¡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 8 028 en la categoría Educación y el puesto 13 775 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 02 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -109, 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 6.29%. 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 1 541 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 03 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
-147 días
-10930 días
Archivo de publicaciones
Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization
@Machine_learn
OpenCV Sudoku Solver and OCR
https://www.pyimagesearch.com/2020/08/10/opencv-sudoku-solver-and-ocr/
@Machine_learn
کانال صنایع و مدیریت qie با همکاری شرکت داده کاوی ترامین برگزار میکند:
💻 دوره آنـــلاین داده کاوی
(Data Mining)
🌟 با ارایه گواهینامه
🔬 آموزش با مطالعات موردی واقعی و پروژه
✅ مناسب برای تمام رشتههای مهندسی، مدیریت و علوم پایه
🚧 در خــــانه بمانید و آمـــــوزش ببینید.
🔗 جزئیات، مشــاوره رایگان و کسب اطلاعات بیشتر:
🤳 @qie_admin
📲 09226072331
📲 09360017325
A DomainSpecific Supercomputer for Training Deep Neural Networks
#paper
@Machine_learn
Using Flask to optimize performance with Mask R-CNN segmentation(with source code)
https://medium.com/medialesson/using-flask-to-optimize-performance-with-mask-r-cnn-segmentation-39752f153029
@Machine_learn
How to Build a Custom YOLOv4 Object Detector using TensorFlow
@Machine_learn
https://morioh.com/p/f9702a8223b2
CODE: https://github.com/theAIGuysCode/tensorflow-yolov4-tflite
COALESCE framework
#paper
@Machine_learn
https://arxiv.org/pdf/2008.01936.pdf
Neural Networks: A Visual Introduction for Beginners by Michael Taylor
#book
@Machine_learn
Data Analytics
Practical Guide to Leveraging the Power of Algorithms, Data Science, Data Mining, Statistics, Big Data, and Predictive Analysis to Improve Business, Work, and Life
#book
@Machine_learn
Israeli Geometric Deep Learning Workshop
Many cool presentations at the recent DGL workshop, including Yaron Lipman, Gal Chechik, Gal Chechik, and many other experienced people in this field. The video is on YouTube.
@Machine_learn
Netflix’s Polynote is a New Open Source Framework to Build Better Data Science Notebooks
https://www.kdnuggets.com/2020/08/netflix-polynote-open-source-framework-better-data-science-notebooks.html
Project page: https://polynote.org/
Github: https://github.com/polynote/polynote
@Machine_learn
🔸لیستی از برترین کانالهای آموزشی در زمینه های هوشمصنوعی, پایتون و یادگیری ماشین
❯ هوش مصنوعی:
1️⃣ @Ai_Tv
2⃣ @HomeAI
❯ یادگیری ماشین و یادگیری عمیق :
1️⃣ @Machine_learn
❯ علم داده
1⃣ @mr_ie
❯ تنسورفلو
1⃣ @cvision
❯ آموزش پایتون و برنامه نویسی :
1️⃣ @pythony
2⃣ @pythonchallenge
3⃣ @Programming4all_0to100
Learn TensorFlow 2.0: Implement Machine Learning and Deep Learning Models with Python - 2020 #python #DL #tensorflow
@Machine_learn
Tonic deep reinforcement learning library #Rl
@Machine_learn
https://github.com/fabiopardo/tonic
A survey on generative adversarial networks and their variants methods
#GAN
#paper
#survey
@Machine_learn
How to Use XGBoost for Time Series Forecasting
https://machinelearningmastery.com/xgboost-for-time-series-forecasting/
@Machine_learn
AI-based Surveying the Impact of Environmental, Climatic, Economic and Demographic Conditions on the Pandemic Outbreak Rate of COVID-19
May 2020
DOI: 10.13140/RG.2.2.22571.87842/1
License: CC BY-NC-ND 4.0
Project: AI-based Surveying the Impact of Environmental, Climatic, Economic and Demographic Conditions on the Epidemic Outbreak Rate of Covid-19
Ramin MousaMehryar MajdMehryar MajdArsalan Mousazadeh
https://www.researchgate.net/publication/343303838_AI-based_Surveying_the_Impact_of_Environmental_Climatic_Economic_and_Demographic_Conditions_on_the_Pandemic_Outbreak_Rate_of_COVID-19/stats
Ramin:@Raminmousa
Arsalan: @arsalan_m
Object Detection with RetinaNet
@Machine_learn
https://keras.io/examples/vision/retinanet/
🔸لیستی از برترین کانالهای آموزشی در زمینه های هوشمصنوعی, پایتون و یادگیری ماشین
❯ هوش مصنوعی:
1️⃣ @Ai_Tv
2⃣ @HomeAI
❯ یادگیری ماشین و یادگیری عمیق :
1️⃣ @Machine_learn
❯ علم داده
1⃣ @python4finance
❯ آموزش پایتون و برنامه نویسی :
1️⃣ @pythony
2⃣ @pythonchallenge
3⃣ @Programming4all_0to100
Whole-Body Human Pose Estimation in the Wild
@Machine_learn
Github: https://github.com/jin-s13/COCO-WholeBody
Paper: https://arxiv.org/abs/2007.11858v1
Dataset: https://cocodataset.org/#keypoints-2017
