Computer Science and Programming

رفتن به کانال در Telegram

Channel specialized for advanced topics of: * Artificial intelligence, * Machine Learning, * Deep Learning, * Computer Vision, * Data Science * Python Admin: @otchebuch Memes: @memes_programming Ads: @Source_Ads, https://telega.io/c/computer_science

نمایش بیشتر

شبکه:Computer Science and Programming ايطاليا87 فناوری و برنامه‌ها816...

📈 تحلیل کانال تلگرام Computer Science and Programming

کانال Computer Science and Programming (@computer_science_and_programming) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 142 737 مشترک است و جایگاه 816 را در دسته فناوری و برنامه‌ها و رتبه 87 را در منطقه ايطاليا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 142 737 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 14 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -1 292 و در ۲۴ ساعت گذشته برابر -44 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

وضعیت تأیید: تأیید نشده
نرخ تعامل (ER): میانگین تعامل مخاطب 6.29% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 1.82% واکنش نسبت به کل مشترکان کسب می‌کند.
دسترسی پست‌ها: هر پست به طور میانگین 8 976 بازدید دریافت می‌کند. در اولین روز معمولاً 2 595 بازدید جمع‌آوری می‌شود.
واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 17 است.
علایق موضوعی: محتوا بر موضوعات کلیدی مانند sellerflash, github, developer, pricing, waybienad تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Channel specialized for advanced topics of: * Artificial intelligence, * Machine Learning, * Deep Learning, * Computer Vision, * Data Science * Python Admin: @otchebuch Memes: @memes_programming Ads: @Source_Ads, https://telega.io/c/computer_sc...”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 15 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 فناوری و برنامه‌ها تبدیل کرده‌اند.

142 737

مشترکین

-4424 ساعت

-2007 روز

-1 29230 روز

8 976

نمایش های پست

~ 2 59524 ساعت

~ 3 64748 ساعت

6.29%

نرخ مشارکت

~ 1

پست های در روز

Ads index

beta

آرشیو پست ها

142 737

Advancing the state of the art in computer vision with self-supervised Transformers and 10x more efficient training

142 737

CS224W: Machine Learning with Graphs - Stanford / Winter 2021 https://www.youtube.com/playlist?list=PLuv1FSpHurUemjLiP4L1x9k6Z9D8rNbYW Full Stack Deep Learning - Spring 2021 - UC Berkeley https://www.youtube.com/playlist?list=PLuv1FSpHurUc2nlabZjCLLe8EQa9fOoa9 Introduction to Deep Learning (I2DL) - Technical University of Munich https://www.youtube.com/playlist?list=PLuv1FSpHurUdmk7v06MDyIx0SDxTrIoqk 3D Computer Vision - National University of Singapore - 2021 https://www.youtube.com/playlist?list=PLuv1FSpHurUflLnJF6hgi0FkeNG1zSFCZ CV3DST - Computer Vision 3: Detection, Segmentation and Tracking https://www.youtube.com/playlist?list=PLuv1FSpHurUd08wNo1FMd3eCUZXm8qexe ADL4CV - Advanced Deep Learning for Computer Vision https://www.youtube.com/playlist?list=PLuv1FSpHurUcQi2CwFIVQelSFCzxphJqz

142 737

2021- Courses List of Machine Learning, Deep Learning, and Computer Vision from a top school

142 737

Paper: https://arxiv.org/pdf/1811.08264.pdf Github: https://github.com/DirtyHarryLYL/Transferable-Interactiveness-Network Learning list: https://github.com/DirtyHarryLYL/HOI-Learning-List

142 737

Transferable Interactiveness Knowledge forHuman-Object Interaction Detection

142 737

Paper: https://arxiv.org/pdf/2104.01604v1.pdf Github: https://github.com/speechbrain/speechbrain/tree/develop/recipes/timers-and-such Dataset: https://zenodo.org/record/4623772#.YHFLkxKRWJk

142 737

Timers and Such: A Practical Benchmark for Spoken Language Understanding with Numbers End-to-end pipeline for Spoken Language Understanding (SLU)

142 737

Github: https://github.com/ai-coodinator/yolact_edge YolactEdge, competitive instance segmentation approach that runs on small edge devices at real-time speeds. Specifically, YolactEdge runs at up to 30.8 FPS on a Jetson AGX Xavier (and 172.7 FPS on an RTX 2080 Ti) with a ResNet-101 backbone on 550x550 resolution images.

142 737

YolactEdge Real time Instance Segmentation on the Edge https://www.youtube.com/watch?v=pMDwXkIerw8

142 737

Paper: https://arxiv.org/pdf/2103.07941v1.pdf Github: https://github.com/hkchengrex/MiVOS Project page: https://hkchengrex.github.io/MiVOS/

142 737

CVPR 2021 paper Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion (MiVOS)

142 737

Blog: https://ai.facebook.com/blog/-detectron2-a-pytorch-based-modular-object-detection-library-/ Github: https://github.com/facebookresearch/detectron2 Documentation: https://detectron2.readthedocs.io/en/latest/tutorials/getting_started.html Colab tutorial: https://colab.research.google.com/drive/16jcaJoc6bCFAQ96jDe2HwtXj7BMD_-m5#scrollTo=QHnVupBBn9eR

142 737

Detectron2 is a ground-up rewrite of Detectron that started with maskrcnn-benchmark. The platform is now implemented in PyTorch.

142 737

Paper: https://arxiv.org/pdf/2102.09480.pdf Github: https://ycliu93.github.io/projects/unbiasedteacher.html Project page: https://ycliu93.github.io/projects/unbiasedteacher.html

142 737

"Unbiased Teacher for Semi-Supervised Object Detection" from Facebook researchers

142 737

Github: https://github.com/mobvoi/wenet Paper: https://arxiv.org/pdf/2102.01547v1.pdf Tutorial: https://github.com/mobvoi/wenet/blob/main/docs/tutorial.md

142 737

End-to-end speech recognition toolkit (based on Pytorch) What's make it different from other ASR toolkits: * Production first and production ready * Unified solution for streaming and non-streaming ASR * Portable runtime * Light weight

142 737

Github: https://github.com/tohinz/CharacterGAN Paper: https://arxiv.org/pdf/2102.03141.pdf You can use also interactive GUI to easily repose a given character based on keypoints.

142 737

Create Character Animation with small amount of data by using Generative Adversarial Network (GAN)

142 737

Github: https://github.com/DirtyHarryLYL/Transferable-Interactiveness-Network Paper: https://arxiv.org/pdf/2101.10292v1.pdf Human-Object Interaction Learning studies (bonus): https://github.com/DirtyHarryLYL/HOI-Learning-List