¡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 24 516 suscriptores, ocupando la posición 8 048 en la categoría Educación y el puesto 13 749 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 516 suscriptores.
Según los últimos datos del 26 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -162, y en las últimas 24 horas de -2, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 5.76%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 1.79% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 412 visualizaciones. En el primer día suele acumular 440 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 27 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.
24 516
Suscriptores
-224 horas
-337 días
-16230 días
Archivo de publicaciones
📃A Comprehensive Survey on Deep Graph Representation Learning
🗓 Publish year: 2024
📘Journal: Neural Networks(I.F=6)
📎 Study paper
@Machine_learn
⭐️ ثبتنام استارکمپ Machine Learning پیشرفته دانشکار شروع شد!
💻📊 مناسب افراد فعال در حوزه دیتا ساینس و دیتا آنالیز و که به دنبال ارتقا خود در این زمینه هستن.
🔽 مباحث این استارکمپ:
🔸Ensemble Algorithm
🔸Anomaly Detection
🔸Machine Learning Pipeline
🔸Feature Selection
💼 این دوره پروژهمحوره با نیازهای شرکتها تطابق داره تا شما رو برای بازار کار و ارتقا شغلی آماده کنه.
🤖🐍 برای این دوره باید آشنایی مقدماتی با پایتون و ماشین لرنینگ داشته باشین.
✅ ثبتنام و مشاوره رایگان:
🔗 https://dnkr.ir/6pPVa
Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming
Paper: https://arxiv.org/pdf/2408.16725v2.pdf
Code: https://github.com/gpt-omni/mini-omni
Dataset: LibriSpeech
✅@Machine_learn
Eagle: Exploring The Design Space for Multimodal LLMs with Mixture of Encoders
Paper: https://arxiv.org/pdf/2408.15998v1.pdf
Code: https://github.com/nvlabs/eagle
✅@Machine_learn
WavTokenizer: an Efficient Acoustic Discrete Codec Tokenizer for Audio Language Modeling
Paper: https://arxiv.org/pdf/2408.16532v1.pdf
Code: https://github.com/jishengpeng/wavtokenizer
Dataset: AudioSet LibriTTS SLURP
✅@Machine_learn
Data Structures and Information Retrieval in Python
https://greenteapress.com/wp/data-structures-and-information-retrieval-in-python/
✅@Machine_learn
This open-source RAG tool for chatting with your documents is Trending at Number-1 in Github from the past few days
🔍 Open-source RAG UI for document QA
🛠️ Supports local LLMs and API providers
📊 Hybrid RAG pipeline with full-text & vector retrieval
🖼️ Multi-modal QA with figures & tables support
📄 Advanced citations with in-browser PDF preview
🧠 Complex reasoning with question decomposition
⚙️ Configurable settings UI
🔧 Extensible Gradio-based architecture
Key features:
🌐 Host your own RAG web UI with multi-user login
🤖 Organize LLM & embedding models (local & API)
🔎 Hybrid retrieval + re-ranking for quality
📚 Multi-modal parsing and QA across documents
💡 Detailed citations with relevance scores
🧩 Question decomposition for complex queries
🎛️ Adjustable retrieval & generation settings
🔌 Customizable UI and indexing strategies
▪ Github
@Machine_learn
سلام دوستان
ما دو دانشجوی دکترای یکی از دانشگاه های آمریکا هستیم و برای این پیپیرها می تونیم اسمتون رو اضافه کنیم:
۱) پیپر ژورنالی:
Research Area: Medical Image Classification by Using geometry-aware netowrks
مناسب: فقط دانشجوهای آمریکا( گرین کارت)
** پیپر در مرحله ریوایز نهایی
اسم پنجم: ۳۰۰ دلار
۲) پیپر ژورنالی:
Research Area: Accuracy-aware quantization for medical image classification
مناسب: اپلای و دانشجویان آمریکا( گرین کارت)
**زمان ارسال: اوایل اکتبر
اسم اول: ۶۵۰ دلار
اسم دوم: ۴۵۰ دلار
اسم سوم: ۴۰۰ دلار
اسم چهارم: ۳۵۰ دلار
اسم پنجم: ۳۰۰ دلار
۳) پیپر کنفرانس IEEE :
Research Area: Pay less, earn more! A Dynamic Computation-efficient neural network for non-invasive surgery analysis
مناسب: اپلای و دانشجویان آمریکا( گرین کارت)
مزیت کنفرانس: زمان سریع چاپ و نمایه شدن( بعد از اکسپت در آرکایو قرار داده می شود)
