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 292 839 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 328-o'rinni va Rossiya mintaqasida 1 282-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 292 839 obunachiga ega bo‘ldi.
06 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -6 314 ga, so‘nggi 24 soatda esa -187 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 7.37% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 5.45% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 21 579 marta ko‘riladi; birinchi sutkada odatda 15 979 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 159 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 07 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.
292 839
Obunachilar
-18724 soatlar
-1 3257 kunlar
-6 31430 kunlar
Postlar arxiv
292 834
Generating Game of Thrones Characters Using StyleGAN
article: https://blog.nanonets.com/stylegan-got/
gitHub repo: https://github.com/iyaja/stylegan-encoder
292 834
The Binary Extremes of Daenerys Targaryen
https://towardsdatascience.com/the-binary-extremes-of-daenerys-targaryen-1c89502de92d
292 834
How to (Properly) Evaluate Cross-Lingual Word Embeddings: On Strong Baselines, Comparative Analyses, and Some Misconceptions
Article: https://arxiv.org/abs/1902.00508
292 834
Разработчиков ждут 20 мая, в 20.00 (мск), на открытом практическом вебинаре «Lean Data Engineering: большие данные при небольшом бюджете». Пройдите вступительное тестирование и запишитесь на вебинар https://otus.pw/ccfN/
На вебинаре разберут, как построить эффективную и масштабируемую систему обработки данных для небольшой компании или стартапа с минимальными затратами. В качестве практики познакомят вас с инструментами обработки данных Google Cloud: только заранее создайте google-аккаунт, пройдите регистрацию (https://console.cloud.google.com/) и заведите проект с произвольным названием — это займет не более 5 минут.
Вебинар пройдет в рамках набора на профильный онлайн-курс «Data Engineer». Мастер-класс проведет один из преподавателей курса, эксперт и разработчик Егор Матешук (Senior Data Engineer, MaximaTelecom)
Приходите за подробностями! https://otus.pw/soRP/
292 834
How to Develop a Convolutional Neural Network to Classify Photos of Dogs and Cats (with 97% accuracy)
https://machinelearningmastery.com/how-to-develop-a-convolutional-neural-network-to-classify-photos-of-dogs-and-cats/
292 834
How to Use Transfer Learning when Developing Convolutional Neural Network Models
https://machinelearningmastery.com/how-to-use-transfer-learning-when-developing-convolutional-neural-network-models/
292 834
Introducing Translatotron: An End-to-End Speech-to-Speech Translation Model
http://ai.googleblog.com/2019/05/introducing-translatotron-end-to-end.html
292 834
Российские и международные эксперты обсудят "большие данные"
Сейчас всю Россию накрывает волна "цифровизации". Волна в самом хорошем смысле. Принятая в 2017 государственная программа "Цифровая экономика Российской Федерации" охватывает и "большие данные". В частности, в России, например «большие данные» планируется использовать в области здравоохранения с 2020 г.
Обсудят Big Data и на предстоящей конференции «Цифровая индустрия промышленной России – 2019». Она пройдет с 22 по 24 мая в г.Иннополис (Татарстан).
Подписывайтесь на канал «B/D» и узнайте новости с панели «Большие данные.Как увидеть будущее сегодня» с конференции «ЦИПР-2019» самыми первыми!
292 834
A 2019 guide to 3D Human Pose Estimation
https://blog.nanonets.com/human-pose-estimation-3d-guide/
292 834
TensorFlow Model Optimization Toolkit — Pruning API
https://medium.com/tensorflow/tensorflow-model-optimization-toolkit-pruning-api-42cac9157a6a
292 834
Всех, кто хочет продвинуться на непростом пути машинного обучения, ждут 15 мая, в 20:00 на вебинаре «Учим нейронную сеть копировать почерк». Запишитесь, чтобы получить напоминание https://otus.pw/k0cV/
На открытом уроке мы обсудим, что такое нейронная сеть и как от предсказания конкретных свойств объекта перейти к порождению новых объектов с заданными свойствами. В качестве примера разберем один из финальных проектов предыдущего набора курса: задачу порождения рукописного текста с заданным почерком.
Вебинар пройдет в рамках набора на профильный онлайн-курс «Нейронные сети на Python». Это курс для тех, кто хочет углубить свои знания по нейронным сетям, глубоком машинном обучении и задачах, которые решает Deep Learning Инженер. Оцените свои знания и готовность к курсу, сдайте вступительный тест https://otus.pw/0MEo/
Проведет вебинар Артур Кадурин, преподаватель курса и признанный эксперт в области нейронных сетей и machine learning.
Приходите, будет интересно и профессионально!
292 834
Unified Language Model Pre-training for Natural Language Understanding and Generation
Articel.: https://arxiv.org/abs/1905.03197v1
292 834
How to Develop a Convolutional Neural Network From Scratch for CIFAR-10 Photo Classification
https://machinelearningmastery.com/how-to-develop-a-cnn-from-scratch-for-cifar-10-photo-classification/
292 834
PyTorch implementation of the Leap Meta-Learner
Article: https://arxiv.org/abs/1812.01054
GitHub: https://github.com/amzn/metalearn-leap
292 834
Introducing TensorFlow Graphics: Computer Graphics Meets Deep Learning
Github : https://github.com/tensorflow/graphics
Article: https://medium.com/tensorflow/introducing-tensorflow-graphics-computer-graphics-meets-deep-learning-c8e3877b7668
292 834
ICLR2019 Best Paper
"The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks"
Jonathan Frankle, Michael Carbin: https://arxiv.org/abs/1803.03635
292 834
Задача по #DataScience от QIWI.
Наверняка вы знаете, что такое Терминалы QIWI. Они позволяют совершить оплату в пользу более чем двух тысяч провайдеров. Сейчас пользователи мало платят через терминалы, не знают или не помнят, что их услугу можно оплатить на терминале.
QIWI ищет команду, которая сможет доработать (уже реализованный) механизм, рекомендующий плательщику дополнительный платёж. Нужно научиться определять наиболее уместных провайдеров для данного терминала, исходя из его локации и частоты оплачиваемых провайдеров.
На реализацию QIWI выделяет 3 млн.рублей и 5 месяцев.
Задача подробно описана на сайте (видео + текст) — universe.qiwi.com
Заявки от команд до 19 мая.
Вопросы все можно задать в @QU_product_hub
