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
LaSOT
Large-scale Single Object Tracking (LaSOT) aims to provide a dedicated platform for training data-hungry deep trackers as well as assessing long-term tracking performance.
http://vision.cs.stonybrook.edu/~lasot/
Github: https://github.com/HengLan/LaSOT_Evaluation_Toolkit
Dataset: http://vision.cs.stonybrook.edu/~lasot/download.html
Paper: https://arxiv.org/abs/2009.03465
@Machine_learn
Must Download : CheatSheet Collection For Data Science in ZIP
Total Folder - 22
Total Size - 216 MB
- Artificial Intelligence
- Machine learning
- Big Data
- OpenCV CheetSheet
- Dev Ops
- Data Analytics
- Python Cheetsheet
- Mathematics
- Excel
- Probability
- SQL
- Statistics
- Deep learning
- Data Warehouse
- Linux
- Interview Question
- Docker & Kubernetes
- Matlab & R Cheatsheet
- Scala CheetSheet
@Machine_learn
This AI Creates Human Faces From Your Sketches!
https://www.youtube.com/watch?v=5NM_WBI9UBE
Paper: https://arxiv.org/abs/2006.01047
@Machine_learn
🧙♂️ How to Create a Cartoonizer with TensorFlow Lite
https://blog.tensorflow.org/2020/09/how-to-create-cartoonizer-with-tf-lite.html
Code: https://github.com/margaretmz/cartoonizer-with-tflite
E2E TFLite Tutorials: https://github.com/ml-gde/e2e-tflite-tutorials
@Machine_learn
MushroomRL
Reinforcement Learning Python library
Github: https://github.com/MushroomRL/mushroom-rl
Project page: https://github.com/openai/mujoco-py
@Machine_learn
TensorFlow 2.0 Complete Course - Python Neural Networks for Beginners Tutorial
👉👉 Watch Here 👉👉
https://youtu.be/tPYj3fFJGjk
⭐️ About the Author ⭐️
The author of this course is Tim Ruscica, otherwise known as “Tech With Tim” from his educational programming YouTube channel. Tim has a passion for teaching and loves to teach about the world of machine learning and artificial intelligence. Learn more about Tim from the links below:
🔗 YouTube: https://www.youtube.com/channel/UC4JX...
🔗 LinkedIn: https://www.linkedin.com/in/tim-ruscica/
⭐️ Course Contents ⭐️
⌨️ Module 1: Machine Learning Fundamentals (00:03:25)
⌨️ Module 2: Introduction to TensorFlow (00:30:08)
⌨️ Module 3: Core Learning Algorithms (01:00:00)
⌨️ Module 4: Neural Networks with TensorFlow (02:45:39)
⌨️ Module 5: Deep Computer Vision - Convolutional Neural Networks (03:43:10)
⌨️ Module 6: Natural Language Processing with RNNs (04:40:44)
⌨️ Module 7: Reinforcement Learning with Q-Learning (06:08:00)
⌨️ Module 8: Conclusion and Next Steps (06:48:24)
TensorFlow 2.0 Complete Course - Python Neural Networks for Beginners Tutorial
@Machine_learn
The Little W-Net that Could
State-of-the-Art Retinal Vessel Segmentation with Minimalistic Models.
Github: https://github.com/agaldran/lwnet
Paper: https://arxiv.org/abs/2009.01907v1
@Machine_learn
Machine learning – Linear Regression Course (Free)
.
Linear regression is perhaps one of the most popular and widely used algorithms in statistics and machine learning.
.
Link : https://bit.ly/31W6yH1
@Machine_learn
Introducing Opacus: A high-speed library for training PyTorch models with differential privacy
https://ai.facebook.com/blog/introducing-opacus-a-high-speed-library-for-training-pytorch-models-with-differential-privacy/
Github: https://github.com/pytorch/opacus
Differential Privacy Series Part 1 | DP-SGD Algorithm Explained: https://medium.com/pytorch/differential-privacy-series-part-1-dp-sgd-algorithm-explained-12512c3959a3
@Machine_learn
1. Cassie Kozyrkov : https://www.linkedin.com/in/cassie-kozyrkov-9531919/
• Medium : https://medium.com/@kozyrkov
2. Ben Taylor : https://www.linkedin.com/in/bentaylordata/
3. Dat Tran : https://www.linkedin.com/in/dat-tran-a1602320/
4. Ian Goodfellow : https://www.linkedin.com/in/ian-goodfellow-b7187213
5. Jose Marcial Portilla : https://www.linkedin.com/in/jmportilla/
6. Koo Ping Shung : https://www.linkedin.com/in/koopingshung/
7. Lex Fridman : https://www.linkedin.com/in/lexfridman/
8. Kristen Kehrer : https://www.linkedin.com/in/kristen-kehrer-datamovesme/
9. Srivatsan Srinivasan : https://www.linkedin.com/in/srivatsan-srinivasan-b8131b/
10. Andrew Ng : https://www.linkedin.com/in/andrewyng
@Machine_learn
Documentation:
1) https://bigml.com/developers
2) https://predictionio.apache.org/datacollection/eventapi/
3) https://docs.anaconda.com/
4) https://github.com/blue-yonder
5) https://docs.mljar.com/
6) http://nupic.docs.numenta.org/
7) https://docs.recombee.com/
8) https://indico.io/docs/
9) http://api.animetrics.com/documentation
10) http://face.eyedea.cz:8080/api/face/docs
11) https://www.betafaceapi.com/wpa/index.php/documentation
12) https://docs.imagga.com/
13) https://wit.ai/docs
14) https://docs.api.bitext.com/
15) https://api.geneea.com/
16) https://www.diffbot.com/dev/docs/
17) https://yactraq.com/contact-trial/
18) https://monkeylearn.com/api/v3/
19) https://help.hutoma.ai/article/ym34wr87lx-hutoma-chat-api
20) http://php-nlp-tools.com/documentation/
@Machine_learn
@Machine_learn
Axial-DeepLab: Long-Range Modeling in All Layers for Panoptic Segmentation
https://ai.googleblog.com/2020/08/axial-deeplab-long-range-modeling-in.html
A Smarter Way to Learn Python: Learn it faster. Remember it longer
#book #python
@Machine_learn
Free course on Data Visualisation Methods
@Machine_learn
Link : bit.ly/2XY4Suw
Top 20+ highly ranked Coursera Courses for Data Science & Machine Learning beginners and advanced
@Machine_learn
https://nuggetsnetwork.com/blog/Top-Coursera-DataScience-Courses.html
