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 294 814 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 332-o'rinni va Rossiya mintaqasida 1 277-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 294 814 obunachiga ega bo‘ldi.
26 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -6 463 ga, so‘nggi 24 soatda esa -216 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 7.82% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 5.40% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 23 058 marta ko‘riladi; birinchi sutkada odatda 15 914 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 179 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 27 Iyun, 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.
294 814
Obunachilar
-21624 soatlar
-1 5507 kunlar
-6 46330 kunlar
Postlar arxiv
294 760
🎮Одним из самых увлекательных направлений, в котором широко используется обучение с подкреплением, является киберспорт.
🔥В программе курса Reinforcement Learning в OTUS подробно разбираются одни из самых интересных кейсов применения RL в игровой индустрии.
21.11 в 20.00 мск. приглашаем на открытый урок “Игры c человеком и компьютером”
📌На занятии:
- узнаем историю противостояния человека и компьютера в настольных и компьютерных играх;
- познакомимся с основными идеями и подходами при создании игровых интеллектуальных агентов с помощью обучения с подкреплением;
- покажем как обучить модель эффективно управлять группой юнитов в одной из популярных игр.
После урока вы будете понимать как разрабатываются интеллектуальные агенты для различных игр и какие шаги необходимо пройти для реализации собственного игрового бота.
👉Регистрация https://otus.pw/tb0b/
При поступлении в группу возможны разные способы оплаты и рассрочка платежа.
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8K22Ec
294 760
🏆 LLaMA2-Accessory: An Open-source Toolkit for LLM Development
LLaMA2-Accessory - это набор инструментов с открытым исходным кодом для предварительного обучения, тонкой настройки и развертывания больших языковых моделей (LLM) и муллимодальных LLM. Этот репозиторий в основном унаследован от LLaMA-Adapter с более расширенными возможностями.🧠
✨ В рамках этого инструментария представлена SPHINX, универсальная мультимодальная языковая модель (MLLM), которая показывает высокие результаты генерации для широкого спектра задач.
🐱 Github: https://github.com/alpha-vllm/llama2-accessory
🚀 Demo: http://imagebind-llm.opengvlab.com/
📕 Paper: https://arxiv.org/abs/2311.07575v1
⏩ Project: llama2-accessory.readthedocs.io/
⭐ Dataset: https://paperswithcode.com/dataset/vsr
@ai_machinelearning_big_data
294 760
✨ Feature Selection for Deep Tabular Models
Аналог LASSO для нейронных сетей, названный Deep Lasso, который превосходит классические методы отбора признаков в сложных задачах.
🐱 Github: https://github.com/vcherepanova/tabular-feature-selection
📕 Paper: https://arxiv.org/pdf/2311.05877v1.pdf
⭐ Tasks: https://paperswithcode.com/task/feature-selection
@ai_machinelearning_big_data
294 760
🤖Для обучения моделированию архитектуры на разных уровнях важно использовать инструмент, поддерживающий все основные элементы и связи языка, и контролирующий правила их применения. В качестве такого инструмента мы используем Archi. Узнайте больше на бесплатном уроке онлайн-курса «Archimate».
👉Приглашаем на бесплатный вебинар: «Описание технологического и физического слоя на языке Архимейт»: регистрация
На вебинаре мы:
— изучим элементы и правила построения технического и физических слоев;
— познакомимся с элементами слоёв;
— рассмотрим, как элементы технологического и физического слоя связываются с другими слоями.
Занятие проведет Максим Рогоза — руководитель курса и главный архитектор в крупнейшем IT-интеграторе.
🔥После вебинара вы сможете продолжить обучение на курсе по спеццене, в том числе, в рассрочку.
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8JxR36
294 760
⚡️ LCM-LoRA: A Universal Stable-Diffusion Acceleration Module
Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference.
Новый подход, который значительно уменьшает нагрузку на диффузионные модели для генерации изображений. Подход позволяет перевести любую существующую обученную LDM на быструю генерацию.
LoRA представляя собой универсальный ускоритель для различных задач генераций изображений.
pip install diffusers transformers accelerate gradio==3.48.0
🖥 Github: https://github.com/luosiallen/latent-consistency-model
📕 Paper: https://arxiv.org/abs/2311.05556v1
🌐 Project: https://latent-consistency-models.github.io
🤗 Demo: https://huggingface.co/spaces/SimianLuo/Latent_Consistency_Model
@ai_machinelearning_big_data294 760
❗️Как эффективно развертывать модели в облаках?
