¡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 8 031 en la categoría Educación y el puesto 13 728 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 26 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -162, y en las últimas 24 horas de -2, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 5.76%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 1.79% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 412 visualizaciones. En el primer día suele acumular 440 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 27 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
-224 horas
-337 días
-16230 días
Archivo de publicaciones
📌skscope: Fast Sparse-Constraint Optimization
🖥 Github: https://github.com/abess-team/skscope
📕 Paper: https://arxiv.org/abs/2403.18540v1
🔥Dataset: skscope.readthedocs.io
Topics
@Machine_learn
با عرض سلام به خاطر ماه مبارك رمضا دو پكيچ يادگيري ماشين و يادگيري عميق با تخفيف ٧٥٪ براي دوستان در نظر گرفتيم.
دوستاني كه نياز دارند به ايدي بنده پيام بدن.
@Raminmousa
🖼 One-Step Image Translation with Text-to-Image Models
CycleGAN-Turbo
▪Paper: https://arxiv.org/abs/2403.12036
▪Code: https://github.com/GaParmar/img2img-turbo
▪Demo: http://huggingface.co/spaces/gparmar/img2img-turbo-sketch
@Machine_learn
جهت استفاده از تخفیف این دو پکیچ یادگیری بنده می تونین با ایدیم در ارتباط باشین
@Raminmousa
The first channel on Telegram that offers exciting questions, answers, and tests in data science, artificial intelligence, machine learning, and programming languages.
#interviews #datascience #python
https://t.me/DataScienceQ
با عرض سلام نياز به نفر دوم اين مقاله داريم.
ابتدا اركايو مقاله تا دو هفته ديگه فرستاده ميشه سپس براي knowledge based فرستاده ميشه. كسايي كه نياز دارن به بنده مراجعه كنن
@Raminmousa
Video Mamba Suite: State Space Model as a Versatile Alternative for Video Understanding
🖥 Github: https://github.com/opengvlab/video-mamba-suite
📕 Paper: https://arxiv.org/abs/2403.09626v1
🔥Dataset: https://paperswithcode.com/dataset/egoschema
@Machine_learn
با عرض سلام دوستانی که مقاله برای Knowledge-based Systems می فرستن می تونن من رو به عنوان reviewer معرفی کنن تا مقالاتشون رو بررسی کنم.
https://www.sciencedirect.com/journal/knowledge-based-systems
@Machine_learn
TSMixer: An All-MLP Architecture for Time Series Forecasting
Time-series datasets in real-world scenarios are inherently multivariate and riddled with intricate dynamics. While recurrent or attention-based deep learning models have been the go-to solution to address these complexities, recent discoveries have shown that even basic univariate linear models can surpass them in performance on standard academic benchmarks. As an extension of this revelation, the paper introduces the Time-Series Mixer TSMixer. This innovative design, crafted by layering multi-layer perceptrons, hinges on mixing operations across both time and feature axes, ensuring an efficient extraction of data nuances.
Upon application, TSMixer has shown promising results. Not only does it hold its ground against specialized state-of-the-art models on well-known benchmarks, but it also trumps leading alternatives in the challenging M5 benchmark, a dataset that mirrors the intricacies of retail realities. The paper's outcomes emphasize the pivotal role of cross-variate and auxiliary data in refining time series forecasting.
Paper link:
https://arxiv.org/abs/2303.06053
Code link: https://github.com/google-research/google-research/tree/master/tsmixer
A detailed unofficial overview of the paper:
https://andlukyane.com/blog/paper-review-tsmixer
@Machine_learn
با عرض سلام دو پکیچ یادگیری ماشین و یادگیری عمیق را برای دوستانی که می خواهند تا فرداشب با تخفیف ۵۰٪ مجدد قرار دادیم این تخفیف اخرین سری از تخفیف های این دو پکیچ می باشد
1: introduction to machine learning
2: Regression (linear and non-linear)
3: Tensorflow introduction
4: Tensorflow computaion graph
5: Tensorflow optimizer and loss function
6: Tensorflow linear and non linear regression
7: logistic regression
8: Tensorflow regression
___________
9: introduction to traditional machine learning
*10: knn and desicion tree
*11: desicion tree and Naive bayes
*12: desicion tree, knn, Naive bayes implementation
*13: k-means
*14: Guassion Mixture Model(GMM)
*15: implementation K-means and GMM
_
16: introduction to Artificial Neural Network
17: Multi-level Neural Network
18: Introduction to Convolution Neural Network
19: Tensorflow Multi-level Neural Network
20:Tensorflow CNN
21:CNN image clasaification
22: Cnn text clasaification
23: Recurrent Neural Network(RNN)
جهت تهیه می تونین به ایدی بنده مراجعه کنین
@Raminmousa
ViT-CoMer: Vision Transformer with Convolutional Multi-scale Feature Interaction for Dense Predictions
🖥 Github: https://github.com/Traffic-X/ViT-CoMer
📕 Paper: https://arxiv.org/pdf/2403.07392.pdf
✨ Tasks: https://paperswithcode.com/task/object-detection
🔥Dataset: https://paperswithcode.com/dataset/coco
@Machine_learn
