DLeX: AI Python
Ir al canal en Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Mostrar más📈 Análisis del canal de Telegram DLeX: AI Python
El canal DLeX: AI Python (@ai_python) en el segmento lingüístico de Farsi es un actor destacado. Actualmente la comunidad reúne a 21 497 suscriptores, ocupando la posición 6 201 en la categoría Tecnologías y Aplicaciones y el puesto 15 635 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 21 497 suscriptores.
Según los últimos datos del 13 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 54, y en las últimas 24 horas de -5, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.46%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.91% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 2 464 visualizaciones. En el primer día suele acumular 840 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 11.
- Intereses temáticos: El contenido se centra en temas clave como مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 14 julio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
21 497
Suscriptores
-524 horas
+37 días
+5430 días
Archivo de publicaciones
21 497
یادگیری ماشین با نرم افزار R
#یادگیری_ماشین #برنامه_نویسی #منابع #آموزش #الگوریتمها
#MachineLearning
❇️ @AI_Python
✴️ @AI_Python_EN
21 497
سخنرانی ارتور بنجامین
در مورد اینکه افراد رو در چه حوزه ای باید تربیت کرد!
ریاضیات یا احتمالات !!
@Data_Experts
21 497
Training Data
این سایت هم دیتاستهای مناسب رو یکجا جمعآوری کرده و در دسترس قرار داده و هم کمک میکنه از همون مدلهای اولیه برای لیبل زدن دیتاهای بیشتر استفاده کنید.
21 497
مقاله داغ
Detect Online Trolls in Elections
https://arxiv.org/abs/1910.07130
#هوش_مصنوعی #منابع #داده_کاوی #مقاله
#AI #ArtificialIntelligence #datamining
❇️ @AI_Python
✴️ @AI_Python_EN
21 497
راه فراگیری علم داده برای مبتدیان
#منابع #علم_داده #آموزش
#DataScience
❇️ @AI_Python
✴️ @AI_Python_EN
21 497
21 497
By using GTrXL we find large performance gains in reinforcement learning tasks requiring memory and integration of experience through time compared to LSTM, whilst not compromising on more reactive RL tasks.
This architecture really shines on some continuous control tasks requiring long temporal memory horizons, and compared to previous work doesn't require any auxiliary losses.
21 497
Transformers working for RL! Two simple modifications: move layer-norm and add gating creates GTrXL: an incredibly stable and effective architecture for integrating experience through time in RL.
https://arxiv.org/abs/1910.06764
❇️ @AI_Python
✴️ @AI_Python_EN
21 497
Uncertainty Quantification in Deep Learning
https://www.inovex.de/blog/uncertainty-quantification-deep-learning/
21 497
A new antibody search engine with publication data. #Free online platform for academic scientists!
#openaccess #openscience #phdchat
https://landing.benchsci.com/
21 497
Slides https://t.co/X5gKgF11bE New optimization: competitive gradient descent (CGD) for training GAN/multi-agent systems. Implicit competitive regularization from CGD means that we get SOTA with no explicit gradient penalty, better stability and no mode collapse
#AI #DeepLearning
❇️ @AI_Python
✴️ @AI_Python_EN
21 497
Bayesian Optimization Meets Riemannian Manifolds in Robot Learning
Jaquier et al.: https://lnkd.in/gEv2b5g
#BayesianOptimization #Robotics
#MachineLearning
21 497
Convolutional #NeuralNetworks have become a foundational network architecture for numerous deep learning-based #ComputerVision tasks. Here, Heartbeat contributor Brian Mwangi explores their evolution in this excellent review of the research.
https://bit.ly/32fkz0p
21 497
🔸 مقاله جالبی در مورد مقایسه کامل بین ۲ فریم ورک PyTorch و TensorFlow
#معرفی_ابزار
#فریم_ورک
#یادگیری_ماشین
21 497
🔹«#مسابقه هوش مصنوعی Comment Verification #دیجیکالانکست»
👈آکادمی دیجیکالا با همکاری Quera برگزار میکند.
🔹برنامهی مسابقه👇
1️⃣ مرحله اول به صورت آنلاین در تاریخ ۱۶ و ۱۷ آبان در سایت Quera برگزار میشود.
2️⃣مرحله دوم به صورت حضوری در تاریخ ۲۸ و ۲۹ آبان در شرکت دیجیکالانکست برگزار میشود.
🔹#جایزه، کمپ #هوش_مصنوعی و #استخدام!👇
👈معرفی افراد برتر به کمپ هوشمصنوعی
🎁۹۰ میلیون ریال جوایز نقدی به نفرات برتر
👈معرفی تمام شرکت کنندگان این مسابقه به بخش منابع انسانی دیجیکالا
اطلاعات بیشتر و ثبت نام:👇
🔗https://quera.ir/r/2xrrx
➖➖➖➖➖➖➖➖
@Quera_ir
21 497
مهمترین کتابخانه های علم داده در #پایتون
این نمودار از بررسی سایت Github تهیه و توسط سایت ActiveWizards منتشر شده است.
@ai_python
21 497
Simple, Scalable Adaptation for Neural Machine Translation
Fine-tuning pre-trained Neural Machine Translation (NMT) models is the dominant approach for adapting to new languages and domains. However, fine-tuning requires adapting and maintaining a separate model for each target task. Researchers from Google propose a simple yet efficient approach for adaptation in #NMT. Their proposed approach consists of injecting tiny task specific adapter layers into a pre-trained model. These lightweight adapters, with just a small fraction of the original model size, adapt the model to multiple individual tasks simultaneously.
Guess it can be applied not only in #NMT but in many other #NLP, #NLU and #NLG tasks.
Paper: https://arxiv.org/pdf/1909.08478.pdf
#BERT
❇️ @AI_Python_EN
21 497
Deep Learning:
http://course.fast.ai
NLP:
http://bit.ly/fastai-nlp
Comp Linear Algebra:
http://github.com/fastai/numerical-linear-algebra
Bias, Ethics, & AI:
http://fast.ai/topics/#ai-in-society
Debunk Pipeline Myth:
http://bit.ly/not-pipeline
AI Needs You:
http://bit.ly/rachel-TEDx
Ethics Center:
http://bit.ly/USF-CADE
❇️ @AI_Python_EN
21 497
💢 تنها ثروتی که هیچوقت از بین نمیره #تخصص است.
✅ در شرایط بد اقتصادی، آموزش #رایگان و فرستادن شما به بازار کار برای کسب درآمد، تخصص ماست👌
