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 276 197 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 336-o'rinni va Rossiya mintaqasida 1 374-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 276 197 obunachiga ega bo‘ldi.
05 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -2 229 ga, so‘nggi 24 soatda esa -129 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 8.04% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 6.20% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 22 218 marta ko‘riladi; birinchi sutkada odatda 17 137 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 330 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 06 Noyabr, 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.
276 197
Obunachilar
-12924 soatlar
-8177 kun
-2 22930 kun
Postlar arxiv
276 286
Полезная статья на Хабр о промышленном мониторинге качества данных в Feature Store
В ней аналитик финтеха Big Data из МТС рассказал о построении автоматизированного контроля за качеством данных в их Feature Store, позволяющем не допустить принятия бизнес-решений на искаженных или ненадежных данных.
О том, что такое Feature Store, почему в нем возникла потребность и какое место занимает промышленный мониторинг качества данных, читать здесь.
276 286
HiFormer: Hierarchical Multi-scale Representations Using Transformers for Medical Image Segmentation
Github: https://github.com/amirhossein-kz/hiformer
Paper: https://arxiv.org/abs/2207.08518v1
Tasks: https://paperswithcode.com/task/medical-image-segmentation
@ArtificialIntelligencedl
276 286
✅ Что будет с IT в России?
✅ Первыми узнавать новости из мира облачных технологий и искусственного интеллекта
✅ Регулярный и честный анализ рынка IT
✅ Реальный опыт решения задач
Все это и многое другое на авторском ТГ-канале Евгения Колбина, СЕО облачного провайдера Cloud.
Евгений Колбин:
• Знает, как создать и монетизировать Cloud, AI, ML сервисы, а также, как построить суперкомпьютеры
• Настоял на покупке «железа», когда стало понятно, что может быть дефицит
• Вместе с командой создал Sberbank business online - удобную систему сервисов для предпринимателей
• Долгое время руководил ИТ проектами в Citibank
• А самое главное – знает, как воспользоваться теми возможностями, которые для нас сегодня открываются
Подписывайтесь на канал Евгения, если хотите первыми быть в курсе развития IT, облаков и ИИ:
https://t.me/veryironman
276 286
⚡️ CLOSE: Curriculum Learning On the Sharing Extent Towards Better One-shot NAS
Github: https://github.com/walkerning/aw_nas
Paper: https://arxiv.org/abs/2207.07868v1
Dataset: https://paperswithcode.com/dataset/nas-bench-201
@ai_machinelearning_big_data
276 286
МТС создали новый канал, где доказывают, что продают не только симки и смартфоны, а ищут вполне реальных спецов в IT, которые будут писать на Golang • Swift • Kotlin • Java • Python • C# • C++.
Зачем? Чтобы продолжать создавать продукты, платформы и сервисы для людей и бизнеса с помощью 20+ петабайт данных. Еще и работают в разных направлениях: от Big Data, AI и Cloud до онлайн-кинотеатра и киберспорта.
Да, ребята в МТС тоже развивают экосистему цифровых сервисов.
276 286
Language Modelling with Pixels
PIXEL is a language model that operates on text rendered as images, fully removing the need for a fixed vocabulary.
Github: https://github.com/xplip/pixel
Paper: https://arxiv.org/abs/2207.06991v1
Dataset: https://paperswithcode.com/dataset/glue
Pretrained: https://huggingface.co/Team-PIXEL/pixel-base
@ai_machinelearning_big_data
276 286
🚀 Dynamic Low-Resolution Distillation for Cost-Efficient End-to-End Text Spotting
Github: https://github.com/hikopensource/davar-lab-ocr
Paper: https://arxiv.org/abs/2207.06694v1
Dataset: https://paperswithcode.com/dataset/total-text
@ai_machinelearning_big_data
276 286
Ищем медработников, чтобы с нуля обучить профессии Data Scientist в медицине.
С помощью машинного обучения, вы научитесь обрабатывать данные по сердечно-сосудистым заболеваниям, онкологии, сигналам ЭЭГ, рентгеновским изображениям, сможете ставить диагнозы,обнаруживать болезни и персонализировать лечение.
