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 24 517 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
Архив постов
WILDCHAT-50M: A Deep Dive Into the Role of Synthetic Data in Post-Training
🖥 Github: https://github.com/penfever/wildchat-50m
📕 Paper: https://arxiv.org/abs/2501.18511v1
🧠 Dataset: https://huggingface.co/collections/nyu-dice-lab/wildchat-50m-679a5df2c5967db8ab341ab7
@Machine_learn
📃Can social network analysis contribute to supply chain
management? A systematic literature review and
bibliometric analysis
📎 Study paper
@Machine_learn
⁉️چرا وقتی میتونی با همین دانش در ایران درآمد دلاری داشته باشی، به ریال قانع میشی؟
💎 با شرکت در وبینار «دکتر علیرضا قیمتی» از تجربههای این کارآفرین جوان در بازارهای بینالمللی رایگان استفاده کن.
⭕️ سرفصلهای مهم این وبینار:
- معرفی پلتفرمهای جهانی فریلنسری
- شرایط حضور در بازارهای جهانی
- میزان مهارت و میانگین حقوق دریافتی
✅ این وبینار مناسب چه رشتههایی هست؟
- برنامهنویسی، طراحی سایت، UI & UX دیزاین، معماری، مهندسی مکانیک، موشن گرافیک، دیتا ساینس و... .
- دانشجویان و افراد باتجربه در رشتههای فوق
و تمام افرادی که با یک لپتاپ قابلیت ارائه مهارت خود را دارند.
⛔️فرصت استثنایی⛔️
⚠️ آفر ویژه این هفتهمون مخصوص افرادی هست که در وبینار شرکت میکنن، پس این هفته رو از دست نده!
📌 لینک ثبتنام مستقیم رایگان :
https://links.etekanesh.com/Machine_le
⬅️ تلگرام :
@TekaneshAcademy
👥 پشتیبانی :
@Academy_Tekanesh
DeepSeek LLM: Scaling Open-Source Language Models with Longtermism
Paper: https://arxiv.org/pdf/2401.02954v1.pdf
Code: https://github.com/deepseek-ai/deepseek-llm
Dataset: AlignBench
@Machine_learn
اخرین زمان برای مشارکت در این پروژه تا اخر شب...!
@Raminmousa
🐋 DeepClaude
git clone https://github.com/getasterisk/deepclaude.git
cd deepclaude
▪ Github
▪Docs
@Machine_learnRepost from Papers
با عرض سلام در يكي از پروژه هاي طبقه بندي سرطان پوست نياز به مشاركت داريم. جايگاه نفر سوم خالي مي باشد.
🔸🔻🔸🔻🔸🔻🔻
@Raminmousa
⭐️ Fast Think-on-Graph: Wider, Deeper and Faster Reasoning of Large Language Model on Knowledge Graph
🖥 Github: https://github.com/dosonleung/fasttog
📕 Paper: https://arxiv.org/abs/2501.14300v1
@Machine_learn
How to run 🐋 DeepSeek locally on your Computer
@Machine_learn
نفر ٧ از اين پروژه باقي مونده و تا اخر امشب مي تونيم اضافه كنيم به تيم...!
@Raminmousa
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
Paper submitted by #DeepSeek team has generated significant attention in the AI community.
This work addresses the enhancement of reasoning capabilities in Large Language Models (LLMs) through the application of reinforcement learning techniques. The authors introduce a novel framework, DeepSeek-R1, which aims to improve LLM reasoning abilities by incorporating incentives for logical reasoning processes within their training. This integration of reinforcement learning allows LLMs to go beyond basic linguistic processing, developing sophisticated reasoning methods that can boost performance across a wide array of complex applications.
This approach has cause lots of discussions in different communities, but it definitely opens up the whole new direction of development for the research.
Paper: https://arxiv.org/abs/2501.12948
#nn #LLM
@Machine_learn
JanusFlow: Harmonizing Autoregression and Rectified Flow for Unified Multimodal Understanding and Generation
We present JanusFlow, a powerful framework that unifies image understanding and generation in a single model. JanusFlow introduces a minimalist architecture that integrates autoregressive language models with rectified flow, a state-of-the-art method in generative modeling. Our key finding demonstrates that rectified flow can be straightforwardly trained within the large language model framework, eliminating the need for complex architectural modifications. To further improve the performance of our unified model, we adopt two key strategies: (i) decoupling the understanding and generation encoders, and (ii) aligning their representations during unified training. Extensive experiments show that JanusFlow achieves comparable or superior performance to specialized models in their respective domains, while significantly outperforming existing unified approaches across standard benchmarks. This work represents a step toward more efficient and versatile vision-language models.
Paper: https://arxiv.org/pdf/2411.07975v1.pdf
Code: https://github.com/deepseek-ai/janus
Datasets: GQA MMBench MM-Vet SEED-Bench
@Machine_learn
📃 Perspectives on Computational Enzyme Modeling: From Mechanisms to Design and Drug Development
📎 Study the paper
@Machine_learn
Repost from Papers
در پروژه MedicalRec ما نياز به يه نفر جهت مشاركت داريم(جايگاه ٧)
Project Title: MedRec: Medical recommender system for image classification without retraining
Github: https://github.com/Ramin1Mousa/MedicalRec
Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence
Impact factor: 20.8
🔸 7- 200$❌
جهت مشارکت می تونید به ایدی بنده پیام بدین.
اموزش نحوه ی انجام کار ، ریویی مقاله و کد نویسی هم داخل این کار خواهیم داشت.
🧠🧠🧠🧠🧠
@Raminmousa
