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 293 306 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 326-o'rinni va Rossiya mintaqasida 1 283-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 293 306 obunachiga ega bo‘ldi.
03 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -6 469 ga, so‘nggi 24 soatda esa -218 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 7.32% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 5.77% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 21 487 marta ko‘riladi; birinchi sutkada odatda 16 937 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 169 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 04 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.
293 306
Obunachilar
-21824 soatlar
-1 5287 kunlar
-6 46930 kunlar
Postlar arxiv
293 301
🔥Multi-Channel Attention Selection GANs for Guided Image-to-Image Translation
SelectionGAN for guided image-to-image translation, where we translate an input image into another while respecting an external semantic guidance
Code: : https://github.com/Ha0Tang/SelectionGAN
Paper: https://arxiv.org/abs/2002.01048v1
@ai_machinelearning_big_data
293 301
Agile Machine Learning: Effective Machine Learning Inspired by the Agile Manifesto (2019)
@datascienceiot
293 301
Using ‘radioactive data’ to detect if a data set was used for training
https://ai.facebook.com/blog/using-radioactive-data-to-detect-if-a-data-set-was-used-for-training/
Paper: https://arxiv.org/abs/2002.00937
293 301
«Карьера в Data Science» звучит как полёт на луну — вроде реально, но есть вопросы. И хорошо, что есть: значит, есть в чём разбираться.
Разбираться предлагаем 9 февраля в Кампусе Нетологии, на митапе по Data Science. Полезно будет всем: начинающим — ответы на вопросы о карьере и розыгрыш бесплатного обучения в Нетологии. Практикующим аналитикам — нетворкинг и лайфхаки от экспертов отрасли.
Стартуем 9 февраля очно и онлайн. Регистрируйтесь ↓
http://netolo.gy/fg8
293 301
Torch-Struct: Deep Structured Prediction Library
Code: https://github.com/harvardnlp/pytorch-struct
Paper: https://arxiv.org/abs/2002.00876v1
Fast, general, and tested differentiable structured prediction in PyTorch: http://nlp.seas.harvard.edu/pytorch-struct/
293 301
How to Configure XGBoost for Imbalanced Classification
https://machinelearningmastery.com/xgboost-for-imbalanced-classification/
293 301
Filter Sketch for Network Pruning
Framework of FilterSketch. The top displays the second-order covariance of the pre-trained CNN
Code: https://github.com/lmbxmu/FilterSketch
Paper: https://arxiv.org/abs/2001.08514v1
293 301
Project DeepSpeech
A TensorFlow implementation of Baidu's DeepSpeech architecture
Code: https://github.com/mozilla/DeepSpeech
Tensorflow & Pytorch: https://github.com/DemisEom/SpecAugment
SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition:
https://arxiv.org/pdf/1904.08779.pdf
293 301
Open Source Differentiable Computer Vision Library for PyTorch
https://kornia.org
Code: https://github.com/kornia/kornia
Paper: https://arxiv.org/abs/1910.02190v2
293 301
📚Fresh book by Nassim Taleb
Statistical Consequences of Fat Tails: Real World Preasymptotics, Epistemology, and Applications
https://arxiv.org/abs/2001.10488
@ai_machinelearning_big_data
293 301
TVR: A Large-Scale Dataset for Video-Subtitle Moment Retrieval
Github: https://github.com/jayleicn/TVRetrieval
PyTorch implementation of MultiModal Transformer (MMT), a method for multimodal (video + subtitle) captioning: https://github.com/jayleicn/TVCaption
Paper: https://arxiv.org/abs/2001.09099v1
293 301
Uplift modeling tutorial
https://habr.com/ru/company/ru_mts/blog/485980/
Code example: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/RetailHero.ipynb
293 301
f-BRS: Rethinking Backpropagating Refinement for Interactive Segmentation
Code: https://github.com/saic-vul/fbrs_interactive_segmentation
Paper: https://arxiv.org/abs/2001.10331
293 301
Hyperparameter tuning with Keras Tuner
https://blog.tensorflow.org/2020/01/hyperparameter-tuning-with-keras-tuner.html
Github: https://github.com/keras-team/keras-tuner
Distributed Tuning: https://keras-team.github.io/keras-tuner/tutorials/distributed-tuning/
293 301
Multi-task self-supervised learning for Robust Speech Recognition
A PASE model can be used as a speech feature extractor or to pre-train an encoder for our desired end-task
Code: https://github.com/santi-pdp/pase
Paper: https://arxiv.org/abs/2001.09239v1
@ai_machinelearning_big_data
293 301
Знаете, каким образом ваш голосовой помощник распознает речь, как банк защищает ваш аккаунт от мошенников и как интернет-магазин определяет товар для рекомендации?
Эти задачи решает Data Scientist. Не удивительно, что сегодня это прорывная профессия с ЗП от 130 000 руб./мес
Звучит интересно, но сложно? На специализации Data Science в школе-данных SkillFactory вы сможете онлайн освоить профессию за 12 месяцев. Будет непросто, да, но интересно и супер-перспективно.
На курсе вас ждут 20% теории и 80% практики на реальных данных: Python, машинное обучение, нейросети и deep learning, Big Data и Data engineering, математика и статистика для Data Sciencе + модуль менеджмента.
Уже к концу обучения вы сможете продемонстрировать работодателям Git-репозиторий с вашими готовыми кейсами!
Узнайте подробности: https://clc.to/e9kMjg
⚡️Киберпонедельник уже здесь! Cкидка на курсы до 40% ー не упустите шанс!
293 301
Channel Pruning via Automatic Structure Search
Code: https://github.com/lmbxmu/ABCPruner
Paper: https://arxiv.org/abs/2001.08565
293 301
Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation
http://vllab.ucmerced.edu/ym41608/projects/CrossDomainFewShot/
Code and data: https://github.com/hytseng0509/CrossDomainFewShot
Paper: https://arxiv.org/abs/2001.08735
293 301
FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence
Code: https://github.com/google-research/fixmatch
Paper: https://arxiv.org/abs/2001.07685
