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 24 522 名订阅者，在 教育 类别中位列第 8 070，并在 伊朗 地区排名第 13 771 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 24 522 名订阅者。
根据 22 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 -150，过去 24 小时变化为 -5，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 7.45%。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 1 829 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 3。
- 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 23 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。
24 522
订阅者
-524 小时
-417 天
-15030 天
帖子存档
NVIDIA just open sourced Open Code Reasoning models - 32B, 14B AND 7B - APACHE 2.0 licensed 🔥
> Beats O3 mini & O1 (low) on LiveCodeBench 😍
Backed by OCR dataset the models are 30% token efficient than other equivalent Reasoning models
Works with llama.cpp, vLLM, transformers, TGI and more - check them out today!!
https://huggingface.co/nvidia/OpenCodeReasoning-Nemotron-32B
@Machine_learn
Introducing Continuous Thought Machines
📚 Paper
@Machine_learn
Llama-Nemotron: Efficient Reasoning Models
📚 Paper
@Machine_learn
Repost from Papers
با عرض سلام
از اين مقاله نفرات ٤ و ٥ باقي مونده دوستاني كه مايل به همكاري هستن لطفا با بنده در ارتباط باشن.
یکی از ابزارهای خوبی که بنده تونستم توسعه بدم ابزار Stock Ai می باشد. در این ابزار از ۳۶۰ اندیکاتور استفاده کردم. گزارشات back test این ابزار در ویدیو های زیر موجود می باشد.
May 2024 :
https://youtu.be/aSS99lynMFQ?si=QSk8VVKhLqO_2Qi3
July 2014:
https://youtu.be/ThyZ0mZwsGk?si=FKPK7Hkz-mRx-752&t=209
@Raminmousa
⛽ VoRA: Vision as LoRA ⛽
#ByteDance introduces #VoRA (Vision as #LoRA) — a novel framework that transforms #LLMs into Multimodal Large Language Models (MLLMs) by integrating vision-specific LoRA layers.
All training data, source code, and model weights are openly available!
Key Resources:
Overview: https://t.ly/guNVN
Paper: arxiv.org/pdf/2503.20680
GitHub Repo: github.com/Hon-Wong/VoRA
Project Page: georgeluimmortal.github.io/vora-homepage.github.io
@Machine_learn
Data-engineer-handbook
This is a repo with links to everything you'd ever want to learn about data engineering
Creator: DataExpert-io
Stars ⭐️: 24.9k
Forked by: 4.9k
Github Repo:
https://github.com/DataExpert-io/data-engineer-handbook
#github
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@Machine_learn
با عرض سلام دوره ی خصوصی SYFA را داریم برگذار میکنیم که هدف نحوه اشنایی با فرایند نگارش و چاپ مقالات می باشد. جلسات ۱ ساعته و خصوصی می باشند. که هر هفته به ازای هر شخص ۲ جلسه برگذار خواهد شد. جهت ثبت نام و ست کردن زمان با ایدی بنده در ارتباط باشین.
@Raminmousa
Introduction to Machine Learning
Laurent Younes
📚 Book
@Machine_learn
Llama-Nemotron: Efficient Reasoning Models
📚 Paper
@Machine_learn
CPPO: Accelerating the Training of Group Relative Policy Optimization-Based Reasoning Models
28 Mar 2025 · Zhihang Lin, Mingbao Lin, Yuan Xie, Rongrong Ji
Paper: https://arxiv.org/pdf/2503.22342v1.pdf
Code: https://github.com/lzhxmu/cppo
Datasets: GSM8K - MATH
@Machine_learn
Repost from Papers
با عرض سلام برای یکی از مقالاتمون نیازمند نفر اول داریم که co-author مقاله هم باشه.
مجله ی ارسالی scientific report natue
https://www.nature.com/srep/
می باشد.
شرایط واگذاری رو در صورت نیاز می تونین با ایدی بنده ست کنین.
@Raminmousa
@Machine_learn
@Paper4money
4 advanced attention mechanisms you should know:
• Slim attention — 8× less memory, 5× faster generation by storing only K from KV pairs and recomputing V.
• XAttention — 13.5× speedup on long sequences via "looking" at the sum of values along diagonal lines in the attention matrix.
• Kolmogorov-Arnold Attention, KArAt — Adaptable attention with learnable activation functions using KANs instead of softmax.
• Multi-token attention (MTA) — Lets the model consider groups of nearby words together for smarter long-context handling.
Read the overview of them in our free article on https://huggingface.co/blog/Kseniase/attentions
@Machine_learn
Crystal Generation with Space Group Informed Transformer
🖥 Github: https://github.com/deepmodeling/crystalformer
📕 Paper: https://arxiv.org/abs/2504.02367v1
🔗 Dataset: https://paperswithcode.com/dataset/alex-20
@Machine_learn
Repost from Papers
با عرض سلام
می خواهیم مقاله ی جدیدی را تحت عنوان زیر شروع کنیم:
Comparative survey on Transfer Learning for multi-modal wound image classification
مقالات قبلی که در این رابطه نوشتیم به ترتیب زیر می باشند:
تیم 1: [1]چاپ شده در Expert system with application
تیم 2:[2] سابمیت شده در Scientific report
تیم 3:[3] سابیمت شده در IEEE transaction
نفرات 2 تا 5 این مقاله خالی می باشند. این نفرات علاوه بر مرور مقالات و تحلیل نتایج هزینه سرور را نیز متقبل می شوند.
[1] Mousa, Ramin, et al. "Multi-modal wound classification using wound image and location by Swin Transformer and Transformer." Expert Systems with Applications (2025): 127077.
[2] Mousa, Ramin, et al. "Integrating Vision and Location with Transformers: A Multimodal Deep Learning Framework for Medical Wound Analysis." arXiv preprint arXiv:2504.10452 (2025).
[3] Mousa, Ramin, Ehsan Matbooe, and Hakimeh Khojasteh. "Multi-Modal Wound Classification Using Wound Image and Location by Xception and Gaussian Mixture Recurrent Neural Network (GMRNN)." (2025
هزینه نفرات به ترتيب
2:400$
3:300$
4:250$
5:200$
می باشد.
ژونال مد نظر
Scientific Reprot (Nature)
@Raminmousa
@Machine_learn
@Paper4money
BioPars: Persian biomedical data
Model: BioPars
Dataset: ParsMed
Benchmark: BioParsQa
Next week submit
@Machine_learn
FlowReasoner: Reinforcing Query-Level Meta-Agents
📚 Paper
@Machine_learn
Signatures of unconventional superconductivity near reentrant and fractional quantum anomalous Hall insulators
📚 Paper
@Machine_learn
امکان ریکام دادن در این مقاله هستش. دوستانی که می خوان اپلایی کنن بهترین فرصت.
@Raminmousa