Курс прекрасно подойдет:
Медработникам
Освоите IT-специализацию в знакомой нише, увеличите доход и сможете улучшать жизнь сотен людей с помощью искусственного интеллекта.
Новичкам в Data Science
Станете специалистом по Data Science с нуля: освоите аналитику в медицине, бизнесе и других направлениях.
IT-специалистам
Поможем систематизировать знания в Data Science, ускорить карьерный рост и больше зарабатывать.
Вашими преподавателями станут эксперты из таких компаний как: Parexel, X5 Retail Group, NVIDIA, Минобороны России, Pirogov AI.
Если после успешного обучения вы не найдёте работу, мы вернём вам деньги, ведь гарантия трудоустройства закреплена в договоре.
Узнать подробности и зарегистрироваться: https://clc.to/wKod8g
276 286
Benchmarking Omni-Vision Representation through the Lens of Visual Realms
Github: https://github.com/ZhangYuanhan-AI/OmniBenchmark
Project: https://zhangyuanhan-ai.github.io/OmniBenchmark
Paper: https://arxiv.org/abs/2207.07106v1
Competition: https://codalab.lisn.upsaclay.fr/competitions/6043
@ai_machinelearning_big_data
276 286
Идея для лета — нырнуть в Data Science с головой
Станьте специалистом по Data Science и приручите алгоритмы под свои амбициозные цели: от решения бизнес-задач до развития медицинских технологий. На курсе Яндекс Практикума вы можете за 8 месяцев изучить Python, SQL, машинное обучение и визуализацию данных — необходимый минимум для работы младшим специалистом.
Пять «П» — преимущества обучения в Практикуме:
— Помощь с трудоустройством: 78% выпускников находят работу в течение 4 месяцев после окончания курса.
— Портфолио: 16 проектов на основе реальных задач бизнеса и диплом о профессиональной переподготовке.
— Поддержка: преподаватели, наставники, кураторы и ревьюры помогают пройти обучение.
— Подходящий формат: можете заниматься из любой точки мира когда вам удобно.
— Практика: курс на 75% состоит из задач в онлайн-тренажёре и учебных проектов.
→ Старт потока — 21 июля.
Оплачивать учёбу можно помесячно, от 6 090 ₽/мес, или 112 000 ₽ сразу.
Начните учиться бесплатно и решите, подходит ли вам роль специалиста по Data Science.
→ Попробуйте курс бесплатно
276 286
KGI (Knowledge Graph Induction) for slot filling
Github: https://github.com/ibm/kgi-slot-filling
KILT data and knowledge source: https://github.com/facebookresearch/KILT
Paper: https://arxiv.org/abs/2207.06300v1
Dataset: https://paperswithcode.com/dataset/natural-questions
@ai_machinelearning_big_data
276 286
⁉️ Разработать одну ML-модель и провести ее валидацию — уже давно не проблема. Как экспериментировать сразу с сотнями моделей и с разными параметрами и при этом не захлебнуться в разнообразии экспериментов? Как не потерять этот опыт и легко воспроизводить эксперименты годовой давности?
📌 20 июля в 20:00 на открытом уроке OTUS мы разберем инструмент MLFlow. Он позволяет легко выбирать лучшие модели среди всех экспериментов и при этом легко сравнивать эти модели, и всегда иметь понятное описание эксперимента.
💻 Занятие проведет Миленькин Александр, старший менеджер по работе с большими данными в X5 Retail Group.
💣 Чтобы зарегистрироваться на урок, пройдите вступительный тест
⚠️ Еще больше знаний о том, как устроен процесс внедрения ML-решения, ждет вас на онлайн-курсе «MLOps». Он рассчитан на специалистов по машинному обучению или Software инженеров.
276 286
🏎 Instance Shadow Detection with A Single-Stage Detector
Deep framework, and an evaluation metric to approach this new task.
Github: https://github.com/stevewongv/InstanceShadowDetection
Instance Shadow Detection: https://github.com/stevewongv/SSIS
Video: https://www.youtube.com/watch?v=p0b_2SsFypw
Colab: https://colab.research.google.com/drive/1y9UpS5uA1YuoMyvYVzcKL4ltA_FDu_x0?usp=sharing
Paper: https://arxiv.org/abs/2207.04614v1
Datasets: https://paperswithcode.com/dataset/soba
@ai_machinelearning_big_data
276 286
❓ Как сделать тематическое моделирование сообществ в Telegram?
