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 24 513 suscriptores, ocupando la posición 8 036 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 24 513 suscriptores.
Según los últimos datos del 12 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -91, y en las últimas 24 horas de 9, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.01%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.07% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 473 visualizaciones. En el primer día suele acumular 507 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 2.
- 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 13 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 Educación.
24 513
Suscriptores
+924 horas
+57 días
-9130 días
Archivo de publicaciones
Flexible, Scalable, Differentiable Simulation of Recommender Systems with RecSim NG
http://ai.googleblog.com/2021/04/flexible-scalable-differentiable.html
@Machine_learn
📌کانالی مناسب برای علاقه مندان هوش مصنوعی، یادگیری ماشین، زبان برنامه نویسی پایتون و آموزش های رایگان
📝 این کانال توسط فارغ التحصیلان هوش مصنوعی دانشگاه صنعتی امیرکبیر ایجاد شده و جدیدترین اخبار حوزه هوش مصنوعی را اطلاع رسانی خواهد کرد.
https://t.me/joinchat/AAAAADweGusEx9ZAwC-N0g
📍متخصصین و اساتید زیادی در این کانال عضو هستند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
Monster Mash: A Sketch-Based Tool for Casual 3D Modeling and Animation
http://ai.googleblog.com/2021/04/monster-mash-sketch-based-tool-for.html
@Machine_learn
Simple multi-dataset detection
Github: https://github.com/xingyizhou/UniDet
Paper: https://arxiv.org/abs/2102.13086v1
@Machine_learn
🧠 Lite-HRNet: A Lightweight High-Resolution Network
Github: https://github.com/HRNet/Lite-HRNet
Paper: https://arxiv.org/abs/2104.06403
@Machine_learn
🧠 بوتکمپ علم داده آکادمی لوپ
❕به روزترین و کاملترین سرفصلها در حوزه علم داده
📅 تاریخ برگزاری: پنجشنبه ۲۶ فروردین ماه از ساعت ۹:۰۰ الی ۱۲:۳۰
🖥 این دوره به صورت آنلاین برگزار خواهد شد.
🔖 برای شرکت در روز اول این بوتکمپ به صورت❗️رایگان❗️می توانید از این لینک استفاده کنید.
❌ ظرفیت این بوتکمپ محدود
میباشد.
⭕️ برای ثبت نام کامل و برخورداری از تخفیف زودهنگام در این بوتکمپ از این لینک استفاده کنید.
🕙 مدت این دوره: ۳۶ ساعت
💡 لینک گروه تلگرامی بوتکمپ علم داده جهت پرسش و پاسخ
➖➖➖➖➖➖➖➖
@LoopAcademy
🧠 بوتکمپ علم داده آکادمی لوپ
❕به روزترین و کاملترین سرفصلها در حوزه علم داده
📅 تاریخ برگزاری: پنجشنبه ۲۶ فروردین ماه از ساعت ۹:۰۰ الی ۱۲:۳۰
🖥 این دوره به صورت آنلاین برگزار خواهد شد.
🔖 برای شرکت در روز اول این بوتکمپ به صورت❗️رایگان❗️می توانید از این لینک استفاده کنید.
❌ ظرفیت این بوتکمپ محدود
میباشد.
⭕️ برای ثبت نام کامل و برخورداری از تخفیف زودهنگام در این بوتکمپ از این لینک استفاده کنید.
🕙 مدت این دوره: ۳۶ ساعت
💡 لینک گروه تلگرامی بوتکمپ علم داده جهت پرسش و پاسخ
➖➖➖➖➖➖➖➖
@LoopAcademy
500 + 𝗔𝗿𝘁𝗶𝗳𝗶𝗰𝗶𝗮𝗹 𝗜𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 𝗣𝗿𝗼𝗷𝗲𝗰𝘁 𝗟𝗶𝘀𝘁 𝘄𝗶𝘁𝗵 𝗰𝗼𝗱𝗲
500 AI Machine learning Deep learning Computer vision NLP Projects with code
This list is continuously updated. - You can take pull request and contribute.
https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
@Machine_learn
EfficientNetV2: Smaller Models and Faster Training
A new paper from Google Brain with a new SOTA architecture called EfficientNetV2. The authors develop a new family of CNN models that are optimized both for accuracy and training speed. The main improvements are:
- an improved training-aware neural architecture search with new building blocks and ideas to jointly optimize training speed and parameter efficiency;
- a new approach to progressive learning that adjusts regularization along with the image size;
As a result, the new approach can reach SOTA results while training faster (up to 11x) and smaller (up to 6.8x).
Paper: https://arxiv.org/abs/2104.00298
Code will be available here:
https://github.com/google/automl/efficientnetv2
A detailed unofficial overview of the paper: https://andlukyane.com/blog/paper-review-effnetv2
@Machine_learn
PlenOctrees For Real-time Rendering of Neural Radiance Fields
And yet another speed-up of NERF. Exactly the same idea as in FastNeRF and NEX (predict spherical harmonics coefficients k) - incredible! It's the first time I see so many concurrent papers sharig the same idea. But this one has code at least, which makes it the best!
📝 Paper arxiv.org/abs/2103.14024
🌐Project page alexyu.net/plenoctrees/
🛠Code github.com/sxyu/volrend
@Machine_learn
Ted Talk with Yann LeCun
in which Yann discusses his current research into self-supervised machine learning, how he's trying to build machines that learn with common sense (like humans) and his hopes for the next conceptual breakthrough in AI.
▶️ Watch
@Machine_learn
با عرض سلام
از دوستان اگر کسی اشنا به مبحث Genetic algorithm برای بهینه سازی هست جهت انجام پروژه ی با تقبل هزینه ممنون ميشم به بنده پیام بده.
@Raminmousa
Recursive Classification: Replacing Rewards with Examples in RL
http://ai.googleblog.com/2021/03/recursive-classification-replacing.html
@Machine_learn
سلام دوستان جهت کسب اطلاعات از نحوه خرید می تونین با بنده در ارتباط باشین
@Raminmousa
XLA: Optimizing Compiler for Machine Learning
Tensorflow: https://www.tensorflow.org/xla
XLA Architecture: https://www.tensorflow.org/xla/architecture
Github: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/compiler/xla
Code: https://www.tensorflow.org/xla/tutorials/jit_compile
@Machine_learn
