uz
Feedback
Machinelearning

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
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

How to Develop a Deep Convolutional Neural Network From Scratch for Fashion MNIST Clothing Classification https://machinelearningmastery.com/how-to-develop-a-cnn-from-scratch-for-fashion-mnist-clothing-classification/

Digging Into Self-Supervised Monocular Depth Estimation Article.: https://arxiv.org/abs/1806.01260 Github: https://github.com/nianticlabs/monodepth2

Announcing Open Images V5 and the ICCV 2019 Open Images Challenge http://ai.googleblog.com/2019/05/announcing-open-images-v5-and-iccv-2019.html

Искусственный интеллект на примере простой игры. Часть 2 https://habr.com/ru/post/451070/

How to Develop a Convolutional Neural Network From Scratch for MNIST Handwritten Digit Classification https://machinelearningmastery.com/blog/

Огромный открытый датасет русской речи https://habr.com/ru/post/450760/

How to Visualize Filters and Feature Maps in Convolutional Neural Networks https://machinelearningmastery.com/how-to-visualize-filters-and-feature-maps-in-convolutional-neural-networks/

Billion-scale semi-supervised learning for image classification" Weakly-supervised pre-training + semi-supervised pre-training + distillation + transfer/fine-tuning =81.2% twith ResNet-50, 84.8% with ResNeXt-101-32x16, top-1 accuracy on ImageNet. article: https://arxiv.org/abs/1905.00546 announce : https://www.facebook.com/i.zeki.yalniz/posts/10157311492509962

Best Practices for Preparing and Augmenting Image Data for Convolutional Neural Networks https://machinelearningmastery.com/best-practices-for-preparing-and-augmenting-image-data-for-convolutional-neural-networks/

Announcing Google-Landmarks-v2: An Improved Dataset for Landmark Recognition & Retrieval http://ai.googleblog.com/2019/05/announcing-google-landmarks-v2-improved.html

BoTorch is a library for Bayesian Optimization built on PyTorch. Facebook open-sources Ax and BoTorch to simplify AI model optimization github: https://github.com/pytorch/botorch description: https://techcrunch.com/2019/05/01/facebook-open-sources-ax-and-botorch-to-simplify-ai-model-optimization/

Real-Time Patch-Based Stylization of Portraits Using Generative Adversarial Network http://dcgi.fel.cvut.cz/home/sykorad/facestyleGAN.html

Пошаговое руководство по созданию голосового помощника с Python https://habr.com/ru/post/450224/

A Gentle Introduction to the ImageNet Large Scale Visual Recognition Challenge (ILSVRC) https://machinelearningmastery.com/introduction-to-the-imagenet-large-scale-visual-recognition-challenge-ilsvrc/