fa
Feedback
Computer Science and Programming

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

📈 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 140 441 مشترک است و جایگاه 804 را در دسته فناوری و برنامه‌ها و رتبه 88 را در منطقه ايطاليا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 140 441 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 31 اوت, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -734 و در ۲۴ ساعت گذشته برابر -18 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 7.96% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 1.94% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 11 177 بازدید دریافت می‌کند. در اولین روز معمولاً 2 728 بازدید جمع‌آوری می‌شود.
  • واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 14 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 01 سپتامبر, 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.

Buy Ad
140 441
مشترکین
-1824 ساعت
-2617 روز
-73430 روز
آرشیو پست ها
DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification
DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification

Synthesizing Light Field From a Single Image with Variable MPI and Two Network Fusion

500 + 𝗔𝗿𝘁𝗶𝗳𝗶𝗰𝗶𝗮𝗹 𝗜𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 𝗣𝗿𝗼𝗷𝗲𝗰𝘁 𝗟𝗶𝘀𝘁 𝘄𝗶𝘁𝗵 𝗰𝗼𝗱𝗲 https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code

Great resource of AI, Machine learning, Deep learning, Computer vision, NLP Projects and Courses with code
Great resource of AI, Machine learning, Deep learning, Computer vision, NLP Projects and Courses with code

Dark scene object detection API for detecting 12 common objects in the dark/night images and videos

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

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

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

Transferable Interactiveness Knowledge forHuman-Object Interaction Detection

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

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.

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

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