@gonzo_ml
gonzo-обзоры ML статей
Telegram-канал @gonzo_ml: 24,5 тыс. подписчиков, 3 тыс. просмотров на пост, оценка 43
- 24,5 тыс.
- Подписчики
- 3 тыс.
- Медиана просмотров за 30 дней
- 12,3%
- Просмотры / подписчики за 30 дней
- 87
- Постов за 30 дней
Данные на 1 октября 2026 г.
описание каталога О канале от автора
Обзор
Составлен автоматически по данным канала, обновлён 3 сентября 2026. Числа в тексте — на эту дату; свежие стоят плитками выше.
Канал @gonzo_ml разбирает свежие статьи по машинному обучению — от механики оптимизаторов и калибровочных симметрий до архитектур representation learning. Разборы выходят подробные, с ссылками на arXiv, код и сторонние ревью, иногда с отступлениями к книгам по физике и фантастике. Тут же можно узнать о смежных проектах авторов — например, о новом канале про World Models.
По 90 постов за 30 дней канал публикует заметно чаще медианы по категории «Искусственный интеллект» — там она держится на 20 постах. При этом медиана просмотров поста — 2 581, а ER держится на уровне 10,6 %, что ниже медианы по категории в 25,1 %. За 18 дней наблюдений подписчиков прибавилось 15, а средние просмотры выросли на 386 — движение небольшое, но заметное.
Канал подойдёт тем, кто хочет читать не новостную ленту, а разборы конкретных научных статей с разбором формул и кода — формат на любителя, требующий погружения в тему. При 24 332 подписчиках и Place Score 32 канал заметно уступает медиане по подписчикам в категории (15 164 — медиана, тут выше) и по вовлечённости, но выигрывает частотой публикаций.
Владелец канала не подтверждён на площадке, прайс на рекламу пока не открыт — связаться можно напрямую в Telegram.
Частые вопросы
- О чём канал @gonzo_ml?
- Канал разбирает научные статьи по машинному обучению — от оптимизаторов до representation learning, со ссылками на arXiv и код. Иногда встречаются отступления к книгам по физике и фантастике.
- Можно ли купить рекламу в @gonzo_ml?
- Владелец канала пока не открыл прайс на рекламу. Связаться для размещения можно напрямую в Telegram.
- Сколько подписчиков?
- Подписчиков — 24,5 тыс. Медиана просмотров поста — 3 тыс. Просмотров на подписчика — 12,3%. Данные на 1 октября 2026 г.
- Как часто выходят посты?
- За 30 дней вышло постов: 87 — это несколько раз в день. Данные на 1 октября 2026 г.
- Есть ли у канала галочка Telegram?
- Галочки Telegram нет.
- Кто ведёт страницу канала в каталоге?
- Пока никто. Если это ваш канал — заберите страницу: сможете отвечать на отзывы и видеть её статистику.
Это ваш канал?
Подтвердите владение — точные метрики и что улучшить, ответы на отзывы от лица канала и бейдж владельца на странице.
Подтвердить владениеЗаймёт минуту: пост с кодом или бот в администраторах
Ваша страница в tg.place
Знаете владельца?
Перешлите ему это сообщение — он подтвердит права и заберёт накопленное: статистику страницы и ответы на отзывы.
Наведите на график или проведите пальцем — покажем день.
