¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Machine learning books and papers
Ir al canal en Telegram
Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn
Mostrar más📈 Análisis del canal de Telegram Machine learning books and papers
El canal Machine learning books and papers (@machine_learn) en el segmento lingüístico de Inglés es un actor destacado. Actualmente la comunidad reúne a 24 517 suscriptores, ocupando la posición 8 056 en la categoría Educación y el puesto 13 757 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 517 suscriptores.
Según los últimos datos del 24 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -165, y en las últimas 24 horas de -3, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.78%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 1.90% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 663 visualizaciones. En el primer día suele acumular 465 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 1.
- Intereses temáticos: El contenido se centra en temas clave como disorder, psy, مقاله, framework, graph.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Admin: @Raminmousa
ID: @Machine_learn
link: https://t.me/Machine_learn”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 25 junio, 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 Educación.
24 517
Suscriptores
-324 horas
-477 días
-16530 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
junio '26
junio '26
+32
en 1 canales
mayo '26
+45
en 2 canales
Get PRO
abril '26
+45
en 0 canales
Get PRO
marzo '26
+2
en 0 canales
Get PRO
febrero '26
+14
en 1 canales
Get PRO
enero '26
+10
en 1 canales
Get PRO
diciembre '25
+251
en 2 canales
Get PRO
noviembre '25
+522
en 11 canales
Get PRO
octubre '25
+1 065
en 2 canales
Get PRO
septiembre '25
+794
en 2 canales
Get PRO
agosto '25
+941
en 11 canales
Get PRO
julio '25
+835
en 3 canales
Get PRO
junio '25
+734
en 3 canales
Get PRO
mayo '25
+956
en 2 canales
Get PRO
abril '25
+1 898
en 4 canales
Get PRO
marzo '25
+658
en 7 canales
Get PRO
febrero '25
+44
en 4 canales
Get PRO
enero '25
+92
en 8 canales
Get PRO
diciembre '24
+134
en 5 canales
Get PRO
noviembre '24
+394
en 13 canales
Get PRO
octubre '24
+463
en 6 canales
Get PRO
septiembre '24
+249
en 4 canales
Get PRO
agosto '24
+387
en 3 canales
Get PRO
julio '24
+220
en 1 canales
Get PRO
junio '24
+228
en 11 canales
Get PRO
mayo '24
+422
en 2 canales
Get PRO
abril '24
+611
en 11 canales
Get PRO
marzo '24
+731
en 4 canales
Get PRO
febrero '24
+1 021
en 1 canales
Get PRO
enero '24
+1 100
en 13 canales
Get PRO
diciembre '23
+628
en 0 canales
Get PRO
noviembre '23
+409
en 11 canales
Get PRO
octubre '23
+296
en 9 canales
Get PRO
septiembre '23
+365
en 0 canales
Get PRO
agosto '23
+467
en 0 canales
Get PRO
julio '23
+715
en 0 canales
Get PRO
junio '23
+268
en 0 canales
Get PRO
mayo '23
+107
en 0 canales
Get PRO
abril '23
+107
en 0 canales
Get PRO
marzo '23
+249
en 0 canales
Get PRO
febrero '23
+110
en 0 canales
Get PRO
enero '23
+163
en 0 canales
Get PRO
diciembre '22
+118
en 0 canales
Get PRO
noviembre '22
+165
en 0 canales
Get PRO
octubre '22
+101
en 0 canales
Get PRO
septiembre '22
+177
en 0 canales
Get PRO
agosto '22
+220
en 0 canales
Get PRO
julio '22
+229
en 0 canales
Get PRO
junio '22
+56
en 0 canales
Get PRO
mayo '22
+296
en 0 canales
Get PRO
abril '22
+411
en 0 canales
Get PRO
marzo '22
+47
en 0 canales
Get PRO
febrero '22
+34
en 0 canales
Get PRO
enero '22
+44
en 0 canales
Get PRO
diciembre '21
+59
en 0 canales
Get PRO
noviembre '21
+59
en 0 canales
Get PRO
octubre '21
+109
en 0 canales
Get PRO
septiembre '21
+454
en 0 canales
Get PRO
agosto '21
+251
en 0 canales
Get PRO
julio '21
+84
en 0 canales
Get PRO
junio '21
+183
en 0 canales
Get PRO
mayo '21
+126
en 0 canales
Get PRO
abril '21
+116
en 0 canales
Get PRO
marzo '21
+101
en 0 canales
Get PRO
febrero '21
+601
en 0 canales
Get PRO
enero '21
+167
en 0 canales
Get PRO
diciembre '20
+8 834