Для начала пару слов о том, что такое тематическое моделирование. Тематическое моделирование (оно же topic modeling) — задача и процесс построения тематической модели.....
🎯 Читать статью в habr — https://otus.pw/MKRq/
Статья подготовлена в рамках онлайн-курса с продвинутыми приемами машинного обучения — Machine Learning Advanced».
🔥 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
👉🏻 ПРОЙТИ ТЕСТ
https://otus.pw/vth9/
276 286
🧍♂ PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision
Human-centric privacy-preserving synthetic data generator with highly parametrized domain randomization.
Github: https://github.com/unity-technologies/peoplesanspeople
Paper: https://arxiv.org/abs/2207.05025v1
Demo Video: https://www.youtube.com/watch?v=mQ_DUdB70dc
@ai_machinelearning_big_data
276 286
Большие данные захватили мир
Как стриминговые сервисы понимают, что вы любите? Анализ данных уже давно открыл человечеству новые возможности. Бизнес активно использует инструменты Data Science на полную: голосовые ассистенты, чат-боты, персонализированная реклама.
IT-школа Skillfactory и лучший технический вуз МФТИ ответят на эти вопросы и раскроют главный секрет на своём бесплатном онлайн-интенсиве:
“Кем ты будешь через 2 года, если пойдешь учиться на Data Science сейчас?”
За 1,5 часа руководитель онлайн-магистратур в МФТИ Мария Савицкая расскажет преимущества специалистов с профильным образованием и перспективы развития Data Science.
А эксперт по Data Science Иван Ямщиков расскажет, как работает и в каких сферах применяется машинное обучение и что нас ждет через 10 лет!
По оценкам Frost & Sullivan, каждый год сфера Data Science растет на 35,9%. При этом опытных дата-сайентистов не хватает, поэтому их зарплата стабильно увеличивается. Сейчас специалисты с опытом работы 2-3 года получают от 250 000 ₽.
Переходите по ссылке и регистрируйтесь, это займёт меньше минуты: https://go.skillfactory.ru/N4Q9wg
276 286
🔸 An Efficiency Study for SPLADE Models
SParse Lexical AnD Expansion Model for First Stage Ranking.
Github: https://github.com/naver/splade
Paper: https://arxiv.org/abs/2207.03834v1
Dataset: https://paperswithcode.com/dataset/ms-marco
@ai_machinelearning_big_data
276 286
В VK стартовал набор в Академию больших данных MADE — это бесплатное обучение для специалистов с опытом в разработке.
👉 Регистрируйтесь до 6 августа: https://vk.cc/ceWl31
Программа длится один год, но будьте готовы к серьезной нагрузке: занятия займут 25–40 часов в неделю. За это время вы сможете повысить свой профессиональный уровень или освоить новое направление в IT.
Что вас ждёт:
🔹Много практики и работа над реальными проектами.
🔹Преподаватели — ведущие эксперты в области Data Science. Например, несколько дисциплин ведёт Сергей Николенко, автор бестселлера «Глубокое обучение» и создатель курсов в СПбГУ, НИУ ВШЭ и Harbour Space University.
🔹Профессиональное сообщество, где преподаватели, выпускники и слушатели делятся знаниями, общаются и помогают в решении сложных задач.
Для поступления нужно сдать экзамены по математике и программированию, пройти соревнование по машинному обучению и анкетирование.
276 286
👀 Object Centric Open Vocabulary Detection
Object-centric alignment of the language embeddings from the CLIP model.
Github: https://github.com/hanoonaR/object-centric-ovd
Paper: https://arxiv.org/abs/2207.03482v1
Dataset: https://paperswithcode.com/dataset/imagenet
@ai_machinelearning_big_data
276 286
⬆️ YOLOv7
YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
Github: https://github.com/wongkinyiu/yolov7
Paper: https://arxiv.org/abs/2207.02696v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
