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 24 510 مشترک است و جایگاه 8 033 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 24 510 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 03 ژوئیه, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -99 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 6.54% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.24% واکنش نسبت به کل مشترکان کسب می‌کند.
دسترسی پست‌ها: هر پست به طور میانگین 1 603 بازدید دریافت می‌کند. در اولین روز معمولاً 549 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 04 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.

24 510

مشترکین

+224 ساعت

-107 روز

-9930 روز

1 603

نمایش های پست

~ 54924 ساعت

~ 67448 ساعت

6.54%

نرخ مشارکت

اطلاعاتی وجود ندارد

پست های در روز

Ads index

beta

آرشیو پست ها

24 509

Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares https://web.stanford.edu/~boyd/vmls/ @ai_machinelearning_big_data

24 509

This AI Learned To Animate Humanoids 🚶 https://www.youtube.com/watch?v=cTqVhcrilrE code: https://github.com/sebastianstarke/AI4Animation Check out Lambda here and sign up for their GPU Cloud : https://lambdalabs.com/papers

24 509

Stacked Capsule Autoencoders https://github.com/google-research/google-research/tree/master/stacked_capsule_autoencoders paper : https://arxiv.org/abs/1906.06818 http://akosiorek.github.io/ml/2019/06/23/stacked_capsule_autoencoders.html

24 509

Applied Deep Learning — Umberto Michelucci (en) 2018 @Machine_learn

24 509

HoloGAN (A new generative model) learns 3D representation from natural images Article: https://arxiv.org/pdf/1904.01326.pdf Code: https://github.com/thunguyenphuoc/HoloGAN Dataset: http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

24 509

🔥OpenAI realesed the 1.5billion parameter GPT-2 model Post: https://openai.com/blog/gpt-2-1-5b-release/ GPT-2 output detection model: https://github.com/openai/gpt-2-output-dataset/tree/master/detector Research from partners on potential malicious uses: https://d4mucfpksywv.cloudfront.net/papers/GPT_2_Report.pdf #NLU #GPT2 #OpenAI #NLP

24 509

Hamiltonian Neural Networks https://eng.uber.com/research/hamiltonian-neural-networks/ paper: https://arxiv.org/pdf/1906.01563.pdf code: https://github.com/greydanus/hamiltonian-nn

24 509

discriminative : 1:#Regression 2:#Logistic regression 3:#decision tree(Hunt) 4:#neural network(traditional network, deep network) 5:#Support Vector Machine(SVM) Generative: 1:#Hidden Markov model 2:#Naive bayes 3:#K-nearest neighbor(KNN) 4:#Generative adversarial networks(GANs) Deep learning: 1:CNN R_CNN Fast-RCNN Mask-RCNN 2:RNN 3:LSTM 4:CapsuleNet 5:Siamese: siamese cnn siamese lstm siamese bi-lstm siamese CapsuleNet 6:time series data SVR DT(cart) Random Forest linear Bagging Boosting جهت درخواست و راهنمایی در رابطه با پیاده سازی مقالات و پایان نامه ها در رابطه با مباحث deep learning و machine learning با ایدی زیر در ارتباط باشید @Raminmousa

24 509

Deep feature flow for video recognition #Dl #Book @Machine_learn

24 509

Deep learning for biometrics #book #Dl @Machine_learn

24 509

2019 #Deep_Learning Based Recommender System A #Survey and New Perspectives @Machine_learn

24 509

Neural networks in NLP are vulnerable to adversarially crafted inputs. We show that they can be trained to become certifiably robust against input perturbations such as typos and synonym substitution in text classification: https://arxiv.org/abs/1909.01492

24 509

ICCV 2019 papers open access http://openaccess.thecvf.com/ICCV2019.py Workshops: http://openaccess.thecvf.com/ICCV2019_workshops/menu.py

24 509

CrypTen: A new research tool for secure machine learning with PyTorch https://ai.facebook.com/blog/crypten-a-new-research-tool-for-secure-machine-learning-with-pytorch code: https://github.com/facebookresearch/CrypTen

24 509

Open-Source Library for Real-Time Metric-Semantic Localization and Mapping video: https://www.youtube.com/watch?v=-5XxXRABXJs&feature=youtu.be code: https://github.com/MIT-SPARK/Kimera article: https://arxiv.org/abs/1910.02490

24 509

OpenCV By Example #DL #book #openCV @Machine_learn

24 509

Chollet deeplearning #DL #book #Python @Machine_learn

24 509

Master open Cv second edition #book #OpenCV @Machine_learn

24 509

Exploring Massively Multilingual, Massive Neural Machine Translation http://ai.googleblog.com/2019/10/exploring-massively-multilingual.html #DL #paper @Machine_learn article: https://arxiv.org/pdf/1907.05019.pdf

24 509

Unfolding the Structure of a Document using Deep Learning. #DL #paper @Machine_learn https://arxiv.org/abs/1910.03678