¡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 24 522 suscriptores, ocupando la posición 8 070 en la categoría Educación y el puesto 13 771 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 522 suscriptores.
Según los últimos datos del 22 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -150, y en las últimas 24 horas de -5, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.45%. 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 1 829 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 3.
- 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 23 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.
24 522
Suscriptores
-524 horas
-417 días
-15030 días
Archivo de publicaciones
NVIDIA just open sourced Open Code Reasoning models - 32B, 14B AND 7B - APACHE 2.0 licensed 🔥
> Beats O3 mini & O1 (low) on LiveCodeBench 😍
Backed by OCR dataset the models are 30% token efficient than other equivalent Reasoning models
Works with llama.cpp, vLLM, transformers, TGI and more - check them out today!!
https://huggingface.co/nvidia/OpenCodeReasoning-Nemotron-32B
@Machine_learn
Introducing Continuous Thought Machines
📚 Paper
@Machine_learn
Llama-Nemotron: Efficient Reasoning Models
📚 Paper
@Machine_learn
Repost from Papers
با عرض سلام
از اين مقاله نفرات ٤ و ٥ باقي مونده دوستاني كه مايل به همكاري هستن لطفا با بنده در ارتباط باشن.
یکی از ابزارهای خوبی که بنده تونستم توسعه بدم ابزار Stock Ai می باشد. در این ابزار از ۳۶۰ اندیکاتور استفاده کردم. گزارشات back test این ابزار در ویدیو های زیر موجود می باشد.
May 2024 :
https://youtu.be/aSS99lynMFQ?si=QSk8VVKhLqO_2Qi3
July 2014:
https://youtu.be/ThyZ0mZwsGk?si=FKPK7Hkz-mRx-752&t=209
@Raminmousa
⛽ VoRA: Vision as LoRA ⛽
#ByteDance introduces #VoRA (Vision as #LoRA) — a novel framework that transforms #LLMs into Multimodal Large Language Models (MLLMs) by integrating vision-specific LoRA layers.
All training data, source code, and model weights are openly available!
Key Resources:
Overview: https://t.ly/guNVN
Paper: arxiv.org/pdf/2503.20680
GitHub Repo: github.com/Hon-Wong/VoRA
Project Page: georgeluimmortal.github.io/vora-homepage.github.io
@Machine_learn
Data-engineer-handbook
This is a repo with links to everything you'd ever want to learn about data engineering
Creator: DataExpert-io
Stars ⭐️: 24.9k
Forked by: 4.9k
Github Repo:
https://github.com/DataExpert-io/data-engineer-handbook
#github
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@Machine_learn
با عرض سلام دوره ی خصوصی SYFA را داریم برگذار میکنیم که هدف نحوه اشنایی با فرایند نگارش و چاپ مقالات می باشد. جلسات ۱ ساعته و خصوصی می باشند. که هر هفته به ازای هر شخص ۲ جلسه برگذار خواهد شد. جهت ثبت نام و ست کردن زمان با ایدی بنده در ارتباط باشین.
@Raminmousa
Introduction to Machine Learning
Laurent Younes
📚 Book
@Machine_learn
Llama-Nemotron: Efficient Reasoning Models
📚 Paper
@Machine_learn
CPPO: Accelerating the Training of Group Relative Policy Optimization-Based Reasoning Models
28 Mar 2025 · Zhihang Lin, Mingbao Lin, Yuan Xie, Rongrong Ji
Paper: https://arxiv.org/pdf/2503.22342v1.pdf
Code: https://github.com/lzhxmu/cppo
Datasets: GSM8K - MATH
@Machine_learn
Repost from Papers
با عرض سلام برای یکی از مقالاتمون نیازمند نفر اول داریم که co-author مقاله هم باشه.
مجله ی ارسالی scientific report natue
https://www.nature.com/srep/
می باشد.
شرایط واگذاری رو در صورت نیاز می تونین با ایدی بنده ست کنین.
@Raminmousa
@Machine_learn
@Paper4money
4 advanced attention mechanisms you should know:
• Slim attention — 8× less memory, 5× faster generation by storing only K from KV pairs and recomputing V.
• XAttention — 13.5× speedup on long sequences via "looking" at the sum of values along diagonal lines in the attention matrix.
• Kolmogorov-Arnold Attention, KArAt — Adaptable attention with learnable activation functions using KANs instead of softmax.
• Multi-token attention (MTA) — Lets the model consider groups of nearby words together for smarter long-context handling.
Read the overview of them in our free article on https://huggingface.co/blog/Kseniase/attentions
@Machine_learn
Crystal Generation with Space Group Informed Transformer
🖥 Github: https://github.com/deepmodeling/crystalformer
📕 Paper: https://arxiv.org/abs/2504.02367v1
🔗 Dataset: https://paperswithcode.com/dataset/alex-20
@Machine_learn
Repost from Papers
با عرض سلام
می خواهیم مقاله ی جدیدی را تحت عنوان زیر شروع کنیم:
Comparative survey on Transfer Learning for multi-modal wound image classification
مقالات قبلی که در این رابطه نوشتیم به ترتیب زیر می باشند:
تیم 1: [1]چاپ شده در Expert system with application
تیم 2:[2] سابمیت شده در Scientific report
تیم 3:[3] سابیمت شده در IEEE transaction
نفرات 2 تا 5 این مقاله خالی می باشند. این نفرات علاوه بر مرور مقالات و تحلیل نتایج هزینه سرور را نیز متقبل می شوند.
[1] Mousa, Ramin, et al. "Multi-modal wound classification using wound image and location by Swin Transformer and Transformer." Expert Systems with Applications (2025): 127077.
[2] Mousa, Ramin, et al. "Integrating Vision and Location with Transformers: A Multimodal Deep Learning Framework for Medical Wound Analysis." arXiv preprint arXiv:2504.10452 (2025).
[3] Mousa, Ramin, Ehsan Matbooe, and Hakimeh Khojasteh. "Multi-Modal Wound Classification Using Wound Image and Location by Xception and Gaussian Mixture Recurrent Neural Network (GMRNN)." (2025
هزینه نفرات به ترتيب
2:400$
3:300$
4:250$
5:200$
می باشد.
ژونال مد نظر
Scientific Reprot (Nature)
@Raminmousa
@Machine_learn
@Paper4money
BioPars: Persian biomedical data
Model: BioPars
Dataset: ParsMed
Benchmark: BioParsQa
Next week submit
@Machine_learn
FlowReasoner: Reinforcing Query-Level Meta-Agents
📚 Paper
@Machine_learn
Signatures of unconventional superconductivity near reentrant and fractional quantum anomalous Hall insulators
📚 Paper
@Machine_learn
امکان ریکام دادن در این مقاله هستش. دوستانی که می خوان اپلایی کنن بهترین فرصت.
@Raminmousa
