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 24 518 مشتركاً، محتلاً المرتبة 8 048 في فئة التعليم والمرتبة 13 749 في منطقة إيران.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 24 518 مشتركاً.
بحسب آخر البيانات بتاريخ 25 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -164، وفي آخر 24 ساعة بمقدار -1، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.13%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 1.90% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 748 مشاهدة. وخلال اليوم الأول يجمع عادةً 465 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 26 يونيو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التعليم.
24 518
المشتركون
-124 ساعات
-407 أيام
-16430 أيام
أرشيف المشاركات
Compare NLP Transformer-based Models used for Sentiment Analysis code
🔺@Machine_learn
Adversarial_Training_to_improve_medical_diagnosis_robustness_in.pdf0.64 KB
Resource_efficient_medical_image_classification_for_edge_devices.pdf0.63 KB
Repost from Papers
سلام دوستان
ما دونفر از دانشجوی دکترای یکی از دانشگاه های تاپ آمریکا هستم.
خوش حالیم که اعلام کنیم مقالات قبلی ما اکسپت شد.
در حال حاضر جایگاههای نفرات در دو مقاله در حوزه کامپیوتر ساینس با موضوعات کوانتیزیشن، تفسیرپذیری و یادگیری بدون نظارت در زمینه پزشکی آزاد است.
بعد از سابمیت مقاله، پیپر، متن و کدهای مربوطه در اختیار شما قرار میگیرد. با تضمین چاپ مقاله توسط ما، میتونید برای اپلای دانشگاهها و گرینکارت اقدام بفرمایید.
همچنین با معرفی همکار یا نفرات قبلی، از تخفیف بهرهمند شوید.
لطفا در صورت تمایل به آی دی ما پیام دهید.
( پاسخ با اکانت قبلی ما به دلیل رمزورود به تلگرام امکان پذیر نیست)
آی دی جدید ما:
@rezaa_alvandi
A Brief Introduction to Neural Networks
📕 Book
@Machine_learn
Nexusflow released Athene v2 72B - competetive with GPT4o & Llama 3.1 405B Chat, Code and Math 🔥
> Arena Hard: GPT4o (84.9) vs Athene v2 (77.9) vs L3.1 405B (69.3)
> Bigcode-Bench Hard: GPT4o (30.8) vs Athene v2 (31.4) vs L3.1 405B (26.4)
> MATH: GPT4o (76.6) vs Athene v2 (83) vs L3.1 405B (73.8)
> Models on the Hub along and work out of the box w/ Transformers 🤗
https://huggingface.co/Nexusflow/Athene-V2-Chat
They also release an Agent model: https://huggingface.co/Nexusflow/Athene-V2-Agent
@Machine_learn
Repost from Papers
با عرض سلام
اگر از دوستان کسی توانایی گرفتن اکسپت برای مقاله زیر رو داره و توانایی پرداخت هزینه ی سرور رو داره به بنده پیام بده. اسم شخص به عنوان نفر ۴ در مقاله درج میشه.
Title: Transformer and XGBoost for time-series forecasting of Bitcoin prices using high-dimensional features
ABSTRACT: Bitcoin price prediction based on price indicators has become a hot field of study. In this article, Bitcoin price prediction is discussed based on hash rate features. For this purpose, a series of price indices were used in the beginning and the selection of features was done among 20 features. On the other hand, the selection of features was also done on the raw data of eight rates. This research used forecasting for one, seven, thirty and ninety days. In the classification based on raw features, the highest accuracy is 81%, and for a 90-day interval, on the other hand, the lowest RMSE value is 1.85, which is for a one-day interval. In the classification based on the features extracted from the indicators, the highest accuracy is 73% for the 90-day interval and the lowest RMSE is 1.58 for the 1-day interval.
@Raminmousa
@Machine_learn
Collection of resources in the form of eBooks related to Data Science, Machine Learning, and similar topics
📖 Github
@Machine_learn
Deep Learning and Computational Physics - Lecture Notes, University of South California
📓 book
@Machine_learn
با عرض سلام خيلي از دوستان در رابطه با طراحي صفر تا صد پروژه هاي ديپ از بنده سوال پرسيدن داخل پك زير ٣٦ پروژه رو با جزئيات شرح دادم:
1-Deep Learning Basic
-01_Introduction
--01_How_TensorFlow_Works
2-Classification apparel
-Classification apparel double capsule
-Classification apparel double cnn
3-ALZHEIMERS USING CNN(ResNet)
4-Fake News (Covid-19 dataset)
-Multi-channel
-3DCNN model
-Base line+ Char CNN
-Fake News Covid CapsuleNet
5-3DCNN Fake News
6-recommender systems
-GRU+LSTM MovieLens
7-Multi-Domain Sentiment Analysis
-Dranziera CapsuleNet
-Dranziera CNN Multi-channel
-Dranziera LSTM
8-Persian Multi-Domain SA
-Bi-GRU Capsule Net
-Multi-CNN
9-Recommendation system
-Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate)
-SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise)
10-NihX-Ray
-optimized CNN on FullDataset Nih-Xray
-MobileNet
-Transfer learning
-Capsule Network on FullDataset Nih-Xray
دوستاني كه نياز به اين پروژه ها دارن ميتونن با بنده در ارتباط باشن.
@Raminmousa
@Machine_learn
✅ کانال دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف 🔹⬇️⬇️⬇️⬇️
https://t.me/CEinUse
برای کنکور ارشد کمک نیاز به کمک داری ؟
نمیدونی برای دروس کنکور ارشدت کدوم استاد بهتره ؟
میخوای از تجربه دوستات و ترم بالاییا استفاده کنی؟
💯نمونه سوال و جزوه رو لازم داری ؟
https://t.me/CEinUse
همراه با فعالترین و پر عضوترین گروه دانشکده مهندسی کامپیوتر دانشگاه شریف
✌️ با حضور امیررضا آبانی رتبه ۹۰ کنکور ارشد مهندسی کامپیوتر
جوین شو که جزوه و کتاب نیازت میشه😁👇👇
https://t.me/CEinUse
https://t.me/CEinUse
https://t.me/CEinUse
Repost from Papers
💠Title:BERTCaps: BERT Capsule for persian Multi-domain Sentiment Analysis.
🔺Abstract:
Sentiment classification is widely known as a domain-dependent problem. In order to learn an accurate domain-specific sentiment classifier, a large number of labeled samples are needed, which are expensive and time-consuming to annotate. Multi-domain sentiment analysis based on multi-task learning can leverage labeled samples in each single domain, which can alleviate the need for large amount of labeled data in all domains. In this article, the purpose is BERTCaps to provide a multi-domain classifier. In this model, BERT was used for Instance Representation and Capsule was used for instance learning. In the evaluation dataset, the model was able to achieve an accuracy of 0.9712 in polarity classification and an accuracy of 0.8509 in domain classification.
journal: https://www.sciencedirect.com/journal/array
If:2.3
جايگاه ٤ اين مقاله رو نياز داريم.
دوستاني كه مايل به شركت هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
@Paper4money
@Machine_learn
FRONTIERMATH: A BENCHMARK FOR EVALUATING ADVANCED
MATHEMATICAL REASONING IN AI
📚 Read
💠@Machine_learn
دوستانی که نیاز به این مقاله دارند تا امشب وقت باقی مانده است.
@Raminmousa
DeepArUco++: improved detection of square fiducial markers in challenging lighting conditions
🖥 Github: https://github.com/avauco/deeparuco
📕 Paper: https://arxiv.org/pdf/2411.05552v1.pdf
⚡️ Dataset: https://paperswithcode.com/dataset/coco
@Machine_learn
