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 24 506 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 24 506 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.
24 506
Подписчики
+524 часа
-147 дней
-10930 день
Архив постов
@Machine_learn
Gradient Centralization: A New Optimization Technique for Deep Neural Networks
Code: https://github.com/Yonghongwei/Gradient-Centralization
Paper: https://arxiv.org/abs/2004.01461
@Machine_learn
Flows for simultaneous manifold learning and density estimation
A new class of generative models that simultaneously learn the data manifold as well as a tractable probability density on that manifold.
Code: https://github.com/johannbrehmer/manifold-flow
Paper: https://arxiv.org/abs/2003.13913
@Machine_learn
Train transformer language models with reinforcement learning.
https://lvwerra.github.io/trl/
Code: https://github.com/openai/lm-human-preferences
Paper: https://arxiv.org/pdf/1909.08593.pdf
🔸لیستی از کانالهای فعال در حوزههای هوشمصنوعی، علم داده , پایتون و یادگیری ماشین
هوش مصنوعی:
1️⃣ @Ai_Tv
2️⃣ @AI_PYTHON
3️⃣ @HomeAi
علم داده:
1️⃣ @DataAnalysis
تحلیل داده و تصمیمگیری دادهمحور:
1️⃣ @Mr_IE
2️⃣ @python4finance
یادگیری ماشین:
1️⃣ @Machine_learn
آموزش پایتون و برنامه نویسی :
1️⃣ @pythony
2️⃣ @pythonchallenge
3️⃣ @raspberry_python
4️⃣ @Programming4all_0to100
@Machine_learn
Graph Isomorphism Software
Open-source software for finding isomorphism or canonical forms of graphs.
* Nauty/Traces
* Bliss
* saucy
* conauto
* Gi-ext
New paper by Yandex.MILAB 🎉
Tired of waiting for backprop to project your face into StyleGAN latent space to use some funny vector on it? Just distilate this tranformation by pix2pixHD!
arxiv.org/abs/2003.03581
@Machine_learn
Gradient boost trees with xgboost and scikit-learn #book #python
@Machine_learn
@Machine_learn
An AI program that plays Flappy Bird using reinforcement learning.
Code: https://github.com/taivu1998/FlapAI-Bird
Model: https://stanford-cs221.github.io/autumn2019-extra/posters/18.pdf
Paper: https://arxiv.org/abs/2003.09579
@Machine_learn
Rethinking Image Mixture for Unsupervised Visual Representation Learning
Code: https://github.com/szq0214/Rethinking-Image-Mixture-for-Unsupervised-Learning
Paper: https://arxiv.org/abs/2003.05438v1
@Machine_learn
Graph Machine Learning research groups: Le Song
Le Song (~1981)
- Affiliation: Georgia Institute of Technology;
- Education: Ph.D. at U. of Sydney in 2008 (supervised by Alex Smola);
- h-index: 59;
- Awards: best papers at ICML, NeurIPS, AISTATS;
- Interests: generative and adversarial graph models, social network analysis, diffusion models.
@Machine_learn
Anomaly detection with Keras, TensorFlow, and Deep Learning
In this tutorial, you will learn how to perform anomaly and outlier detection using autoencoders, Keras, and TensorFlow.
https://www.pyimagesearch.com/2020/03/02/anomaly-detection-with-keras-tensorflow-and-deep-learning/
A new paper from Samsung AI Center (Moscow) on unpaired image-to-image translation. Now – without any domain labels, even on training time!
▶️ youtu.be/DALQYKt-GJc
📝 arxiv.org/abs/2003.08791
📉 @Machine_learn
🔸لیستی از کانالهای فعال در حوزههای هوشمصنوعی، علم داده , پایتون و یادگیری ماشین
هوش مصنوعی:
1⃣ @Ai_Tv
2⃣ @AI_PYTHON
3⃣ @HomeAi
4⃣ @ailib
علم داده:
1⃣ @DataAnalysis
2⃣ @BigData_channel
تحلیل داده و تصمیمگیری دادهمحور:
1⃣ @Mr_IE
2⃣ @python4finance
یادگیری ماشین:
1⃣ @Machine_learn
آموزش پایتون و برنامه نویسی :
1⃣ @pythony
2⃣ @pythonchallenge
3⃣ @raspberry_python
4⃣ @Programming4all_0to100
@Machine_learn
Meta-Transfer Learning for Zero-Shot Super-Resolution
Code: https://github.com/JWSoh/MZSR
Paper: https://arxiv.org/abs/2002.12213v1
@Machine_learn
Fast and Easy Infinitely Wide Networks with Neural Tangents
https://ai.googleblog.com/2020/03/fast-and-easy-infinitely-wide-networks.html
Colab notebook: https://colab.research.google.com/github/google/neural-tangents/blob/master/notebooks/neural_tangents_cookbook.ipynb#scrollTo=Lt74vgCVNN2b
Code: https://github.com/google/neural-tangents
Paper: https://arxiv.org/abs/1912.02803
@Machine_learn
Grid Search Optimization Algorithm in Python
https://stackabuse.com/grid-search-optimization-algorithm-in-python/
