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 24 502 подписчиков, занимая 8 028 место в категории Образование и 13 775 место в регионе Иран.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 24 502 подписчиков.

Согласно последним данным от 02 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -109, а за последние 24 часа — 5, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 6.29%. В первые 24 часа после публикации контент обычно набирает 2.04% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 1 541 просмотров. В течение первых суток публикация набирает 500 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 03 июля, 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.

24 502

Подписчики

+524 часа

-147 дней

-10930 день

1 541

Просмотры поста

~ 50024 часа

~ 61348 часов

6.29%

Коэффициент вовлеченности

Нет данных

Постов в день

Ads index

beta

Архив постов

24 502

AdaBelief Optimizer Project page: https://juntang-zhuang.github.io/adabelief/ Paper: https://arxiv.org/abs/2010.07468 GitHub: https://github.com/juntang-zhuang/Adabelief-Optimizer @Machine_learn

24 502

An Empirical Analysis of Visual Features for Multiple Object Tracking in Urban Scenes Github: https://github.com/Guepardow/Visual-features Paper: https://arxiv.org/abs/2010.07881 @Machine_learn

24 502

Recreating Historical Streetscapes Using Deep Learning and Crowdsourcing http://ai.googleblog.com/2020/10/recreating-historical-streetscapes.html @Machine_learn

24 502

Partial FC Distributed deep learning training framework for face recognition. Github: https://github.com/deepinsight/insightface/tree/master/recognition/partial_fc Paper: https://arxiv.org/abs/2010.05222v1 Largest Face Recognition Dataset: https://www.dropbox.com/sh/gdix4jabzlwtk72/AAAXEItN1zwdo_tzOx5-QqHWa?dl=0 @Machine_learn

24 502

Transforming sounds into musical instruments used in a variety of styles, from Baroque to jazz using machine learning, created by the Magenta and AIUX team within Google Research. https://sites.research.google/tonetransfer Intro Video: https://youtu.be/bXBliLjImio Blog post: https://magenta.tensorflow.org/ddsp Colab: https://colab.research.google.com/github/magenta/ddsp/blob/master/ddsp/colab/demos/timbre_transfer.ipynb https://github.com/magenta/ddsp/tree/master/ddsp/colab/tutorials Github: https://github.com/magenta/ddsp @Machine_learn

24 502

1) bit.ly/fund_dataProc 2) bit.ly/2XY4Suw 3) leaps.analyttica.com/courses/overview/Fundamentals-of-Data-Analytics?auth_modal=true&register=true&utm_source=Ins_PraFDA&utm_ 4) bit.ly/31W6yH1 5) https://bit.ly/2FHfrM1 @Machine_learn

24 502

This is a list of awesome articles about object detection. If you want to read the paper according to time https://github.com/amusi/awesome-object-detection 👉@Machine_learn

24 502

Cool New Features in Python 3.9 https://realpython.com/courses/cool-new-features-python-39/ @Machine_learn

24 502

#Datamining @Machine_learn

24 502

Real-time semantic segmentation in the browser - Made With TensorFlow.js https://www.youtube.com/watch?v=3XzQQlh_p1c 🆔@Machine_learn

24 502

Boosting quantum computer hardware performance with TensorFlow https://blog.tensorflow.org/2020/10/boosting-quantum-computer-hardware.html @Machine_learn

24 502

👁 S E E I N G T H E O R Y #book @Machine_learn

24 502

Seeing Theory 🎲 A visual introduction to probability and statistics https://seeing-theory.brown.edu/index.html#4thPage 📗 Free book: https://seeing-theory.brown.edu/doc/seeing-theory.pdf @Machine_learn

24 502

http://www.cs.toronto.edu/~jungao/def-grid/ @Machine_learn

24 502

🔸لیستی از برترین کانال‌های آموزشی در زمینه های هوش‌مصنوعی, پایتون و یادگیری ماشین ‏❯ هوش مصنوعی: 1️⃣ @Ai_Tv 2⃣ @HomeAI ‏❯ یادگیری ماشین و یادگیری عمیق : 1️⃣ @Machine_learn ‏❯ علم داده 1⃣ @DataAnalysis 2⃣ @mr_ie ‏❯ تنسورفلو و پایگاه داده : 1⃣ @cvision 2⃣ @SQL_SERVER ‏❯ آموزش پایتون و برنامه نویسی : 1⃣ @pythonchallenge 2⃣ @Raspberry_Python 3⃣ @Programming4all_0to100

24 502

Measuring dataset similarity using optimal transport https://www.microsoft.com/en-us/research/blog/measuring-dataset-similarity-using-optimal-transport/ @Machine_learn

24 502

Towards Fast, Accurate and Stable 3D Dense Face Alignment Releases the pre-trained first-stage pytorch models of MobileNet-V1 structure, the pre-processed training&testing dataset and codebase. Github: https://github.com/cleardusk/3DDFA Paper: https://arxiv.org/abs/2009.09960v1 @Machine_learn

24 502

Link : bit.ly/3hKhoVn @Machine_learn

24 502

Pixelopolis, a self-driving car demo from Google I/O built with TF-Lite @Machine_learn https://blog.tensorflow.org/2020/07/pixelopolis-self-driving-car-demo-tensorflow-lite.html

24 502

Improving Sparse Training with RigL https://ai.googleblog.com/2020/09/improving-sparse-training-with-rigl.html Github: https://github.com/google-research/rigl Paper: https://arxiv.org/abs/1911.11134 @Machine_learn