| Из чего складывается | |
|---|---|
| Вовлечённость | 6,7 из 30 |
| Качество роста | 16,7 из 20 |
| Реакции и пересылки | 5,7 из 15 |
| Регулярность | 3,6 из 12 |
| Доверие | 3,9 из 8 |
| Отзывы | недостаточно данныхотзывов пока нет |
Оценка 43 — по 5 показателям из 6: остальные пока не измерены. Методология
Последние посты
Опрос
- Снова про теорию генерализации и гроккинга. Много математики для желающих :) A Theoretical Analysis of Generalization Dynamics in Neural Networks under Gradient Descent with Weight Decay Yuqing Wang, Ioannis G. Kevrekidis, Mikhail Belkin Paper: arxiv.org/abs/2609.07755 Review:ЧТО сделали: Авторы построили строгий теоретический фреймворк для анализа динамики обобщения глубоких нейросетей при оптимизации градиентным спуском с weight decay на квадратичном лоссе. Разбив входное пространство на ячейки вокруг обучающих точек, исследователи разложили популяционный риск на три слагаемых: ошибку данных, ошибку оптимизации и ошибку вариации предсказаний. В предположениях диссипативности и локальной приближённой однородности доказано, что weight decay сжимает внутренние представления, гарантируя эмпирическую сходимость и задавая необходимые и достаточные условия для послойной сходимости и эффекта гроккинга (grokking). ПОЧЕМУ это важно: Классическая теория статистического обучения опирается на статические границы равномерной сходимости, которые бессильны перед перепараметризованными сетями, интерполирующими шум или демонстрирующими отложенное обобщение. Предложенный подход выходит далеко за рамки линеаризованного режима нейро-касательного ядра (NTK) и игрушечных постановок. Он объединяет геометрию данных, глубину сети и алгоритмическую регуляризацию в общую динамическую теорию, объясняя, почему глубокие слои обобщают позже и как weight decay управляет временным зазором между запоминанием и генерализацией. Для практиков: На практике глубокие сети часто ведут себя контринтуитивно: тренировочный лосс падает практически в ноль почти мгновенно, но тестовая точность выходит на плато и лишь спустя тысячи дополнительных шагов резко взлетает — это и есть гроккинг. Работа математически объясняет этот феномен: подгонка под обучающую выборку и генерализация управляются двумя разными физическими процессами, идущими на разных временных масштабах. Запоминание обучающих точек происходит быстро вдоль координат данных, тогда как для истинного обобщения требуется время, чтобы weight decay успел подавить неконтролируемые осцилляции функции во всём остальном объёме входного пространства. Описав, как это сжатие послойно распространяется по сети, теория даёт конкретные критерии баланса между покрытием датасета, силой weight decay и длительностью обучения. Подводить базу здесь: t.me/gonzo_ML_podcasts/4814
arxiviq.substack.com/…
https://arxiviq.substack.com/p/a-theoretical-analysis-of-generalization - Скажите вообще, насколько такой формат про Jev был полезен? Что хорошо, что плохо, что надо улучшить или сделать по-другому? Есть ещё какие-то темы, которые стоило бы прогнать так же?
- Вдогонку про Jev, вот чуваки начали собирать каталог применений и прочего:
github.com/…
https://github.com/AnotiaWang/awesome-jev - Про Darwin Gödel Machine писали, про Huxley-Gödel Machine писали, а про Red Queen Gödel Machine не писали! Исправляемся. The Red Queen Gödel Machine: Co-Evolving Agents and Their Evaluators Alex Iacob, Andrej Jovanović, William F. Shen, Daniel Burkhardt, Meghdad Kurmanji, Nurbek Tastan, Lorenzo Sani, Niccolò Alberto Elia Venanzi, Ambroise Odonnat, Zeyu Cao, Bill Marino, Xinchi Qiu, Nicholas D. Lane Paper: arxiv.org/abs/2606.26294 Review:Code: N/A Model: N/A ЧТО сделали: Предложили эволюционный фреймворк, в котором обучаемые эвалюаторы развиваются параллельно с целевыми агентами. Это позволяет обойтись без статичных бенчмарков при рекурсивном самосовершенствовании. ЧТО получили: Добавление эволюционирующего ревьюера подняло pass rate на бенчмарке Polyglot с 69.9% до 71.7% при снижении расхода токенов в 1.35–1.72 раза по сравнению с Huxley-Gödel Machine. При написании научных статей авторы получили долю одобрений 38.8%–40.5% (в 1.78–1.86 раза выше бейзлайна с его 21.8%) по оценке нескольких рецензентов. Точность проверки доказательств достигла 76% (+9% к бейзлайну) при трёхкратной экономии токенов. ПОЧЕМУ это важно: Совместная эволюция судей и генераторов формирует динамический curriculum и отсекает предвзятость моделей к собственным текстам без ручной поддержки бенчмарков. При этом теоретические гарантии поиска действуют только внутри отдельных эпох и опираются на неизменные якорные датасеты. Бегать вместе с королевой здесь: t.me/gonzo_ML_podcasts/4813
arxiviq.substack.com/…
https://arxiviq.substack.com/p/the-red-queen-godel-machine-co-evolving - Крутая команда авторов, включая фаундера Саканы Дэвида Ха, а также Себастиана Риси, выпустила книгу по нейроэволюции neuroevolutionbook.com
О канале в цифрах
- Создан
- 21 февраля 2019 г.
- Фото
- 4 тыс.
- Видео
- 6
- Файлы
- 3
- Ссылки
- 1,8 тыс.
По данным Telegram на 1 октября 2026 г.
Рейтинги и подборки
Отзывы
Оставить отзыв
Отзывов пока нет. Ваш будет первым.
