¡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 24 499 suscriptores, ocupando la posición 8 053 en la categoría Educación y el puesto 13 774 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 499 suscriptores.
Según los últimos datos del 30 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -131, y en las últimas 24 horas de -4, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.24%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 1.98% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 773 visualizaciones. En el primer día suele acumular 484 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 01 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.
24 499
Suscriptores
-424 horas
-187 días
-13130 días
Archivo de publicaciones
با عرض سلام دوستانی که می خواهند در مقاله ی بالا شرکت کنند می تونن به ایدی بنده جهت اسم نویسی پیام بدن نفر اول 500$ و نفر دوم 400$ جهت مشارکت. با تشکر
@Raminmousa
Sentiment analysis (SA) is a computational analysis of ideas, feelings and opinions, and uses natural language processing techniques, computational techniques and text analyses to extract polarity (positive, negative or neutral) from non-structured documents or textual comments. the purpose of the multi-domain SA is that the classifier training is based on a set of labelled data in a way that reduces the need for large amounts of data on specific domains and to address the challenges of data scarcity in them with the help of existing data on other domains. The purpose of this paper is to present a new method for analysing the Persian multi-domain SA using DL approaches. The proposed Bi-GRUCapsule approach uses the combination of two networks Bi-GRU and CapsuleNet to solve the multi-domain SA problem that Bi-GRU has the role of extracting features for CapsuleNet. the proposed approach was evaluated using the Digikala dataset and has received acceptable accuracy compared to the existing approaches.
Algorithms for Clustering Data #Book #Clustering @Machine_learn
DATA CLUSTERING Algorithms and Applications #Clustering #Book @Machine_learn
Cluster Analysis: Basic Concept #Clustering #book @Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
Training Machine Learning Models More Efficiently with Dataset Distillation
http://ai.googleblog.com/2021/12/training-machine-learning-models-more.html
@Machine_learn
با عرض سلام دوستانی که نیاز به تهیه ی پکیچ ما دارند می تونن به ایدی بنده پیام بدن @Raminmousa . همچنین دوستانی که نیاز به مشاوره در رابطه با ابده های جدید ، کارهای عملی، پروپوزال و پایان نامه دارند می تونن با ایدی بنده یا شماره واتس اپ بنده 09333900804 در ارتباط باشند.
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@Machine_learn
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@Machine_learn
Movie Name Generation Using GPT-2
https://www.nbshare.io/notebook/976197999/Movie-Name-Generation-Using-GPT-2/
@Machine_learn
General and Scalable Parallelization for Neural Networks
http://ai.googleblog.com/2021/12/general-and-scalable-parallelization.html
@Machine_learn
Improving Vision Transformer Efficiency and Accuracy by Learning to Tokenize
http://ai.googleblog.com/2021/12/improving-vision-transformer-efficiency.html
@Machine_learn
A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents
Github: https://github.com/extreme-classification/deepxml
Paper: https://arxiv.org/abs/2111.06685v1
Dataset: https://paperswithcode.com/dataset/extreme-classification
@Machine_learn
🔹 LUMINOUS: Indoor Scene Generation for Embodied AI Challenges
Github: https://github.com/amazon-research/indoor-scene-generation-eai
Paper: https://arxiv.org/abs/2111.05527v1
Dataset: https://paperswithcode.com/dataset/ai2-thor
@Machine_learn
Deep Neural Networks to Detect Weeds from Crops in Agricultural Environments in Real-Time: A Review
Github: https://github.com/Ildaron/Laser_control
Paper: https://www.mdpi.com/2072-4292/13/21/4486
@Machine_learn
Deep Learning for disentangling Liquidity-constrained and Strategic Default #DL #Liquidity #Paper @Machine_learn
