Machine learning books and papers
رفتن به کانال در Telegram
Admin: @Raminmousa 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 24 516 مشترک است و جایگاه 8 033 را در دسته آموزش و رتبه 13 759 را در منطقه إيران دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 516 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 13 ژوئیه, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -78 و در ۲۴ ساعت گذشته برابر 2 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 5.78% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.07% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 1 417 بازدید دریافت میکند. در اولین روز معمولاً 508 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 2 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: @Raminmousa
ID: @Machine_learn
link: https://t.me/Machine_learn”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 14 ژوئیه, 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.
24 516
مشترکین
+224 ساعت
+67 روز
-7830 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژوئیه '26
ژوئیه '26
+54
در 0 کانالها
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
+2
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 | |
| 14 ژوئیه | +2 | |||
| 13 ژوئیه | +3 | |||
| 12 ژوئیه | +9 | |||
| 11 ژوئیه | +2 | |||
| 10 ژوئیه | +2 | |||
| 09 ژوئیه | +5 | |||
| 08 ژوئیه | +5 | |||
| 07 ژوئیه | 0 | |||
| 06 ژوئیه | +6 | |||
| 05 ژوئیه | +4 | |||
| 04 ژوئیه | +5 | |||
| 03 ژوئیه | +5 | |||
| 02 ژوئیه | +6 | |||
| 01 ژوئیه | 0 |
پستهای کانال
Game Theory: http://arxiv.org/abs/1512.06808
—————
#GameTheory #Gamification #Mathematics #Statistics #Probability
@Machine_learn
| 2 | 🔥 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 | 1 375 |
| 3 | Dataset Name: Real / Fake Job Posting Prediction
Basic Description: Dataset of real and fake job postings
📖 FULL DATASET DESCRIPTION:
==================================
This dataset contains 18K job descriptions out of which about 800 are fake. The data consists of both textual information and meta-information about the jobs. The dataset can be used to create classification models which can learn the job descriptions which are fraudulent.
The University of the Aegean | Laboratory of Information & Communication Systems Security http://emscad.samos.aegean.gr/
The dataset is very valuable as it can be used to answer the following questions:
📥 DATASET DOWNLOAD INFORMATION
==================================
🔴 Dataset Size: Download dataset as zip (17 MB)
🔰 Direct dataset download link:
https://www.kaggle.com/api/v1/datasets/download/shivamb/real-or-fake-fake-jobposting-prediction
📊 Additional information:
==================================
File count not found
Views: 341,000
Downloads: 41,400
@Machine_learn | 1 171 |
| 4 |  با عرض سلام نیازمند co-author برای مقاله زیر هستیم
مقاله فقط دوتا نویسنده خواهد داشت.
Title: Multi-Class Alzheimer’s Disease (AD)classification using Vit Transformer andIndependently recurrent neural network(IndRNN)
ABSTRACT: Alzheimer’s disease (AD) is a neurological disorder that is associated with slow andsometimes rapid progression that destroys human thought and consciousness.
Price: 250$
@Raminmousa
@paper4money
@Machine_learn | 279 |
| 5 |  BOOM! I Got a 4x AI Speed Improvement!
NEw Paper: AutoMem Turns Memory Management into a Trainable Cognitive Skill, Boosting Long-Horizon Agents 2-4x
arxiv.org/abs/2607.01224
@Machine_learn | 1 504 |
| 6 | با عرض سلام نیازمند co-author برای مقاله زیر هستیم
مقاله فقط دوتا نویسنده خواهد داشت.
Title: Multi-Class Alzheimer’s Disease (AD)classification using Vit Transformer andIndependently recurrent neural network(IndRNN)
ABSTRACT: Alzheimer’s disease (AD) is a neurological disorder that is associated with slow andsometimes rapid progression that destroys human thought and consciousness.
Price: 250$
@Raminmousa
@paper4money
@Machine_learn | 845 |
| 7 | با عرض سلام نیازمند co-author برای مقاله زیر هستیم
مقاله فقط دوتا نویسنده خواهد داشت.
Title: Multi-Class Alzheimer’s Disease (AD)classification using Vit Transformer andIndependently recurrent neural network(IndRNN)
ABSTRACT: Alzheimer’s disease (AD) is a neurological disorder that is associated with slow andsometimes rapid progression that destroys human thought and consciousness.
