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 24 502 مشترک است و جایگاه 8 036 را در دسته آموزش و رتبه 13 785 را در منطقه إيران دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 502 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 01 ژوئیه, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -127 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 7.47% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.04% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 1 829 بازدید دریافت میکند. در اولین روز معمولاً 500 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 02 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.
24 502
مشترکین
-524 ساعت
-207 روز
-12730 روز
آرشیو پست ها
🧠 Lite-HRNet: A Lightweight High-Resolution Network
Github: https://github.com/HRNet/Lite-HRNet
Paper: https://arxiv.org/abs/2104.06403
@Machine_learn
🧠 بوتکمپ علم داده آکادمی لوپ
❕به روزترین و کاملترین سرفصلها در حوزه علم داده
📅 تاریخ برگزاری: پنجشنبه ۲۶ فروردین ماه از ساعت ۹:۰۰ الی ۱۲:۳۰
🖥 این دوره به صورت آنلاین برگزار خواهد شد.
🔖 برای شرکت در روز اول این بوتکمپ به صورت❗️رایگان❗️می توانید از این لینک استفاده کنید.
❌ ظرفیت این بوتکمپ محدود
میباشد.
⭕️ برای ثبت نام کامل و برخورداری از تخفیف زودهنگام در این بوتکمپ از این لینک استفاده کنید.
🕙 مدت این دوره: ۳۶ ساعت
💡 لینک گروه تلگرامی بوتکمپ علم داده جهت پرسش و پاسخ
➖➖➖➖➖➖➖➖
@LoopAcademy
🧠 بوتکمپ علم داده آکادمی لوپ
❕به روزترین و کاملترین سرفصلها در حوزه علم داده
📅 تاریخ برگزاری: پنجشنبه ۲۶ فروردین ماه از ساعت ۹:۰۰ الی ۱۲:۳۰
🖥 این دوره به صورت آنلاین برگزار خواهد شد.
🔖 برای شرکت در روز اول این بوتکمپ به صورت❗️رایگان❗️می توانید از این لینک استفاده کنید.
❌ ظرفیت این بوتکمپ محدود
میباشد.
⭕️ برای ثبت نام کامل و برخورداری از تخفیف زودهنگام در این بوتکمپ از این لینک استفاده کنید.
🕙 مدت این دوره: ۳۶ ساعت
💡 لینک گروه تلگرامی بوتکمپ علم داده جهت پرسش و پاسخ
➖➖➖➖➖➖➖➖
@LoopAcademy
500 + 𝗔𝗿𝘁𝗶𝗳𝗶𝗰𝗶𝗮𝗹 𝗜𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 𝗣𝗿𝗼𝗷𝗲𝗰𝘁 𝗟𝗶𝘀𝘁 𝘄𝗶𝘁𝗵 𝗰𝗼𝗱𝗲
500 AI Machine learning Deep learning Computer vision NLP Projects with code
This list is continuously updated. - You can take pull request and contribute.
https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
@Machine_learn
EfficientNetV2: Smaller Models and Faster Training
A new paper from Google Brain with a new SOTA architecture called EfficientNetV2. The authors develop a new family of CNN models that are optimized both for accuracy and training speed. The main improvements are:
- an improved training-aware neural architecture search with new building blocks and ideas to jointly optimize training speed and parameter efficiency;
- a new approach to progressive learning that adjusts regularization along with the image size;
As a result, the new approach can reach SOTA results while training faster (up to 11x) and smaller (up to 6.8x).
Paper: https://arxiv.org/abs/2104.00298
Code will be available here:
https://github.com/google/automl/efficientnetv2
A detailed unofficial overview of the paper: https://andlukyane.com/blog/paper-review-effnetv2
@Machine_learn
PlenOctrees For Real-time Rendering of Neural Radiance Fields
And yet another speed-up of NERF. Exactly the same idea as in FastNeRF and NEX (predict spherical harmonics coefficients k) - incredible! It's the first time I see so many concurrent papers sharig the same idea. But this one has code at least, which makes it the best!
📝 Paper arxiv.org/abs/2103.14024
🌐Project page alexyu.net/plenoctrees/
🛠Code github.com/sxyu/volrend
@Machine_learn
Ted Talk with Yann LeCun
in which Yann discusses his current research into self-supervised machine learning, how he's trying to build machines that learn with common sense (like humans) and his hopes for the next conceptual breakthrough in AI.
▶️ Watch
@Machine_learn
با عرض سلام
از دوستان اگر کسی اشنا به مبحث Genetic algorithm برای بهینه سازی هست جهت انجام پروژه ی با تقبل هزینه ممنون ميشم به بنده پیام بده.
@Raminmousa
Recursive Classification: Replacing Rewards with Examples in RL
http://ai.googleblog.com/2021/03/recursive-classification-replacing.html
@Machine_learn
سلام دوستان جهت کسب اطلاعات از نحوه خرید می تونین با بنده در ارتباط باشین
@Raminmousa
XLA: Optimizing Compiler for Machine Learning
Tensorflow: https://www.tensorflow.org/xla
XLA Architecture: https://www.tensorflow.org/xla/architecture
Github: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/compiler/xla
Code: https://www.tensorflow.org/xla/tutorials/jit_compile
@Machine_learn
Leveraging Machine Learning for Game Development
http://ai.googleblog.com/2021/03/leveraging-machine-learning-for-game.html
@Machine_learn
LEAF: A Learnable Frontend for Audio Classification
http://ai.googleblog.com/2021/03/leaf-learnable-frontend-for-audio.html
@Machine_learn
MIT Introduction to Deep Learning
And specifically, lecture about RNN and its modifications:
https://youtu.be/qjrad0V0uJE
The course is excellent as well, but more about image processing. For NLP beginners, such clear and elegant survey about RNNs will be quite useful. So, a lot of architectures in NLP models came from image processing tasks. If you want to recap some theory or get understanding of basics of DL — strong recommendation!
@Machine_learn
