rate
https://www.tobiashinz.com/2020/03/24/improved-techniques-for-training-single-image-gans.html
Code: https://github.com/tohinz/ConSinGAN
Paper: https://arxiv.org/abs/2003.11512
293 359
Deep unfolding network for image super-resolution
Deep unfolding network inherits the flexibility of model-based methods to super-resolve blurry, noisy images for different scale factors via a single model, while maintaining the advantages of learning-based methods.
Github: https://github.com/cszn/USRNet
Paper: https://arxiv.org/pdf/2003.10428.pdf
293 359
NeRF: Neural Radiance Fields
Algorithm represents a scene using a fully-connected (non-convolutional) deep network, whose input is a single continuous 5D coordinate (spatial location (x, y, z) and viewing direction
http://www.matthewtancik.com/nerf
Tensorflow implementation: https://github.com/bmild/nerf
Paper: https://arxiv.org/abs/2003.08934v1
293 359
PyTorch Tutorial: How to Develop Deep Learning Models with Python
https://machinelearningmastery.com/pytorch-tutorial-develop-deep-learning-models/
293 359
High-Resolution Daytime Translation Without Domain Labels
HiDT combines a generative image-to-image model and a new upsampling scheme that allows to apply image translation at high resolution.
https://saic-mdal.github.io/HiDT/
Paper: https://arxiv.org/abs/2003.08791
Video: https://www.youtube.com/watch?v=DALQYKt-GJc&feature=youtu.be
293 359
Часто работаете с данными и почти наверняка только в Google Sheets или Excel? Да, для большинства задач этих инструментов вполне достаточно.
Но если информации стало слишком много и гугл шитс не выдерживает, а источники данных хочется объединить в одно место для работы с ними — пора осваивать Python.
25 марта в 19:00 (мск) ребята из ProductStar проводят бесплатный онлайн-интенсив «Рассказываем простыми словами о Python».
👨🏫 Кто выступит?
Андрей Пушвинцев, Product Analyst в Miro.
👩🏫 О чем пойдет речь?
— Расскажем, как устроен и как работает Python,
— Разберемся с базовым синтаксисом языка, научимся его читать и понимать.
— Познакомимся с библиотеками для анализа данных.
— Сделаем разведку данных и превратим грязные данные в красивые таблицы.
Все участники получат именные электронные сертификаты, два самых активных — сертификат на бесплатное обучение в ProductStar.
Участие бесплатное, но регистрация обязательна.
Зарегистрироваться на вебинар 👉 @ProductStarAnalyticsBot
293 359
Scene Text Recognition via Transformer
The method use a convolutional feature maps as word embedding input into transformer.
Github: https://github.com/fengxinjie/Transformer-OCR
Paper: https://arxiv.org/abs/2003.08077
The transformer source code:http://nlp.seas.harvard.edu/2018/04/03/attention.html
293 359
Get yourself stuffed with popcorn and cookies, tea and toilet paper (if you managed to buy some) and join our free practical web-event on Data Science from top IBM specialists!
Key points:
* ML in the Blue Giant - experience of world's top enterprise
* IBM Watson's capabilities to automate and scale up your ML results
* Grant program of $120k - your chance to shine
The opportunity is tasty, we had to close up the registration on our previous event early. Join, while you can!
Sign up now
293 359
Few-Shot Object Detection (FsDet)
Detecting rare objects from a few examples is an emerging problem.
In addition to the benchmarks we introduce new benchmarks on three datasets: PASCAL VOC, COCO, and LVIS. We sample multiple groups of few-shot training examples for multiple runs of the experiments and report evaluation results on both the base classes and the novel classes.
Github: https://github.com/ucbdrive/few-shot-object-detection
Paper: https://arxiv.org/abs/2003.06957
293 359
Introducing Dreamer: Scalable Reinforcement Learning Using World Models
Dreamer, a reinforcement learning agent that solves long-horizon tasks from images purely by latent imagination.
https://ai.googleblog.com/2020/03/introducing-dreamer-scalable.html
Paper: https://arxiv.org/abs/1912.01603
Blog: https://dreamrl.github.io/
