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 24 509 名订阅者,在 教育 类别中位列第 8 029,并在 伊朗 地区排名第 13 742 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 24 509 名订阅者。
根据 28 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 -144,过去 24 小时变化为 -9,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 6.62%。内容发布后 24 小时内通常能获得 1.91% 的反应,占订阅者总量。
- 帖子覆盖: 每篇帖子平均可获得 1 623 次浏览,首日通常累积 468 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 29 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。
24 509
订阅者
-924 小时
-317 天
-14430 天
帖子存档
Bitvec: a proposed vector based on Hashrate and linguistic features for time-series forecasting of Bitcoin prices
با عرض سلام جهت مشارکت در مقاله ی فوق دوستان می تونن با بنده در ارتباط باشن.
اسامی ۲ تا ۵ جا هست و ژورنال مورد نظر هم :
soft computing IEEE
ایدی بنده جهت هماهنگی
@Raminmousa
@Raminmousa
با عرض سلام خيلي از دوستان سوالاتي در رابطه با شروع دوره هاي بنده رو داشتن. دورهاي بنده شامل دو بخش هستش پكيچ مقدماتي كه به مباحث پايتون و يادگيري ماشين پرداختم و كل پياده سازي ها در سطح پايين برنامه نويسي(بدون بسته ي نرم افزاري) نوشته شده اند. پكيچ دوم ٣٦ پروژه عملي هستش كه اين چندسال نوشتم و به صورت داكيومنت فارسي دراوردم.
سوالي در رابطه با نحوه ي تهيه داشتين مي تونين به بنده پيام بدين. با تشكر
@Raminmousa
Packt.Applied.Machine.Learning.and.High.Performance.pdf20.53 MB
با عرض سلام براي cite زدن به يك سري مقالاتمون نيازمند كمك دوستان هستيم ممنون ميشم از دوستاني كه ميتونن سايت بدن بهم پيام بدن
با عرض سلام
بسياري از دوستان درخواست تخفيف دو پكيج رو داشتن، از اين رو تا فردا شب تخفيف ٧٠٪ گذاشتيم. دوستاني كه نياز دارن مي تونن به ايدي بنده مراجعه كنن
@Raminmousa
با عرض سلام تخفيف ٥٠٪ ويژه دو پكيچ كدنويسي و پروژه نويسي تا اخر شب. از میتدی تا پیشرفته.
جهت تهیه به ايدي بنده پيام بدين .
@Raminmousa
⚜️ OpenAGI: When LLM Meets Domain Experts
Reinforcement Learning from Task Feedback (RLTF) mechanism, which uses the task-solving result as feedback to improve the LLM's task-solving ability
!git clone https://github.com/agiresearch/OpenAGI.git
🖥 Github: https://github.com/agiresearch/openagi
⏩ Paper: https://arxiv.org/pdf/2304.04370.pdf
⭐️ Dataset: https://drive.google.com/drive/folders/1AjT6y7qLIMxcmHhUBG5IE1_5SnCPR57e?usp=share_link
@Machine_learn
با عرض سلام موضوعاتیکه برایمقالات به دوستان پیشنهاد میکنم رو در ادامه اوردم .
#کریپتو_کارنسی
۱- ارائه رویکرد ترکیبی برای پیش بینی عدم نقدشوندگیکریپتوکارنسی(رگرسیونی/طبقه بندی)
۲-استفاده از اطلاعات تحلیلاحساس و اطلاعات هش ریت در پیش بینی قیمت کریپتو کارنسی
#ترافیک_شبکه
۳-استفاده از یادگیری فدرالی برای پیش بینی جریان بسته
۴-استفاده از رویکردهای همگن و غیر همگن fusion برای طبقه بندی ترافیک شبکه
۵- استفاده از رویکردهای complex valued neural netبرای پیش بینی جریان بسته
#تصویر و متن
در کل میشه بالا ۱۰۰ پروژه در این حوزه تعریف کرد و بسته به دیتاهای متفاوت میشه از رویکردهای مبتنی بر fusion, transformer, capsule,.... استفاده کرد.
با عرض سلام دوستانی که نیاز به نگارش مقالات مشابه و ایده های جدید در حوزه ی یادگیری ماشین و یادگیری عمیق هستن می تونن با بنده در ارتباط باشن.
现已上线!2025 年 Telegram 研究 — 年度关键洞察 