Price: 250$
@Raminmous
@paper4money
@Machine_learn | 1 |
| 8 |  Dataset Name: LFW - People (Face Recognition)
Basic Description: The Labeled Faces in the Wild face recognition dataset.
📖 FULL DATASET DESCRIPTION:
==================================
Welcome to Labeled Faces in the Wild, a database of face photographs designed for studying the problem of unconstrained face recognition. The data set contains more than 13,000 images of faces collected from the web. Each face has been labeled with the name of the person pictured. 1680 of the people pictured have two or more distinct photos in the data set. The only constraint on these faces is that they were detected by the Viola-Jones face detector.
📥 DATASET DOWNLOAD INFORMATION
==================================
🔴 Dataset Size: Download dataset as zip (244 MB)
🔰 Direct dataset download link:
https://www.kaggle.com/api/v1/datasets/download/atulanandjha/lfwpeople
📊 Additional information:
==================================
File count not found
Views: 268,000
Downloads: 47,300
@Machine_learn | 1 529 |
| 9 | سلام دوستانی که مقاله ی Transaction می خواستن می تونن در این مقاله مشارکت کنند.
@Raminmousa | 1 625 |
| 10 | CUDA Agent: Large-Scale Agentic RL for High-Performance CUDA Kernel Generation
https://arxiv.org/abs/2602.24286
@LLM_learning | 1 620 |
| 11 | 🔥 Lift4D: Harmonizing Single-View 3D Estimation for 4D Reconstruction In-the-Wild
💡 The paper presents Lift4D, a test-time optimization framework for reconstructing dynamic non-rigid objects from monocular video. The problem addressed is the difficulty in reconstructing 4D representations of dynamic objects from single-view video due to the scarcity of 4D training data and the limitations of prior approaches that either directly predict 4D representations or initialize a 3D representation and refine it based on video evidence.
The method involves adapting a single-view 3D reconstruction model to yield temporally consistent per-frame predictions, which provides a coherent initialization for a deformable 3D Gaussian Splatting representation. This representation is then optimized to match the input video through an occlusion-aware optimization that recovers visible surface details and completes unobserved regions using a view-conditioned diffusion prior.
The results show that Lift4D improves over prior 4D reconstruction methods, particularly on challenging in-the-wild sequences with severe occlusions and non-rigid motion. The framework effectively handles complex scenarios by integrating visual cues from direct observations with data-driven priors over geometry and appearance, making it a significant contribution to the field of 4D reconstruction from monocular video.
📅 Published on Jun 22
🔗 Links:
• GitHub: https://github.com/huggingface
• arXiv: https://arxiv.org/abs/2606.23688
• PDF: https://arxiv.org/pdf/2606.23688
• Project Page: https://lift4d.github.io/
━━━━━━━━━━━━━━━━━━━━━━━━
@Machine_learn | 1 521 |
| 12 | با عرض سلام این مقاله فقط ۳ نویسنده خواهد داشت و زمان تقریبی سابمیت ۲ هفته خواهد بود...!
@Raminmousa | 1 622 |
| 13 |  Title: A Multi-Task Framework Unifying Classification and Regression for Microgrid Power (kWh) Forecasting: Modified FEDformer
Abstract:........
Keywords: Microgrid Power forecasting; Transformer; FedFormer; Regression; Classification
Price:
2: 500$
3: 400$
Journal: IEEE Power & Energy Society
@Raminmousa
@Paper4money
@Machine_learn | 1 774 |
| 14 | ⚡️Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds
HF: https://huggingface.co/papers/2511.08892
Peoject: https://www.lumine-ai.org/
Paper: https://arxiv.org/abs/2511.08892
@Machine_learn | 1 821 |
| 15 | 🔥 World Action Models: A Survey
💡 The paper World Action Models A Survey provides a comprehensive overview of World Action Models, which are predictive action systems that generate future states for decision making. These models balance representational richness against computational constraints, and recent developments have led to a blurring of boundaries among various related models. The survey aims to clarify these boundaries and provide a common account of the field.
The authors organize existing works into two complementary views. The first view examines what each method is required to generate, including rendered futures, latent futures, and video generation free action reasoning. The second view decomposes each method into its predictive substrate, backbone, action coupling, and deployment regime. This anatomy allows for a unified discussion of key aspects such as interactability, causality, persistence, physical plausibility, and generalization.
