现已上线！2025 年 Telegram 研究 — 年度关键洞察 
Machine learning books and papers
前往频道在 Telegram
📈 Telegram 频道 Machine learning books and papers 的分析概览
频道 Machine learning books and papers (@machine_learn) 英语 语言赛道中的 是活跃参与者。目前社区聚集了 24 518 名订阅者，在 教育 类别中位列第 8 048，并在 伊朗 地区排名第 13 749 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 24 518 名订阅者。
根据 25 六月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 -164，过去 24 小时变化为 -1，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 7.13%。内容发布后 24 小时内通常能获得 1.90% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 1 748 次浏览，首日通常累积 465 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 1。
- 主题关注点： 内容集中在 disorder, psy, مقاله, framework, graph 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“Admin: @Raminmousa
ID: @Machine_learn
link: https://t.me/Machine_learn”
凭借高频更新（最新数据采集于 26 六月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 教育 类别中的关键影响点。
24 518
订阅者
-124 小时
-407 天
-16430 天
帖子存档
با عرض سلام خيلي از دوستان در رابطي 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
Probability and Statistics The Science of Uncertainty
📖 book
✅@Machine_learn
UC Berkeley's "Machine Learning" lecture notes
📓 Book
✅@Machine_learn
📃Fake news detection: A survey of graph neural network methods
@Machine_learn
Repost from Papers
با عرض سلام براي اين مقالمون كه Survey روي رويكرد هاي LLMs در حوزه بيولوژيك و گراف هست نياز به نفر ٧ ام داريم. ژورنال هدف Nature مي باشد.
تسك ها كامل طبقه بندي شده است.
@Raminmousa
Artificial Intelligence A Modern Approach
📚 Book
@Machine_learn
Generalizable and Animatable Gaussian Head Avatar
🖥 Github: https://github.com/xg-chu/gagavatar
📕 Paper: https://arxiv.org/abs/2410.07971v1
@Machine_learn
Repost from Papers
با عرض سلام
مقاله بنده در رابطه با استخراج عوامل استرس زا در توييتر Major revision خورده .
در این مقاله از ساختار CapsuleNet and fusion استفاده شده است. که هدف کلی طبقه بندی عوامل استرس زا می باشد.
Title:...Extracting psychiatric stressors for suicide from twitter
journal: Natural Language Processing Journal
دوستاني كه نياز دارين مي تونن براي نفر ٤ اقدام كنند. تنها يك نفر ميتونيم اضافه كنيم.
@Raminmousa
@Paper4money
@Machine_learn
با عرض سلام دوستانی که نیاز دارن به این مقاله فقط دو روز زمان باقی مانده و اخرین ریوایزد مقاله می باشد..!
@Raminmousa
Repost from Github LLMs
Crawl 4 AI
Crawl4AI: Open-source LLM Friendly Web Crawler & Scrapper
Creator: UncleCode
Stars ⭐️: 8.6k
Forked By: 627
https://github.com/unclecode/crawl4ai
✅https://t.me/deep_learning_proj
Deep Learning and Computational Physics - Lecture Notes, University of South California
📓 book
@Machine_learn
Repost from Papers
با عرض سلام
مقاله بنده در رابطه با استخراج عوامل استرس زا در توييتر Major revision خورده .
Title:...Extracting psychiatric stressors for suicide from twitter
journal:Natural Language Processing Journal
دوستاني كه نياز دارين مي تونن براي نفر ٤ اقدام كنند. تنها يك نفر ميتونيم اضافه كنيم.
@Raminmousa
@Paper4money
@Machine_learn
با عرض سلام دو پکیچ یادگیری ماشین و یادگیری عمیق را برای دوستانی که می خواهند, تا فرداشب با تخفیف ۵۰٪ مجدد قرار دادیم این تخفیف اخرین سری از تخفیف های این دو پکیچ می باشد . جهت تهیه می تونین به ایدی بنده مراجعه کنین
@Raminmousa
⚡️ Apple Depth Pro
# setting up a venv:
conda create -n depth-pro -y python=3.9
conda activate depth-pro
pip install -e .
# Download pretrained checkpoints:
source get_pretrained_models.sh
# Run the inference from CLI on a single image:
depth-pro-run -i ./data/example.jpg
# Running from python
from PIL import Image
import depth_pro
model, transform = depth_pro.create_model_and_transforms()
model.eval()
image, _, f_px = depth_pro.load_rgb(image_path)
image = transform(image)
prediction = model.infer(image, f_px=f_px)
depth = prediction["depth"] # Depth in [m].
focallength_px = prediction["focallength_px"] # Focal length in pixels.
🟡Demo
🟡Arxiv
🖥GitHub
@Machine_learnRepost from Papers
⏳با عرض سلام در راستای کار بر روی LLM ها سعی داریم یک مقاله ی مروری comparative با عنوان
✅Title: A comparative survey on Biological and knowledge graph
رو شروع کنیم. نفرات اول و دوم بنده و دکتر سرابادانی هستن. حدودا تا ۶ نفر هم می تونیم شرکت کنیم. دوستانی که تمایل به شرکت در این مقاله هستن با بنده در ارتباط باشن تا جزئیات مشارکت رو خدمتشون بفرستم.
(هزینه سرورها برای هر جایگاه متفاوت هستش)
⏳ Start time: 24/30/9
⏳Submit time:24/30/11
💠#Benchmarks=18
🔻#Articles:250
🔸#pretrained models:25
@Raminmousa
@Paper4money
@Machine_learn