▶️ Узнайте на практике на бесплатном открытом уроке «Deploy моделей в облаках (MLOps в облаках)» от OTUS и Павла Филонова – Ex-Data Science Manager в Kaspersky.
На открытом уроке:
🔹Рассмотрим вариант развертывания моделей в облачном kubernetes
🔹Куда складывать образы и как создавать и управлять кластером
🔹Как безопасно подключить развертывание к CI/CD
✅ Владение инструментами MLOps открывает новые карьерные горизонты специалистам ML, Data Scientist’ам и Software инженерам.
👉 РЕГИСТРАЦИЯ
https://otus.pw/Lhrg/
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8JtxD7
294 760
+1🪞 Mirror: A Universal Framework for Various Information Extraction Tasks
Мощный инструмент для решения практически всех задач извлечения и унификации информации.
🖥 Github: https://github.com/Spico197/Mirror
📕 Paper: https://arxiv.org/abs/2311.05419v1
🌐 Dataset: https://paperswithcode.com/dataset/glue
@ai_machinelearning_big_data
294 760
🖥ChatGPT Advanced Data Analysis
Бесплатный курс углубленного анализа данных c ChatGPT
Этот курс входит в специализацию Специализация Prompt Engineering
https://www.coursera.org/learn/chatgpt-advanced-data-analysis
ai_machinelearning_big_data
294 760
+1🚀 Whisper-V3 / Consistency Decoder
Improved decoding for stable diffusion vaes.
Многие упустили из виду, что на Dev Day компания OpenAI выложила в открытый доступ сразу две модели, и на них стоит обратить внимание.
Первая из них - Whisper-V3, лучшая из существующих OSS-моделей распознавания речи. Она демонстрирует значительные улучшения по сравнению с Whisper-V2 на десятках языков.
Whisper остается одной из лучших фундаментальных моделей всех времен. В отличие от предыдущих работ, в которых создавались сложные конвейеры, Whisper представляет собой большой трансформер, который преобразует звук непосредственно в текст, со специальными "
метаязыковыми" лексемами, позволяющими выполнять элегантную многозадачность: определение языка, перевод, распознавание голоса и т.д. Его первый автор - легендарный Алек Рэдфорд - человек, ответственный почти за все революционные статьи OAI.
Скорее всего Whisper позволил получить не менее триллиона высококачественных разговорных лексем из интернет-видео/аудиозаписей для GPT-4 и последующих проектов.
Второй открытый проект - это декодер согласованности (Consistency Decoder) из работы "Consistency Models" (Модели согласованности) под руководством Доктор Янге Сонг.
Янг был одним из первопроходцев в области диффузионных моделей. Вы можете заменить декодер Stable Diffusion на Consistency Decoder, и это улучшит рендеринг текстов, лиц и геометрических фигур.
- Whisper paper: https://arxiv.org/abs/2212.04356
- Whisper-V3 checkpoint: https://github.com/openai/whisper/discussions/1762
- Consistency Models: https://arxiv.org/abs/2303.01469
- Consistency Decoder release: https://github.com/openai/consistencydecoder
@ai_machinelearning_big_data294 760
🚀 Introducing YOLO-NAS Pose : A Game-Changer in Pose Estimation 🚀
This Model is a redefinition of pose estimation's potential.
Компьютерное зрение достигло значительных успехов, и последний скачок произошел благодаря модели YOLO-NAS Pose.
Эта модель открывает новые возможности обнаружения и оценки позы людей на выдео.
- Ошеломляющее снижение задержки на 38,85% на мощных процессорах Intel Xeon.
-Модель поднимает YOLOv8 на новую высоту по качеству обнаружения.
-Ориентирована на работу в режиме реального времени, уникальное сочетание точности и скорости.
- Невероятное улучшение на 0,27 балла на AP@0.5-0.9
Для решения различных задач модель выпускается в четырех вариантах, каждый из которых имеет свой размер и время задержки.
🖥 Github: https://github.com/Deci-AI/super-gradients
📕 Notebook: https://colab.research.google.com/drive/1O4N5Vbzv0rfkT81LQidPktX8RtoS5A40
🚀 Demo: https://huggingface.co/spaces/Deci/YOLO-NAS-Pose-Demo
🌐 Colab: https://colab.research.google.com/drive/1agLj0aGx48C_rZPrTkeA18kuncack6lF
@ai_machinelearning_big_data
294 760
Команда «Море данных» открывает вакансии.
