Machine learning books and papers

Открыть в Telegram

Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn

Больше

📈 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 24 517 подписчиков, занимая 8 056 место в категории Образование и 13 757 место в регионе Иран.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 24 517 подписчиков.

Согласно последним данным от 24 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -165, а за последние 24 часа — -3, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 6.78%. В первые 24 часа после публикации контент обычно набирает 1.90% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 1 663 просмотров. В течение первых суток публикация набирает 465 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: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn”

Благодаря высокой частоте обновлений (последние данные получены 25 июня, 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.

24 517

Подписчики

-324 часа

-477 дней

-16530 день

1 663

Просмотры поста

~ 46524 часа

~ 57948 часов

6.78%

Коэффициент вовлеченности

Нет данных

Постов в день

Ads index

beta

Загрузка данных...

Похожие каналы

75.9K

Data Science & Machine Learning

35.0K

Age Of Geeks

20.2K

Programming Resources

Больше каналов

Входящие и исходящие упоминания

---

Привлечение подписчиков

июнь '26

+32

в 1 каналах

май '26

+45

в 2 каналах

Get PRO

апрель '26

+45

в 0 каналах

Get PRO

март '26

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
25 июня	0
24 июня	0
23 июня	0
22 июня	0
21 июня	+1
20 июня	+2
19 июня	0
18 июня	+1
17 июня	0
16 июня	+2
15 июня	+3
14 июня	0
13 июня	0
12 июня	+1
11 июня	+2
10 июня	+1
09 июня	+1
08 июня	+6
07 июня	0
06 июня	+3
05 июня	+3
04 июня	+5
03 июня	0
02 июня	+1
01 июня	0

Посты канала

⚡️Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds HF: https://huggingface.co/papers/2511.08892 Peoject: https://www.lumine-ai.org/ Paper: https://arxiv.org/abs/2511.08892 @Machine_learn

2	🔥 World Action Models: A Survey 💡 The paper World Action Models A Survey provides a comprehensive overview of World Action Models, which are predictive action systems that generate future states for decision making. These models balance representational richness against computational constraints, and recent developments have led to a blurring of boundaries among various related models. The survey aims to clarify these boundaries and provide a common account of the field. The authors organize existing works into two complementary views. The first view examines what each method is required to generate, including rendered futures, latent futures, and video generation free action reasoning. The second view decomposes each method into its predictive substrate, backbone, action coupling, and deployment regime. This anatomy allows for a unified discussion of key aspects such as interactability, causality, persistence, physical plausibility, and generalization. The survey reveals a consistent design pattern in World Action Models, where design choices trade representational richness against compute, memory, latency, and action label cost. The authors find that the field is moving towards methods that generate less of the future while preserving what is required for control. The survey provides a clear and unified account of the field, covering data, evaluation, and open challenges, and provides a foundation for future research in World Action Models. The main contributions of the paper are to clarify the boundaries and definitions of World Action Models, to provide a comprehensive overview of existing works, and to identify a consistent design pattern in the field. The survey also highlights the key challenges and open issues in World Action Models, including the need for more efficient and effective methods that balance representational richness against computational constraints. Overall, the paper provides a valuable resource for researchers and practitioners in the field of World Action Models, and helps to advance the state of the art in predictive action systems. 📅 Published on Jun 18 🔗 Links: • GitHub: https://github.com/huggingface • arXiv: https://arxiv.org/abs/2606.20781 • PDF: https://arxiv.org/pdf/2606.20781 • Project Page: https://world-action-models.github.io/ ━━━━━━━━━━━━━━━━━━━━━━━━ @Machine_learn	388
3	🔥 Efficient Guided Generation for Large Language Models 💡 The paper presents an efficient method for guiding large language model text generation using regular expressions and context-free grammars. The problem addressed is that guided generation can be impractical due to significant overhead. The authors propose an approach that adds minimal overhead to the token sequence generation process. This method makes guided generation feasible in practice. The approach is implemented in the open source Python library Outlines, providing a practical solution for efficient guided generation. The results indicate that the method is effective, allowing for guided generation with little to no overhead, which is a significant contribution to the field of natural language processing. 📅 Published on Jul 19, 2023 🔗 Links: • GitHub: https://github.com/huggingface • arXiv: https://arxiv.org/abs/2307.09702 • PDF: https://arxiv.org/pdf/2307.09702 ━━━━━━━━━━━━━━━━━━━━━━━━ @Machine_learn	386
4	با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن Price 2: 300$ 5:150$ @Raminmousa @Paper4money @Machine_learn	1 123
5	📃 Current Bioinformatics Tools in Precision Oncology 📎 Study paper @Machine_learn	1 100
6	با عرض سلام مقاله MedicalRec توسط بنده و دوستان ارائه شد. این مقاله جهت ارائه ی سیستم پیشنهاد دهنده مدل طبقه بندی برای تصاویر پزشکی میباشد. در ادامه ما می خواهیم MedicalRec2 را توسعه دهیم که یک مدل پیشنهاد دهنده طبقه بند و تقسیم بند در حوزه ی پزشکی می باشد. از این رو نفرات ۲ تا ۶ این مقاله را جهت مشارکت در نظر داریم. هزینه ها از قرار زیر می باشند. 2: 500$ 3: 400$ 4: 300$ 5: 250$ 6: 200$ جهت مشارکت با ایدی بنده در ارتباط باشین. @Raminmousa @Paper4money	1 723
7	+5 🎬 ساخت ویدیو • Sora • Kling • Veo • Seedance • Lumalabs 🎨 ساخت تصویر • Google Flow • Qwen Image • NanoBanana • ChatGPT Image • Grok 🎤 تقلید صدا • ElevenLabs • Fish Audio • Minimax • Descript • Respeecher 🧠 تحقیق و کاوش • ChatGPT • Gemini • Perplexity • NotebookLM • Deepseek 🗣 ساخت کاراکتر سخنگو • Heygen • Synthesia • D-ID • Hedra ━━━━━━━━━━━━━━━ 🔗 لینک ابزارها: • ChatGPT → https://chatgpt.com • Gemini → https://gemini.google.com • Perplexity → https://perplexity.ai • Deepseek → https://deepseek.com • NotebookLM → https://notebooklm.google.com • Kling → https://klingai.com • Veo → https://deepmind.google/technologies/veo • Lumalabs → https://lumalabs.ai • Sora → https://openai.com/sora • ElevenLabs → https://elevenlabs.io • Fish Audio → https://fish.audio • Descript → https://descript.com • Heygen → https://heygen.com • Synthesia → https://synthesia.io • D-ID → https://d-id.com @ai_farshad	2 573
8	تنها ۳ روز تا سابمیت این مقاله باقی مونده....!	2 049
9	برای این مقاله فقط ۵ روز وقت داریم دوستانی که نیاز دارند زودتر اقدام کنن...!	634
10	با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲، ۴ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن Price 2: 300$ 4: 200$ 5:150$ @Raminmousa @Paper4money @Machine_learn	2 833
11	با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲، ۴ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن Price 2: 300$ 4: 200$ 3:150$ @Raminmousa @Paper4money @Machine_learn	480
12	Follow the Machine Learning with Python channel on WhatsApp: https://whatsapp.com/channel/0029VaC7Weq29753hpcggW2A	2 825
13	🔥 Awesome open-source project to learn more about Transformer Models! 🤖✨ We found this interactive website that shows you visually how transformer models work. 🌐📊 Transformer Explainer: https://poloclub.github.io/transformer-explainer/ @Machine_learn	2 989
14	❣️	3 932

Посмотреть все записи