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 25 junio | 0 | |||
| 24 junio | 0 | |||
| 23 junio | 0 | |||
| 22 junio | 0 | |||
| 21 junio | +1 | |||
| 20 junio | +2 | |||
| 19 junio | 0 | |||
| 18 junio | +1 | |||
| 17 junio | 0 | |||
| 16 junio | +2 | |||
| 15 junio | +3 | |||
| 14 junio | 0 | |||
| 13 junio | 0 | |||
| 12 junio | +1 | |||
| 11 junio | +2 | |||
| 10 junio | +1 | |||
| 09 junio | +1 | |||
| 08 junio | +6 | |||
| 07 junio | 0 | |||
| 06 junio | +3 | |||
| 05 junio | +3 | |||
| 04 junio | +5 | |||
| 03 junio | 0 | |||
| 02 junio | +1 | |||
| 01 junio | 0 |
Publicaciones del Canal
⚡️Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds
HF: https://huggingface.co/papers/2511.08892
Peoject: https://www.lumine-ai.org/
Paper: https://arxiv.org/abs/2511.08892
@Machine_learn
| 2 | 🔥 World Action Models: A Survey
💡 The paper World Action Models A Survey provides a comprehensive overview of World Action Models, which are predictive action systems that generate future states for decision making. These models balance representational richness against computational constraints, and recent developments have led to a blurring of boundaries among various related models. The survey aims to clarify these boundaries and provide a common account of the field.
The authors organize existing works into two complementary views. The first view examines what each method is required to generate, including rendered futures, latent futures, and video generation free action reasoning. The second view decomposes each method into its predictive substrate, backbone, action coupling, and deployment regime. This anatomy allows for a unified discussion of key aspects such as interactability, causality, persistence, physical plausibility, and generalization.
The survey reveals a consistent design pattern in World Action Models, where design choices trade representational richness against compute, memory, latency, and action label cost. The authors find that the field is moving towards methods that generate less of the future while preserving what is required for control. The survey provides a clear and unified account of the field, covering data, evaluation, and open challenges, and provides a foundation for future research in World Action Models.
The main contributions of the paper are to clarify the boundaries and definitions of World Action Models, to provide a comprehensive overview of existing works, and to identify a consistent design pattern in the field. The survey also highlights the key challenges and open issues in World Action Models, including the need for more efficient and effective methods that balance representational richness against computational constraints. Overall, the paper provides a valuable resource for researchers and practitioners in the field of World Action Models, and helps to advance the state of the art in predictive action systems.
📅 Published on Jun 18
🔗 Links:
• GitHub: https://github.com/huggingface
• arXiv: https://arxiv.org/abs/2606.20781
• PDF: https://arxiv.org/pdf/2606.20781
• Project Page: https://world-action-models.github.io/
━━━━━━━━━━━━━━━━━━━━━━━━
@Machine_learn | 388 |
| 3 | 🔥 Efficient Guided Generation for Large Language Models
💡 The paper presents an efficient method for guiding large language model text generation using regular expressions and context-free grammars. The problem addressed is that guided generation can be impractical due to significant overhead. The authors propose an approach that adds minimal overhead to the token sequence generation process. This method makes guided generation feasible in practice. The approach is implemented in the open source Python library Outlines, providing a practical solution for efficient guided generation. The results indicate that the method is effective, allowing for guided generation with little to no overhead, which is a significant contribution to the field of natural language processing.