**زمان ارسال: ۱۴ اکتبر
**زمان اکسپت: ۲۸ اکتبر
اسم اول: ۵۵۰ دلار
اسم دوم : ۴۰۰ دلار
اسم سوم: ۲۵۰ دلار
اسم چهارم: ۲۰۰ دلار
اسم پنجم: ۱۵۰ دلار
***همه ی پیپر ها برای آمادگی مصاحبه در مرحله اپلای و … به طور کامل توضیح داده میشه.
*** پیپر کنفرانسی:
بعد کنفرانس پیپر در IEEE نمایه می شود.
به دلیل اینکه بعضی از نویسندگان به دنبال گرفتن گرین کارت از طریق داشتن مقاله و سایتیشن از آن هستند، ما قبل نمایه شدن در IEEE در آرکایو هم قرار میدیم و سایتیشن می زنیم.
اگر مدنظرتون بود به این آی دی پیام بدین:
@reza_alvandi
Repost from Papers
با عرض سلام
در ادامه فرایند نگارش مقالات سعی داریم چند گروه ۴ نفره برای مقالات با موضوعات مختلف ایجاد کنیم. چهار موضوع که می خواهیم در ان ها کار کنیم از قبیل زیر می باشند:
۱ - طبقه بندی تصاویر پزشکی
۲- پیش بینی ترافیک شبکه
۳- حل مشکلات شبکه های RNN در مساله سری زمانی
۴-پیش بینی بار مصرفی در شبکه های smart grid
جهت اطلاعات بیشتر کسانی که دوست دارند می تونن به بنده پیام
بدن.
✅@Raminmousa
@Paper4money
@machine_learn
Conformal prediction under ambiguous ground truth
Paper: https://arxiv.org/pdf/2307.09302v2.pdf
Codes:
https://github.com/google-deepmind/uncertain_ground_truth
https://github.com/alaalab/webcp
Dataset: Dermatology ddx dataset
✅@Machine_learn
This channels is for Programmers, Coders, Software Engineers.
0️⃣ Python
1️⃣ Data Science
2️⃣ Machine Learning
3️⃣ Data Visualization
4️⃣ Artificial Intelligence
5️⃣ Data Analysis
6️⃣ Statistics
7️⃣ Deep Learning
8️⃣ programming Languages
✅ https://t.me/addlist/8_rRW2scgfRhOTc0
✅ https://t.me/codeprogrammer
Book of machine learning algorithms & concepts explained to simply, even a human can understand.
📓 Book
✅@Machine_learn
با عرض سلام دوستاني كه نياز به اين مقاله دارن هنوز جايگاه ٣ باقي هست.
فردا اخرين فرصت براي اين مقاله هستش.
Title: Breast Cancer Ultrasound Image Segmentation Using Improved 3DUNET++
@Raminmousa
⚡️ Yi-Coder
🟢Yi-Coder-9B;
🟢Yi-Coder-9B-Chat;
🟠Yi-Coder-1.5B;
🟠Yi-Coder-1.5B-Chat.
# Clone repository
git clone https://github.com/01-ai/Yi-Coder.git
cd Yi-Coder
# Install requirements
pip install -r requirements.txt
Data-Intensive Text Processing with MapReduce
📚 Book
✅@Machine_learn
با عرض سلام دوستاني كه نياز به اين مقاله دارن هنوز جايگاه ٣ باقي هست.
Title: Breast Cancer Ultrasound Image Segmentation Using Improved 3DUNET++
@Raminmousa
Artificial Intelligence and Games
(2nd Edition)
📚 Book
✅@Machine_learn
Repost from Papers
با عرض سلام مقاله اي تحت ريوايزد داريم که در حوزه Ultrasound Image Segmentation هستش. دوستانی که نیاز دارن نفر سومش رو می تونیم اختصاص بدیم.
@Raminmousa
@Paper4money
@Machine_learn
