Machine learning books and papers

Ir al canal en Telegram

Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn

📈 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 24 517 suscriptores, ocupando la posición 8 056 en la categoría Educación y el puesto 13 757 en la región Irán.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 517 suscriptores.

Según los últimos datos del 24 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -165, y en las últimas 24 horas de -3, conservando un alto alcance.

Estado de verificación: No verificado
Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.78%. 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 1 663 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 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 25 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.

24 517

Suscriptores

-324 horas

-477 días

-16530 días

1 663

Visitas de la publicación

~ 46524 horas

~ 57948 horas

6.78%

Tasa de compromiso

Sin datos

Mensajes por día

Ads index

beta

Archivo de publicaciones

24 517

با عرض سلام پروژه جدیدمون شروع شد. هدف اصلی این پروژه اموزش یک مدل پیشنهاد دهنده ی مدل برای مسائله طبقه بندی تصاویر پزشکی میباشد که از اموزش مجدد مدل ها جلوگیری میکند. این مسائله با جنبه جلوگیری از مصرف انرژی اموزشی و زمان اموزش مدل ها ارائه می شود. برای این منظور ۵۰۰۰ مقاله در این زمینه جمع اوری شده است. جزئیات بیشتر در لینک گیت قرار دارد. Project Title: MedRec: Medical recommender system for image classification without retraining Github: https://github.com/Ramin1Mousa/MedicalRec Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence Impact factor: 20.8 ۷ نفر دیگر امکان اضافه شدن به این پروژه رو دارند. هر شخص نیاز هست که حدودا داده های ۴۰۰ مقاله رو بررسی کند. زمان تقریبی هر مقاله ۵-۱۰ دقیقه می باشد. هزینه مشارکت در مقاله: 🔹 2- 600$❌ 🔺 3- 500$❌ 💠 4- 400$✅ 🔺 5- 300$✅ 🔹 6- 200$❌ 🔸 7- 200$❌ جهت مشارکت می تونید به ایدی بنده پیام بدین. تنها نفرات ۴ و ۵ باقی مانده....! @Raminmousa

24 517

📽 Accelerating Drug Discovery With a Biomedical Knowledge Graph 🎞 Watch @Machine_learn

24 517

Repost from Github LLMs

Evolutionary Computation in the Era of Large Language Model: Survey and Roadmap Large language models (LLMs) have not only revolutionized natural language processing but also extended their prowess to various domains, marking a significant stride towards artificial general intelligence. The interplay between LLMs and evolutionary algorithms (EAs), despite differing in objectives and methodologies, share a common pursuit of applicability in complex problems. Meanwhile, EA can provide an optimization framework for LLM's further enhancement under black-box settings, empowering LLM with flexible global search capacities. On the other hand, the abundant domain knowledge inherent in LLMs could enable EA to conduct more intelligent searches. Furthermore, the text processing and generative capabilities of LLMs would aid in deploying EAs across a wide range of tasks. Based on these complementary advantages, this paper provides a thorough review and a forward-looking roadmap, categorizing the reciprocal inspiration into two main avenues: LLM-enhanced EA and EA-enhanced #LLM. Some integrated synergy methods are further introduced to exemplify the complementarity between LLMs and EAs in diverse scenarios, including code generation, software engineering, neural architecture search, and various generation tasks. As the first comprehensive review focused on the EA research in the era of #LLMs, this paper provides a foundational stepping stone for understanding the collaborative potential of LLMs and EAs. The identified challenges and future directions offer guidance for researchers and practitioners to unlock the full potential of this innovative collaboration in propelling advancements in optimization and artificial intelligence. Paper: https://arxiv.org/pdf/2401.10034v3.pdf Code: https://github.com/wuxingyu-ai/llm4ec https://t.me/deep_learning_proj

24 517

تنها دو روز تا شروع اين پروژه باقي مونده دوستاني كه مايل به همكاري هستن به ايدي بنده پيام بدن @Raminmousa

24 517

Foundations of Large Language Models 📝 Table of Contents: ● Pre-training ● Generative Models ● Prompting ● Alignment Tong Xiao and Jingbo Zhu January 17, 2025 📃 Download from arXiv. @Machine_learn

24 517

Mathematics of Backpropagation Through Time. 📕 Paper @Machine_learn

24 517

Machine Learning Algorithms.pdf1.01 MB

24 517

از این پروژه نفرات ۲ ، ۳، ۶ و ۷ رزرو شدن...!🔸🔹🔺

24 517

از این پروژه نفرات ۲ ، ۶ و ۷ رزرو شدن...!🔸🔹🔺

24 517

LatentSync: Audio Conditioned Latent Diffusion Models for Lip Sync Paper: https://arxiv.org/pdf/2412.09262v1.pdf Code: https://github.com/bytedance/LatentSync @Machine_learn

24 517

Continual Forgetting for Pre-trained Vision Models (CVPR2024) 🖥 Github: https://github.com/bjzhb666/GS-LoRA 📕 Paper: https://arxiv.org/abs/2501.09705v1 🧠 Dataset: https://paperswithcode.com/dataset/coco @Machine_learn

24 517

دوستان این مقاله هم If اش بالاست و هم یک کار بنیادیه. جزئیات کار داخل گیت هست.

24 517

Repost from Papers

با عرض سلام پروژه جدیدمون شروع شد. هدف اصلی این پروژه اموزش یک مدل پیشنهاد دهنده ی مدل برای مسائله طبقه بندی تصاویر پزشکی میباشد که از اموزش مجدد مدل ها جلوگیری میکند. این مسائله با جنبه جلوگیری از مصرف انرژی اموزشی و زمان اموزش مدل ها ارائه می شود. برای این منظور ۵۰۰۰ مقاله در این زمینه جمع اوری شده است. جزئیات بیشتر در لینک گیت قرار دارد. Project Title: MedRec: Medical recommender system for image classification without retraining Github: https://github.com/Ramin1Mousa/MedicalRec Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence Impact factor: 20.8 ۷ نفر دیگر امکان اضافه شدن به این پروژه رو دارند. هر شخص نیاز هست که حدودا داده های ۴۰۰ مقاله رو بررسی کند. زمان تقریبی هر مقاله ۵-۱۰ دقیقه می باشد. هزینه مشارکت در مقاله: 🔹 2- 600$ 🔺 3- 500$ 💠 4- 400$ 🔺 5- 300$ 🔹 6- 200$ 🔸 7- 200$ جهت مشارکت می تونید به ایدی بنده پیام بدین. @Raminmousa

24 517

📃Understanding When and Why Graph Attention Mechanisms Work via Node Classification 📎 Study the paper @Machine_learn

24 517

Titans: Transformer v.2? 📃🖋Read the paper. @Machine_learn

24 517

نفر ۴ از این مقاله رو نیاز داریم امکان اضافه شدن تا فردا شب...! 🔹🔹🔹🔹🔹🔹🔹🔹🔹 @Raminmousa

24 517

Mathematicians and physicists alike will jump on this Representation theory primer by Etingof, Hensel, Golberg++ 📕 Paper @Machine_learn

24 517

📄 Application of Artificial Intelligence In Drug-target Interactions Prediction: A Review 📗 Journal: npj Biomedical Innovations 🗓Publish year: 2025 📎 Study the paper @Machine_learn

24 517

📃 Bioinformatics perspectives on transcriptomics: A comprehensive review of bulk and single-cell RNA sequencing analyses 📎 Study the paper @Machine_learn