¡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 24 518 suscriptores, ocupando la posición 8 048 en la categoría Educación y el puesto 13 749 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 518 suscriptores.
Según los últimos datos del 25 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -164, y en las últimas 24 horas de -1, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.13%. 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 1 748 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 26 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.
24 518
Suscriptores
-124 horas
-407 días
-16430 días
Archivo de publicaciones
Compare NLP Transformer-based Models used for Sentiment Analysis code
🔺@Machine_learn
Adversarial_Training_to_improve_medical_diagnosis_robustness_in.pdf0.64 KB
Resource_efficient_medical_image_classification_for_edge_devices.pdf0.63 KB
Repost from Papers
سلام دوستان
ما دونفر از دانشجوی دکترای یکی از دانشگاه های تاپ آمریکا هستم.
خوش حالیم که اعلام کنیم مقالات قبلی ما اکسپت شد.
در حال حاضر جایگاههای نفرات در دو مقاله در حوزه کامپیوتر ساینس با موضوعات کوانتیزیشن، تفسیرپذیری و یادگیری بدون نظارت در زمینه پزشکی آزاد است.
بعد از سابمیت مقاله، پیپر، متن و کدهای مربوطه در اختیار شما قرار میگیرد. با تضمین چاپ مقاله توسط ما، میتونید برای اپلای دانشگاهها و گرینکارت اقدام بفرمایید.
همچنین با معرفی همکار یا نفرات قبلی، از تخفیف بهرهمند شوید.
لطفا در صورت تمایل به آی دی ما پیام دهید.
( پاسخ با اکانت قبلی ما به دلیل رمزورود به تلگرام امکان پذیر نیست)
آی دی جدید ما:
@rezaa_alvandi
A Brief Introduction to Neural Networks
📕 Book
@Machine_learn
Nexusflow released Athene v2 72B - competetive with GPT4o & Llama 3.1 405B Chat, Code and Math 🔥
> Arena Hard: GPT4o (84.9) vs Athene v2 (77.9) vs L3.1 405B (69.3)
> Bigcode-Bench Hard: GPT4o (30.8) vs Athene v2 (31.4) vs L3.1 405B (26.4)
> MATH: GPT4o (76.6) vs Athene v2 (83) vs L3.1 405B (73.8)
> Models on the Hub along and work out of the box w/ Transformers 🤗
https://huggingface.co/Nexusflow/Athene-V2-Chat
They also release an Agent model: https://huggingface.co/Nexusflow/Athene-V2-Agent
@Machine_learn
Repost from Papers
با عرض سلام
اگر از دوستان کسی توانایی گرفتن اکسپت برای مقاله زیر رو داره و توانایی پرداخت هزینه ی سرور رو داره به بنده پیام بده. اسم شخص به عنوان نفر ۴ در مقاله درج میشه.
Title: Transformer and XGBoost for time-series forecasting of Bitcoin prices using high-dimensional features
ABSTRACT: Bitcoin price prediction based on price indicators has become a hot field of study. In this article, Bitcoin price prediction is discussed based on hash rate features. For this purpose, a series of price indices were used in the beginning and the selection of features was done among 20 features. On the other hand, the selection of features was also done on the raw data of eight rates. This research used forecasting for one, seven, thirty and ninety days. In the classification based on raw features, the highest accuracy is 81%, and for a 90-day interval, on the other hand, the lowest RMSE value is 1.85, which is for a one-day interval. In the classification based on the features extracted from the indicators, the highest accuracy is 73% for the 90-day interval and the lowest RMSE is 1.58 for the 1-day interval.
@Raminmousa
@Machine_learn
Collection of resources in the form of eBooks related to Data Science, Machine Learning, and similar topics
📖 Github
@Machine_learn
Deep Learning and Computational Physics - Lecture Notes, University of South California
📓 book
@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
✅ کانال دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف 🔹⬇️⬇️⬇️⬇️
https://t.me/CEinUse
برای کنکور ارشد کمک نیاز به کمک داری ؟
نمیدونی برای دروس کنکور ارشدت کدوم استاد بهتره ؟
میخوای از تجربه دوستات و ترم بالاییا استفاده کنی؟
💯نمونه سوال و جزوه رو لازم داری ؟
https://t.me/CEinUse
همراه با فعالترین و پر عضوترین گروه دانشکده مهندسی کامپیوتر دانشگاه شریف
✌️ با حضور امیررضا آبانی رتبه ۹۰ کنکور ارشد مهندسی کامپیوتر
جوین شو که جزوه و کتاب نیازت میشه😁👇👇
https://t.me/CEinUse
https://t.me/CEinUse
https://t.me/CEinUse
Repost from Papers
💠Title:BERTCaps: BERT Capsule for persian Multi-domain Sentiment Analysis.
🔺Abstract:
Sentiment classification is widely known as a domain-dependent problem. In order to learn an accurate domain-specific sentiment classifier, a large number of labeled samples are needed, which are expensive and time-consuming to annotate. Multi-domain sentiment analysis based on multi-task learning can leverage labeled samples in each single domain, which can alleviate the need for large amount of labeled data in all domains. In this article, the purpose is BERTCaps to provide a multi-domain classifier. In this model, BERT was used for Instance Representation and Capsule was used for instance learning. In the evaluation dataset, the model was able to achieve an accuracy of 0.9712 in polarity classification and an accuracy of 0.8509 in domain classification.
journal: https://www.sciencedirect.com/journal/array
If:2.3
جايگاه ٤ اين مقاله رو نياز داريم.
دوستاني كه مايل به شركت هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
@Paper4money
@Machine_learn
FRONTIERMATH: A BENCHMARK FOR EVALUATING ADVANCED
MATHEMATICAL REASONING IN AI
📚 Read
💠@Machine_learn
دوستانی که نیاز به این مقاله دارند تا امشب وقت باقی مانده است.
@Raminmousa
DeepArUco++: improved detection of square fiducial markers in challenging lighting conditions
🖥 Github: https://github.com/avauco/deeparuco
📕 Paper: https://arxiv.org/pdf/2411.05552v1.pdf
⚡️ Dataset: https://paperswithcode.com/dataset/coco
@Machine_learn