Основные направления работы: цифровое образование, анализ качества речи с помощью ии, цифровые двойники способные к рассуждению, digital hr. (Пример)
Middle/Senior Data Scientist (NLP) на постоянную основу.
Оклад: 200 000 − 400 000 ₽
Возможно временное оформление: договор ГПХ, самозанятые, ИП
Возможен гибкий график
Требования:
— знание NLP стека
— понимание принципов устройства и обучения LLM и генеративных трансформеров
— опыт разработки NLP-моделей
— желателен опыт дообучения LLM
— интерес к сфере образования
Резюме присылать в тг @ana_vitvit с пометкой ‘Data Scientist’
Prompt engineer
Оклад: 90 000-160 000 руб.
Обязанности: написание промптов и промпт-сценариев для больших языковых моделей
Требования:
— Понимание принципов работы LLM, тюнинга поведения LLM с помощью промптов; обучаемость.
— Подтвержденный опыт проектов с прмт инженерией для языковых моделей
— интерес к сфере образования
Резюме присылать в тг @ana_vitvit с пометкой ‘промт инженер’
Проджект менеджер дата-интенсивных проектов
Оклад: по результатам собеседования
Требуется опыт ПМ на дата интенсивных и технических проектах не менее 3х лет. Agile. Работа с front , back, devops, data science и machine learning специалистами.
Резюме присылать в тг @ana_vitvit с пометкой ‘проджект менеджер’
294 760
⚡️ EntitySeg Toolbox: Towards open-world and high-quality image segmentation
EntitySeg - это инструментарий с открытым исходным кодом, предназначенный для сегментации изображений с открытым миром и высоким качеством.
На сегодняшний день в EntitySeg реализованы следующие алгортмы:
▪Open-World Entity Segmentation (TPAMI2022)
▪High Quality Segmentation for Ultra High-resolution Images (CVPR2022)
▪CA-SSL: Class-Agnostic Semi-Supervised Learning for Detection and Segmentation (ECCV2022)
▪High-Quality Entity Segmentation (ICCV2023 Oral)
▪Rethinking Evaluation Metrics of Open-Vocabulary Segmentaion --- released
🖥 Github: https://github.com/qqlu/entity
📕 Paper: https://arxiv.org/abs/2311.03352v1
🌐 Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
294 760
⚡️ OpenAI DevDay, Opening Keynote
OpenAI DevDay сейчас идет онлайн конференции для разработчиков от OpenAI.
OpenAI выпустит GPT-5 GPT-4-Turbo, новая модель превосходит старую во всем:
— Можно писать промты длинной в 128 тысяч токенов — это 365 страниц примерно обычной книги!
— Поддерживает возможность загружать собственные документы (PDF и прочие дипломы);
— Можно может писать ответы в JSON-формате;
— Обновили базу данных до апреля 2023 года;
— Цена будет дешевле, работа по API для разработчиков — в 3 раза меньше цена для промта и в 2 раза для генераций.
— Голоса ChatGPT теперь не отличить от человеческих.
— GPT-4 turbo стала намного умнее.
— В 3 раза меньше цена для промта и в 2 раза для генераций.
Выпущен: https://github.com/openai/whisper
https://www.youtube.com/watch?v=U9mJuUkhUzk
@ai_machinelearning_big_data
294 760
🔥 One of the most beautiful interactive visualizations on how LLMs work.
Хотите понять, как работают большие языковые модели?
Эта статья поможет вам понять основные концепции в интерактивной форме!
Одна из самых красивых визуализаций того, как работают
LLM.
http://ig.ft.com/generative-ai/
@ai_machinelearning_big_data294 760
🎧 Video2Music: Suitable Music Generation from Videos using an Affective Multimodal Transformer model
Video2Music: Suitable Music Generation from Videos using an Affective Multimodal Transformer model.
Многочисленные исследования в области генерации музыки продемонстрировали впечатляющую производительность, однако практически ни одна модель не способна напрямую генерировать музыку для сопровождения видео.
В данной работе представлен генеративный музыкальный ИИ-фреймворк
Video2Music, который может генерировать музыку под предоставленное видео.
