ru
Feedback

Не попадитесь на канал ботавода! Telemetrio находит и помечает такие каналы 👉 Хотите видеть метку — оформите подписку

Machine learning books and papers

Machine learning books and papers

Открыть в Telegram

📈 Аналитический обзор Telegram-канала Machine learning books and papers

Канал Machine learning books and papers (@machine_learn) языкового сегмента Английский является активным участником. Сейчас сообщество объединяет 23 988 подписчиков, занимая 8 270 место в категории Образование и 14 685 место в регионе Иран.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 23 988 подписчиков.

Согласно последним данным от 15 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -200, а за последние 24 часа — -8, при этом общий охват остаётся высоким.

  • Статус верификации: Не верифицирован
  • Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.08%. В первые 24 часа после публикации контент обычно набирает 1.93% реакций от общего числа подписчиков.
  • Охват публикаций: В среднем каждый пост получает 1 700 просмотров. В течение первых суток публикация набирает 463 просмотров.
  • Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 1.
  • Тематические интересы: Контент сосредоточен на ключевых темах, таких как disorder, psy, مقاله, framework, graph.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“Admin: @Raminmousa1 ID: @Machine_learn link: https://t.me/Machine_learn”

Благодаря высокой частоте обновлений (последние данные получены 16 ноября, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Образование.

23 988
Подписчики
-824 часа
-507 дней
-20030 дней

Загружаем данные

Привлечение подписчиков
нояб. '26
ноябрь '26
+4
в 0 каналах
октябрь '26
+14
в 1 каналах
Get PRO
сентябрь '26
+13
в 2 каналах
Get PRO
август '26
+76
в 1 каналах
Get PRO
июль '26
+83
в 2 каналах
Get PRO
июнь '26
+44
в 1 каналах
Get PRO
май '26
+45
в 2 каналах
Get PRO
апрель '26
+45
в 0 каналах
Get PRO
март '26
+2
в 0 каналах
Get PRO
февраль '26
+14
в 1 каналах
Get PRO
январь '26
+10
в 1 каналах
Get PRO
декабрь '25
+251
в 2 каналах
Get PRO
ноябрь '25
+522
в 11 каналах
Get PRO
октябрь '25
+1 065
в 2 каналах
Get PRO
сентябрь '25
+794
в 2 каналах
Get PRO
август '25
+941
в 11 каналах
Get PRO
июль '25
+835
в 3 каналах
Get PRO
июнь '25
+734
в 3 каналах
Get PRO
май '25
+956
в 2 каналах
Get PRO
апрель '25
+1 898
в 4 каналах
Get PRO
март '25
+658
в 7 каналах
Get PRO
февраль '25
+44
в 4 каналах
Get PRO
январь '25
+92
в 8 каналах
Get PRO
декабрь '24
+134
в 5 каналах
Get PRO
ноябрь '24
+394
в 13 каналах
Get PRO
октябрь '24
+463
в 6 каналах
Get PRO
сентябрь '24
+249
в 4 каналах
Get PRO
август '24
+387
в 3 каналах
Get PRO
июль '24
+220
в 1 каналах
Get PRO
июнь '24
+228
в 11 каналах
Get PRO
май '24
+422
в 2 каналах
Get PRO
апрель '24
+611
в 11 каналах
Get PRO
март '24
+731
в 4 каналах
Get PRO
февраль '24
+1 021
в 1 каналах
Get PRO
январь '24
+1 100
в 13 каналах
Get PRO
декабрь '23
+628
в 0 каналах
Get PRO
ноябрь '23
+409
в 11 каналах
Get PRO
октябрь '23
+296
в 9 каналах
Get PRO
сентябрь '23
+365
в 0 каналах
Get PRO
август '23
+467
в 0 каналах
Get PRO
июль '23
+715
в 0 каналах
Get PRO
июнь '23
+268
в 0 каналах
Get PRO
май '23
+107
в 0 каналах
Get PRO
апрель '23
+107
в 0 каналах
Get PRO
март '23
+249
в 0 каналах
Get PRO
февраль '23
+110
в 0 каналах
Get PRO
январь '23
+163
в 0 каналах
Get PRO
декабрь '22
+118
в 0 каналах
Get PRO
ноябрь '22
+165
в 0 каналах
Get PRO
октябрь '22
+101
в 0 каналах
Get PRO
сентябрь '22
+177
в 0 каналах
Get PRO
август '22
+220
в 0 каналах
Get PRO
июль '22
+229
в 0 каналах
Get PRO
июнь '22
+56
в 0 каналах
Get PRO
май '22
+296
в 0 каналах
Get PRO
апрель '22
+411
в 0 каналах
Get PRO
март '22
+47
в 0 каналах
Get PRO
февраль '22
+34
в 0 каналах
Get PRO
январь '22
+44
в 0 каналах
Get PRO
декабрь '21
+59
в 0 каналах
Get PRO
ноябрь '21
+59
в 0 каналах
Get PRO
октябрь '21
+109
в 0 каналах
Get PRO
сентябрь '21
+454
в 0 каналах
Get PRO
август '21
+251
в 0 каналах
Get PRO
июль '21
+84
в 0 каналах
Get PRO
июнь '21
+183
в 0 каналах
Get PRO
май '21
+126
в 0 каналах
Get PRO
апрель '21
+116
в 0 каналах
Get PRO
март '21
+101
в 0 каналах
Get PRO
февраль '21
+601
в 0 каналах
Get PRO
январь '21
+167
в 0 каналах
Get PRO
декабрь '20
+8 834
в 0 каналах
Дата
Привлечение подписчиков
Упоминания
Каналы
17 ноября0
16 ноября0
15 ноября0
14 ноября0
13 ноября0
12 ноября0
11 ноября0
10 ноября+1
09 ноября+1
08 ноября0
07 ноября0
06 ноября0
05 ноября0
04 ноября+1
03 ноября+1
02 ноября0
01 ноября0
Посты канала
🔥 Actor, Judge, or Teacher? Understanding Decision Models in Long-Horizon Agents https://github.com/ZJU-REAL/decision-agents
🔥 Actor, Judge, or Teacher? Understanding Decision Models in Long-Horizon Agents https://github.com/ZJU-REAL/decision-agents. 📅 Published on Nov 12 🔗 Links: GitHub: https://github.com/huggingface arXiv: https://arxiv.org/abs/2611.17167 PDF: https://arxiv.org/pdf/2611.17167 Project Page: https://zjureal.com/decision-agents/ 📊 Datasets citing this paper: https://huggingface.co/datasets/Small-Bot/slm-leaderboard-taxonomy @Machine_learn