The survey reveals a consistent design pattern in World Action Models, where design choices trade representational richness against compute, memory, latency, and action label cost. The authors find that the field is moving towards methods that generate less of the future while preserving what is required for control. The survey provides a clear and unified account of the field, covering data, evaluation, and open challenges, and provides a foundation for future research in World Action Models.
The main contributions of the paper are to clarify the boundaries and definitions of World Action Models, to provide a comprehensive overview of existing works, and to identify a consistent design pattern in the field. The survey also highlights the key challenges and open issues in World Action Models, including the need for more efficient and effective methods that balance representational richness against computational constraints. Overall, the paper provides a valuable resource for researchers and practitioners in the field of World Action Models, and helps to advance the state of the art in predictive action systems.
📅 Published on Jun 18
🔗 Links:
• GitHub: https://github.com/huggingface
• arXiv: https://arxiv.org/abs/2606.20781
• PDF: https://arxiv.org/pdf/2606.20781
• Project Page: https://world-action-models.github.io/
━━━━━━━━━━━━━━━━━━━━━━━━
@Machine_learn | 1 599 |
| 16 | 🔥 Efficient Guided Generation for Large Language Models
💡 The paper presents an efficient method for guiding large language model text generation using regular expressions and context-free grammars. The problem addressed is that guided generation can be impractical due to significant overhead. The authors propose an approach that adds minimal overhead to the token sequence generation process. This method makes guided generation feasible in practice. The approach is implemented in the open source Python library Outlines, providing a practical solution for efficient guided generation. The results indicate that the method is effective, allowing for guided generation with little to no overhead, which is a significant contribution to the field of natural language processing.
📅 Published on Jul 19, 2023
🔗 Links:
• GitHub: https://github.com/huggingface
• arXiv: https://arxiv.org/abs/2307.09702
• PDF: https://arxiv.org/pdf/2307.09702
━━━━━━━━━━━━━━━━━━━━━━━━
@Machine_learn | 1 403 |
| 17 | با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن
Price
2: 300$
5:150$
@Raminmousa
@Paper4money
@Machine_learn | 1 991 |
| 18 |  📃 Current Bioinformatics Tools in Precision Oncology
📎 Study paper
@Machine_learn | 2 067 |
| 19 |  با عرض سلام مقاله MedicalRec توسط بنده و دوستان ارائه شد. این مقاله جهت ارائه ی سیستم پیشنهاد دهنده مدل طبقه بندی برای تصاویر پزشکی میباشد. در ادامه ما می خواهیم MedicalRec2 را توسعه دهیم که یک مدل پیشنهاد دهنده طبقه بند و تقسیم بند در حوزه ی پزشکی می باشد. از این رو نفرات ۲ تا ۶ این مقاله را جهت مشارکت در نظر داریم. هزینه ها از قرار زیر می باشند.
2: 500$
3: 400$
4: 300$
5: 250$
6: 200$
جهت مشارکت با ایدی بنده در ارتباط باشین.
@Raminmousa
@Paper4money | 2 629 |
| 20 |  +5🎬 ساخت ویدیو
• Sora
• Kling
• Veo
• Seedance
• Lumalabs
🎨 ساخت تصویر
• Google Flow
• Qwen Image
• NanoBanana
• ChatGPT Image
• Grok
🎤 تقلید صدا
• ElevenLabs
• Fish Audio
• Minimax
• Descript
• Respeecher
🧠 تحقیق و کاوش
• ChatGPT
• Gemini
• Perplexity
• NotebookLM
• Deepseek
🗣 ساخت کاراکتر سخنگو
• Heygen
• Synthesia
• D-ID
• Hedra
━━━━━━━━━━━━━━━
🔗 لینک ابزارها:
• ChatGPT → https://chatgpt.com
• Gemini → https://gemini.google.com
• Perplexity → https://perplexity.ai
• Deepseek → https://deepseek.com
• NotebookLM → https://notebooklm.google.com
• Kling → https://klingai.com
• Veo → https://deepmind.google/technologies/veo
• Lumalabs → https://lumalabs.ai
• Sora → https://openai.com/sora
• ElevenLabs → https://elevenlabs.io
• Fish Audio → https://fish.audio
• Descript → https://descript.com
• Heygen → https://heygen.com
• Synthesia → https://synthesia.io
• D-ID → https://d-id.com
@ai_farshad | 3 170 |
