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 8 056 را در دسته آموزش و رتبه 13 757 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 24 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -165 و در ۲۴ ساعت گذشته برابر -3 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 6.78% 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 1 663 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 25 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
-324 ساعت
-477 روز
-16530 روز
آرشیو پست ها
2DMatGMM: An open-source robust machine learning platform for real-time detection and classification of 2D material flakes
🖥 Github: https://github.com/jaluus/2dmatgmm
📕 Paper: https://arxiv.org/abs/2412.09333v1
⭐️ Dataset: https://paperswithcode.com/task/instance-segmentation
@Machine_learn
Repost from Papers
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر چهارم 500 دلار
🔺نفر پنجم 400 دلار
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
NPGPT: Natural Product-Like Compound Generation with GPT-based Chemical Language
Models
https://arxiv.org/pdf/2411.12886
@Machine_learn
🌟 BioNeMo: A Framework for Developing AI Models for Drug Design.
NVIDIA BioNeMo2 Framework is a set of tools, libraries, and models for computational drug discovery and design.
▶️ Pre-trained models:
🟢 ESM-2 is a pre-trained bidirectional encoder (BERT-like) for amino acid sequences. BioNeMo2 includes checkpoints with parameters 650M and 3B;
🟢 Geneformer is a tabular scoring model that generates a dense representation of a cell's scRNA by examining co-expression patterns in individual cells.
▶️ Datasets:
🟠 CELLxGENE is a collection of publicly available single-cell datasets collected by the CZI (Chan Zuckerberg Initiative) with a total volume of 24 million cells;
🟠 UniProt is a database of clustered sets of protein sequences from UniProtKB, created on the basis of translated genomic data.
🟡 Project page
🟡 Documentation
🖥 GitHub
@Machine_learn
Repost from Papers
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر پنجم 500 دلار
🔺نفر ششم 400 دلار
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
Repost from Papers
با عرض سلام نفر ۳ از مقاله زیر رو نیاز داریم.
Title: hybrid deep learnings and machine learning frameworks
for air quality prediction
during the COVID‑19 pandemic
journal: https://www.sciencedirect.com/journal/expert-systems-with-applications
if:7.5
در این مقاله تاثیر ۲۶ مدل ansemble و ترکیبی رو برای پیش بینی کیفیت هوا در بازه ۱ روزه ۳ روزه و ۷ روزه بررسی کردیم. جهت شرکت در این مقاله به ایدی بنده پیام بدین.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
📚Book Chapter:
Recent Advances in Computational Prediction of Secondary and Supersecondary Structures from Protein Sequences
📎 Study
@Machine_learn
🎓Ensemble approaches for Link Prediction
📎 Study thesis
@Machine_learn
📑Drug Discovery in the Age of Artificial Intelligence: Transformative Target-Based Approaches
📎 Study the paper
@Machine_learn
Repost from Github LLMs
🌟 GRIN MoE: Mixture-of-Experts от Microsoft.
🟢total parameters: 16x3.8B;
🟢active parameters: 6.6B;
🟢context length: 4096;
🟢number of embeddings 4096;
🟢number of layers: 32;
✅https://t.me/deep_learning_proj
🟡Arxiv
🟡Demo
🖥Github
Repost from Papers
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر چهارم 600 دلار
🔺نفر پنجم 500 دلار
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
با عرض سلام نفر سوم براي مقاله زير رو خالي داريم.
Title: Alzheimer’s disease (AD) classification
using swin transformer wavelet
and Improved Gray Wolf
Optimization (IGWO)
Abstract: Alzheimer’s disease (AD) is a slow neurological disorder that destroys the thought process, and consciousness, of a human. It directly affects the development of mental ability and neurocognitive functionality. The number of patients with Alzheimer’s disease is increasing day by day, especially in old aged people, who are above 60 years of age, and, gradually, it becomes cause of their death. In this research, our goal is to present ALzSwinTNet for Alzheimer’s classification based on FMRI images. The proposed approach uses wavelet fusion in the swin transformer network to extract features. The igwo and fox optimization approaches were used to find the hyperparameters of the model. ALzSwinTNet was able to achieve an accuracy of 0.98 in 4-class classification and 1 in 2-class classification.
journal: https://www.sciencedirect.com/journal/expert-systems-with-applications
if:7.5
هزینه مشارکت برای نفر سوم ۲۰ تومن می باشد. این هزینه صرف تسویه سرورها خواهد شد.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
OminiControl: Minimal and Universal Control for Diffusion Transformer
🔗 Discover More:
* Source Code: GitHub
* Try Demo: Try it here
* Paper Page: Read Paper
@Machine_learn
با عرض سلام دو پکیچ یادگیری ماشین و یادگیری عمیق را برای دوستانی که می خواهند تا فرداشب با تخفیف ۵۰٪ مجدد قرار دادیم این تخفیف اخرین سری از تخفیف های این دو پکیچ می باشد
1: introduction to machine learning
2: Regression (linear and non-linear)
3: Tensorflow introduction
4: Tensorflow computaion graph
5: Tensorflow optimizer and loss function
6: Tensorflow linear and non linear regression
7: logistic regression
8: Tensorflow regression
___________
9: introduction to traditional machine learning
*10: knn and desicion tree
*11: desicion tree and Naive bayes
*12: desicion tree, knn, Naive bayes implementation
*13: k-means
*14: Guassion Mixture Model(GMM)
*15: implementation K-means and GMM
_
16: introduction to Artificial Neural Network
17: Multi-level Neural Network
18: Introduction to Convolution Neural Network
19: Tensorflow Multi-level Neural Network
20:Tensorflow CNN
21:CNN image clasaification
22: Cnn text clasaification
23: Recurrent Neural Network(RNN)
جهت تهیه می تونین به ایدی بنده مراجعه کنین
@Raminmousa
