Available now! Telegram Research 2025 — the year's key insights 
Machine learning books and papers
Open in Telegram
Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn
Show more📈 Analytical overview of Telegram channel Machine learning books and papers
Channel Machine learning books and papers (@machine_learn) in the English language segment is an active participant. Currently, the community unites 24 509 subscribers, ranking 8 019 in the Education category and 13 748 in the Iran region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 24 509 subscribers.
According to the latest data from 04 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -101 over the last 30 days and by 3 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 6.50%. Within the first 24 hours after publication, content typically collects 2.21% reactions from the total number of subscribers.
- Post reach: On average, each post receives 1 594 views. Within the first day, a publication typically gains 541 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 2.
- Thematic interests: Content is focused on key topics such as disorder, psy, مقاله, framework, graph.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Admin: @Raminmousa
ID: @Machine_learn
link: https://t.me/Machine_learn”
Thanks to the high frequency of updates (latest data received on 05 July, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Education category.
24 509
Subscribers
+324 hours
-97 days
-10130 days
Posts Archive
#Introduction to Deep Learning — Sandro Skansi (en) 2018
#book #beginner
@Machine_lean
Data Science For Dummies — Lillian Pierson (en) 2017
#book #beginner
@Machine_learn
Data Science For Dummies — Lillian Pierson (en) 2017
#book #beginner
@Machine_learn
#Deep learning for #recommender systems – eBay Tech Berlin
@Machine_learn
https://ebaytech.berlin/deep-learning-for-recommender-systems-48c786a20e1a
#A Must-Read #NLP Tutorial on Neural Machine Translation — The Technique Powering #Google_Translate
@Machine_learn
https://www.analyticsvidhya.com/blog/2019/01/neural-machine-translation-keras/
learning-generative-adversarial-networks
#book
@Machine_learn
#Tutorial_0
Interest in Tensorflow has increased steadily since its introduction in November 2015. A lesser-known component of Tensorflow is the #TFRecord file format, Tensorflow’s own binary storage format. ...
links:
1)https://medium.com/mostly-ai/tensorflow-records-what-they-are-and-how-to-use-them-c46bc4bbb564 2) http://warmspringwinds.github.io/tensorflow/tf-slim/2016/12/21/tfrecords-guide/
#Video:
https://youtu.be/oxrcZ9uUblI
@Machine_learn
یکی از مهمترین مسال در متن کاوی ایجاد بردارهای تعبیه شده می باشد. اکثر نویسندگان از دو روش عمومی word2vec و Glove استفاده می کنند. اما این دو روش اطلاعات احساساتی موجود در کلمات را در نظر نمی گیرند برای برخی از وظایف مانند
Sentiment analysis
نیاز است که این اطلاعات احساساتی در نظر گرفته شوند. روش های متفاوتی برای این منظور پیشنهاد شده است. اما هنوز این بردارهای تعبیه شده دارای مشکلات زیادی می باشند.
#موضوع پیشنهادی
@Raminmousa
@Machine_learn
#Unsupervised Document Embedding With #CNNs
#paper
@Machine_learn
#تعریف کپسول: شبکه های عصبی باید از کپسول ها به جای خروجی اسکالر برای خالصه کردن ویژگی های محلی استخراج شده
توسط detectorها استفاده کنند که این کپسول ها محاسبات بسیار پیچیده ای را برروی این ویژگی ها انجام می دهند .....
____________________________
#author:@Raminmousa
@Machine_learn
Optimal Deep Learning LSTM Model for Electric
Load Forecasting using Feature Selection and Genetic
Algorithm: Comparison with Machine
Learning Approaches #paper @Machine_learn
Deep Feature Extraction and Classification of
Hyperspectral Images Based on
Convolutional Neural Networks #paper @Machine_learn
#موضوع: سیستم پیشنهاد دهنده مبتنی بر رویکرد های طبقه بندی.
Recommender system base on classification methods
#تعریف:
یک سیستم پیشنهاددهنده، در واقع، مکانیزمی قوی برای انجام عمل فیلترینگ (پالایش) اطلاعاتی است. این سیستم ها به فن محبوبی برای هرس کردن فضاهای بزرگ اطلاعاتی تبدیل شده اند که کاربران را به سوی بهترین اقلامی که نیازشان را مرتفع می نماید، هدایت می کنند. این فن، جزء جدانشدنی پایگاه های تجاری از قبیلAmazon، Yahoo و CDNow شده است.
سیستم های پیشنهاددهنده، برای پیشنهاددادن به کاربران نیازمند اطلاعات کافی و صحیح در مورد کاربران و آیتم های مورد نظر آنها نظیر: مقاله، کتاب، فیلم یا موزیک می باشند. منابع و روش های گوناگونی برای جمع آوری چنین اطلاعاتی وجود دارد. یک روش جمع آوری اطلاعات، به صورت صریح است که در آن کاربر آشکارا اعلام می کند که به چه چیزهایی علاقه دارد؛ به عنوان نمونه، با امتیاز دادن (1) به یک مقاله.
روش دیگر، روش ضمنی است که کمی دشوارتر است و در آن، سیستم باید سلایق کاربر را با کنترل و دنبال کردن رفتارها و فعالیت های او بیابد؛ مثلاً باید بررسی شود که کاربر چه مقالاتی را دانلود می کند و یا چه مقالاتی را مشاهده می کند. علاوه بر اطلاعات ضمنی و صریح، برخی از سیستم ها نیز هستند که از اطلاعات شخصی کاربران (2) استفاده می کنند؛ به عنوان مثال، سن، جنسیت و ملیت کاربران می تواند منبع خوبی برای شناخت کاربر و ارائه پیشنهاد به وی باشد. گروهی از سیستم های پیشنهاددهنده، مبتنی بر همین اطلاعات بنا شده اند. با ظهور وب و گسترش شبکه های اجتماعی در سال های اخیر، محققان به منبع اطلاعاتی دیگری برای بهبود کیفیت پیشنهادها پی بردند که همان اطلاعات موجود در شبکه های اجتماعی است و بر همین اساس، کارهای تحقیقاتی بسیاری در این حوزه صورت پذیرفت.
#ماهیت مسأله: در یک سیستم پیشنهاد دهنده هدف اصلی امتیاز دادن به آیتم هایی است که بیشترین شباهت را نسبت به یک کاربر دارند. در واقع ماهیت مسأله به صورت regression می باشد که در آن سیستم سعی دارد رتبه هر یک از آیتم ها را مشخص کند و آیتم ها با بیشترین رتبه را به کاربر پیشنهاد دهد.
#نوآوری: با بررسی مطالعات آماری بر روی این سیستم ها به این نتیجه رسیدیم که توزیع داده ها به گونه ای است که بیشترین رتبه ها مربوط به امتیاز های ۴ به بالا می باشند در این صورت می توان از یک طبقه بند دودویی برای این منظور استفاده کرد و کافیست تا تنها آیتم هایی که رتبه یک گرفته اند را به کاربران پیشنهاد دهیم.
______________________________
#موضوع_پایان نامه
@Raminmousa
Python for Probability, Statistics, and Machine Learning — J. Unpingco (en) 2016
#book #middle #theory
@Machine_learn
Python for Probability, Statistics, and Machine Learning — J. Unpingco (en) 2016
#book #middle #theory
@Machine_learn
Gaussian Processes for Machine Learning – C. E. Rasmussen, Christopher K. I. Williams (en) 2006
#book #middle #theory
@Machine_learn
