¡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 24 533 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 24 533 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.
24 533
Suscriptores
-524 horas
-417 días
-15030 días
Archivo de publicaciones
MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning
📚 Read
@Machine_learn
با عرض سلام دو موضوع رو می خواهیم به صورت گروهی ادامه بدیم.
- survey on GAN methods for time series data generation
- survey on highlights the advantages of foundation in new learning methods for time series data
این دو مقاله به صورت جلسه ای برگزار میشه و هر هفته ۱.۵ ساعت تدریس رو خواهم داشت برای کسانی که می خوان شرکت کنند. هر مقاله ۶ نفر خواهد داشت و هزینه هر نفر ۲۰۰$ خواهد بود.
دوستانی که اولین مقالشون و یا میخوان داخل این مقالات شرکت کنند به ایدی بنده مراجعه کنند.
@Raminmousa
@Machine_learn
@Paper4money
Reinforcement Learning Teachers of Test Time Scaling:
📚 Read
@Machine_learn
Repost from Papers
با عرض سلام مي خواهيم مقاله اي براي ACM transaction on Ai ارائه بديم موضوع اصلي حول
Recurrent Neural Network Basic defiences
مي باشد.
نيازمند نفر 4ام هستيم كه بتونن در نگارش و كارها و هزينه كار كمكمون كند. هزينه نفرات براي اين كار كه ١٨ بنچ مارك داره از قرار زير:
1: 700$(❌)
2: 500$❌
3: 400$❌
4: 350$ ✅
دوستاني كه مايل هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task
📚 Read
@Machine_learn
Repost from Machine Learning with Python
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
Article Title:
OmniConsistency: Learning Style-Agnostic Consistency from Paired Stylization Data
Article Date: 24 May 2025
PDF Download Link:
https://arxiv.org/pdf/2505.18445v1.pdf
GitHub:
• https://github.com/showlab/omniconsistency
Datasets:
• No datasets information available
@Machine_learn
Repost from Papers
با عرض سلام مي خواهيم مقاله اي براي ACM transaction on Ai ارائه بديم موضوع اصلي حول
Recurrent Neural Network Basic defiences
مي باشد.
نيازمند ٤ نفر هستيم كه بتونن در نگارش و كارها و هزينه كار كمكمون كنند. هزينه نفرات براي اين كار كه ١٨ بنچ مارك داره از قرار زير:
1: 700$(❌)
2: 500$✅
3: 400$✅
4: 350$ ✅
دوستاني كه مايل هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
The Missing Manual for Signals: State Management for Python Developers
📚 Guide
@Machine_learn
Understanding and Coding the KV Cache in LLMs from Scratch
📚 Read
@Machine_learn
پاول دوروف، مدیر تلگرام، گفته یک برنامهنویس اندروید میخواد که سالی ۱ میلیون دلار درامد (بعد از مالیات) تو دبی بهش میدیم!
فقط کافیه تو مسابقه کدنویسیشون تا ۱۱ جولای برنده شی. باید یه انیمیشن رو تو اپ اندروید اوپنسورس تلگرام پیاده کنی. جزئیاتش اینجاست: https://t.me/contest/420
@RoidBest
Repost from Machine learning books and papers
⭐️ فروش ویژه و محدود: اکانت ChatGPT با ایمیل شخصی فقط ۵۰۰ تومان! ⭐️
🔥 آیا آمادهای دنیای هوش مصنوعی رو با تمام قدرت تجربه کنی؟
فقط برای مدت محدود، میتونی اکانت ChatGPT با ایمیل شخصی رو با قیمت فوقالعاده و غیرقابلباور فقط ۵۰۰ تومان تهیه کنی!
✅ دسترسی کامل به امکانات بینظیر ChatGPT
✅ روی ایمیل شخصی خودت فعال میشه
✅ بدون نگرانی از اشتراک ماهانه
✅ فقط یه بار پرداخت
✅ پشتیبانی رایگان برای راهاندازی
🎁 این فرصت طلایی مخصوص کسانیه که میخوان از هوش مصنوعی به شکلی حرفهای و نامحدود استفاده کنن — توی کار، تحصیل، تولید محتوا، برنامهنویسی و حتی کسبوکار آنلاین!
🕒 تعداد محدود، زمان محدود – هر لحظه ممکنه ظرفیت پر شه...
📩 برای دریافت و فعالسازی، همین الان پیام بده!
@Tempexyou
Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce
📚 Paper
@Machine_learn
Repost from Papers
نفر٣ از مقاله زير رو نياز داريم. اگر از دوستان كسي نياز داشت مي تونن به ايدي بنده پيام بدن.
DKG-LLM : A Framework for Medical Diagnosis and Personalized Treatment Recommendations via Dynamic Knowledge Graph and Large Language Model Integration
Abstract:
The DKG-LLM framework introduces a pioneering approach to medical diagnosis and personalized treatment recommendations by integrating a Dynamic Knowledge Graph (DKG) with the Grok 3 large language model. Employing the Adaptive Semantic Fusion Algorithm (ASFA), the framework processes heterogeneous medical data, including clinical reports, PubMed articles, and patient records, to dynamically update a knowledge graph comprising 15964 nodes across 13 distinct types (e.g., diseases, symptoms, treatments, patient profiles) and 127392 edges across 26 relationship types (e.g., causal, therapeutic, associative). ASFA leverages advanced probabilistic models, Bayesian inference, and graph optimization to extract semantic information, update the graph with approximately 150 new nodes and edges per data batch, and maintain scalability with a maximum of 987654 edges. Evaluations on real-world datasets, such as MIMIC-III and PubMed, demonstrate that DKG-LLM achieves a diagnostic accuracy of 84.19%, treatment recommendation precision of 89.63%, and semantic coverage of 93.48%. The framework’s robustness in handling noisy data and complex multi-symptom diseases, combined with feedback-driven learning from clinician input, positions it as a transformative tool for intelligent healthcare systems. Future directions include adopting federated learning to enhance data privacy and integrating biosensor data for real-time monitoring.
دوستاني كه LLM كار ميكنن و يا در اينده مي خوان اپلاي كنن اين مقاله براشون عاليه
@Raminmousa
@Machine_learn
@Paper4money
Repost from Github LLMs
Deep-Live-Cam
Real time face swap and one-click video deepfake with only a single image
Creator: Hacksider
Stars ⭐️: 50,498
Forked by: 7,491
Github Repo:
https://github.com/hacksider/Deep-Live-Cam
@LLM_learning
با عرض سلام
فقط نفر سوم از این مقاله مونده...!
دوستانی که مایل به شرکت در این مقاله هستن به ایدی بنده پیام بدن.
@Raminmouaa
How we built our multi-agent research system
📚 Paper
@Machine_learn