📅 Published on Jul 19, 2023
🔗 Links:
• GitHub: https://github.com/huggingface
• arXiv: https://arxiv.org/abs/2307.09702
• PDF: https://arxiv.org/pdf/2307.09702
━━━━━━━━━━━━━━━━━━━━━━━━
@Machine_learn | 386 |
| 4 | با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن
Price
2: 300$
5:150$
@Raminmousa
@Paper4money
@Machine_learn | 1 123 |
| 5 |  📃 Current Bioinformatics Tools in Precision Oncology
📎 Study paper
@Machine_learn | 1 100 |
| 6 |  با عرض سلام مقاله MedicalRec توسط بنده و دوستان ارائه شد. این مقاله جهت ارائه ی سیستم پیشنهاد دهنده مدل طبقه بندی برای تصاویر پزشکی میباشد. در ادامه ما می خواهیم MedicalRec2 را توسعه دهیم که یک مدل پیشنهاد دهنده طبقه بند و تقسیم بند در حوزه ی پزشکی می باشد. از این رو نفرات ۲ تا ۶ این مقاله را جهت مشارکت در نظر داریم. هزینه ها از قرار زیر می باشند.
2: 500$
3: 400$
4: 300$
5: 250$
6: 200$
جهت مشارکت با ایدی بنده در ارتباط باشین.
@Raminmousa
@Paper4money | 1 723 |
| 7 |  +5🎬 ساخت ویدیو
• Sora
• Kling
• Veo
• Seedance
• Lumalabs
🎨 ساخت تصویر
• Google Flow
• Qwen Image
• NanoBanana
• ChatGPT Image
• Grok
🎤 تقلید صدا
• ElevenLabs
• Fish Audio
• Minimax
• Descript
• Respeecher
🧠 تحقیق و کاوش
• ChatGPT
• Gemini
• Perplexity
• NotebookLM
• Deepseek
🗣 ساخت کاراکتر سخنگو
• Heygen
• Synthesia
• D-ID
• Hedra
━━━━━━━━━━━━━━━
🔗 لینک ابزارها:
• ChatGPT → https://chatgpt.com
• Gemini → https://gemini.google.com
• Perplexity → https://perplexity.ai
• Deepseek → https://deepseek.com
• NotebookLM → https://notebooklm.google.com
• Kling → https://klingai.com
• Veo → https://deepmind.google/technologies/veo
• Lumalabs → https://lumalabs.ai
• Sora → https://openai.com/sora
• ElevenLabs → https://elevenlabs.io
• Fish Audio → https://fish.audio
• Descript → https://descript.com
• Heygen → https://heygen.com
• Synthesia → https://synthesia.io
• D-ID → https://d-id.com
@ai_farshad | 2 573 |
| 8 | تنها ۳ روز تا سابمیت این مقاله باقی مونده....! | 2 049 |
| 9 | برای این مقاله فقط ۵ روز وقت داریم دوستانی که نیاز دارند زودتر اقدام کنن...! | 634 |
| 10 | با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲، ۴ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن
Price
2: 300$
4: 200$
5:150$
@Raminmousa
@Paper4money
@Machine_learn | 2 833 |
| 11 | با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲، ۴ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن
Price
2: 300$
4: 200$
3:150$
@Raminmousa
@Paper4money
@Machine_learn | 480 |
| 12 |  Follow the Machine Learning with Python channel on WhatsApp: https://whatsapp.com/channel/0029VaC7Weq29753hpcggW2A | 2 825 |
| 13 | 🔥 Awesome open-source project to learn more about Transformer Models! 🤖✨
We found this interactive website that shows you visually how transformer models work. 🌐📊
Transformer Explainer:
https://poloclub.github.io/transformer-explainer/
@Machine_learn | 2 989 |
| 14 | ❣️ | 3 932 |
