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 24 499 подписчиков, занимая 8 053 место в категории Образование и 13 774 место в регионе Иран.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 24 499 подписчиков.
Согласно последним данным от 30 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -131, а за последние 24 часа — -4, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.24%. В первые 24 часа после публикации контент обычно набирает 1.98% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 1 773 просмотров. В течение первых суток публикация набирает 484 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 01 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.
24 499
Подписчики
-424 часа
-187 дней
-13130 день
Архив постов
با عرض سلام دوستانی که می خواهند در مقاله ی بالا شرکت کنند می تونن به ایدی بنده جهت اسم نویسی پیام بدن نفر اول 500$ و نفر دوم 400$ جهت مشارکت. با تشکر
@Raminmousa
Sentiment analysis (SA) is a computational analysis of ideas, feelings and opinions, and uses natural language processing techniques, computational techniques and text analyses to extract polarity (positive, negative or neutral) from non-structured documents or textual comments. the purpose of the multi-domain SA is that the classifier training is based on a set of labelled data in a way that reduces the need for large amounts of data on specific domains and to address the challenges of data scarcity in them with the help of existing data on other domains. The purpose of this paper is to present a new method for analysing the Persian multi-domain SA using DL approaches. The proposed Bi-GRUCapsule approach uses the combination of two networks Bi-GRU and CapsuleNet to solve the multi-domain SA problem that Bi-GRU has the role of extracting features for CapsuleNet. the proposed approach was evaluated using the Digikala dataset and has received acceptable accuracy compared to the existing approaches.
Algorithms for Clustering Data #Book #Clustering @Machine_learn
DATA CLUSTERING Algorithms and Applications #Clustering #Book @Machine_learn
Cluster Analysis: Basic Concept #Clustering #book @Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
Training Machine Learning Models More Efficiently with Dataset Distillation
http://ai.googleblog.com/2021/12/training-machine-learning-models-more.html
@Machine_learn
با عرض سلام دوستانی که نیاز به تهیه ی پکیچ ما دارند می تونن به ایدی بنده پیام بدن @Raminmousa . همچنین دوستانی که نیاز به مشاوره در رابطه با ابده های جدید ، کارهای عملی، پروپوزال و پایان نامه دارند می تونن با ایدی بنده یا شماره واتس اپ بنده 09333900804 در ارتباط باشند.
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@Machine_learn
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@Machine_learn
Movie Name Generation Using GPT-2
https://www.nbshare.io/notebook/976197999/Movie-Name-Generation-Using-GPT-2/
@Machine_learn
General and Scalable Parallelization for Neural Networks
http://ai.googleblog.com/2021/12/general-and-scalable-parallelization.html
@Machine_learn
Improving Vision Transformer Efficiency and Accuracy by Learning to Tokenize
http://ai.googleblog.com/2021/12/improving-vision-transformer-efficiency.html
@Machine_learn
A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents
Github: https://github.com/extreme-classification/deepxml
Paper: https://arxiv.org/abs/2111.06685v1
Dataset: https://paperswithcode.com/dataset/extreme-classification
@Machine_learn
🔹 LUMINOUS: Indoor Scene Generation for Embodied AI Challenges
Github: https://github.com/amazon-research/indoor-scene-generation-eai
Paper: https://arxiv.org/abs/2111.05527v1
Dataset: https://paperswithcode.com/dataset/ai2-thor
@Machine_learn
Deep Neural Networks to Detect Weeds from Crops in Agricultural Environments in Real-Time: A Review
Github: https://github.com/Ildaron/Laser_control
Paper: https://www.mdpi.com/2072-4292/13/21/4486
@Machine_learn
Deep Learning for disentangling Liquidity-constrained and Strategic Default #DL #Liquidity #Paper @Machine_learn
