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
⚡️ Stable Diffusion 3.5 Large.
# install Diffusers
pip install -U diffusers
# Inference
import torch
from diffusers import StableDiffusion3Pipeline
pipe = StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large", torch_dtype=torch.bfloat16)
pipe = pipe.to("cuda")
image = pipe(
"A happy woman laying on a grass",
num_inference_steps=28,
guidance_scale=3.5,
).images[0]
image.save("woman.png")
🟡Arxiv
@Machine_learnبا عرض سلام امروز اخرين وقت براي مشاركت در اين مقاله مي باشد...!
Repost from Papers
Title:
Advanced Classification of Drug-Drug Interactions for Assessing Adverse Effect Risks of Fluvoxamine and Curcumin Using Deep Learning in COVID-19
———————————————————————
Keywords:
Drug–Drug Interactions; Deep Neural Network; Fluvoxamine; Curcumin; Machine Learning.
———————————————————————
Journal of Infrastructure, Policy and Development
نفر اول پرشده
نفر دوم و سوم و چهارم خالی هست.
مقاله در اخرین ریوایزد خود می باشد.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
THINKING LLMS: GENERAL INSTRUCTION FOLLOWING WITH THOUGHT GENERATION
📚 Reed
@Machine_learn
📕 Applied Causal #Inference Powered by #MachineLearning
📌Book
@Machine_learn
Repost from Papers
با عرض سلام نيازمند co-author براي مقاله زیر هستيم.
Target Journal: International Journal of Media and Networks | Opast Publishing Group (opastpublishers.com)
if: 1.2
Paper link: A Survey of Generative Adversarial Network on Next Generation Network[v1] | Preprints.org
تغييرات كامل نسخه نهايي تا يك هفته اينده اعمال ميشه كسي از دوستان تمايل به همكاري داشت به ايدي بنده پيام بدن.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
Repost from Papers
با عرض سلام نيازمند co-author براي مقاله زیر هستيم.
Target Journal: International Journal of Media and Networks | Opast Publishing Group (opastpublishers.com)
if: 1.2
Paper link: A Survey of Generative Adversarial Network on Next Generation Network[v1] | Preprints.org
تغييرات كامل نسخه نهايي تا يك هفته اينده اعمال ميشه كسي از دوستان تمايل به همكاري داشت به ايدي بنده پيام بدن.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
Repost from Github LLMs
🌟 Zamba2-Instruct
В семействе 2 модели:
🟢Zamba2-1.2B-instruct;
🟠Zamba2-2.7B-instruct.
# Clone repo
git clone https://github.com/Zyphra/transformers_zamba2.git
cd transformers_zamba2
# Install the repository & accelerate:
pip install -e .
pip install accelerate
# Inference:
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-2.7B-instruct")
model = AutoModelForCausalLM.from_pretrained("Zyphra/Zamba2-2.7B-instruct", device_map="cuda", torch_dtype=torch.bfloat16)
user_turn_1 = "user_prompt1."
assistant_turn_1 = "assistant_prompt."
user_turn_2 = "user_prompt2."
sample = [{'role': 'user', 'content': user_turn_1}, {'role': 'assistant', 'content': assistant_turn_1}, {'role': 'user', 'content': user_turn_2}]
chat_sample = tokenizer.apply_chat_template(sample, tokenize=False)
input_ids = tokenizer(chat_sample, return_tensors='pt', add_special_tokens=False).to("cuda")
outputs = model.generate(**input_ids, max_new_tokens=150, return_dict_in_generate=False, output_scores=False, use_cache=True, num_beams=1, do_sample=False)
print((tokenizer.decode(outputs[0])))
🖥GitHub
https://t.me/deep_learning_proj
An Infinite Descent into Pure Mathematics
📚 Book
@Machine_learn
Tutorial on Diffusion Models for Imaging and Vision
📚 Book
@Machine_learn
NotebookLlama: An Open Source version of NotebookLM
📚 Book
@Machine_learn
با عرض سلام
در حال نوشتن مقاله اي تحت عنوان
title:A Comparative Survey on Large Language Models for Biological Data and Knowledge Graph systems
هستيم كه ژورنال هدف Nature ميباشد. ٢ نفر از دوستان به دليل مشغله كاري نتونستن همكاري كنن. نفر ٤ و نفر ٦ از اين ليست رو تصمیم به جايگذيني كرديم. دوستاني كه توانايي كار دارن لطفا به بنده پيام بدن. تسك ها كامل مشخص شده و هزينه هر شخص هم تعيين شده.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
📑 A guide to RNA sequencing and functional analysis
📎 Study the paper
@Machine_learn
💡 SAM2Long, a training-free enhancement to SAM 2 for long-term video segmentation
🟡Technical Report: https://huggingface.co/papers/2410.16268
🟡Github: https://github.com/Mark12Ding/SAM2Long
🟡Homepage: https://mark12ding.github.io/project/SAM2Long/
@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
نفرات ٢ تا ٤ اين مقاله رو نياز داريم.
دوستاني كه مايل به شركت هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
@Paper4money
@Machine_learn
LLM Engineer's Handbook: Master the art of engineering Large Language Models from concept to production.
🖥 Github
@Machine_learn
