¡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
Archivo de publicaciones
📃 Large language model to multimodal large language model: A journey to shape the biological macromolecules to biological sciences and medicine
📓 Journal: Molecular Therapy Nucleic Acids (I.F.=6.5)
📎 Study the paper
@Machine_learn
Repost from Papers
با عرض سلام مقاله زیر در مرحله major revision میباشد. نفر ۴ ام از این مقاله قابل اضافه کردن.
Abstract
Breast cancer stands as a prevalent cause of fatality among females on a global scale, with
prompt detection playing a pivotal role in diminishing mortality rates. The utilization of
ultrasound scans in the BUSI dataset for medical imagery pertaining to breast cancer has
exhibited commendable segmentation outcomes through the application of UNet and UNet++
networks. Nevertheless, a notable drawback of these models resides in their inattention towards
the temporal aspects embedded within the images. This research endeavors to enrich the
UNet++ architecture by integrating LSTM layers and self-attention mechanisms to exploit
temporal characteristics for segmentation purposes. Furthermore, the incorporation of a
Multiscale Feature Extraction Module aims to grasp varied scale features within the UNet++.
Through the amalgamation of our proposed methodology with data augmentation on the BUSI
with GT dataset, an accuracy rate of 98.88%, specificity of 99.53%, precision of 95.34%,
sensitivity of 91.20%, F1-score of 93.74, and Dice coefficient of 92.74% are achieved. These
findings demonstrate competitiveness with cutting-edge techniques outlined in existing
literature.
Keywords: Attention mechanisms, BUSI dataset, Deep Learning, Feature Extraction,
Multi-Scale features
دوستانی که نیاز دارن به ایدی بنده پیام بدن.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
Repost from Papers
با عرض سلام دوستان كه مي خوان توي تيم هاي paper ما شركت كنن موضوعات زير رو مي خواهيم جلو ببريم.
1: survey on whole slide image
▫️
2: Proposed a new model for enrergy efficiency in deep image classification models
Authers: 2, 3, 4 🔺
3:BioPars: a pretrained biomedical large language
model for persian biomedical text mining
Authors: 5🔺
4: Air quality prediction by hybrid deep learning and machine learning models
Authors:4🔺
در تمامی این موارد نیاز به انجام تسک و پرداخت هزینه سرور ها می باشیم.
@Raminmousa
Automating the Search for Artificial Life with Foundation Models
paper: https://arxiv.org/pdf/2412.17799v1.pdf
Code: https://github.com/sakanaai/asal
@Machine_learn
📽 Introduction to Network Analysis using NetworkX
🎞 Watch
@Machine_learn
📃A Survey of Graph Neural Networks for Social Recommender Systems
📎 Study paper
@Machine_learn
هزینه نهایی برای این کار رو به ۲۵ میلیون کاهش دادیم برای نفر ۵ ...!🔥
Repost from Papers
با عرض سلام پروژه Biopars رو شروع كرديم نفر ٥ ام از اين مقاله رو نياز داريم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد.
دوستاني كه نياز دارن مي تونن به تيم ما اضافه بشن
🔸🔸🔸🔸🔸
@Raminmousa
⚡️ NeuZip
▶️
# Install from PyPI
pip install neuzip
# Use Neuzip for Pytorch model
model: torch.nn.Module = # your model
+ manager = neuzip.Manager()
+ model = manager.convert(model)
🟡Arxiv
🖥GitHub
@Machine_learn
🌟 🌟 OuteTTS-0.2-500M
# Install from PyPI
pip install outetts
# Interface Usage
import outetts
# Configure the model
model_config = outetts.HFModelConfig_v1(
model_path="OuteAI/OuteTTS-0.2-500M",
language="en", # Supported languages in v0.2: en, zh, ja, ko
)
# Initialize the interface
interface = outetts.InterfaceHF(model_version="0.2", cfg=model_config)
# Optional: Create a speaker profile (use a 10-15 second audio clip)
speaker = interface.create_speaker(
audio_path="path/to/audio/file",
transcript="Transcription of the audio file."
)
# Optional: Load speaker from default presets
interface.print_default_speakers()
speaker = interface.load_default_speaker(name="male_1")
output = interface.generate(
text="%Prompt Text%%.",
temperature=0.1,
repetition_penalty=1.1,
max_length=4096,
# Optional: Use a speaker profile
speaker=speaker,
)
# Save the synthesized speech to a file
output.save("output.wav")
🟡Demo
🖥GitHub
@Machine_learn
Repost from Papers
با عرض سلام پروژه Biopars رو شروع كرديم نفر ٥ ام از اين مقاله رو نياز داريم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد.
دوستاني كه نياز دارن مي تونن به تيم ما اضافه بشن
🔸🔸🔸🔸🔸
@Raminmousa
Lecture notes: mathematics for artificial intelligence
📕 Link
@Machine_learn
با عرض سلام خيلي از دوستان در رابطه با طراحي صفر تا صد پروژه هاي ديپ از بنده سوال پرسيدن داخل پك زير ٣٦ پروژه رو با جزئيات شرح دادم:
1-Deep Learning Basic
-01_Introduction
--01_How_TensorFlow_Works
2-Classification apparel
-Classification apparel double capsule
-Classification apparel double cnn
3-ALZHEIMERS USING CNN(ResNet)
4-Fake News (Covid-19 dataset)
-Multi-channel
-3DCNN model
-Base line+ Char CNN
-Fake News Covid CapsuleNet
5-3DCNN Fake News
6-recommender systems
-GRU+LSTM MovieLens
7-Multi-Domain Sentiment Analysis
-Dranziera CapsuleNet
-Dranziera CNN Multi-channel
-Dranziera LSTM
8-Persian Multi-Domain SA
-Bi-GRU Capsule Net
-Multi-CNN
9-Recommendation system
-Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate)
-SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise)
10-NihX-Ray
-optimized CNN on FullDataset Nih-Xray
-MobileNet
-Transfer learning
-Capsule Network on FullDataset Nih-Xray
دوستاني كه نياز به اين پروژه ها دارن ميتونن با بنده در ارتباط باشن.
@Raminmousa
@Machine_learn
