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 24 505 подписчиков, занимая 8 033 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 24 505 подписчиков.

Согласно последним данным от 03 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -99, а за последние 24 часа — 2, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 6.54%. В первые 24 часа после публикации контент обычно набирает 2.24% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 1 603 просмотров. В течение первых суток публикация набирает 549 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 04 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.

24 505

Подписчики

+224 часа

-107 дней

-9930 день

1 603

Просмотры поста

~ 54924 часа

~ 67448 часов

6.54%

Коэффициент вовлеченности

Нет данных

Постов в день

Ads index

beta

Архив постов

24 505

#Deep Set Prediction Networks #paper #DL @Machine_learn

24 505

#Deep Set Prediction Networks #paper #DL @Machine_learn

24 505

#Deep Set Prediction Networks #paper #DL @Machine_learn

24 505

discriminative : 1:#Regression 2:#Logistic regression 3:#decision tree(Hunt) 4:#neural network(traditional network, deep network) 5:#Support Vector Machine(SVM) Generative: 1:#Hidden Markov model 2:#Naive bayes 3:#K-nearest neighbor(KNN) 4:#Generative adversarial networks(GANs) Deep learning: 1:CNN R_CNN Fast-RCNN Mask-RCNN 2:RNN 3:LSTM 4:CapsuleNet 5:Siamese: siamese cnn siamese lstm siamese bi-lstm siamese CapsuleNet 6:time series data SVR DT(cart) Random Forest linear Bagging Boosting جهت درخواست و راهنمایی در رابطه با پیاده سازی مقالات و پایان نامه ها در رابطه با مباحث deep learning و machine learning با ایدی زیر در ارتباط باشید @Raminmousa

24 505

@Machine_learn Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift How normalization applied to layers helps to reach faster convergence. ArXiV: https://arxiv.org/abs/1502.03167 #NeuralNetwork #nn #normalization #DL

24 505

@Machine_learn The largest publicly available language model: CTRL has 1.6B parameters and can be guided by control codes for style, content, and task-specific behavior. code: https://github.com/salesforce/ctrl article: https://einstein.ai/presentations/ctrl.pdf C-write:ai_machinelearning_big_data https://blog.einstein.ai/introducing-a-conditional-transformer-language-model-for-controllable-generation/

24 505

Deep Learning with Python The ultimate beginners guide to Learn Deep Learning with Python Step by Step #book #DL #python @Machine_learn

24 505

Deep Learning with Python The ultimate beginners guide to Learn Deep Learning with Python Step by Step #book #DL #python @Machine_learn

24 505

@Machine_learn DeepMind's OpenSpiel is a collection of environments and algorithms for research in general reinforcement learning and search/planning in games. code: https://github.com/deepmind/open_spiel article: https://arxiv.org/abs/1908.09453

24 505

@Machine_learn 🚀 Introducing TF-GAN: A lightweight GAN library for TensorFlow 2.0 Tensorflow blog: https://medium.com/tensorflow/introducing-tf-gan-a-lightweight-gan-library-for-tensorflow-2-0-36d767e1abae Code: https://github.com/tensorflow/gan Free course: https://developers.google.com/machine-learning/gan/ Paper: https://arxiv.org/abs/1805.08318

24 505

@Machine_learn Memory-Efficient Adaptive Optimization Source: https://arxiv.org/abs/1901.11150 Code: https://github.com/google-research/google-research/tree/master/sm3

24 505

@Machine_leaen ai ,machine learning #code #datasets #paper • 1146 leaderboards • 1223 tasks • 1105 datasets • 14779 papers with code https://paperswithcode.com/sota

24 505

@Machine_learn Rank-consistent Ordinal Regression for Neural Networks Article: https://arxiv.org/abs/1901.07884 PyTorch: https://github.com/Raschka-research-group/coral-cnn

24 505

Unsupervised learning with python,2019 #book @Machine_learn

24 505

Learning_Tenserflow_building_deep #book @Machine_learn

24 505

@Machine_learn The HSIC Bottleneck: Deep Learning without Back-Propagation🥺 An alternative to conventional backpropagation, that has a number of distinct advantages. Link: https://arxiv.org/abs/1908.01580 #backpropagation #DL

24 505

#deeplearning ⬇⬇⬇ @Machine_learn

24 505

@Machine_learn How to Implement Progressive Growing GAN Models in Keras https://machinelearningmastery.com/how-to-implement-progressive-growing-gan-models-in-keras/

24 505

@Machine_learn Interpreting Latent Space of GANs for Semantic Face Editing https://shenyujun.github.io/InterFaceGAN/ code: https://github.com/ShenYujun/InterFaceGAN.git