Machine learning books and papers

رفتن به کانال در Telegram

Admin: @Raminmousa1 ID: @Machine_learn link: https://t.me/Machine_learn

نمایش بیشتر

📈 تحلیل کانال تلگرام Machine learning books and papers

کانال Machine learning books and papers (@machine_learn) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 24 442 مشترک است و جایگاه 8 034 را در دسته آموزش و رتبه 14 033 را در منطقه إيران دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 442 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 25 اوت, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -28 و در ۲۴ ساعت گذشته برابر -5 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

وضعیت تأیید: تأیید نشده
نرخ تعامل (ER): میانگین تعامل مخاطب 7.81% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.02% واکنش نسبت به کل مشترکان کسب می‌کند.
دسترسی پست‌ها: هر پست به طور میانگین 1 910 بازدید دریافت می‌کند. در اولین روز معمولاً 494 بازدید جمع‌آوری می‌شود.
واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 3 است.
علایق موضوعی: محتوا بر موضوعات کلیدی مانند disorder, psy, مقاله, framework, graph تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Admin: @Raminmousa1 ID: @Machine_learn link: https://t.me/Machine_learn”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 26 اوت, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته آموزش تبدیل کرده‌اند.

24 442

مشترکین

-524 ساعت

-87 روز

-2830 روز

1 910

نمایش های پست

~ 49424 ساعت

~ 67048 ساعت

7.81%

نرخ مشارکت

اطلاعاتی وجود ندارد

پست های در روز

Ads index

beta

در حال بارگیری داده...

