اکنون در دسترس! پژوهش تلگرام ۲۰۲۵ — مهمترین بینشهای سال 
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 24 517 مشترک است و جایگاه 8 031 را در دسته آموزش و رتبه 13 728 را در منطقه إيران دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 517 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 26 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -162 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 5.76% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 1.79% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 1 412 بازدید دریافت میکند. در اولین روز معمولاً 440 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 1 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 27 ژوئن, 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.
24 517
مشترکین
-224 ساعت
-337 روز
-16230 روز
آرشیو پست ها
📌skscope: Fast Sparse-Constraint Optimization
🖥 Github: https://github.com/abess-team/skscope
📕 Paper: https://arxiv.org/abs/2403.18540v1
🔥Dataset: skscope.readthedocs.io
Topics
@Machine_learn
با عرض سلام به خاطر ماه مبارك رمضا دو پكيچ يادگيري ماشين و يادگيري عميق با تخفيف ٧٥٪ براي دوستان در نظر گرفتيم.
دوستاني كه نياز دارند به ايدي بنده پيام بدن.
@Raminmousa
🖼 One-Step Image Translation with Text-to-Image Models
CycleGAN-Turbo
▪Paper: https://arxiv.org/abs/2403.12036
▪Code: https://github.com/GaParmar/img2img-turbo
▪Demo: http://huggingface.co/spaces/gparmar/img2img-turbo-sketch
@Machine_learn
جهت استفاده از تخفیف این دو پکیچ یادگیری بنده می تونین با ایدیم در ارتباط باشین
@Raminmousa
The first channel on Telegram that offers exciting questions, answers, and tests in data science, artificial intelligence, machine learning, and programming languages.
#interviews #datascience #python
https://t.me/DataScienceQ
با عرض سلام نياز به نفر دوم اين مقاله داريم.
ابتدا اركايو مقاله تا دو هفته ديگه فرستاده ميشه سپس براي knowledge based فرستاده ميشه. كسايي كه نياز دارن به بنده مراجعه كنن
@Raminmousa
Video Mamba Suite: State Space Model as a Versatile Alternative for Video Understanding
🖥 Github: https://github.com/opengvlab/video-mamba-suite
📕 Paper: https://arxiv.org/abs/2403.09626v1
🔥Dataset: https://paperswithcode.com/dataset/egoschema
@Machine_learn
با عرض سلام دوستانی که مقاله برای Knowledge-based Systems می فرستن می تونن من رو به عنوان reviewer معرفی کنن تا مقالاتشون رو بررسی کنم.
https://www.sciencedirect.com/journal/knowledge-based-systems
@Machine_learn
TSMixer: An All-MLP Architecture for Time Series Forecasting
Time-series datasets in real-world scenarios are inherently multivariate and riddled with intricate dynamics. While recurrent or attention-based deep learning models have been the go-to solution to address these complexities, recent discoveries have shown that even basic univariate linear models can surpass them in performance on standard academic benchmarks. As an extension of this revelation, the paper introduces the Time-Series Mixer TSMixer. This innovative design, crafted by layering multi-layer perceptrons, hinges on mixing operations across both time and feature axes, ensuring an efficient extraction of data nuances.
Upon application, TSMixer has shown promising results. Not only does it hold its ground against specialized state-of-the-art models on well-known benchmarks, but it also trumps leading alternatives in the challenging M5 benchmark, a dataset that mirrors the intricacies of retail realities. The paper's outcomes emphasize the pivotal role of cross-variate and auxiliary data in refining time series forecasting.
Paper link:
https://arxiv.org/abs/2303.06053
Code link: https://github.com/google-research/google-research/tree/master/tsmixer
A detailed unofficial overview of the paper:
https://andlukyane.com/blog/paper-review-tsmixer
@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
ViT-CoMer: Vision Transformer with Convolutional Multi-scale Feature Interaction for Dense Predictions
🖥 Github: https://github.com/Traffic-X/ViT-CoMer
📕 Paper: https://arxiv.org/pdf/2403.07392.pdf
✨ Tasks: https://paperswithcode.com/task/object-detection
🔥Dataset: https://paperswithcode.com/dataset/coco
@Machine_learn
