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 24 519 مشترک است و جایگاه 8 070 را در دسته آموزش و رتبه 13 778 را در منطقه إيران دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 519 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 23 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -162 و در ۲۴ ساعت گذشته برابر -13 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 8.28% 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 2 031 بازدید دریافت میکند. در اولین روز معمولاً 465 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 4 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 24 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.
24 519
مشترکین
-1324 ساعت
-547 روز
-16230 روز
آرشیو پست ها
WILDCHAT-50M: A Deep Dive Into the Role of Synthetic Data in Post-Training
🖥 Github: https://github.com/penfever/wildchat-50m
📕 Paper: https://arxiv.org/abs/2501.18511v1
🧠 Dataset: https://huggingface.co/collections/nyu-dice-lab/wildchat-50m-679a5df2c5967db8ab341ab7
@Machine_learn
📃Can social network analysis contribute to supply chain
management? A systematic literature review and
bibliometric analysis
📎 Study paper
@Machine_learn
⁉️چرا وقتی میتونی با همین دانش در ایران درآمد دلاری داشته باشی، به ریال قانع میشی؟
💎 با شرکت در وبینار «دکتر علیرضا قیمتی» از تجربههای این کارآفرین جوان در بازارهای بینالمللی رایگان استفاده کن.
⭕️ سرفصلهای مهم این وبینار:
- معرفی پلتفرمهای جهانی فریلنسری
- شرایط حضور در بازارهای جهانی
- میزان مهارت و میانگین حقوق دریافتی
✅ این وبینار مناسب چه رشتههایی هست؟
- برنامهنویسی، طراحی سایت، UI & UX دیزاین، معماری، مهندسی مکانیک، موشن گرافیک، دیتا ساینس و... .
- دانشجویان و افراد باتجربه در رشتههای فوق
و تمام افرادی که با یک لپتاپ قابلیت ارائه مهارت خود را دارند.
⛔️فرصت استثنایی⛔️
⚠️ آفر ویژه این هفتهمون مخصوص افرادی هست که در وبینار شرکت میکنن، پس این هفته رو از دست نده!
📌 لینک ثبتنام مستقیم رایگان :
https://links.etekanesh.com/Machine_le
⬅️ تلگرام :
@TekaneshAcademy
👥 پشتیبانی :
@Academy_Tekanesh
DeepSeek LLM: Scaling Open-Source Language Models with Longtermism
Paper: https://arxiv.org/pdf/2401.02954v1.pdf
Code: https://github.com/deepseek-ai/deepseek-llm
Dataset: AlignBench
@Machine_learn
اخرین زمان برای مشارکت در این پروژه تا اخر شب...!
@Raminmousa
🐋 DeepClaude
git clone https://github.com/getasterisk/deepclaude.git
cd deepclaude
▪ Github
▪Docs
@Machine_learnRepost from Papers
با عرض سلام در يكي از پروژه هاي طبقه بندي سرطان پوست نياز به مشاركت داريم. جايگاه نفر سوم خالي مي باشد.
🔸🔻🔸🔻🔸🔻🔻
@Raminmousa
⭐️ Fast Think-on-Graph: Wider, Deeper and Faster Reasoning of Large Language Model on Knowledge Graph
🖥 Github: https://github.com/dosonleung/fasttog
📕 Paper: https://arxiv.org/abs/2501.14300v1
@Machine_learn
How to run 🐋 DeepSeek locally on your Computer
@Machine_learn
نفر ٧ از اين پروژه باقي مونده و تا اخر امشب مي تونيم اضافه كنيم به تيم...!
@Raminmousa
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
Paper submitted by #DeepSeek team has generated significant attention in the AI community.
This work addresses the enhancement of reasoning capabilities in Large Language Models (LLMs) through the application of reinforcement learning techniques. The authors introduce a novel framework, DeepSeek-R1, which aims to improve LLM reasoning abilities by incorporating incentives for logical reasoning processes within their training. This integration of reinforcement learning allows LLMs to go beyond basic linguistic processing, developing sophisticated reasoning methods that can boost performance across a wide array of complex applications.
This approach has cause lots of discussions in different communities, but it definitely opens up the whole new direction of development for the research.
Paper: https://arxiv.org/abs/2501.12948
#nn #LLM
@Machine_learn
JanusFlow: Harmonizing Autoregression and Rectified Flow for Unified Multimodal Understanding and Generation
We present JanusFlow, a powerful framework that unifies image understanding and generation in a single model. JanusFlow introduces a minimalist architecture that integrates autoregressive language models with rectified flow, a state-of-the-art method in generative modeling. Our key finding demonstrates that rectified flow can be straightforwardly trained within the large language model framework, eliminating the need for complex architectural modifications. To further improve the performance of our unified model, we adopt two key strategies: (i) decoupling the understanding and generation encoders, and (ii) aligning their representations during unified training. Extensive experiments show that JanusFlow achieves comparable or superior performance to specialized models in their respective domains, while significantly outperforming existing unified approaches across standard benchmarks. This work represents a step toward more efficient and versatile vision-language models.
Paper: https://arxiv.org/pdf/2411.07975v1.pdf
Code: https://github.com/deepseek-ai/janus
Datasets: GQA MMBench MM-Vet SEED-Bench
@Machine_learn
📃 Perspectives on Computational Enzyme Modeling: From Mechanisms to Design and Drug Development
📎 Study the paper
@Machine_learn
Repost from Papers
در پروژه MedicalRec ما نياز به يه نفر جهت مشاركت داريم(جايگاه ٧)
Project Title: MedRec: Medical recommender system for image classification without retraining
Github: https://github.com/Ramin1Mousa/MedicalRec
Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence
Impact factor: 20.8
🔸 7- 200$❌
جهت مشارکت می تونید به ایدی بنده پیام بدین.
اموزش نحوه ی انجام کار ، ریویی مقاله و کد نویسی هم داخل این کار خواهیم داشت.
🧠🧠🧠🧠🧠
@Raminmousa