کانال‌های مشابه

77.3K

Data Science & Machine Learning

Best Offers - Courses, Books etc

2.4K

علوم آماری و محاسباتی

کانال‌های بیشتر

اشارات ورودی و خروجی

---

جذب مشترکین

اوت '26

+68

در 1 کانال‌ها

ژوئیه '26

+83

در 1 کانال‌ها

Get PRO

ژوئن '26

+44

در 1 کانال‌ها

Get PRO

مه '26

+45

در 2 کانال‌ها

Get PRO

آوریل '26

+45

در 0 کانال‌ها

Get PRO

مارس '26

در 0 کانال‌ها

Get PRO

فوریه '26

+14

در 1 کانال‌ها

Get PRO

ژانویه '26

+10

در 1 کانال‌ها

Get PRO

دسامبر '25

+251

در 2 کانال‌ها

Get PRO

نوامبر '25

+522

در 11 کانال‌ها

Get PRO

اکتبر '25

+1 065

در 2 کانال‌ها

Get PRO

سپتامبر '25

+794

در 2 کانال‌ها

Get PRO

اوت '25

+941

در 11 کانال‌ها

Get PRO

ژوئیه '25

+835

در 3 کانال‌ها

Get PRO

ژوئن '25

+734

در 3 کانال‌ها

Get PRO

مه '25

+956

در 2 کانال‌ها

Get PRO

آوریل '25

+1 898

در 4 کانال‌ها

Get PRO

مارس '25

+658

در 7 کانال‌ها

Get PRO

فوریه '25

+44

در 4 کانال‌ها

Get PRO

ژانویه '25

+92

در 8 کانال‌ها

Get PRO

دسامبر '24

+134

در 5 کانال‌ها

Get PRO

نوامبر '24

+394

در 13 کانال‌ها

Get PRO

اکتبر '24

+463

در 6 کانال‌ها

Get PRO

سپتامبر '24

+249

در 4 کانال‌ها

Get PRO

اوت '24

+387

در 3 کانال‌ها

Get PRO

ژوئیه '24

+220

در 1 کانال‌ها

Get PRO

ژوئن '24

+228

در 11 کانال‌ها

Get PRO

مه '24

+422

در 2 کانال‌ها

Get PRO

آوریل '24

+611

در 11 کانال‌ها

Get PRO

مارس '24

+731

در 4 کانال‌ها

Get PRO

فوریه '24

+1 021

در 1 کانال‌ها

Get PRO

ژانویه '24

+1 100

در 13 کانال‌ها

Get PRO

دسامبر '23

+628

در 0 کانال‌ها

Get PRO

نوامبر '23

+409

در 11 کانال‌ها

Get PRO

اکتبر '23

+296

در 9 کانال‌ها

Get PRO

سپتامبر '23

+365

در 0 کانال‌ها

Get PRO

اوت '23

+467

در 0 کانال‌ها

Get PRO

ژوئیه '23

+715

در 0 کانال‌ها

Get PRO

ژوئن '23

+268

در 0 کانال‌ها

Get PRO

مه '23

+107

در 0 کانال‌ها

Get PRO

آوریل '23

+107

در 0 کانال‌ها

Get PRO

مارس '23

+249

در 0 کانال‌ها

Get PRO

فوریه '23

+110

در 0 کانال‌ها

Get PRO

ژانویه '23

+163

در 0 کانال‌ها

Get PRO

دسامبر '22

+118

در 0 کانال‌ها

Get PRO

نوامبر '22

+165

در 0 کانال‌ها

Get PRO

اکتبر '22

+101

در 0 کانال‌ها

Get PRO

سپتامبر '22

+177

در 0 کانال‌ها

Get PRO

اوت '22

+220

در 0 کانال‌ها

Get PRO

ژوئیه '22

+229

در 0 کانال‌ها

Get PRO

ژوئن '22

+56

در 0 کانال‌ها

Get PRO

مه '22

+296

در 0 کانال‌ها

Get PRO

آوریل '22

+411

در 0 کانال‌ها

Get PRO

مارس '22

+47

در 0 کانال‌ها

Get PRO

فوریه '22

+34

در 0 کانال‌ها

Get PRO

ژانویه '22

+44

در 0 کانال‌ها

Get PRO

دسامبر '21

+59

در 0 کانال‌ها

Get PRO

نوامبر '21

+59

در 0 کانال‌ها

Get PRO

اکتبر '21

+109

در 0 کانال‌ها

Get PRO

سپتامبر '21

+454

در 0 کانال‌ها

Get PRO

اوت '21

+251

در 0 کانال‌ها

Get PRO

ژوئیه '21

+84

در 0 کانال‌ها

Get PRO

ژوئن '21

+183

در 0 کانال‌ها

Get PRO

مه '21

+126

در 0 کانال‌ها

Get PRO

آوریل '21

+116

در 0 کانال‌ها

Get PRO

مارس '21

+101

در 0 کانال‌ها

Get PRO

فوریه '21

+601

در 0 کانال‌ها

Get PRO

ژانویه '21

+167

در 0 کانال‌ها

Get PRO

دسامبر '20

+8 834

در 0 کانال‌ها

تاریخ	رشد مشترکین	اشارات	کانال‌ها
26 اوت	0
25 اوت	0
24 اوت	0
23 اوت	0
22 اوت	+7
21 اوت	0
20 اوت	+2
19 اوت	+7
18 اوت	0
17 اوت	+3
16 اوت	+2
15 اوت	+9
14 اوت	+1
13 اوت	0
12 اوت	0
11 اوت	+1
10 اوت	+3
09 اوت	0
08 اوت	+10
07 اوت	+3
06 اوت	0
05 اوت	0
04 اوت	0
03 اوت	0
02 اوت	+2
01 اوت	+18

پست‌های کانال

🔖 ML algorithms in visualizations A useful repository that helps you understand how machine learning algorithms work – through interactive diagrams and step-by-step explanations. You can run it in your browser or locally using Docker. ⛓ Link to GitHub https://github.com/gavinkhung/machine-learning-visualized @Machine_learn