2
این مقاله ته فردا شب زمان باقی مونده ...!
734
3
با عرض سلام مقاله زیر تحت عنوان Title: Multi-Class Segmentation of Coronary Arteries in X-rayAngiography Images Using Swin UN+1
با عرض سلام مقاله زیر تحت عنوان Title: Multi-Class Segmentation of Coronary Arteries in X-rayAngiography Images Using Swin UNETR Based on aSelf-Supervised Pre-Training Approach جهت سابمیت نیاز به نفرات ۴ و ۵ دارد. هزینه ۳۵ و ۲۵ میلیون به ترتیب اسامی می باشد. جهت مشارکت با ایدی بنده در ارتباط باشید. If: 7.5 @Raminmousa1
960
4
یکی از ابزارهای خوبی که بنده تونستم توسعه بدم ابزار پیش بینی سهام می باشد. در این ابزار از ۳۶۰ اندیکاتور استفاده کردم. گزارشات back test این ابزار در ویدیو های زیر موجود می باشد. https://youtu.be/aSS99lynMFQ?si=QSk8VVKhLqO_2Qi3 https://youtu.be/ThyZ0mZwsGk?si=FKPK7Hkz-mRx-752&t=209 دوستانی که میخوان حداقل یه مقاله درست حسابی تو این حوزه داشته باشن میتونن نفرات ۲ تا ۴ این مقاله رو شرکت کنن. هزینه ها نفر ۲ هزینه ۴۰ میلیون نفر ۳ هزینه ۳۰ میلیون نفر ۴ هزینه ۲۰ میلیون میباشد. برای مشارکت به ایدی بندا پیام بدین @Raminmousa1
1 751
5
🔥 EvaOmni: An Evidence-Grounded Benchmark for Audio-Visual Reasoning 🔗 Links: GitHub: https://github.com/huggingface arXiv:
🔥 EvaOmni: An Evidence-Grounded Benchmark for Audio-Visual Reasoning 🔗 Links: GitHub: https://github.com/huggingface arXiv: https://arxiv.org/abs/2610.28444 PDF: https://arxiv.org/pdf/2610.28444 Project Page: https://xiaoxing2001.github.io/EvaOmni.github.io/ @Machine_learn
2 122
6
سلام فقط دو روز تا سابمیت نهایی این مقاله باقی مونده دوستانی که نیاز دارن بهم پیام بدن. @Raminmousa1
217
7
🔥 OmniReasoning: Pushing the Limits of Audio-Visual Joint Reasoning 💡 Summary 🔗 Links: GitHub: https://github.com/huggingf
🔥 OmniReasoning: Pushing the Limits of Audio-Visual Joint Reasoning 💡 Summary 🔗 Links: GitHub: https://github.com/huggingface arXiv: https://arxiv.org/abs/2609.39490 PDF: https://arxiv.org/pdf/2609.39490 Project Page: https://pku-value-lab.github.io/OmniReasoning-Homepage/ 📊 Datasets citing this paper: https://huggingface.co/datasets/mjuicem/OmniReasoning-131K https://huggingface.co/datasets/mjuicem/OmniReasoningBench @Machine_learn
2 709
8
با عرض سلام این مقاله نفرات ۲ و ۳ رو میخواییم اسم بنویسم. هزینه به ترتیب ۳۰۰ و ۲۰۰ دلار. اگه کسی نیاز داشت به ایدیم پیام بده.
با عرض سلام این مقاله نفرات ۲ و ۳ رو میخواییم اسم بنویسم. هزینه به ترتیب ۳۰۰ و ۲۰۰ دلار. اگه کسی نیاز داشت به ایدیم پیام بده. @Raminmousa1
536
9
با عرض سلام این مقاله نفرات ۲ و ۳ رو میخواییم اسم بنویسم. هزینه به ترتیب ۳۰۰ و ۲۰۰ دلار. اگه کسی نیاز داشت به ایدیم پیام بده.
با عرض سلام این مقاله نفرات ۲ و ۳ رو میخواییم اسم بنویسم. هزینه به ترتیب ۳۰۰ و ۲۰۰ دلار. اگه کسی نیاز داشت به ایدیم پیام بده. @Raminmousa1
1 987
10
preprints202504.2464.v1.pdf
2 882
11
🔥 Prism: Dynamic Sparse Attention for Native 2K Joint Video-Audio Generation Model Training 🔗 Links: GitHub: https://github
