Machine learning books and papers

الذهاب إلى القناة على Telegram

Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn

إظهار المزيد

📈 نظرة تحليلية على قناة تيليجرام Machine learning books and papers

تُعد قناة Machine learning books and papers (@machine_learn) في القطاع اللغوي الإنكليزية لاعباً نشطاً. يضم المجتمع حالياً 24 505 مشتركاً، محتلاً المرتبة 8 033 في فئة التعليم والمرتبة 13 749 في منطقة إيران.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 24 505 مشتركاً.

بحسب آخر البيانات بتاريخ 03 يوليو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -99، وفي آخر 24 ساعة بمقدار 2، مع بقاء الوصول العام مرتفعاً.

حالة التحقق: غير موثّقة
معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 6.54‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.24‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
وصول المنشورات: يحصل كل منشور على متوسط 1 603 مشاهدة. وخلال اليوم الأول يجمع عادةً 549 مشاهدة.
التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 1.
الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل disorder, psy, مقاله, framework, graph.

📝 الوصف وسياسة المحتوى

يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn”

بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 04 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التعليم.

24 505

المشتركون

+224 ساعات

-107 أيام

-9930 أيام

1 603

عرض المشاهدات

~ 54924 ساعات

~ 67448 ساعات

6.54%

معدل المشاركة

لا توجد بيانات

المشاركات في اليوم

Ads index

beta

أرشيف المشاركات

24 505

Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares https://web.stanford.edu/~boyd/vmls/ @ai_machinelearning_big_data

24 505

This AI Learned To Animate Humanoids 🚶 https://www.youtube.com/watch?v=cTqVhcrilrE code: https://github.com/sebastianstarke/AI4Animation Check out Lambda here and sign up for their GPU Cloud : https://lambdalabs.com/papers

24 505

Stacked Capsule Autoencoders https://github.com/google-research/google-research/tree/master/stacked_capsule_autoencoders paper : https://arxiv.org/abs/1906.06818 http://akosiorek.github.io/ml/2019/06/23/stacked_capsule_autoencoders.html

24 505

Applied Deep Learning — Umberto Michelucci (en) 2018 @Machine_learn

24 505

HoloGAN (A new generative model) learns 3D representation from natural images Article: https://arxiv.org/pdf/1904.01326.pdf Code: https://github.com/thunguyenphuoc/HoloGAN Dataset: http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

24 505

🔥OpenAI realesed the 1.5billion parameter GPT-2 model Post: https://openai.com/blog/gpt-2-1-5b-release/ GPT-2 output detection model: https://github.com/openai/gpt-2-output-dataset/tree/master/detector Research from partners on potential malicious uses: https://d4mucfpksywv.cloudfront.net/papers/GPT_2_Report.pdf #NLU #GPT2 #OpenAI #NLP

24 505

Hamiltonian Neural Networks https://eng.uber.com/research/hamiltonian-neural-networks/ paper: https://arxiv.org/pdf/1906.01563.pdf code: https://github.com/greydanus/hamiltonian-nn

24 505

discriminative : 1:#Regression 2:#Logistic regression 3:#decision tree(Hunt) 4:#neural network(traditional network, deep network) 5:#Support Vector Machine(SVM) Generative: 1:#Hidden Markov model 2:#Naive bayes 3:#K-nearest neighbor(KNN) 4:#Generative adversarial networks(GANs) Deep learning: 1:CNN R_CNN Fast-RCNN Mask-RCNN 2:RNN 3:LSTM 4:CapsuleNet 5:Siamese: siamese cnn siamese lstm siamese bi-lstm siamese CapsuleNet 6:time series data SVR DT(cart) Random Forest linear Bagging Boosting جهت درخواست و راهنمایی در رابطه با پیاده سازی مقالات و پایان نامه ها در رابطه با مباحث deep learning و machine learning با ایدی زیر در ارتباط باشید @Raminmousa

24 505

Deep feature flow for video recognition #Dl #Book @Machine_learn

24 505

Deep learning for biometrics #book #Dl @Machine_learn

24 505

2019 #Deep_Learning Based Recommender System A #Survey and New Perspectives @Machine_learn

24 505

Neural networks in NLP are vulnerable to adversarially crafted inputs. We show that they can be trained to become certifiably robust against input perturbations such as typos and synonym substitution in text classification: https://arxiv.org/abs/1909.01492

24 505

ICCV 2019 papers open access http://openaccess.thecvf.com/ICCV2019.py Workshops: http://openaccess.thecvf.com/ICCV2019_workshops/menu.py

24 505

CrypTen: A new research tool for secure machine learning with PyTorch https://ai.facebook.com/blog/crypten-a-new-research-tool-for-secure-machine-learning-with-pytorch code: https://github.com/facebookresearch/CrypTen

24 505

Open-Source Library for Real-Time Metric-Semantic Localization and Mapping video: https://www.youtube.com/watch?v=-5XxXRABXJs&feature=youtu.be code: https://github.com/MIT-SPARK/Kimera article: https://arxiv.org/abs/1910.02490

24 505

OpenCV By Example #DL #book #openCV @Machine_learn

24 505

Chollet deeplearning #DL #book #Python @Machine_learn

24 505

Master open Cv second edition #book #OpenCV @Machine_learn

24 505

Exploring Massively Multilingual, Massive Neural Machine Translation http://ai.googleblog.com/2019/10/exploring-massively-multilingual.html #DL #paper @Machine_learn article: https://arxiv.org/pdf/1907.05019.pdf

24 505

Unfolding the Structure of a Document using Deep Learning. #DL #paper @Machine_learn https://arxiv.org/abs/1910.03678