متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
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 24 502 مشتركاً، محتلاً المرتبة 8 028 في فئة التعليم والمرتبة 13 775 في منطقة إيران.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 24 502 مشتركاً.
بحسب آخر البيانات بتاريخ 02 يوليو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -109، وفي آخر 24 ساعة بمقدار 5، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 6.29%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.04% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 541 مشاهدة. وخلال اليوم الأول يجمع عادةً 500 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 03 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التعليم.
24 502
المشتركون
+524 ساعات
-147 أيام
-10930 أيام
أرشيف المشاركات
Simple multi-dataset detection
Github: https://github.com/xingyizhou/UniDet
Paper: https://arxiv.org/abs/2102.13086v1
@Machine_learn
🧠 Lite-HRNet: A Lightweight High-Resolution Network
Github: https://github.com/HRNet/Lite-HRNet
Paper: https://arxiv.org/abs/2104.06403
@Machine_learn
🧠 بوتکمپ علم داده آکادمی لوپ
❕به روزترین و کاملترین سرفصلها در حوزه علم داده
📅 تاریخ برگزاری: پنجشنبه ۲۶ فروردین ماه از ساعت ۹:۰۰ الی ۱۲:۳۰
🖥 این دوره به صورت آنلاین برگزار خواهد شد.
🔖 برای شرکت در روز اول این بوتکمپ به صورت❗️رایگان❗️می توانید از این لینک استفاده کنید.
❌ ظرفیت این بوتکمپ محدود
میباشد.
⭕️ برای ثبت نام کامل و برخورداری از تخفیف زودهنگام در این بوتکمپ از این لینک استفاده کنید.
🕙 مدت این دوره: ۳۶ ساعت
💡 لینک گروه تلگرامی بوتکمپ علم داده جهت پرسش و پاسخ
➖➖➖➖➖➖➖➖
@LoopAcademy
🧠 بوتکمپ علم داده آکادمی لوپ
❕به روزترین و کاملترین سرفصلها در حوزه علم داده
📅 تاریخ برگزاری: پنجشنبه ۲۶ فروردین ماه از ساعت ۹:۰۰ الی ۱۲:۳۰
🖥 این دوره به صورت آنلاین برگزار خواهد شد.
🔖 برای شرکت در روز اول این بوتکمپ به صورت❗️رایگان❗️می توانید از این لینک استفاده کنید.
❌ ظرفیت این بوتکمپ محدود
میباشد.
⭕️ برای ثبت نام کامل و برخورداری از تخفیف زودهنگام در این بوتکمپ از این لینک استفاده کنید.
🕙 مدت این دوره: ۳۶ ساعت
💡 لینک گروه تلگرامی بوتکمپ علم داده جهت پرسش و پاسخ
➖➖➖➖➖➖➖➖
@LoopAcademy
500 + 𝗔𝗿𝘁𝗶𝗳𝗶𝗰𝗶𝗮𝗹 𝗜𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 𝗣𝗿𝗼𝗷𝗲𝗰𝘁 𝗟𝗶𝘀𝘁 𝘄𝗶𝘁𝗵 𝗰𝗼𝗱𝗲
500 AI Machine learning Deep learning Computer vision NLP Projects with code
This list is continuously updated. - You can take pull request and contribute.
https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
@Machine_learn
EfficientNetV2: Smaller Models and Faster Training
A new paper from Google Brain with a new SOTA architecture called EfficientNetV2. The authors develop a new family of CNN models that are optimized both for accuracy and training speed. The main improvements are:
- an improved training-aware neural architecture search with new building blocks and ideas to jointly optimize training speed and parameter efficiency;
- a new approach to progressive learning that adjusts regularization along with the image size;
As a result, the new approach can reach SOTA results while training faster (up to 11x) and smaller (up to 6.8x).
Paper: https://arxiv.org/abs/2104.00298
Code will be available here:
https://github.com/google/automl/efficientnetv2
A detailed unofficial overview of the paper: https://andlukyane.com/blog/paper-review-effnetv2
@Machine_learn
PlenOctrees For Real-time Rendering of Neural Radiance Fields
And yet another speed-up of NERF. Exactly the same idea as in FastNeRF and NEX (predict spherical harmonics coefficients k) - incredible! It's the first time I see so many concurrent papers sharig the same idea. But this one has code at least, which makes it the best!
📝 Paper arxiv.org/abs/2103.14024
🌐Project page alexyu.net/plenoctrees/
🛠Code github.com/sxyu/volrend
@Machine_learn
Ted Talk with Yann LeCun
in which Yann discusses his current research into self-supervised machine learning, how he's trying to build machines that learn with common sense (like humans) and his hopes for the next conceptual breakthrough in AI.
▶️ Watch
@Machine_learn
با عرض سلام
از دوستان اگر کسی اشنا به مبحث Genetic algorithm برای بهینه سازی هست جهت انجام پروژه ی با تقبل هزینه ممنون ميشم به بنده پیام بده.
@Raminmousa
Recursive Classification: Replacing Rewards with Examples in RL
http://ai.googleblog.com/2021/03/recursive-classification-replacing.html
@Machine_learn
سلام دوستان جهت کسب اطلاعات از نحوه خرید می تونین با بنده در ارتباط باشین
@Raminmousa
XLA: Optimizing Compiler for Machine Learning
Tensorflow: https://www.tensorflow.org/xla
XLA Architecture: https://www.tensorflow.org/xla/architecture
Github: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/compiler/xla
Code: https://www.tensorflow.org/xla/tutorials/jit_compile
@Machine_learn
Leveraging Machine Learning for Game Development
http://ai.googleblog.com/2021/03/leveraging-machine-learning-for-game.html
@Machine_learn
LEAF: A Learnable Frontend for Audio Classification
http://ai.googleblog.com/2021/03/leaf-learnable-frontend-for-audio.html
@Machine_learn
MIT Introduction to Deep Learning
And specifically, lecture about RNN and its modifications:
https://youtu.be/qjrad0V0uJE
The course is excellent as well, but more about image processing. For NLP beginners, such clear and elegant survey about RNNs will be quite useful. So, a lot of architectures in NLP models came from image processing tasks. If you want to recap some theory or get understanding of basics of DL — strong recommendation!
@Machine_learn
