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 293 602 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 326-o'rinni va Rossiya mintaqasida 1 281-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 293 602 obunachiga ega bo‘ldi.
02 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -6 464 ga, so‘nggi 24 soatda esa -249 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 7.49% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 5.71% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 21 989 marta ko‘riladi; birinchi sutkada odatda 16 765 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 173 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 03 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.
293 602
Obunachilar
-24924 soatlar
-1 5267 kunlar
-6 46430 kunlar
Postlar arxiv
293 602
Swin Transformer - PyTorch
Code: https://github.com/berniwal/swin-transformer-pytorch
Github: https://github.com/microsoft/Swin-Transformer
Paper: https://arxiv.org/abs/2103.14030v1
@ai_machinelearning_big_data
293 602
🤗 ⚡️Multilingual CLIP with Huggingface + PyTorch Lightning
https://sachinruk.github.io/blog/pytorch/pytorch%20lightning/loss%20function/gpu/2021/03/07/CLIP.html#Data
CLIP: Connecting Text and Images: https://openai.com/blog/clip/
@ai_machinelearning_big_data
293 602
Салют! Семейство виртуальных ассистентов Салют и компания Just AI ищут разработчиков чат-ботов, голосовых и других виртуальных помощников и предлагают им возможности платформы Сбера.
1. Открыта возможность переноса в ассистентов Салют навыков чат-ботов, созданных на платформе JAICP или с помощью конструктора Aimylogic. Детали по ссылке https://clck.ru/TsXMU
2. Доступен эмулятор для тестирования навыков на поверхностях платформы Сбера (умные устройства и мобильные приложения).
3. Есть возможность подключить оплату на любом шаге сценария.
4. Доступ к аудитории экосистемы Сбера.
А ещё каждый квартал команда Сбера определяет лучшие приложения, разработанные для каталога SmartMarket и дарит их авторам по 2,5 млн рублей. Узнай подробности по ссылке: https://clck.ru/Ttz2V
293 602
Towards Ultra-Resolution Neural Style Transfer via Thumbnail Instance Normalization
Github: https://github.com/czczup/URST
Paper: https://arxiv.org/abs/2103.11784
Dataset: https://cocodataset.org/#download
@ai_machinelearning_big_data
293 602
Каждый день мы загружаем и передаем все больше контента. Нагрузка на базовые станции операторов растет, но вместе с ней растет и качество связи. Как это получается? И какую роль в этом процессе играет big data?
Ответы найдете в видео «Как нейросети помогают оставаться на связи», где Тимур и Вика, датасайентисты из МегаФона, рассказывают, почему модернизация базовых станций – это задача из области data science, как работает модель, на основании рекомендаций которой принимаются решения о необходимости «прокачки» той или иной вышки, и остается ли в этом процессе место для человека.
Спойлер: место для человека остается. Например, в МегаФоне в команду по работе с большими данными ищут Team Lead, Senior data scientist, инженера SQL и других специалистов.
293 602
The GENRE (Generarive ENtity REtrieval) system as presented in Autoregressive Entity Retrieval implemented in pytorch.
Github: https://github.com/facebookresearch/GENRE
Paper: https://arxiv.org/abs/2103.12528v1
Dataset: https://github.com/facebookresearch/GENRE/blob/main/scripts/download_all_datasets.sh
@ai_machinelearning_big_data
293 602
The last article in uplift modeling tutorials by MTS data scientists: “Metrics in uplift modeling”📈
Uplift models are used to promote products and create advertising segments 🤑
📗 Habr: https://habr.com/ru/company/ru_mts/blog/538934/
💻 Code: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/uplift_metrics_tutorial.ipynb
293 602
🔬 The Best ML Frameworks & Extensions for Scikit-learn
https://neptune.ai/blog/the-best-ml-framework-extensions-for-scikit-learn
@ai_machinelearning_big_data
293 602
Contrastive Learning of Musical Representations
Github: https://github.com/spijkervet/CLMR
Paper: https://arxiv.org/abs/2103.09410
@ai_machinelearning_big_data
293 602
Продолжается набор на оплачиваемую летнюю стажировку в Яндексе ⚡️
Если вы (или ваши друзья) давно хотели попробовать себя в роли разработчика, летняя стажировка — идеальный вариант.
Отлично проявившие себя стажеры получат шанс перейти в штат!
Направления: фронтенд- и бэкенд-разработка, машинное обучение, аналитика, мобильная разработка и другие — ознакомиться с ними можно здесь.
Особый формат стажировки — Deep Dive в Яндекс.Маркете.
Сколько длится: от трех до 6 месяцев.
Где: в Москве, Санкт-Петербурге, Екатеринбурге, Нижнем Новгороде, Новосибирске, Сочи, Симферополе и Минске.