🔥 Prism: Dynamic Sparse Attention for Native 2K Joint Video-Audio Generation Model Training 🔗 Links: GitHub: https://github.com/huggingface arXiv: https://arxiv.org/abs/2610.05416 PDF: https://arxiv.org/pdf/2610.05416 Project Page: https://francis-rings.github.io/Prism/ 🤖 Models citing this paper: https://huggingface.co/FrancisRing/Prism 🚀 Spaces citing this paper: https://huggingface.co/spaces/bibibi12345/Prism https://huggingface.co/spaces/tardellirs/model-pulse @Machine_learn
2 676
12
🔥 Spatial Memory Intelligence: Endowing World Models with Understanding-Driven Long-Term Memory 🔗 Links: GitHub: https://gi
🔥 Spatial Memory Intelligence: Endowing World Models with Understanding-Driven Long-Term Memory 🔗 Links: GitHub: https://github.com/huggingface arXiv: https://arxiv.org/abs/2610.02521 PDF: https://arxiv.org/pdf/2610.02521 Project Page: https://spatial-memory-intelligence.github.io/ @Machine_learn
2 352
13
High-Impact Research Paper – MedicalRec / GROKRec Title: MedicalRec Price: $1,000 USD Looking for a ready-to-publish, novel research paper in medical AI and sustainable deep learning? This paper introduces GROKRec, an innovative recommender framework that uses embedding vectors from the Grok language model combined with numerical features to recommend the best deep learning model for any medical image classification task — without the need to train dozens of models on the target dataset. Key Highlights: Addresses major real-world problems: high computational cost, energy consumption, carbon emissions, and e-waste caused by training large DL models. Built on a newly curated public dataset MedicalRec-Bench II containing 3,500 research papers and over 6,000 model evaluation records across diverse medical imaging tasks. Evaluated under four feature configurations (MedicalRec I) using 13 different models. Achieves strong performance with HitRate@100 ranging from 72.43% to 77.08% — the highest among compared approaches. Uses composite loss functions and regularization techniques for accurate recommendations. Fully eliminates the trial-and-error process of training multiple models, significantly reducing carbon footprint. This is a complete, self-contained research contribution with a novel dataset and a practical, environmentally conscious solution for the medical AI community. Ideal for: Researchers, academic publishers, journals, or institutions looking for high-quality, ready-to-use work in medical image analysis, recommender systems, and green AI. Price: $1,000 USD (one-time transfer of ownership/rights as agreed). Interested? Contact me for the full manuscript, dataset details, or to discuss terms. @Raminmousa1
2 102
14
🔥 FrameMorrow: Future-guided Frame Selection with Prospective Tokens for Long-Horizon Video Generation 🔗 Links: GitHub: htt
🔥 FrameMorrow: Future-guided Frame Selection with Prospective Tokens for Long-Horizon Video Generation 🔗 Links: GitHub: https://github.com/huggingface arXiv: https://arxiv.org/abs/2609.38839 PDF: https://arxiv.org/pdf/2609.38839 Project Page: https://yinbo0927.github.io/FrameMorrow/ @Machine_learn
