fa
Feedback
Machine learning books and papers

Machine learning books and papers

رفتن به کانال در Telegram

📈 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 24 518 مشترک است و جایگاه 8 048 را در دسته آموزش و رتبه 13 749 را در منطقه إيران دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 518 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 25 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -164 و در ۲۴ ساعت گذشته برابر -1 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 7.13% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 1.90% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 1 748 بازدید دریافت می‌کند. در اولین روز معمولاً 465 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 26 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.

24 518
مشترکین
-124 ساعت
-407 روز
-16430 روز
آرشیو پست ها
با عرض سلام خيلي از دوستان در رابطي با طراحي صفر تا صد پروژه هاي ديپ از بنده سوال پرسيدن داخل پك زير ٣٦ پروژه رو با جزئيات شرح دادم: 1-Deep Learning Basic -01_Introduction --01_How_TensorFlow_Works 2-Classification apparel -Classification apparel double capsule -Classification apparel double cnn 3-ALZHEIMERS USING CNN(ResNet) 4-Fake News (Covid-19 dataset) -Multi-channel -3DCNN model -Base line+ Char CNN -Fake News Covid CapsuleNet 5-3DCNN Fake News 6-recommender systems -GRU+LSTM MovieLens 7-Multi-Domain Sentiment Analysis -Dranziera CapsuleNet -Dranziera CNN Multi-channel -Dranziera LSTM 8-Persian Multi-Domain SA -Bi-GRU Capsule Net -Multi-CNN 9-Recommendation system -Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate) -SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise) 10-NihX-Ray -optimized CNN on FullDataset Nih-Xray -MobileNet -Transfer learning -Capsule Network on FullDataset Nih-Xray دوستاني كه نياز به اين پروژه ها دارن ميتونن با بنده در ارتباط باشن. @Raminmousa @Machine_learn

Probability and Statistics The Science of Uncertainty 📖 book ✅@Machine_learn
Probability and Statistics The Science of Uncertainty 📖 book@Machine_learn

UC Berkeley's "Machine Learning" lecture notes 📓 Book ✅@Machine_learn
UC Berkeley's "Machine Learning" lecture notes 📓 Book@Machine_learn

📃Fake news detection: A survey of graph neural network methods @Machine_learn
📃Fake news detection: A survey of graph neural network methods @Machine_learn

Repost from Papers
با عرض سلام براي اين مقالمون كه Survey روي رويكرد هاي LLMs در حوزه بيولوژيك و گراف هست نياز به نفر ٧ ام داريم. ژورنال هدف Nat
با عرض سلام براي اين مقالمون كه Survey روي رويكرد هاي LLMs در حوزه بيولوژيك و گراف هست نياز به نفر ٧ ام داريم. ژورنال هدف Nature مي باشد. تسك ها كامل طبقه بندي شده است. @Raminmousa

Artificial Intelligence A Modern Approach 📚 Book @Machine_learn
Artificial Intelligence A Modern Approach 📚 Book @Machine_learn

Generalizable and Animatable Gaussian Head Avatar 🖥 Github: https://github.com/xg-chu/gagavatar 📕 Paper: https://arxiv.org/
Generalizable and Animatable Gaussian Head Avatar 🖥 Github: https://github.com/xg-chu/gagavatar 📕 Paper: https://arxiv.org/abs/2410.07971v1 @Machine_learn

Repost from Papers
با عرض سلام مقاله بنده در رابطه با استخراج عوامل استرس زا در توييتر Major revision خورده . در این مقاله از ساختار CapsuleNet and fusion استفاده شده است. که هدف کلی طبقه بندی عوامل استرس زا می باشد. Title:...Extracting psychiatric stressors for suicide from twitter journal: Natural Language Processing Journal دوستاني كه نياز دارين مي تونن براي نفر ٤ اقدام كنند. تنها يك نفر ميتونيم اضافه كنيم. @Raminmousa @Paper4money @Machine_learn

Financial Machine Learning 📓 book @Machine_learn
Financial Machine Learning 📓 book @Machine_learn

با عرض سلام دوستانی که نیاز دارن به این مقاله فقط دو روز زمان باقی مانده و اخرین ریوایزد مقاله می باشد..! @Raminmousa

Repost from Github LLMs
Crawl 4 AI Crawl4AI: Open-source LLM Friendly Web Crawler & Scrapper Creator: UncleCode Stars ⭐️: 8.6k Forked By: 627 https://github.com/unclecode/crawl4aihttps://t.me/deep_learning_proj

Deep Learning and Computational Physics - Lecture Notes, University of South California 📓 book @Machine_learn
Deep Learning and Computational Physics - Lecture Notes, University of South California 📓 book @Machine_learn

Repost from Papers
با عرض سلام مقاله بنده در رابطه با استخراج عوامل استرس زا در توييتر Major revision خورده . Title:...Extracting psychiatric stressors for suicide from twitter journal:Natural Language Processing Journal دوستاني كه نياز دارين مي تونن براي نفر ٤ اقدام كنند. تنها يك نفر ميتونيم اضافه كنيم. @Raminmousa @Paper4money @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 . جهت تهیه می تونین به ایدی بنده مراجعه کنین @Raminmousa

Mathematical theory of deep learning 📚 Book ✅@Machine_learn
Mathematical theory of deep learning 📚 Book@Machine_learn

⚡️ Apple Depth Pro # setting up a venv: conda create -n depth-pro -y python=3.9 conda activate depth-pro pip install -e . # D
⚡️ Apple Depth Pro # setting up a venv: conda create -n depth-pro -y python=3.9 conda activate depth-pro pip install -e . # Download pretrained checkpoints: source get_pretrained_models.sh # Run the inference from CLI on a single image: depth-pro-run -i ./data/example.jpg # Running from python from PIL import Image import depth_pro model, transform = depth_pro.create_model_and_transforms() model.eval() image, _, f_px = depth_pro.load_rgb(image_path) image = transform(image) prediction = model.infer(image, f_px=f_px) depth = prediction["depth"] # Depth in [m]. focallength_px = prediction["focallength_px"] # Focal length in pixels. 🟡Demo 🟡Arxiv 🖥GitHub @Machine_learn

فقط نفر سوم خالي مونده...!

نفرات ٥ و ٦ رزور شدن...!

Repost from Papers
⏳با عرض سلام در راستای کار بر روی LLM ها سعی داریم یک مقاله ی مروری comparative با عنوان ✅Title: A comparative survey on Biological and knowledge graph رو شروع کنیم. نفرات اول و دوم بنده و دکتر سرابادانی هستن. حدودا تا ۶ نفر هم می تونیم شرکت کنیم. دوستانی که تمایل به شرکت در این مقاله هستن با بنده در ارتباط باشن تا جزئیات مشارکت رو خدمتشون بفرستم. (هزینه سرورها برای هر جایگاه متفاوت هستش) ⏳ Start time: 24/30/9 ⏳Submit time:24/30/11 💠#Benchmarks=18 🔻#Articles:250 🔸#pretrained models:25 @Raminmousa @Paper4money @Machine_learn