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 24 518 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
Constrained Diffusion Implicit Models!
We use diffusion models to solve noisy inverse problems like inpainting, sparse-recovery, and colorization. 10-50x faster than previous methods!
Paper: arxiv.org/pdf/2411.00359
Demo: https://t.co/m6o9GLnnZF
@Machine_learn
Smol TTS models are here! OuteTTS-0.1-350M - Zero shot voice cloning, built on LLaMa architecture, CC-BY license! 🔥
> Pure language modeling approach to TTS
> Zero-shot voice cloning
> LLaMa architecture w/ Audio tokens (WavTokenizer)
> BONUS: Works on-device w/ llama.cpp ⚡
Three-step approach to TTS:
> Audio tokenization using WavTokenizer (75 tok per second).
> CTC forced alignment for word-to-audio token mapping.
> Structured prompt creation w/ transcription, duration, audio tokens.
https://huggingface.co/OuteAI/OuteTTS-0.1-350M
@Machine_learn
📕 Machine Learning for Absolute Beginners
▪️Link
@Machine_learn
Machine Learning with PyTorch and Scikit-Learn Book
📚 book
@Machine_learn
AutoWebGLM: Bootstrap And Reinforce A Large Language Model-based Web Navigating Agent
🖥 Github: https://github.com/thudm/autowebglm
📕 Paper: https://arxiv.org/abs/2404.03648v1
🔥Dataset: https://paperswithcode.com/dataset/mind2web
@Machine_learn
❤️ اکستنشن ChatGPT Search برای مرورگرهای کرومیوم منتشر شد
از طریق این لینک میتونید این افزونه رو دانلود کنید
@Machine_learn
Conformal prediction under ambiguous ground truth
Paper: https://arxiv.org/pdf/2307.09302v2.pdf
Codes:
https://github.com/google-deepmind/uncertain_ground_truth
https://github.com/alaalab/webcp
Dataset: Dermatology ddx dataset
@Machine_learn
Repost from Papers
الحمدالله تو اين بازه ٣ ماه تونستيم مقالات مشاركتي رو تحت وظايف زير انجام بديم:
🔹ثبت ٤ مقاله در حوزه Multi-modal wond classification
🔹ارائه ی دو مقاله در حوزه ی breast cancer segmentation
🔹 ارائه ی سه مقاله در حوزه ی cancer detection
که ۸۰٪ مراحل این مقالات هم تموم شده.
به زودی پس از اتمام این مقالات لیستی از مقالات مشارکتی رو خواهیم داشت .
https://t.me/+SP9l58Ta_zZmYmY0
👩💻 Python Notes for Professionals book
🔗 Book
@Machine_learn
Repost from Github LLMs
📖 LLM-Agent-Paper-List is a repository of papers on the topic of agents based on large language models (LLM)! The papers are divided into categories such as LLM agent architectures, autonomous LLM agents, reinforcement learning (RL), natural language processing methods, multimodal approaches and tools for developing LLM agents, and more.
🖥 Github
https://t.me/deep_learning_proj
💠Title:BERTCaps: BERT Capsule for persian Multi-domain Sentiment Analysis.
🔺Abstract:
Sentiment classification is widely known as a domain-dependent problem. In order to learn an accurate domain-specific sentiment classifier, a large number of labeled samples are needed, which are expensive and time-consuming to annotate. Multi-domain sentiment analysis based on multi-task learning can leverage labeled samples in each single domain, which can alleviate the need for large amount of labeled data in all domains. In this article, the purpose is BERTCaps to provide a multi-domain classifier. In this model, BERT was used for Instance Representation and Capsule was used for instance learning. In the evaluation dataset, the model was able to achieve an accuracy of 0.9712 in polarity classification and an accuracy of 0.8509 in domain classification.
journal: https://www.sciencedirect.com/journal/array
If:2.3
جايگاه ٢ و ٤ اين مقاله رو نياز داريم.
دوستاني كه مايل به شركت هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
@Paper4money
@Machine_learn
📑A Survey of Deep Learning Methods for Estimating the Accuracy of Protein Quaternary Structure Models
📎 Study the paper
@Machine_learn
Ms - SmolLM2 1.7B - beats Qwen 2.5 1.5B & Llama 3.21B, Apache 2.0 licensed, trained on 11 Trillion tokens 🔥
> 135M, 360M, 1.7B parameter model
> Trained on FineWeb-Edu, DCLM, The Stack, along w/ new mathematics and coding datasets
> Specialises in Text rewriting, Summarization & Function Calling
> Integrated with transformers & model on the hub!
You can run the 1.7B in less than 2GB VRAM on a Q4 👑
Fine-tune, run inference, test, train, repeat - intelligence is just 5 lines of code away!
https://huggingface.co/collections/HuggingFaceTB/smollm2-6723884218bcda64b34d7db9
@Machine_learn
Repost from Papers
💠Title:BERTCaps: BERT Capsule for persian Multi-domain Sentiment Analysis.
🔺Abstract:
Sentiment classification is widely known as a domain-dependent problem. In order to learn an accurate domain-specific sentiment classifier, a large number of labeled samples are needed, which are expensive and time-consuming to annotate. Multi-domain sentiment analysis based on multi-task learning can leverage labeled samples in each single domain, which can alleviate the need for large amount of labeled data in all domains. In this article, the purpose is BERTCaps to provide a multi-domain classifier. In this model, BERT was used for Instance Representation and Capsule was used for instance learning. In the evaluation dataset, the model was able to achieve an accuracy of 0.9712 in polarity classification and an accuracy of 0.8509 in domain classification.
journal: https://www.sciencedirect.com/journal/array
If:2.3
جايگاه ٢ و ٤ اين مقاله رو نياز داريم.
دوستاني كه مايل به شركت هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
@Paper4money
@Machine_learn
تخفيف ٥٠٪🔹
دو پكيچ كدنويسي پايه يادگيري ماشين و يادگيري عميق به همراه ٣٦ بروژه عملي با پشتيباني ٢ ماهه .
جهت سفارش به ايدي بنده پيام بدين.
🔺
هزینه هر دو پک با تخفيف ۱۵۰۰ هزار ميباشد.
@Raminmousa
SAM2Long: Enhancing SAM 2 for Long Video Segmentation with a Training-Free Memory Tree
🖥 Github: https://github.com/mark12ding/sam2long
📕 Paper: https://arxiv.org/abs/2410.16268v1
🤗 HF: https://huggingface.co/papers/2410.16268
@Machine_learn
🌟 Aya Expanse
🟢Aya Expanse 32B
🟢Aya Expanse 8B
🟠Aya Expanse 32B-GGUF
🟠Aya Expanse 8B-GGUF
Expanse 8B Transformers :
from transformers import AutoTokenizer, AutoModelForCausalLM
model_id = "CohereForAI/aya-expanse-8b"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
# Format the message with the chat template
messages = [{"role": "user", "content": " %prompt% "}]
input_ids = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt")
## <BOS_TOKEN><|START_OF_TURN_TOKEN|><|USER_TOKEN|>%prompt%<|END_OF_TURN_TOKEN|><|START_OF_TURN_TOKEN|><|CHATBOT_TOKEN|>
gen_tokens = model.generate(
input_ids,
max_new_tokens=100,
do_sample=True,
temperature=0.3,
)
gen_text = tokenizer.decode(gen_tokens[0])
print(gen_text)
🟡GGUF 32B
🟡GGUF 8B
🟡Demo
@Machine_learn