¡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 24 517 suscriptores, ocupando la posición 8 031 en la categoría Educación y el puesto 13 728 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 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.
24 517
Suscriptores
-224 horas
-337 días
-16230 días
Archivo de publicaciones
An open source UI to train your own Flux LoRA just landed on Hugging Face 🚀 Also, probably the easiest and cheapest (local training also supported).
https://huggingface.co/spaces/autotrain-projects/train-flux-lora-ease
@Machine_learn
DocsGPT
DocsGPT is a cutting-edge open-source solution that streamlines the process of finding information in project documentation. With its integration of the powerful GPT models, developers can easily ask questions about a project and receive accurate answers.
Say goodbye to time-consuming manual searches, and let DocsGPT help you quickly find the information you need. Try it out and see how it revolutionizes your project documentation experience. Contribute to its development and be a part of the future of AI-powered assistance.
Creator: Arc53
Stars ⭐️: 7.4k
Forked By: 769
https://github.com/arc53/DocsGPT
#DocsGPT #GPT
@Machine_learn
🎓 Graph Neural Networks in Intrusion Detection
📘A thesis submitted in fulfilment of the requirements for the degree of MSc. Computer Science
🗓Publish year: 2024
📎Study Thesis
@Machine_learn
Paper: Scalable Autoregressive Image Generation with Mamba
Paper: https://arxiv.org/pdf/2408.12245v1.pdf
Code: https://github.com/hp-l33/aim
Dataset: ImageNet
@Machine_learn
Repost from Papers
با عرض سلام دوستانی که نیاز به سایتیشن دارند سه تا از مقالات ما اماده ی سایت زنی هستند. هر سه مقاله در حوزه ی طبقه بندی و تقسیم بندی تصاویر می باشند. دومقاله در مرحله ی سابمیت و ۱ مقاله در مرحله ی ریوایزد می باشند.
@Raminmousa
@paper4money
@Machine_learn
📃A key review on graph data science: The power of graphs in scientific studies
📎 Study paper
@Machine_learn
MER 2024: Semi-Supervised Learning, Noise Robustness, and Open-Vocabulary Multimodal Emotion Recognition
🖥 Github: https://github.com/zeroqiaoba/mertools
📕 Paper: https://arxiv.org/abs/2404.17113v1
🔥Dataset: https://paperswithcode.com/dataset/voxceleb2
@Machine_learn
سلام دوستان
من دانشجوی دکترای یکی از دانشگاه آمریکا هستم.
قرار هست ۱ سپتامبر در کنفرانس IEEE پیپر سابمیت کنیم و ۱ اکتبر جواب اکسپت میاد و ما بلافاصله در آرکایو هم قرار میدیم.
** سایتیشن: سایتی ۲۰ دلار
(در مرحله سابمیت امکانش نیست و فقط بعد از اکسپتی پیپر و در مرحله camera ready)
** نفر اول: ۵۵۰ دلار
** نفر پنجم: ۱۵۰ دلار
بعد کنفرانس پیپر در ieee نمایه میشه.
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
Recurrent Neural Networks Learn to Store and Generate Sequences
using Non-Linear Representations
#RNN
https://arxiv.org/pdf/2408.10920
@Machine_learn
Dynamic Prompt Learning: Addressing Cross-Attention Leakage for Text-Based Image Editing
🖥 Github: https://github.com/wangkai930418/DPL
📕 Paper: https://arxiv.org/abs/2405.01496v1
🔥Dataset: https://neurips.cc/virtual/2023/poster/72801
@Machine_learn
✅
شرکت در این مقالات صرفا هزینه ای نیست تسک هم باید انجام بدین.
Repost from Papers
با عرض سلام براي يكي از مقالاتمون نياز به اسپانسر داريم كه در حوزه ي طبقه بندي تصاوير پزشكي هستش و هزينه سرور ٤٠٠$ مي باشد. براي اين منظور جايگاه دوم رو به شخص پرداخت كننده واگذار مي كنيم. جهت اطلاعات بيشتر با بنده
در ارتباط باشين.
مقاله تنها با دو نفر سابمیت خواهد شد.
@Raminmousa
Very cool cookbook here
PDF extractor, calendar agent, data analyst, financial agent & more
docs: https://docs.cohere.com/docs/multi-step-tool-use
cookbook: https://github.com/cohere-ai/notebooks/tree/main?tab=readme-ov-file#agents
✅@Machine_learn
✅paper :Transformers in Time Series: A Survey
#Transfromer #Time_series #DL
✅@Machine_learn
Graph Diffusion Policy Optimization
🖥 Github: https://github.com/sail-sg/gdpo
📕 Paper: https://arxiv.org/pdf/2402.16302v1.pdf
🔥Dataset: https://paperswithcode.com/dataset/zinc
✨ Tasks: https://paperswithcode.com/task/graph-generation
✅@Machine_learn
با عرض سلام دو پکیچ یادگیری ماشین و یادگیری عمیق را برای دوستانی که می خواهند تا فرداشب با تخفیف ۵۰٪ مجدد قرار دادیم این تخفیف اخرین سری از تخفیف های این دو پکیچ می باشد
1: introduction to machine learning
2: Regression (linear and non-linear)
3: Tensorflow introduction
4: Tensorflow computaion graph
5: Tensorflow optimizer and loss function
6: Tensorflow linear and non linear regression
7: logistic regression
8: Tensorflow regression
___________
9: introduction to traditional machine learning
*10: knn and desicion tree
*11: desicion tree and Naive bayes
*12: desicion tree, knn, Naive bayes implementation
*13: k-means
*14: Guassion Mixture Model(GMM)
*15: implementation K-means and GMM
_
16: introduction to Artificial Neural Network
17: Multi-level Neural Network
18: Introduction to Convolution Neural Network
19: Tensorflow Multi-level Neural Network
20:Tensorflow CNN
21:CNN image clasaification
22: Cnn text clasaification
23: Recurrent Neural Network(RNN)
جهت تهیه می تونین به ایدی بنده مراجعه کنین
@Raminmousa
Recall-Oriented-CL-Framework
🖥 Github: https://github.com/bigdata-inha/recall-oriented-cl-framework
📕 Paper: https://arxiv.org/pdf/2403.03082v1.pdf
🔥Dataset: https://paperswithcode.com/dataset/cifar-10
✨ Tasks: https://paperswithcode.com/task/continual-learning
✅@Machine_learn
Pixart-Sigma, the first high-quality, transformer-based image generation training framework!
🖥 Github: https://github.com/PixArt-alpha/PixArt-sigma
🔥Demo: https://huggingface.co/spaces/PixArt-alpha/PixArt-Sigma
✅@Machine_learn
سلام دوستان
من یک دانشجوی دکترای دانشگاه آمریکا هستم.
اخیرا یکی از پیپرام در کنفرانس ieee اکسپت شده و می خواستم نفر دوم و چهارمش رو واگذار کنم.
کنفرانس ieee توی آمریکاست.
سایتیشن: سایتی ۲۰ دلار
نفر دوم: ۴۰۰ دلار
نفر چهارم: ۲۵۰ دلار
کنفرانس هم ۸ سپتامبر در میشیگان هست و بعدش پیپر تو ieee نمایه میشه.
اگر مدنظرتون بود به این آی دی پیام بدین:
@reza_alvandi
💨 Scaling hierarchical agglomerative clustering to trillion-edge graphs
https://research.google/blog/scaling-hierarchical-agglomerative-clustering-to-trillion-edge-graphs/
✅@Machine_learn