Если вы из другого города — мы оплатим вам дорогу и проживание в Москве 🙌
Что нужно уметь: мы ждём отличного знания базовых алгоритмов и уверенных навыков программирования на одном из языков.
Как проходит отбор: зависит от направления, но в большинстве случаев нужно будет выполнить тестовое задание, пройти два-три технических интервью, а затем выбрать команду.
Подавайте заявку до 31 мая: https://clck.ru/TgiBN
293 602
Large Scale Image Completion via Co-Modulated Generative Adversarial Networks, ICLR 2021 (Spotlight)
Gitub: https://github.com/zsyzzsoft/co-mod-gan
Paper: https://openreview.net/pdf?id=sSjqmfsk95O
Demo: http://comodgan.ml/
@ai_machinelearning_big_data
293 602
Кейс: как сервис с развлекательным видео-контентом увеличил доход с рекламы на 10%
Сервис зарабатывает на рекламе — чем больше пользователь смотрит рекламы, тем выше доход. Все, по классической схеме.
Но есть проблема: пользователи отказывались от просмотра контента, среднее количество отказов — 17,7%. Очевидно, сервис не умеет показывать релевантные ролики.
Тогда сервис решил настроить персональные рекомендации, как в ютубе. Беда в том, что пользователи просматривают контент анонимно:
— включают VPN,
— используют режим инкогнито
— не оставляют комментарии и лайки
— не регистрируются.
Непонятно, по каким критериям настраивать рекомендации. Ситуация выглядит безнадежной.
Дата-аналитик Orbitsoft рассказывает, как они справились с проблемой, чем помог искусственный интеллект и биг-дата.
http://bit.ly/3tmsnuq
293 602
🔷 PyTorch Geometric Temporal is a temporal (dynamic) extension library for PyTorch Geometric.
Github: https://github.com/benedekrozemberczki/pytorch_geometric_temporal
Paper: https://dl.acm.org/doi/10.1145/3308560.3316581
Dataset: https://pytorch-geometric-temporal.readthedocs.io/en/latest/notes/introduction.html#discrete-time-datasets
@ai_machinelearning_big_data
293 602
Probabilistic two-stage detection
Two-stage object detectors that use class-agnostic one-stage detectors as the proposal network.
Github: https://github.com/xingyizhou/CenterNet2
Paper: https://arxiv.org/abs/2103.07461v1
@ai_machinelearning_big_data
293 602
Яндекс создал новый сервис для ML-разработки и анализа данных — Yandex DataSphere.
👉 Его можно попробовать бесплатно (предоставляется 50+ часов с GPU в фоновых ячейках) по ссылке: https://clck.ru/TkwJG
В чем его главные фишки
✅ Не требует настройки: разворачивается в облаке за пару кликов и сразу же готов к работе. Поэтому забываем как страшный сон об установке ПО и выборе правильных мощностей заранее.
🖥 Привычный интерфейс Jupyter Notebook. А сами проекты не пропадают и живут столько же, сколько ваше облако.
▶️ После исполнения сохраняется состояние (состояние = код + вывод + переменные). Поэтому можно вернуться к любому шагу разработки и не придется заново запускать вычисления.
Продукт молодой, команда очень отзывчива к пожеланиям и на информацию о любых багах быстро реагирует в чате (https://t.me/yandex_datasphere). Вы можете принять реальное участие в становлении Yandex DataSphere.
293 602
Open Avatarify Photorealistic avatars for video-conferencing apps. Democratized.
Github: https://github.com/alievk/avatarify-python
Demo: https://www.youtube.com/watch?v=Q7LFDT-FRzs&feature=youtu.be&ab_channel=AliAliev
@ai_machinelearning_big_data
293 602
Бесплатный вебинар «MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен» от Mail.ru Cloud Solutions
MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении.
Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения.
На вебинаре сотрудники MCS настроят MLflow в максимально близком к production варианте, а также покажут, как реализовать использование компонентов облака в качестве различных backend-сервисов MLflow.
Мероприятие пройдет во вторник, 23 марта, онлайн.
Начало в 18:00 по Москве.
👉 Регистрируйтесь: https://vk.cc/bZIwUi
293 602
Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion
Github: https://github.com/hkchengrex/MiVOS
Paper: https://arxiv.org/pdf/2103.07941v1.pdf
@ai_machinelearning_big_data
293 602
Свежая подборка из мира новостей по искусственному интеллекту, Big Data и машинному обучению. Переходи по ссылке и будь в курсе всего, что происходит в России и мире. Не оставайся в стороне от историй, за которыми будущее.
https://t.me/bolshiedannye
293 602
Develop a Neural Network for Banknote Authentication
https://machinelearningmastery.com/neural-network-for-banknote-authentication/
@ai_machinelearning_big_data
