Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
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 24 518 подписчиков, занимая 8 048 место в категории Образование и 13 749 место в регионе Иран.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 24 518 подписчиков.
Согласно последним данным от 25 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -164, а за последние 24 часа — -1, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.13%. В первые 24 часа после публикации контент обычно набирает 1.90% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 1 748 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 26 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.
24 518
Подписчики
-124 часа
-407 дней
-16430 день
Архив постов
Repost from Papers
يكي از بهترين موضوعات در طبقه بندي متن؛ تحليل احساس چند دامنه اي مي باشد. براي اين منظور مدلي تحت عنوان
Title: TRCAPS: The Transformer-based Capsule Approach for Persian Multi-
Domain Sentiment Analysis
طراحي كرديم كه نتايج خيلي بهتري نسبت به IndCaps داشته است.
دوستاني كه نياز به مقاله تو حوزه NLP دارن مي تونن تا اخر اين هفته داخل اين مقاله شركت كنند.
ژورنال هدف Array elsevier مي باشد.
شركت كنندگان داخل اين مقاله نياز به انجام تسك هايي نيز مي باشند.
@Raminmousa
@Machine_learn
@Paper4money
📄 Advances of Artificial Intelligence in Anti-Cancer Drug Design: A Review of the Past Decade
📎 Study the paper
@Machine_learn
🌟 Zamba2-Instruct
🟢Zamba2-1.2B-instruct;
🟠Zamba2-2.7B-instruct.
# Clone repo
git clone https://github.com/Zyphra/transformers_zamba2.git
cd transformers_zamba2
# Install the repository & accelerate:
pip install -e .
pip install accelerate
# Inference:
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-2.7B-instruct")
model = AutoModelForCausalLM.from_pretrained("Zyphra/Zamba2-2.7B-instruct", device_map="cuda", torch_dtype=torch.bfloat16)
user_turn_1 = "user_prompt1."
assistant_turn_1 = "assistant_prompt."
user_turn_2 = "user_prompt2."
sample = [{'role': 'user', 'content': user_turn_1}, {'role': 'assistant', 'content': assistant_turn_1}, {'role': 'user', 'content': user_turn_2}]
chat_sample = tokenizer.apply_chat_template(sample, tokenize=False)
input_ids = tokenizer(chat_sample, return_tensors='pt', add_special_tokens=False).to("cuda")
outputs = model.generate(**input_ids, max_new_tokens=150, return_dict_in_generate=False, output_scores=False, use_cache=True, num_beams=1, do_sample=False)
print((tokenizer.decode(outputs[0])))
🖥GitHub
@Machine_learn
Prompt Engineering Techniques: Comprehensive Repository for Development and Implementation 🖋️
📓 Github
@Machine_learn
Repost from Github LLMs
🔥 NVIDIA silently release a Llama 3.1 70B fine-tune that outperforms
GPT-4o and Claude Sonnet 3.5
Llama 3.1 Nemotron 70B Instruct a further RLHFed model on
huggingface
https://huggingface.co/collections/nvidia/llama-31-nemotron-70b-670e93cd366feea16abc13d8
✅https://t.me/deep_learning_proj
✔️ LVD-2M: A Long-take Video Dataset with Temporally Dense Captions
New pipeline for selecting high-quality long-take videos and generating temporally dense captions.
Dataset with four key features essential for training long video generation models: (1) long videos covering at least 10 seconds, (2) long-take videos without cuts, (3) large motion and diverse contents, and (4) temporally dense captions.
🖥 Github: https://github.com/silentview/lvd-2m
📕 Paper: https://arxiv.org/abs/2410.10816v1
🖥 Dataset: https://paperswithcode.com/dataset/howto100m
🔸@Machine_learn
Repost from Papers
با عرض سلام در يكي از مقالاتمون با موضوع
multimodal capsule fusion with self-attention approach for alzheimer disease classification
نياز به نفر دوم هستيم. تسك ها به صورت مشخص شده براي نفر دوم در نظر گرفته شده است. دوستاني كه ميخوان مشاركت كنن به بنده
پيام بدن با تشكر.
@Raminmousa
@Machine_learn
@Paper4money
📃Network Modeling and Control of Dynamic Disease Pathways, Review and Perspectives
📎 Study the paper
@Machine_learn
پروژه های بیشتر شبیه این ریپورت داخل این پک قرار داره. دوستانی که نیاز دارن می تونن به ایدی بنده مراجعه کنن.
@Raminmousa
Efficiently Democratizing Medical LLMs for 50 Languages via a Mixture of Language Family Experts
💻 Github: https://github.com/freedomintelligence/apollomoe
🔖 Paper: https://arxiv.org/abs/2410.10626v1
🤗 Dataset: https://paperswithcode.com/dataset/mmlu
✅@Machine_learn
با عرض سلام خيلي از دوستان در رابطي با طراحي صفر تا صد پروژه هاي ديپ از بنده سوال پرسيدن داخل پك زير ٣٦ پروژه رو با جزئيات شرح دادم:
1-Deep Learning Basic
-01_Introduction
--01_How_TensorFlow_Works
2-Classification apparel
-Classification apparel double capsule
-Classification apparel double cnn
3-ALZHEIMERS USING CNN(ResNet)
4-Fake News (Covid-19 dataset)
-Multi-channel
-3DCNN model
-Base line+ Char CNN
-Fake News Covid CapsuleNet
5-3DCNN Fake News
6-recommender systems
-GRU+LSTM MovieLens
7-Multi-Domain Sentiment Analysis
-Dranziera CapsuleNet
-Dranziera CNN Multi-channel
-Dranziera LSTM
8-Persian Multi-Domain SA
-Bi-GRU Capsule Net
-Multi-CNN
9-Recommendation system
-Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate)
-SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise)
10-NihX-Ray
-optimized CNN on FullDataset Nih-Xray
-MobileNet
-Transfer learning
-Capsule Network on FullDataset Nih-Xray
دوستاني كه نياز به اين پروژه ها دارن ميتونن با بنده در ارتباط باشن.
@Raminmousa
@Machine_learn
