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

142 730

List of top 200 deep learning Github repositories sorted by the number of stars.

142 730

Rotated Binary Neural Network Github (Pytorch implementation): https://github.com/lmbxmu/RBNN Paper: https://arxiv.org/abs/2009.13055

142 730

Binary Neural Network (BNN) is best feet for reducing the complexity of deep neural networks. But, it suffers severe performance degradation. Rotation based training leads to around 50% weight flips which maximize the information gain and showed state-of-the-arts in benchmark datasets Rotated Binary Neural Network (RBNN)

142 730

https://github.com/brinesoftwares/Flutter-AI-Rubik-cube-Solver?fbclid=IwAR0agon7_lmFDOoBeT3ru9skWvTer3syzLFz_vHDZy9isC3FzWTJJ3JufsE

142 730

AI based Rubik's Cube Solver using Flutter and Python

142 730

https://www.nature.com/articles/s41586-020-2649-2

142 730

NumPy provides an easily readable, expressive, high-level API for array programming. It takes care of the underlying mechanics that make operations fast.

142 730

https://dafriedman97.github.io/mlbook/content/table_of_contents.html And The list of Most Updated and Free Artificial Intelligence, Machine Learning, Data Science, Deep Learning, Mathematics, Python Programming Resources. (Last Update: Sept 9, 2020): https://www.marktechpost.com/free-resources/?fbclid=IwAR0hc2qkxPMXhQGzsg07ffgFecRr01tSCRqlhb_XMR6PjPt1KNdy68cLy9w

142 730

Here is a new, and free book on Machine Learning from scratch. It includes the math and code examples. Solid reference.

142 730

Organize the daily influx of ML content in meaningful ways without feeling overwhelmed, By Goku Mohandas et al. : https://madewithml.com/collections/

142 730

Brian Huge, Antoine Savine : https://arxiv.org/abs/2005.02347 TF1 implementation notebook on Colab: https://colab.research.google.com/github/differential-machine-learning/notebooks/blob/master/DifferentialML.ipynb

142 730

Differential Machine Learning

142 730

FREE PDF download: https://d2l.ai/d2l-en.pdf Download the book in 'notebook' format to read and execute locally: https://d2l.ai/chapter_installation/index.html Website: https://d2l.ai Github: https://github.com/d2l-ai/d2l-en Article: https://www.amazon.science/latest-news/amazon-scientists-author-popular-deep-learning-book

142 730

Dive Into Deep Learning August 2020 and FREE version!!! D2L is the 987-page book that Amazon scientists have compiled over the past two years and has finally been completed... an interactive and ' open source book ' with code, math and discussions. What makes this book unique is that it was created with Jupyter Notebook and with the idea of ′′ Learning with Practice "... that is, the book in its entirety consists of executable code with adaptations in PyTorch, TensorFlow and MXNet.

142 730

Classification library https://github.com/Tessellate-Imaging/monk_v1 Notebooks - https://github.com/Tessellate-Imaging/monk_v1/tree/master/study_roadmaps/4_image_classification_zoo Detection and Segmentation Library https://github.com/Tessellate-Imaging/ Monk_Object_Detection Notebooks: https://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/application_model_zoo

142 730

80+ Jupyter Notebook tutorials on image classification, object detection and image segmentation in various domains 📌 Agriculture and Food 📌 Medical and Healthcare 📌 Satellite 📌 Security and Surveillance 📌 ADAS and Self Driving Cars 📌 Retail and E-Commerce 📌 Wildlife

142 730

Blog: https://towardsdatascience.com/pp-yolo-surpasses-yolov4-object-detection-advances-1efc2692aa62 Github: https://github.com/PaddlePaddle/PaddleDetection

142 730

Baidu publishes PP-YOLO and pushes the state of the art in object detection research.

142 730

Tackled the problem of defining a perturbation set for real-world perturbations which cannot be easily described with a set of equations. Paper: https://arxiv.org/abs/2007.08450 Blog post: https://locuslab.github.io/2020-07-20-perturbation/ Code: https://github.com/locuslab/perturbation_learning

142 730

Learning perturbation sets for robust machine learning