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 24 499 مشتركاً، محتلاً المرتبة 8 053 في فئة التعليم والمرتبة 13 774 في منطقة إيران.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 24 499 مشتركاً.
بحسب آخر البيانات بتاريخ 30 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -131، وفي آخر 24 ساعة بمقدار -4، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.24%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 1.98% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 773 مشاهدة. وخلال اليوم الأول يجمع عادةً 484 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 01 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التعليم.
24 499
المشتركون
-424 ساعات
-187 أيام
-13130 أيام
أرشيف المشاركات
با عرض سلام دوستانی که می خواهند در مقاله ی بالا شرکت کنند می تونن به ایدی بنده جهت اسم نویسی پیام بدن نفر اول 500$ و نفر دوم 400$ جهت مشارکت. با تشکر
@Raminmousa
Sentiment analysis (SA) is a computational analysis of ideas, feelings and opinions, and uses natural language processing techniques, computational techniques and text analyses to extract polarity (positive, negative or neutral) from non-structured documents or textual comments. the purpose of the multi-domain SA is that the classifier training is based on a set of labelled data in a way that reduces the need for large amounts of data on specific domains and to address the challenges of data scarcity in them with the help of existing data on other domains. The purpose of this paper is to present a new method for analysing the Persian multi-domain SA using DL approaches. The proposed Bi-GRUCapsule approach uses the combination of two networks Bi-GRU and CapsuleNet to solve the multi-domain SA problem that Bi-GRU has the role of extracting features for CapsuleNet. the proposed approach was evaluated using the Digikala dataset and has received acceptable accuracy compared to the existing approaches.
Algorithms for Clustering Data #Book #Clustering @Machine_learn
DATA CLUSTERING Algorithms and Applications #Clustering #Book @Machine_learn
Cluster Analysis: Basic Concept #Clustering #book @Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
Training Machine Learning Models More Efficiently with Dataset Distillation
http://ai.googleblog.com/2021/12/training-machine-learning-models-more.html
@Machine_learn
با عرض سلام دوستانی که نیاز به تهیه ی پکیچ ما دارند می تونن به ایدی بنده پیام بدن @Raminmousa . همچنین دوستانی که نیاز به مشاوره در رابطه با ابده های جدید ، کارهای عملی، پروپوزال و پایان نامه دارند می تونن با ایدی بنده یا شماره واتس اپ بنده 09333900804 در ارتباط باشند.
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@Machine_learn
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@Machine_learn
Movie Name Generation Using GPT-2
https://www.nbshare.io/notebook/976197999/Movie-Name-Generation-Using-GPT-2/
@Machine_learn
General and Scalable Parallelization for Neural Networks
http://ai.googleblog.com/2021/12/general-and-scalable-parallelization.html
@Machine_learn
Improving Vision Transformer Efficiency and Accuracy by Learning to Tokenize
http://ai.googleblog.com/2021/12/improving-vision-transformer-efficiency.html
@Machine_learn
A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents
Github: https://github.com/extreme-classification/deepxml
Paper: https://arxiv.org/abs/2111.06685v1
Dataset: https://paperswithcode.com/dataset/extreme-classification
@Machine_learn
🔹 LUMINOUS: Indoor Scene Generation for Embodied AI Challenges
Github: https://github.com/amazon-research/indoor-scene-generation-eai
Paper: https://arxiv.org/abs/2111.05527v1
Dataset: https://paperswithcode.com/dataset/ai2-thor
@Machine_learn
Deep Neural Networks to Detect Weeds from Crops in Agricultural Environments in Real-Time: A Review
Github: https://github.com/Ildaron/Laser_control
Paper: https://www.mdpi.com/2072-4292/13/21/4486
@Machine_learn
Deep Learning for disentangling Liquidity-constrained and Strategic Default #DL #Liquidity #Paper @Machine_learn