2	"The Mathematics of Bitcoin" is a concise work that analyzes Bitcoin from a mathematical perspective. 📊 It utilizes probability theory, stochastic processes, martingales, combinatorics, and special functions to explore the mechanisms of the Bitcoin protocol. 🧮 In particular, the authors examine the probability of double-spending, the profitability of mining, block generation, miner strategies, and the resilience of the protocol. ⛏️ If you want to delve deeper, I also recommend "Bitcoin and Cryptocurrency Technologies" from Princeton University. This is a much broader introduction to cryptographic hash functions, digital signatures, consensus, Proof of Work, mining, transactions, anonymity, security, and the incentive system in cryptocurrencies. 🎓 The Mathematics of Bitcoin: https://arxiv.org/pdf/2003.00001 Bitcoin and Cryptocurrency Technologies: https://d28rh4a8wq0iu5.cloudfront.net/bitcointech/readings/princeton_bitcoin_book.pdf @Machine_learn	1 033
3	🔥 8 skills = 8 free certifications >>> AI (Microsoft) - https://learn.microsoft.com/en-us/training/paths/get-started-artificial-intelligence/ Deep learning (NVIDIA) - https://learn.nvidia.com/en-us/training/self-paced-courses Data science (IBM) - https://skillsbuild.org/students/course-catalog/data-science Data Analyst (Microsoft) - https://learn.microsoft.com/en-us/training/paths/data-analytics-microsoft/ Python (Microsoft) - https://learn.microsoft.com/en-us/shows/intro-to-python-development/ SQL (Infosys) - https://www.coursejoiner.com/freeonlinecourses/infosys-free-certification-course-9/ Java (Infosys) - https://www.coursejoiner.com/uncategorized/infosys-launched-free-java-certification-course/ Cloud computing (AWS) - https://explore.skillbuilder.aws/learn/course/134/aws-cloud-practitioner-essentials @Machine_learn	1 686
4	اخرین زمان سابمیت این مقاله امشب...! @Raminmousa1	1 870
5	با عرض سلام در مقاله زیر جهت سابمیت نیاز به نفر دوم داریم Title: FFChurn: Fusion Former for Customer Churn Classification Based on Transformer, FEDformer, and Informer Abstract: Customer churn prediction is a key issue in customer relationship management that directly impacts organizational profitability and has created challenges for researchers and organizations. Machine learning (ML), Ensemble Learning (EL), and Deep Learning (DL) models have achieved comparable results on this problem. In this study, Fusion Former was introduced, integrating the FEDformer, Informer, and Transformer architectures to simultaneously extract local features and long-term dependencies. The pipeline for this model includes denoising with a wavelet transform, Min-Max normalization, and hybrid adaptive feature selection based on mutual information (MI), recursive feature elimination (RFE), and the Boruta algorithm. Four different versions of the model, including binary and ternary object fusion, were evaluated on two datasets. The results showed that the Fusion Former (FED+INF+Transformer) model, with F1 scores of 0.9876 on the Dataset 1 and 0.8887 on the Dataset 2, outperformed classical machine learning models, multilayer neural networks, and other binary combinations. Also, the sensitivity analysis of hyperparameters, which included changes in the cost function, batch size, and dropout size, methods for dealing with data imbalance, which included Smote, TMG-GAN, Ib-gan, T-SMOTE approaches, and the effect of feature selection, which included four methods: MI, RFE, Boruta, and Adaptive FS (Boruta+MI+RFE), confirmed the superiority and relative stability of the proposed model. Price:250$ @Raminmousa1 @Machine_learn	2 024
6	report2 (1).pdf	2 049
7	🔖 Learning Data Science through interactive examples One of the most useful repositories for those who want to better understand machine learning. It transforms complex concepts into visual experiments: you can study models, change parameters, and immediately see the results. ⛓ Link to GitHub https://github.com/GeostatsGuy/DataScienceInteractivePython @Machine_learn	2 258
8	Attention Heatmap vs Token Pruning 🔍✂️ 🔗 More: https://www.overshoot.ai/blogs/an-introduction-to-token-pruning-for-vlms #AI #MachineLearning #TokenPruning #DeepLearning #TechNews #VLM @Machine_learn	1 918
9	با عرض سلام سه موضوع زیر جهت نگارش مقالات مدنظر داریم. که در هر سه مقاله به دو جایگاه نیاز داریم. مقالات کاملا مشارکتی هست و علاوه بر تقبل هزینه کار نیز باید انجام بشه. 1: Survey on knowledge graph and large language models _ auth2: 300$ _auth3:200$ 2: Survey on challenges of large language models _ auth2: 300$ _auth3:200$ 3: New learning model for skin cancer detection _ auth2: 300$ _auth3:200$ جهت مشارکت میتونین با ایدی بنده در ارتباط باشین. زمان شروع هر مقاله یک هفته بعد از تشکیل تیم. @Raminmousa1 @Machine_learn	2 154
10	🔖 One of the most useful books on Agentic AI This is not just a textbook, but a comprehensive overview of modern LLMs, model training, RL, inference, quality assessment, and building AI agents. It's an excellent option to get a holistic picture and understand which topics deserve deeper study. ⛓️ Link to the book https://arxiv.org/abs/2606.24937 @Machine_learn	1 721
