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 275 988 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 336-o'rinni va Rossiya mintaqasida 1 377-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 275 988 obunachiga ega bo‘ldi.
07 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -2 499 ga, so‘nggi 24 soatda esa -157 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 8.01% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 6.41% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 22 107 marta ko‘riladi; birinchi sutkada odatda 17 690 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 342 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 08 Noyabr, 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.
275 988
Obunachilar
-15724 soatlar
-8727 kun
-2 49930 kun
Postlar arxiv
275 951
Facebook's Reverse engineering generative models from a single deepfake image
Github: https://github.com/vishal3477/Reverse_Engineering_GMs
Paper: https://arxiv.org/abs/2106.07873
Facebook's blog: https://ai.facebook.com/blog/reverse-engineering-generative-model-from-a-single-deepfake-image/
Dataset: https://drive.google.com/drive/folders/1ZKQ3t7_Hip9DO6uwljZL4rYAn5viSRhu?usp=sharing
@ai_machinelearning_big_data
275 951
Завершается третий набор студентов магистерской программы Ozon Masters.
Ozon Masters - это 2-х летняя бесплатная магистерская программа обучения в области анализа данных. Курсы читает одна из сильнейших команд преподавателей в России.
Основные профили подготовки:
- Data Scientist
- Аналитик данных
- Специалист по математическому моделированию
Программа подойдет:
- Студентам старших курсов и выпускникам ВУЗов с сильной подготовкой по математике или компьютерным наукам, которые хотят начать карьеру в области Data Science или бизнес-аналитике.
- Профессиональным аналитикам и датасаентистам, которые хотят систематизировать свои знания или освоить новые инструменты.
Есть возможность как очного, так и заочного обучения.
Занятия проходят онлайн по вечерам (с 18 до 21) в будни.
Если вы хотите попробовать себя в Data Science и в будущем стать частью большой команды аналитиков и датасаентистов Ozon, подавайте заявку до 29 июня и пройдите первый этап отбора: https://ozon.ru/t/FYR7W
275 951
🧩 A Bayesian Analysis of Lego Prices in Python with PyMC3
https://austinrochford.com/posts/2021-06-10-lego-pymc3.html
Lego Price Analysis: https://austinrochford.com/posts/2021-06-03-vader-meditation.html
@ai_machinelearning_big_data
275 951
✅ Graph Transformer Networks: Learning Meta-path Graphs to Improve GNNs
Github: https://github.com/seongjunyun/Graph_Transformer_Networks
Paper: https://arxiv.org/abs/2106.06218v1
Dataset: https://github.com/Jhy1993/HAN
@ai_machinelearning_big_data
275 951
Microsoft's FLAML - Fast and Lightweight AutoML
Github: https://github.com/microsoft/FLAML
Code: https://github.com/microsoft/FLAML/tree/main/notebook/
Paper: https://arxiv.org/abs/2106.04815v1
@ai_machinelearning_big_data
275 951
👨 TFace: A trusty face recognition research platform
Github: https://github.com/Tencent/TFace
Paper: https://arxiv.org/abs/2106.05519v1
@ai_machinelearning_big_data
275 951
🧠 Yet Another Language Model — нейросетевой языковой алгоритм генерации текстов, разработанный Яндексом
Создатели YaLM выпустили подробную статью о разработке и применении генеративных трансформеров для поиска ответов. Из неё вы узнаете, в каких случаях для обучения огромной модели продуктивнее использовать лишь малую часть параметров и изучите различия между Pipeline parallelism, Tensor parallelism и ZeRO.
Статья: https://wow.link/Er21
@ai_machinelearning_big_data
275 951
📈 NGBoost: Natural Gradient Boosting for Probabilistic Prediction
Github: https://github.com/stanfordmlgroup/ngboost
Slides: https://drive.google.com/file/d/183BWFAdFms81MKy6hSku8qI97OwS_JH_/view
Paper: https://arxiv.org/abs/2106.03823v1
@ai_machinelearning_big_data
275 951
X5 Group проводит собственное мероприятие X5Tech Future Night о технологиях и бизнесе. Большое летнее офлайн событие объединит на одной площадке разные форматы: лекции, паблик-интервью, бизнес-дебаты, дискуссии и музыкальный оупен-эйр.
В программе есть отдельная секция, посвященная Big Data, а именно тому, как монетизировать данные и превратить их в новые продукты. Среди спикеров Дмитрий Прусов (X5 Group), Роман Доронин (EORA.ai), Олег Хомюк (Lamoda), Владимир Горовой (Яндекс.Вертикали) и другие.
Участие бесплатное, регистрируйтесь сейчас, чтобы не пропустить. Количество мест ограничено!