1 729
15
🔥 TAPNext: Tracking Any Point (TAP) as Next Token Prediction 🔗 Links: GitHub: https://github.com/huggingface arXiv: https:/
🔥 TAPNext: Tracking Any Point (TAP) as Next Token Prediction 🔗 Links: GitHub: https://github.com/huggingface arXiv: https://arxiv.org/abs/2504.05579 PDF: https://arxiv.org/pdf/2504.05579 Project Page: https://tap-next.github.io/ @machine_learn
1 714
16
☁️ ابرک ویراک را 24 ساعت رایگان تست کنید! قبل از خرید، سرویس ابری VirakCloud را با شرایط واقعی امتحان کنید: 🎁 24 ساعت تست را
☁️ ابرک ویراک را 24 ساعت رایگان تست کنید! قبل از خرید، سرویس ابری VirakCloud را با شرایط واقعی امتحان کنید: 🎁 24 ساعت تست رایگان 🚀 پهنای باند اختصاصی با ترافیک نامحدود ⏱️ پرداخت ساعتی؛ فقط به اندازه مصرفتان هزینه کنید بدون نیاز به تعهد بلندمدت، ابرک خودتان را بسازید، عملکرد سرویس را بررسی کنید و بعد تصمیم بگیرید. برای دریافت کد تست رایگان، کلمه «تست» را به آیدی زیر ارسال کنید: https://t.me/cloud_virak 👇 سپس وارد پنل VirakCloud شوید، کد را وارد کنید و ابرک خود را بسازید: 🔗 https://B2n.ir/qy4432 ☎️ 02191555530 🌐 virakcloud.com
417
17
📖 "A Little Book on the Fundamentals of Generative AI" - an intuitive introduction to the mathematics: arxiv.org/pdf/2605.29
📖 "A Little Book on the Fundamentals of Generative AI" - an intuitive introduction to the mathematics: arxiv.org/pdf/2605.29713 #GenerativeAI #Mathematics #DeepLearning #AIResearch #MachineLearning #arXiv ✨ Join Best TG Channels https://t.me/addlist/0f6vfFbEMdAwODBk @Machine_learn
2 045
18
🔎 #وبینار عملی ریشه‌یابی خطا با Sentry 🔮 در وبینار «از گزارش خطای کاربر تا ریشه‌یابی مشکل با Sentry» با یک سناریوی عملی، مس
🔎 #وبینار عملی ریشه‌یابی خطا با Sentry 🔮 در وبینار «از گزارش خطای کاربر تا ریشه‌یابی مشکل با Sentry» با یک سناریوی عملی، مسیر رسیدن از گزارش یک مشکل به سرنخ‌های لازم برای ریشه‌یابی آن را دنبال می‌کنیم. در این وبینار: • #سنتری را راه‌اندازی می‌کنیم و به یک اپلیکیشن متصل می‌شویم • یک خطا را ثبت می‌کنیم و با اطلاعاتی که Sentry در اختیارمان می‌گذارد، علت آن را بررسی می‌کنیم • با Session Replay اتفاقات پیش از بروز خطا را از دید کاربر بازبینی می‌کنیم • با Trace و Span مسیر اجرای عملیات را دنبال و گلوگاه‌های عملکردی اپلیکیشن را پیدا می‌کنیم. 📣 ارائه‌دهنده: علیرضا بانشی | SaaS Team Lead در هم‌روش 📅 سه‌شنبه ۲۱ مهر ساعت ۱۹ 🔗 ثبت‌نام رایگان: https://hmrv.sh/EdN7gd ☁️@hamravesh
540
19
با عرض سلام این مقاله به صورت کامل واگذار میشه به همراه پیاده سازی مجموعه داده و قالب latex. هزینه کار ۱۰۰۰ دلار @Raminmousa1
با عرض سلام این مقاله به صورت کامل واگذار میشه به همراه پیاده سازی مجموعه داده و قالب latex. هزینه کار ۱۰۰۰ دلار @Raminmousa1
1 969
20
Understanding Attention From Q, K, V to Modern Transformer Attention https://drive.google.com/file/d/1fCHQ5xCQJ6jZszAYf-qP3VI
Understanding Attention From Q, K, V to Modern Transformer Attention https://drive.google.com/file/d/1fCHQ5xCQJ6jZszAYf-qP3VIySbzFIEDv/view @Machine_learn
2 097