¡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 24 518 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 24 518 suscriptores.
Según los últimos datos del 25 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -164, y en las últimas 24 horas de -1, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.13%. 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 1 748 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 26 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.
24 518
Suscriptores
-124 horas
-407 días
-16430 días
Archivo de publicaciones
⚡️ Stable Diffusion 3.5 Large.
# install Diffusers
pip install -U diffusers
# Inference
import torch
from diffusers import StableDiffusion3Pipeline
pipe = StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large", torch_dtype=torch.bfloat16)
pipe = pipe.to("cuda")
image = pipe(
"A happy woman laying on a grass",
num_inference_steps=28,
guidance_scale=3.5,
).images[0]
image.save("woman.png")
🟡Arxiv
@Machine_learnبا عرض سلام امروز اخرين وقت براي مشاركت در اين مقاله مي باشد...!
Repost from Papers
Title:
Advanced Classification of Drug-Drug Interactions for Assessing Adverse Effect Risks of Fluvoxamine and Curcumin Using Deep Learning in COVID-19
———————————————————————
Keywords:
Drug–Drug Interactions; Deep Neural Network; Fluvoxamine; Curcumin; Machine Learning.
———————————————————————
Journal of Infrastructure, Policy and Development
نفر اول پرشده
نفر دوم و سوم و چهارم خالی هست.
مقاله در اخرین ریوایزد خود می باشد.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
THINKING LLMS: GENERAL INSTRUCTION FOLLOWING WITH THOUGHT GENERATION
📚 Reed
@Machine_learn
📕 Applied Causal #Inference Powered by #MachineLearning
📌Book
@Machine_learn
Repost from Papers
با عرض سلام نيازمند co-author براي مقاله زیر هستيم.
Target Journal: International Journal of Media and Networks | Opast Publishing Group (opastpublishers.com)
if: 1.2
Paper link: A Survey of Generative Adversarial Network on Next Generation Network[v1] | Preprints.org
تغييرات كامل نسخه نهايي تا يك هفته اينده اعمال ميشه كسي از دوستان تمايل به همكاري داشت به ايدي بنده پيام بدن.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
Repost from Papers
با عرض سلام نيازمند co-author براي مقاله زیر هستيم.
Target Journal: International Journal of Media and Networks | Opast Publishing Group (opastpublishers.com)
if: 1.2
Paper link: A Survey of Generative Adversarial Network on Next Generation Network[v1] | Preprints.org
تغييرات كامل نسخه نهايي تا يك هفته اينده اعمال ميشه كسي از دوستان تمايل به همكاري داشت به ايدي بنده پيام بدن.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
Repost from Github LLMs
🌟 Zamba2-Instruct
В семействе 2 модели:
🟢Zamba2-1.2B-instruct;
🟠Zamba2-2.7B-instruct.
# Clone repo
git clone https://github.com/Zyphra/transformers_zamba2.git
cd transformers_zamba2
# Install the repository & accelerate:
pip install -e .
pip install accelerate
# Inference:
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-2.7B-instruct")
model = AutoModelForCausalLM.from_pretrained("Zyphra/Zamba2-2.7B-instruct", device_map="cuda", torch_dtype=torch.bfloat16)
user_turn_1 = "user_prompt1."
assistant_turn_1 = "assistant_prompt."
user_turn_2 = "user_prompt2."
sample = [{'role': 'user', 'content': user_turn_1}, {'role': 'assistant', 'content': assistant_turn_1}, {'role': 'user', 'content': user_turn_2}]
chat_sample = tokenizer.apply_chat_template(sample, tokenize=False)
input_ids = tokenizer(chat_sample, return_tensors='pt', add_special_tokens=False).to("cuda")
outputs = model.generate(**input_ids, max_new_tokens=150, return_dict_in_generate=False, output_scores=False, use_cache=True, num_beams=1, do_sample=False)
print((tokenizer.decode(outputs[0])))
🖥GitHub
https://t.me/deep_learning_proj
An Infinite Descent into Pure Mathematics
📚 Book
@Machine_learn
Tutorial on Diffusion Models for Imaging and Vision
📚 Book
@Machine_learn
NotebookLlama: An Open Source version of NotebookLM
📚 Book
@Machine_learn
با عرض سلام
در حال نوشتن مقاله اي تحت عنوان
title:A Comparative Survey on Large Language Models for Biological Data and Knowledge Graph systems
هستيم كه ژورنال هدف Nature ميباشد. ٢ نفر از دوستان به دليل مشغله كاري نتونستن همكاري كنن. نفر ٤ و نفر ٦ از اين ليست رو تصمیم به جايگذيني كرديم. دوستاني كه توانايي كار دارن لطفا به بنده پيام بدن. تسك ها كامل مشخص شده و هزينه هر شخص هم تعيين شده.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
📑 A guide to RNA sequencing and functional analysis
📎 Study the paper
@Machine_learn
💡 SAM2Long, a training-free enhancement to SAM 2 for long-term video segmentation
🟡Technical Report: https://huggingface.co/papers/2410.16268
🟡Github: https://github.com/Mark12Ding/SAM2Long
🟡Homepage: https://mark12ding.github.io/project/SAM2Long/
@Machine_learn
Repost from Papers
Title: BERTCaps: BERT Capsule for persian Multi-domain Sentiment Analysis.
Abstract:
Sentiment classification is widely known as a domain-dependent problem. In order to learn an accurate domain-specific sentiment classifier, a large number of labeled samples are needed, which are expensive and time-consuming to annotate. Multi-domain sentiment analysis based on multi-task learning can leverage labeled samples in each single domain, which can alleviate the need for large amount of labeled data in all domains. In this article, the purpose is BERTCaps to provide a multi-domain classifier. In this model, BERT was used for Instance Representation and Capsule was used for instance learning. In the evaluation dataset, the model was able to achieve an accuracy of 0.9712 in polarity classification and an accuracy of 0.8509 in domain classification.
journal: https://www.sciencedirect.com/journal/array
If: 2.3
نفرات ٢ تا ٤ اين مقاله رو نياز داريم.
دوستاني كه مايل به شركت هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
@Paper4money
@Machine_learn
LLM Engineer's Handbook: Master the art of engineering Large Language Models from concept to production.
🖥 Github
@Machine_learn