Сначала была собрана уникальная коллекцию музыкальных клипов. Затем проанализированы музыкальные видеоролики, чтобы получить семантические характеристики, характеристики смещения сцены, движения и эмоций.
Эти отличительные признаки используются в качестве исходных данных для модели генерации музыки.
Затем транскрибируются аудиофайлы в MIDI и аккорды, а также извлекаются такие характеристики, как плотность нот и громкость.
В результате был собран набор мультимодальных данных под названием MuVi-Sync, на котором обучена модель для генерации музыки на основе видео. Эта модель включает в себя новый механизм, обеспечивающий сходство между видео и музыкой. Наконец, выполняется постобработка на основе регрессионной модели на базе biGRU для оценки плотности и громкости нот на основе характеристик видео.
Это обеспечивает динамическую визуализацию генерируемых аккордов с изменяющимся ритмом и громкостью.
В ходе экспериментов показано, что фреймворк позволяет генерировать музыку, соответствующую видеоконтенту с точки зрения эмоций. Музыкальное качество, а также качество согласования музыки и видео подтверждается в ходе исследования.
Модель AMT, а также новый датасет MuVi-Sync представляют собой перспективный шаг для задачи генерации музыки для видео.
🖥 Github: https://github.com/amaai-lab/video2music
📕 Paper: https://arxiv.org/abs/2311.00968v1
⏩ Demo: https://llmrec.github.io/
🌐 Dataset: https://zenodo.org/records/10057093
@ai_machinelearning_big_data294 760
Erid:2VtzqxJMzEK
Регистрация на отборочный этап Всероссийского хакатона по биометрии!
Если ты молодой специалист, жаждущий новых вызовов и возможностей, не упусти шанс побороться за часть призового фонда в размере 1.000.000 рублей! Зарегистрируйся на отборочный тур прямо сейчас, выбери кейс и стань частью Всероссийского хакатона по биометрии.
Кейсы:
• Разработка инструмента для создания дипфейков
• Разработка инструмента для обнаружения дипфейков
• Фронтальный алгоритм защиты от атак предъявления для лицевой биометрии
• Решения для использования новых биометрических модальностей на пользовательских устройствах
Хакатон пройдёт в два этапа:
• Отборочный тур онлайн 10-12 ноября
• Финал офлайн 25 ноября в Москве
Победители соревнования получат ценные призы и возможность представить свои проекты перед экспертами и топ-менеджерами биометрических вендоров и крупных технологических компаний. Мероприятие проводится при поддержке Центра Биометрических Технологий. Генеральный партнёр мероприятия – Сбер, официальные партнёры – IT-компании «InnoView», Ovision. Хакатон проводится при поддержке Минспорта, Федерации Спортивного Программирования и Минцифры.
Даты отборочного этапа в онлайн-формате: 10-12 ноября 2023 года
Даты финала: 25 ноября 2023 года
Место: Москва
Формат: смешанный (отборочный этап в онлайн-формате, а финал – на площадке в Москве)
Подробности и регистрация до 6 ноября 2023 года по ссылке: https://clck.ru/36PH5y
Собирай команду, решай задачу и выигрывай на Всероссийском хакатоне по биометрии
Реклама. ООО «Акселератор Возможностей». ИНН 9704005146
294 760
🖥 TORCH UNCERTAINTY
TorchUncertainty - это, фреймворк для использования методов квантования неопределенности для повышения надежности глубоких нейронных сетей. Пакет предоставляет многоуровневый API, включая:
▪готовые к обучению базовые модели на исследовательских датасетах, таких как ImageNet и CIFAR
▪базовые системы глубокого обучения, доступные для обучения на ваших наборах данных
▪предварительно обученные веса для этих базовых сетей на ImageNet и CIFAR
▪готовые слои, доступные для использования в ваших сетях
▪методы постобработки в стиле scikit-learn, такие как Temperature Scaling.
Более полный список реализованных методов в справке по API.
pip install torch-uncertainty
🖥 Github: https://github.com/ensta-u2is/torch-uncertainty
📕 Paper: https://arxiv.org/abs/2311.01434v1
⏩ Project: https://llmrec.github.io/
👣 Api: https://torch-uncertainty.github.io/api.html
🌐 Dataset: https://paperswithcode.com/dataset/cifar-10
@ai_machinelearning_big_data