¡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 24 502 suscriptores, ocupando la posición 8 036 en la categoría Educación y el puesto 13 785 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 502 suscriptores.
Según los últimos datos del 01 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -127, 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 7.47%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.04% 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 500 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 02 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.
24 502
Suscriptores
-524 horas
-207 días
-12730 días
Archivo de publicaciones
Therapeutics Data Commons: Machine Learning Datasets and Tasks for Therapeutics
Github: https://github.com/mims-harvard/TDC
Paper: https://arxiv.org/abs/2102.09548
Datasets: https://tdcommons.ai/
@Machine_learn
Python for data science cheatsheet
#python #chearsheet
@Machine_learn
با عرض سلام ما پكيج ٣٦ پروژه عملي با يادگيري عميق همراه با داكيومنت فارسي را براي دوستاني كه مي خواهند در اين حوزه به صورت عملي كار كنند تهيه كرديم سرفصل هاي اين پكيج به ترتيب زير مي باشند:
1-Deep Learning Basic
-01_Introduction
--01_How_TensorFlow_Works
--02_Creating_and_Using_Tensors
--03_Implementing_Activation_Functions
-02_TensorFlow_Way
--01_Operations_as_a_Computational_Graph
--02_Implementing_Loss_Functions
--03_Implementing_Back_Propagation
--04_Working_with_Batch_and_Stochastic_Training
--05_Evaluating_Models
-03_Linear_Regression
--linear regression
--Logistic Regression
-04_Neural_Networks
--01_Introduction
--02_Single_Hidden_Layer_Network
--03_Using_Multiple_Layers
-05_Convolutional_Neural_Networks
--Convolution Neural Networks
--Convolutional Neural Networks Tensorflow
--TFRecord For Deep learning Models
-06_Recurrent_Neural_Networks
--Recurrent Neural Networks (RNN)
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
هزينه اين پكيج ٥٠٠هزارمیباشد(صرفا هزينه تهيه ديتاست هاست).
جهت خريد مي توانيد با ايدي بنده در ارتباط باشيد
@Raminmousa
Introducing Model Search: An Open Source Platform for Finding Optimal ML Models
http://ai.googleblog.com/2021/02/introducing-model-search-open-source.html
@Machine_learn
GraphGallery: A Platform for Fast Benchmarking and Easy Development of Graph Neural Networks Based Intelligent Software
Github: https://github.com/EdisonLeeeee/GraphGallery
Paper: https://arxiv.org/abs/2102.07933v1
@Machine_learn
🔸لیستی از برترین کانالهای آموزشی در زمینه های هوشمصنوعی, پایتون و یادگیری ماشین
❯ هوش مصنوعی:
1️⃣ @Ai_Tv
2⃣ @AI_PYTHON
3⃣ @cvision
4⃣ @HomeAI
❯ یادگیری ماشین و یادگیری عمیق :
1️⃣ @Machine_learn
❯ علم داده:
1⃣ @dataanalysis
2⃣ @python4finance
3⃣ @mr_ie
❯ آموزش پایتون :
1⃣ @pythony
2⃣ @pythonchallenge
3⃣ @SQL_Server
4⃣ @Koolac_Org
5⃣ @Raspberry_Python
6⃣ @Programming4all_0to100
TI-Capsule: Capsule Network for Stock Exchange Prediction
#Paper
@Raminmousa
@Machine_learn
🧪 Alchemy: A structured task distribution for meta-reinforcement learning
Deepmind: https://deepmind.com/research/publications/alchemy
Github: https://github.com/deepmind/dm_alchemy
Paper: https://arxiv.org/abs/2102.02926
@Machine_learn
How to Speed up Scikit-Learn Model Training
https://www.kdnuggets.com/2021/02/speed-up-scikit-learn-model-training.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
Neural-Backed Decision Trees
Demo: https://research.alvinwan.com/neural-backed-decision-trees/
Github: https://github.com/alvinwan/neural-backed-decision-trees
Paper: https://arxiv.org/abs/2004.00221
Code: https://colab.research.google.com/github/alvinwan/neural-backed-decision-trees/blob/master/examples/load_pretrained_nbdts.ipynb
Dataset: https://pytorch.org/docs/stable/torchvision/datasets.html
@Machine_learn
Building Image Segmentation Faster Using Jupyter Notebooks from NGC
https://developer.nvidia.com/blog/building-image-segmentation-faster-using-jupyter-notebooks-from-ngc/
@Machine_learn
ML Algorithms Cheatsheet (python and R)
#code #python #R
@Machine_learn
Super VIP Cheatsheet: Machine Learning
Afshine Amidi and Shervine Amidi
#ML
@Machine_learn
Quantum Computing and Blockchain in Business (2020)
#book #2020 #Blockchain
@Machine_learn
Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning
http://ai.googleblog.com/2021/02/evaluating-design-trade-offs-in-visual.html
@Machine_learn
TracIn — A Simple Method to Estimate Training Data Influence
http://ai.googleblog.com/2021/02/tracin-simple-method-to-estimate.html
@Machine_learn