11	Maths, CS & AI Compendium: A free textbook for aspiring AI/ML engineers 🚀 A large open-source compendium on mathematics, computer science, and AI has gone viral on GitHub. The project already has around 6.3K stars. 📚 The author positions it as a "non-traditional textbook" for practitioners: less dry notation, more intuition, connections between topics, and real-world context. 📖 It contains 20 chapters: * Vectors, matrices, calculus * Statistics and probability * Machine learning and deep learning * NLP, computer vision, audio/speech * Multimodal learning and autonomous systems * GNN, OS, algorithms * Production engineering, GPU/SIMD * AI inference, ML systems design, and applied AI 💡 This is a great resource for those who want to not just "learn ML," but to build a solid foundation: mathematics → CS → ML systems → modern AI. 🔗 GitHub: https://github.com/HenryNdubuaku/maths-cs-ai-compendium @Machine_learn	1 591
12	10 GitHub repositories that are worth checking out for an AI engineer 🤖 1. Hands-On AI Engineering 🛠️ A collection of AI applications and agent systems with practical use cases of LLM. 👉 https://github.com/Sumanth077/Hands-On-AI-Engineering 2. Hands-On Large Language Models 📘 👉 https://github.com/HandsOnLLM/Hands-On-Large-Language-Models 3. AI Agents for Beginners 🎓 👉 https://github.com/microsoft/ai-agents-for-beginners 4. GenAI Agents 🤖 👉 https://github.com/NirDiamant/GenAI_Agents 5. Made With ML 🚀 👉 https://github.com/GokuMohandas/Made-With-ML 6. Learn Harness Engineering ⚙️ 👉 https://github.com/walkinglabs/learn-harness-engineering 7. AutoResearch 🔬 👉 https://github.com/karpathy/autoresearch 8. Designing Machine Learning Systems 📚 👉 https://github.com/chiphuyen/dmls-book 9. Awesome LLM Inference ⚡ 👉 https://github.com/xlite-dev/Awesome-LLM-Inference 10. LLM Course 🗺️ 👉 https://github.com/mlabonne/llm-course	2 247
13	🔖 Comprehensive Practical Course on Reinforcement Learning We've found a repository that will help you learn Reinforcement Learning, from basic concepts to advanced algorithms. The author supports the theory with practical examples using TensorFlow, making the material ideal for self-study. ⛓️ Link to GitHub https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow @Machine_learn	1 922
14	+1 با عرض سلام مقاله زیر جهت واگذاری اسامی در نظر گرفته شده است Title: A Multi-Task Framework Unifying Classification and Regression forMicrogrid Power (kWh) Forecasting: Modified FEDformer Journal: IEEE transaction on soft computing Price: 2: 500$ 3: 350$ @Raminmousa1	387
15	Video-LMM Post-Training: A Deep Dive into Video Reasoning with Large Multimodal Models Read @Machine_learn	2 630
16	🔥 Awesome open-source project to learn more about Transformer Models! 🤖✨ We found this interactive website that shows you visually how transformer models work. 🌐📊 Transformer Explainer: https://poloclub.github.io/transformer-explainer/ @Machine_learn	2 235
17	https://t.me/a_dust_seeking_the_sun	634
18	با عرض سلام اکانت @Raminmousa به دلیل جابجایی در زمان لاگین تلگرام تعلیق شده و در تلاش برای رفع این مشکلیم. دوستانی که باهام پروژه دارن لطفا با این ایدیم در ارتباط باشن @Raminmousa1	3 033
19	Game Theory: http://arxiv.org/abs/1512.06808 ————— #GameTheory #Gamification #Mathematics #Statistics #Probability @Machine_learn	3 490
20	🔥 MemGUI-Agent: An End-to-End Long-Horizon Mobile GUI Agent with Proactive Context Management 💡 The paper introduces MemGUI-Agent, a mobile GUI agent designed to address the limitations of existing agents on long-horizon tasks. Current agents struggle with retaining intermediate facts across many steps and app transitions, leading to unreliable performance. This limitation is attributed to the ReAct-style prompting approach, which passively accumulates per-step records, causing prompt explosion and dilution of critical cross-app facts. To address this issue, the authors propose MemGUI-Agent, which uses proactive context management through Context-as-Action, or ConAct. ConAct casts context management as first-class actions emitted by the same policy that selects UI actions. This approach maintains three structured context fields: folded action history, folded UI state, and recent step record, preserving critical UI facts while keeping context compact. The authors also introduce MemGUI-3K, a dataset with 2,956 trajectories and full ConAct annotations for supervised training and offline analysis. Training an 8B model on MemGUI-3K results in MemGUI-8B-SFT, an 8B MemGUI-Agent that achieves the best open-data 8B performance on MemGUI-Bench and generalizes to the out-of-distribution MobileWorld benchmark. The contributions of the paper are threefold. Firstly, it identifies the limitations of existing mobile GUI agents on long-horizon tasks and attributes them to the ReAct-style prompting approach. Secondly, it proposes MemGUI-Agent with proactive context management through ConAct, which addresses the limitations of existing agents. Finally, it introduces MemGUI-3K, a dataset for supervised training and offline analysis, and demonstrates the effectiveness of MemGUI-8B-SFT, an 8B MemGUI-Agent trained on this dataset. The code, data, and trained models will be released to facilitate further research and development. 📅 Published on Jun 18 🔗 Links: • GitHub: https://github.com/huggingface • arXiv: https://arxiv.org/abs/2606.19926 • PDF: https://arxiv.org/pdf/2606.19926 • Project Page: https://memgui-agent.github.io/ 🤖 Models citing this paper: • https://huggingface.co/lgy0404/MemGUI-8B-SFT 📊 Datasets citing this paper: • https://huggingface.co/datasets/lgy0404/MemGUI-3K ━━━━━━━━━━━━━━━━━━━━━━━━ @Machine_learn	3 075

مشاهده همه پست‌ها