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 24 533 مشترک است و جایگاه 8 070 را در دسته آموزش و رتبه 13 771 را در منطقه إيران دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 533 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 22 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -150 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 7.45% 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 1 829 بازدید دریافت می‌کند. در اولین روز معمولاً 465 بازدید جمع‌آوری می‌شود.
واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 3 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 23 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.

24 533

مشترکین

-524 ساعت

-417 روز

-15030 روز

1 829

نمایش های پست

~ 46524 ساعت

~ 57948 ساعت

7.45%

نرخ مشارکت

اطلاعاتی وجود ندارد

پست های در روز

Ads index

beta

آرشیو پست ها

24 533

Breaking the Sorting Barrier for Directed Single-Source Shortest Paths 📚 link @Machine_learn

24 533

Title: Personalized Safety Alignment for Text-to-Image Diffusion Models Paper Links: • arXiv Page: https://arxiv.org/abs/2508.01151 • PDF: https://arxiv.org/pdf/2508.01151 • Github: https://m-e-agi-lab.github.io/PSAlign/ @Machine_learn

24 533

CoAct-1: Computer-using Agents with Coding as Actions 📚 Read @Machine_learn

24 533

DSPy SIMBA explained 📚 Link @Machine_learn

24 533

🔹 Title: ReMoMask: Retrieval-Augmented Masked Motion Generation 🔹 Paper Links: • arXiv Page: https://arxiv.org/abs/2508.02605 • PDF: https://arxiv.org/pdf/2508.02605 • Project Page: https://aigeeksgroup.github.io/ReMoMask/ • Github: https://github.com/AIGeeksGroup/ReMoMask @Machin_learn

24 533

Mathematical theory of deep learning 📚 Book @Machine_learn

24 533

Matrix Calculus (for Machine Learning and Beyond) Link @Machine_learn

24 533

Repost from N/a

با عرض سلام سه مقاله تحت ريوايز داريم حداقل مي تونيم ٥ سايت به هر كدوم اضافه كنيم حوزه هاي LLM و Medical قابل اضافه شدن هستن. @Raminmousa @papercite

24 533

Article Title: OmniConsistency: Learning Style-Agnostic Consistency from Paired Stylization Data PDF Download Link: https://arxiv.org/pdf/2505.18445v1.pdf GitHub: • https://github.com/showlab/omniconsistency @Machine_learn

24 533

An introduction to the symmetric group algebra 📚 link @Machine_learn

24 533

🎥 RNA-Seq Data Analysis in R: An Effective Step-by-Step Guide 🎞 Watch @Machine_learn

24 533

Deep Research Agents with Test-Time Diffusion Google keeps pushing on diffusion. 📚Paper @Machine_learn

24 533

Repost from Papers

با عرض سلام نفرات ۴ و ۵ این پروژه قابل اضافه شدن است و علاوه بر تسک هزینه مشارکت نیز گرفته می‌شود. 4:250$ 5:200$ جهت مشارکت به ایدی بنده پیام بدین. @Raminmousa

24 533

The Era of DiffusionLM might be upon us 📚 Link @Machine_learn

24 533

AI Comes Up with Bizarre Physics Experiments. But They Work. 👉 Read @Machine_learn

24 533

Anthropic just released a research paper. Inverse Scaling in Test-Time Compute 📚 link @Machine_learn

24 533

How to Train Your LLM Web Agent: A Statistical Diagnosis 📕 Link @Machine_learn

24 533

Aipython 📕 Books @Machine_learn

24 533

فقط دو نفر باقی مونده این کار دوستانی که نیاز دارن به بنده مراجعه کنند.!!! @Raminmousa

24 533

Step-by-Step Diffusion: An Elementary Tutorial 📚 Read @Machine_learn