es
Feedback
Machine learning books and papers

Machine learning books and papers

Ir al canal en Telegram

📈 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
🌟 PyTorch Cheatsheet Cheatsheet @Machine_learn
🌟 PyTorch Cheatsheet Cheatsheet @Machine_learn

تنها دو نفر براي اين مقاله باقي مونده....! @Raminmousa

Datasets Guide 📚 Guide @Machine_learn
Datasets Guide 📚 Guide @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

Theory—Theoretical & Mathematical Foundations 📓 Book @Machine_learn
Theory—Theoretical & Mathematical Foundations 📓 Book @Machine_learn

SAE Match 📚 Paper @Machine_learn
SAE Match 📚 Paper @Machine_learn

Mathematics for Machine Learning 📚 Book @Machine_learn
Mathematics for Machine Learning 📚 Book @Machine_learn

الان وقتشه شروع کنی... 🚩 بوتکمپ تخصصی هوش‌مصنوعی 🔘 دوره‌ فشرده‌ آماده‌سازی برای ورود به بازارکار ✨ آموزش تخصصی، کاربردی و ت
الان وقتشه شروع کنی... 🚩 بوتکمپ تخصصی هوش‌مصنوعی 🔘 دوره‌ فشرده‌ آماده‌سازی برای ورود به بازارکار ✨ آموزش تخصصی، کاربردی و تجربه نزدیک به صنعت! ✔️ اساتید مجرب و فعال در حوزه هوش‌مصنوعی ✔️ کار گروهی و شبکه‌سازی‎ ✔️ تمرین و پروژه هدفمند ✔️ منتورینگ اختصاصی ❗️ظرفیت محدود ❗️ فرصت ثبت‌نام فقط تا ۱ اردیبهشت ماه 💳 پرداخت قسطی 🌐 فرم ثبت‌نام: 🔗 https://quera.org/r/7k47n 〰️〰️〰️〰️〰️ #Quera #QBC9

https://arxiv.org/pdf/2504.10452 Integrating Vision and Location with Transformers: A Multimodal Deep Learning Framework for
https://arxiv.org/pdf/2504.10452 Integrating Vision and Location with Transformers: A Multimodal Deep Learning Framework for Medical Wound Analysis New Paper Ramin Mousa Hadis Taherinia Khabiba Abdiyeva Amir Ali Bengari Mohammadmahdi Vahediahmar @Machine_learn

با عرض سلام در ادامه ی کار تحقیقاتی یک مقاله مروری در حوزه پاتولوژی رو شروع کردیم. دوستانی که مایل هستن نفر۲ این موضوع رو می تونن شرکت کنن. Journal: scientific reports https://www.nature.com/srep/ Price: 2: ٢٥ میلیون توضیحات کامل و نحوه نگارش هر بخش رو خودم کمک میکنم. @Raminmousa @Machine_learn @Paper4money

Repost from Github LLMs
SeedLM: Compressing LLM Weights into Seeds of Pseudo-Random Generators 📚 Read @LLM_learning
SeedLM: Compressing LLM Weights into Seeds of Pseudo-Random Generators 📚 Read @LLM_learning

Artificial Intelligence Index Report 2025 📚 Report @Machine_learn
Artificial Intelligence Index Report 2025 📚 Report @Machine_learn

Large Language Model Agent: A Survey on Methodology, Applications and Challenges Paper: https://arxiv.org/pdf/2503.21460v1.pd
Large Language Model Agent: A Survey on Methodology, Applications and Challenges Paper: https://arxiv.org/pdf/2503.21460v1.pdf Code: https://github.com/luo-junyu/awesome-agent-papers @Machine_learn

Compute Forecast 📚 Read @Machine_learn
Compute Forecast 📚 Read @Machine_learn

شنبه شروع اين پروژه مي باشد. دوستاني كه مايل هستند نفر دوم از اين مقاله باقي موند است. @Raminmousa

eswa127077.pdf1.87 MB

eswa127077.pdf1.87 MB

شنبه شروع اين پروژه مي باشد. دوستاني كه مايل هستند نفر دوم از اين مقاله باقي موند است. @Raminmousa

📃 Advances and Mechanisms of RNA–Ligand Interaction Predictions 📎 Study the paper @Machine_learn
📃 Advances and Mechanisms of RNA–Ligand Interaction Predictions 📎 Study the paper @Machine_learn