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 24 533 subscribers, ranking 8 070 in the Education category and 13 771 in the Iran region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 24 533 subscribers.
According to the latest data from 22 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -150 over the last 30 days and by -5 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 7.45%. Within the first 24 hours after publication, content typically collects 1.90% reactions from the total number of subscribers.
- Post reach: On average, each post receives 1 829 views. Within the first day, a publication typically gains 465 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 3.
- 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 23 June, 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.
24 533
Subscribers
-524 hours
-417 days
-15030 days
Posts Archive
MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning
📚 Read
@Machine_learn
با عرض سلام دو موضوع رو می خواهیم به صورت گروهی ادامه بدیم.
- survey on GAN methods for time series data generation
- survey on highlights the advantages of foundation in new learning methods for time series data
این دو مقاله به صورت جلسه ای برگزار میشه و هر هفته ۱.۵ ساعت تدریس رو خواهم داشت برای کسانی که می خوان شرکت کنند. هر مقاله ۶ نفر خواهد داشت و هزینه هر نفر ۲۰۰$ خواهد بود.
دوستانی که اولین مقالشون و یا میخوان داخل این مقالات شرکت کنند به ایدی بنده مراجعه کنند.
@Raminmousa
@Machine_learn
@Paper4money
Reinforcement Learning Teachers of Test Time Scaling:
📚 Read
@Machine_learn
Repost from Papers
با عرض سلام مي خواهيم مقاله اي براي ACM transaction on Ai ارائه بديم موضوع اصلي حول
Recurrent Neural Network Basic defiences
مي باشد.
نيازمند نفر 4ام هستيم كه بتونن در نگارش و كارها و هزينه كار كمكمون كند. هزينه نفرات براي اين كار كه ١٨ بنچ مارك داره از قرار زير:
1: 700$(❌)
2: 500$❌
3: 400$❌
4: 350$ ✅
دوستاني كه مايل هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task
📚 Read
@Machine_learn
Repost from Machine Learning with Python
This channels is for Programmers, Coders, Software Engineers.
0️⃣ Python
1️⃣ Data Science
2️⃣ Machine Learning
3️⃣ Data Visualization
4️⃣ Artificial Intelligence
5️⃣ Data Analysis
6️⃣ Statistics
7️⃣ Deep Learning
8️⃣ programming Languages
✅ https://t.me/addlist/8_rRW2scgfRhOTc0
✅ https://t.me/Codeprogrammer
Article Title:
OmniConsistency: Learning Style-Agnostic Consistency from Paired Stylization Data
Article Date: 24 May 2025
PDF Download Link:
https://arxiv.org/pdf/2505.18445v1.pdf
GitHub:
• https://github.com/showlab/omniconsistency
Datasets:
• No datasets information available
@Machine_learn
Repost from Papers
با عرض سلام مي خواهيم مقاله اي براي ACM transaction on Ai ارائه بديم موضوع اصلي حول
Recurrent Neural Network Basic defiences
مي باشد.
نيازمند ٤ نفر هستيم كه بتونن در نگارش و كارها و هزينه كار كمكمون كنند. هزينه نفرات براي اين كار كه ١٨ بنچ مارك داره از قرار زير:
1: 700$(❌)
2: 500$✅
3: 400$✅
4: 350$ ✅
دوستاني كه مايل هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
The Missing Manual for Signals: State Management for Python Developers
📚 Guide
@Machine_learn
Understanding and Coding the KV Cache in LLMs from Scratch
📚 Read
@Machine_learn
پاول دوروف، مدیر تلگرام، گفته یک برنامهنویس اندروید میخواد که سالی ۱ میلیون دلار درامد (بعد از مالیات) تو دبی بهش میدیم!
فقط کافیه تو مسابقه کدنویسیشون تا ۱۱ جولای برنده شی. باید یه انیمیشن رو تو اپ اندروید اوپنسورس تلگرام پیاده کنی. جزئیاتش اینجاست: https://t.me/contest/420
@RoidBest
Repost from Machine learning books and papers
⭐️ فروش ویژه و محدود: اکانت ChatGPT با ایمیل شخصی فقط ۵۰۰ تومان! ⭐️
🔥 آیا آمادهای دنیای هوش مصنوعی رو با تمام قدرت تجربه کنی؟
فقط برای مدت محدود، میتونی اکانت ChatGPT با ایمیل شخصی رو با قیمت فوقالعاده و غیرقابلباور فقط ۵۰۰ تومان تهیه کنی!
✅ دسترسی کامل به امکانات بینظیر ChatGPT
✅ روی ایمیل شخصی خودت فعال میشه
✅ بدون نگرانی از اشتراک ماهانه
✅ فقط یه بار پرداخت
✅ پشتیبانی رایگان برای راهاندازی
🎁 این فرصت طلایی مخصوص کسانیه که میخوان از هوش مصنوعی به شکلی حرفهای و نامحدود استفاده کنن — توی کار، تحصیل، تولید محتوا، برنامهنویسی و حتی کسبوکار آنلاین!
🕒 تعداد محدود، زمان محدود – هر لحظه ممکنه ظرفیت پر شه...
📩 برای دریافت و فعالسازی، همین الان پیام بده!
@Tempexyou
Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce
📚 Paper
@Machine_learn
Repost from Papers
نفر٣ از مقاله زير رو نياز داريم. اگر از دوستان كسي نياز داشت مي تونن به ايدي بنده پيام بدن.
DKG-LLM : A Framework for Medical Diagnosis and Personalized Treatment Recommendations via Dynamic Knowledge Graph and Large Language Model Integration
Abstract:
The DKG-LLM framework introduces a pioneering approach to medical diagnosis and personalized treatment recommendations by integrating a Dynamic Knowledge Graph (DKG) with the Grok 3 large language model. Employing the Adaptive Semantic Fusion Algorithm (ASFA), the framework processes heterogeneous medical data, including clinical reports, PubMed articles, and patient records, to dynamically update a knowledge graph comprising 15964 nodes across 13 distinct types (e.g., diseases, symptoms, treatments, patient profiles) and 127392 edges across 26 relationship types (e.g., causal, therapeutic, associative). ASFA leverages advanced probabilistic models, Bayesian inference, and graph optimization to extract semantic information, update the graph with approximately 150 new nodes and edges per data batch, and maintain scalability with a maximum of 987654 edges. Evaluations on real-world datasets, such as MIMIC-III and PubMed, demonstrate that DKG-LLM achieves a diagnostic accuracy of 84.19%, treatment recommendation precision of 89.63%, and semantic coverage of 93.48%. The framework’s robustness in handling noisy data and complex multi-symptom diseases, combined with feedback-driven learning from clinician input, positions it as a transformative tool for intelligent healthcare systems. Future directions include adopting federated learning to enhance data privacy and integrating biosensor data for real-time monitoring.
دوستاني كه LLM كار ميكنن و يا در اينده مي خوان اپلاي كنن اين مقاله براشون عاليه
@Raminmousa
@Machine_learn
@Paper4money
Repost from Github LLMs
Deep-Live-Cam
Real time face swap and one-click video deepfake with only a single image
Creator: Hacksider
Stars ⭐️: 50,498
Forked by: 7,491
Github Repo:
https://github.com/hacksider/Deep-Live-Cam
@LLM_learning
با عرض سلام
فقط نفر سوم از این مقاله مونده...!
دوستانی که مایل به شرکت در این مقاله هستن به ایدی بنده پیام بدن.
@Raminmouaa
How we built our multi-agent research system
📚 Paper
@Machine_learn
