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
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
现已上线!2025 年 Telegram 研究 — 年度关键洞察 