275 951
🤖 DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification
Project: https://dynamicvit.ivg-research.xyz/
Github: https://github.com/raoyongming/DynamicViT
Paper: https://arxiv.org/abs/2106.02034
@ai_machinelearning_big_data
275 951
Всё вокруг автоматизируется и на смену ручному труду приходят машины и алгоритмы. Почти в каждом магазине — кассы самообслуживания, вместо курьеров — роботы, даже новости теперь пишет GPT-3. Кажется, вакансии для простых работяг скоро сильно сократятся. Но зато появится еще больший спрос на людей, которые будут разрабатывать и обучать нейросети.
Поэтому, если вы хотите научиться профессии, которая создает будущее — обратите внимание на курс «Дата-сайентист» от SkillFactory. Вы получите сильную теоретическую базу, а затем будете очень много практиковаться. На курсе вы создадите искусственный интеллект, обучите нейронную сеть, будете анализировать данные и строить прогнозные модели, которые помогают бизнесу принимать верные решения на основе данных.
Можно учиться когда удобно, скорректировать нагрузку или заморозить курс на время, если, например, уезжаете в отпуск.
Ментор поможет в трудную минуту и ответит на все вопросы. А после окончания курса карьерный центр помогает студентам с трудоустройством.
❗️Оставить заявку и узнать все подробности можно по ссылке — https://clc.am/941n7A
275 951
🌏 The FLORES-101 Evaluation Benchmark for Low-Resource and Multilingual Machine Translation
Github: https://github.com/facebookresearch/flores
Paper: https://ai.facebook.com/research/publications/the-flores-101-evaluation-benchmark-for-low-resource-and-multilingual-machine-translation
Facebook blog: https://ai.facebook.com/blog/the-flores-101-data-set-helping-build-better-translation-systems-around-the-world/
@ai_machinelearning_big_data
275 951
You Only 👀 One Sequence
Rethinking Transformer in Vision through Object Detection
Github: https://paperswithcode.com/paper/you-only-look-at-one-sequence-rethinking
Dataset: https://paperswithcode.com/dataset/imagenet
Paper: https://arxiv.org/abs/2106.00666
@ai_machinelearning_big_data
275 951
Поговорим о продвинутых навыках в Machine Learning?
9 июня ждем вас в OTUS на вебинаре с Дмитрием Сергеевым, Senior Data Scientist в Oura. Вы узнаете, какие инструменты и технологии позволяют специалисту Data Science решать задачи Middle+ уровня.
Также среди тех, кто зарегистрируется и пройдет вступительный тест до 9 июня, будут выбраны 2 участника, которые бесплатно зачислятся на онлайн-курс «Machine Learning. Advanced». Регистрация https://otus.pw/yaAQ/
275 951
🏎 Make Pandas 3 Times Faster with PyPolars
Code : https://www.kdnuggets.com/2021/05/pandas-faster-pypolars.html
Github: https://github.com/pola-rs/polars
User Guide: https://pola-rs.github.io/polars-book
@ai_machinelearning_big_data
275 951
💥Grokking Artificial Intelligence Algorithms
⬇️ Download
💥Grokking Deep Reinforcement Learning
⬇️ Download
@ai_machinelearning_big_data
275 951
Yolov5-face is a real-time,high accuracy face detection
Github: https://github.com/deepcam-cn/yolov5-face
Paper: https://arxiv.org/abs/2105.12931v1
@ai_machinelearning_big_data
275 951
🗯 Unsupervised Speech Recognition
Github: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec/unsupervised
Pretraned model: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec
Facebook blog: https://ai.facebook.com/blog/wav2vec-unsupervised-speech-recognition-without-supervision/
Paper
@ai_machinelearning_big_data
275 951
Вы уже зарегистрировались на about:cloud — ML& AI ’21?
Если нет, то самое время, еще есть места в оффлайне
https://cloud.yandex.ru/events/363
📆 Когда
Вечером в понедельник, 31 мая.
📍 Где
Оффлайн (офис Яндекса в Москве) + онлайн
❓О чем
about:cloud — ML& AI — это митап Yandex.Cloud об искусственном интеллекте и облачных технологиях. В этот раз будем говорить про Data Science и ML-разработку.
3 ключевых доклада вечера
🔁 Как выглядит полный цикл современного машинного обучения в облаке или DataSphere для пользователей Colab
✔️ ML-разработка для Enterprise. Главные фичи и возможности для крупного бизнеса
🎙 Yandex SpeechKit, который живет в DataSphere: как мы обучаем голосовые модели
Регистрация и подробности
👉🏻 https://cloud.yandex.ru/events/363
275 951
✔️ GPBoost: Combining Tree-Boosting with Gaussian Process and Mixed Effects Models
Github: https://github.com/fabsig/GPBoost
Demo code: https://htmlpreview.github.io/?https://github.com/fabsig/GPBoost/blob/master/examples/GPBoost_demo.html
Paper: https://arxiv.org/abs/2105.08966v2
@ai_machinelearning_big_data
