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
Compare NLP Transformer-based Models used for Sentiment Analysis code
🔺@Machine_learn
Adversarial_Training_to_improve_medical_diagnosis_robustness_in.pdf0.64 KB
Resource_efficient_medical_image_classification_for_edge_devices.pdf0.63 KB
Repost from Papers
سلام دوستان
ما دونفر از دانشجوی دکترای یکی از دانشگاه های تاپ آمریکا هستم.
خوش حالیم که اعلام کنیم مقالات قبلی ما اکسپت شد.
در حال حاضر جایگاههای نفرات در دو مقاله در حوزه کامپیوتر ساینس با موضوعات کوانتیزیشن، تفسیرپذیری و یادگیری بدون نظارت در زمینه پزشکی آزاد است.
بعد از سابمیت مقاله، پیپر، متن و کدهای مربوطه در اختیار شما قرار میگیرد. با تضمین چاپ مقاله توسط ما، میتونید برای اپلای دانشگاهها و گرینکارت اقدام بفرمایید.
همچنین با معرفی همکار یا نفرات قبلی، از تخفیف بهرهمند شوید.
لطفا در صورت تمایل به آی دی ما پیام دهید.
( پاسخ با اکانت قبلی ما به دلیل رمزورود به تلگرام امکان پذیر نیست)
آی دی جدید ما:
@rezaa_alvandi
A Brief Introduction to Neural Networks
📕 Book
@Machine_learn
Nexusflow released Athene v2 72B - competetive with GPT4o & Llama 3.1 405B Chat, Code and Math 🔥
> Arena Hard: GPT4o (84.9) vs Athene v2 (77.9) vs L3.1 405B (69.3)
> Bigcode-Bench Hard: GPT4o (30.8) vs Athene v2 (31.4) vs L3.1 405B (26.4)
> MATH: GPT4o (76.6) vs Athene v2 (83) vs L3.1 405B (73.8)
> Models on the Hub along and work out of the box w/ Transformers 🤗
https://huggingface.co/Nexusflow/Athene-V2-Chat
They also release an Agent model: https://huggingface.co/Nexusflow/Athene-V2-Agent
@Machine_learn
Repost from Papers
با عرض سلام
اگر از دوستان کسی توانایی گرفتن اکسپت برای مقاله زیر رو داره و توانایی پرداخت هزینه ی سرور رو داره به بنده پیام بده. اسم شخص به عنوان نفر ۴ در مقاله درج میشه.
Title: Transformer and XGBoost for time-series forecasting of Bitcoin prices using high-dimensional features
ABSTRACT: Bitcoin price prediction based on price indicators has become a hot field of study. In this article, Bitcoin price prediction is discussed based on hash rate features. For this purpose, a series of price indices were used in the beginning and the selection of features was done among 20 features. On the other hand, the selection of features was also done on the raw data of eight rates. This research used forecasting for one, seven, thirty and ninety days. In the classification based on raw features, the highest accuracy is 81%, and for a 90-day interval, on the other hand, the lowest RMSE value is 1.85, which is for a one-day interval. In the classification based on the features extracted from the indicators, the highest accuracy is 73% for the 90-day interval and the lowest RMSE is 1.58 for the 1-day interval.
@Raminmousa
@Machine_learn
Collection of resources in the form of eBooks related to Data Science, Machine Learning, and similar topics
📖 Github
@Machine_learn
Deep Learning and Computational Physics - Lecture Notes, University of South California
📓 book
@Machine_learn
با عرض سلام خيلي از دوستان در رابطه 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
✅ کانال دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف 🔹⬇️⬇️⬇️⬇️
https://t.me/CEinUse
برای کنکور ارشد کمک نیاز به کمک داری ؟
نمیدونی برای دروس کنکور ارشدت کدوم استاد بهتره ؟
میخوای از تجربه دوستات و ترم بالاییا استفاده کنی؟
💯نمونه سوال و جزوه رو لازم داری ؟
https://t.me/CEinUse
همراه با فعالترین و پر عضوترین گروه دانشکده مهندسی کامپیوتر دانشگاه شریف
✌️ با حضور امیررضا آبانی رتبه ۹۰ کنکور ارشد مهندسی کامپیوتر
جوین شو که جزوه و کتاب نیازت میشه😁👇👇
https://t.me/CEinUse
https://t.me/CEinUse
https://t.me/CEinUse
Repost from Papers
💠Title:BERTCaps: BERT Capsule for persian Multi-domain Sentiment Analysis.
🔺Abstract:
Sentiment classification is widely known as a domain-dependent problem. In order to learn an accurate domain-specific sentiment classifier, a large number of labeled samples are needed, which are expensive and time-consuming to annotate. Multi-domain sentiment analysis based on multi-task learning can leverage labeled samples in each single domain, which can alleviate the need for large amount of labeled data in all domains. In this article, the purpose is BERTCaps to provide a multi-domain classifier. In this model, BERT was used for Instance Representation and Capsule was used for instance learning. In the evaluation dataset, the model was able to achieve an accuracy of 0.9712 in polarity classification and an accuracy of 0.8509 in domain classification.
journal: https://www.sciencedirect.com/journal/array
If:2.3
جايگاه ٤ اين مقاله رو نياز داريم.
دوستاني كه مايل به شركت هستن مي تونن به ايدي بنده پيام بدن.
@Raminmousa
@Paper4money
@Machine_learn
FRONTIERMATH: A BENCHMARK FOR EVALUATING ADVANCED
MATHEMATICAL REASONING IN AI
📚 Read
💠@Machine_learn
دوستانی که نیاز به این مقاله دارند تا امشب وقت باقی مانده است.
@Raminmousa
DeepArUco++: improved detection of square fiducial markers in challenging lighting conditions
🖥 Github: https://github.com/avauco/deeparuco
📕 Paper: https://arxiv.org/pdf/2411.05552v1.pdf
⚡️ Dataset: https://paperswithcode.com/dataset/coco
@Machine_learn
