uk
Feedback
DLeX: AI Python

DLeX: AI Python

Відкрити в Telegram

هوش‌مصنوعی و برنامه‌نویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.

Показати більше

📈 Аналітичний огляд Telegram-каналу DLeX: AI Python

Канал DLeX: AI Python (@ai_python) у мовному сегменті Фарсі є активним учасником. На даний момент спільнота об'єднує 21 497 підписників, посідаючи 6 201 місце в категорії Технології та додатки та 15 635 місце у регіоні Іран.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 21 497 підписників.

За останніми даними від 13 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 54, а за останні 24 години на -5, загальне охоплення залишається високим.

  • Статус верифікації: Не верифікований
  • Рівень залученості (ER): Середній показник залученості аудиторії становить 11.46%. Протягом перших 24 годин після публікації контент зазвичай збирає 3.91% реакцій від загальної кількості підписників.
  • Охоплення публікацій: В середньому кожен допис отримує 2 464 переглядів. Протягом першої доби публікація в середньому набирає 840 переглядів.
  • Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 11.
  • Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як مصنوعی, توییتر, ماهواره, داده, فناوری.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
هوش‌مصنوعی و برنامه‌نویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.

Завдяки високій частоті оновлень (останні дані отримано 14 липня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.

21 497
Підписники
-524 години
+37 днів
+5430 день
Архів дописів
یادگیری ماشین با نرم افزار R #یادگیری_ماشین #برنامه_نویسی #منابع #آموزش #الگوریتمها #MachineLearning ❇️ @AI_Python ✴️ @AI_Python_EN

سخنرانی ارتور بنجامین در مورد اینکه افراد رو در چه حوزه ای باید تربیت کرد! ریاضیات یا احتمالات !! @Data_Experts

Training Data این سایت هم دیتاست‌های مناسب رو یکجا جمع‌آوری کرده و در دسترس قرار داده و هم کمک می‌کنه از همون مدل‌های اولیه برای لیبل زدن دیتاهای بیشتر استفاده کنید.

مقاله داغ Detect Online Trolls in Elections https://arxiv.org/abs/1910.07130 #هوش_مصنوعی #منابع #داده_کاوی #مقاله #AI #Artifi
مقاله داغ Detect Online Trolls in Elections https://arxiv.org/abs/1910.07130 #هوش_مصنوعی #منابع #داده_کاوی #مقاله #AI #ArtificialIntelligence #datamining ❇️ @AI_Python ✴️ @AI_Python_EN

راه فراگیری علم داده برای مبتدیان #منابع #علم_داده #آموزش #DataScience ❇️ @AI_Python ✴️ @AI_Python_EN
راه فراگیری علم داده برای مبتدیان #منابع #علم_داده #آموزش #DataScience ❇️ @AI_Python ✴️ @AI_Python_EN

تمام تغییرات مهم شبکه‌های کانولوشن تا ۲۰۱۸ : Paper link

35 پروژه علم داده #منابع #علم_داده #آموزش #DataScience 💠 Link ❇️ @AI_Python ✴️ @AI_Python_EN
35 پروژه علم داده #منابع #علم_داده #آموزش #DataScience 💠 Link ❇️ @AI_Python ✴️ @AI_Python_EN

By using GTrXL we find large performance gains in reinforcement learning tasks requiring memory and integration of experience through time compared to LSTM, whilst not compromising on more reactive RL tasks. This architecture really shines on some continuous control tasks requiring long temporal memory horizons, and compared to previous work doesn't require any auxiliary losses.

Transformers working for RL! Two simple modifications: move layer-norm and add gating creates GTrXL: an incredibly stable and
Transformers working for RL! Two simple modifications: move layer-norm and add gating creates GTrXL: an incredibly stable and effective architecture for integrating experience through time in RL. https://arxiv.org/abs/1910.06764 ❇️ @AI_Python ✴️ @AI_Python_EN

A new antibody search engine with publication data. #Free online platform for academic scientists! #openaccess #openscience #phdchat https://landing.benchsci.com/

Slides https://t.co/X5gKgF11bE New optimization: competitive gradient descent (CGD) for training GAN/multi-agent systems. Implicit competitive regularization from CGD means that we get SOTA with no explicit gradient penalty, better stability and no mode collapse #AI #DeepLearning ❇️ @AI_Python ✴️ @AI_Python_EN

Bayesian Optimization Meets Riemannian Manifolds in Robot Learning Jaquier et al.: https://lnkd.in/gEv2b5g #BayesianOptimization #Robotics #MachineLearning

Convolutional #NeuralNetworks have become a foundational network architecture for numerous deep learning-based #ComputerVision tasks. Here, Heartbeat contributor Brian Mwangi explores their evolution in this excellent review of the research. https://bit.ly/32fkz0p

🔸 مقاله جالبی در مورد مقایسه کامل بین ۲ فریم ورک PyTorch و TensorFlow #معرفی_ابزار #فریم_ورک #یادگیری_ماشین
🔸 مقاله جالبی در مورد مقایسه کامل بین ۲ فریم ورک PyTorch و TensorFlow #معرفی_ابزار #فریم_ورک #یادگیری_ماشین

🔹«#مسابقه هوش مصنوعی Comment Verification #دیجیکالانکست» 👈آکادمی دیجی‌کالا با همکاری Quera برگزار می‌کند. 🔹برنامه‌ی مسابقه
🔹«#مسابقه هوش مصنوعی Comment Verification #دیجیکالانکست» 👈آکادمی دیجی‌کالا با همکاری Quera برگزار می‌کند. 🔹برنامه‌ی مسابقه👇 1️⃣ مرحله اول به صورت آنلاین در تاریخ ۱۶ و ۱۷ آبان در سایت Quera برگزار می‌شود. 2️⃣مرحله دوم به صورت حضوری در تاریخ ۲۸ و ۲۹ آبان در شرکت دیجیکالانکست برگزار میشود. 🔹#جایزه، کمپ #هوش_مصنوعی و #استخدام!👇 👈معرفی افراد برتر به کمپ هوش‌مصنوعی 🎁۹۰ میلیون ریال جوایز نقدی به نفرات برتر 👈معرفی تمام شرکت کنندگان این مسابقه به بخش منابع انسانی دیجیکالا اطلاعات بیشتر و ثبت نام:👇 🔗https://quera.ir/r/2xrrx ➖➖➖➖➖➖➖➖ @Quera_ir

مهم‌ترین کتابخانه های علم داده در #پایتون این نمودار از بررسی سایت Github تهیه و توسط سایت ActiveWizards منتشر شده است. @ai_p
مهم‌ترین کتابخانه های علم داده در #پایتون این نمودار از بررسی سایت Github تهیه و توسط سایت ActiveWizards منتشر شده است. @ai_python

Simple, Scalable Adaptation for Neural Machine Translation Fine-tuning pre-trained Neural Machine Translation (NMT) models is the dominant approach for adapting to new languages and domains. However, fine-tuning requires adapting and maintaining a separate model for each target task. Researchers from Google propose a simple yet efficient approach for adaptation in #NMT. Their proposed approach consists of injecting tiny task specific adapter layers into a pre-trained model. These lightweight adapters, with just a small fraction of the original model size, adapt the model to multiple individual tasks simultaneously. Guess it can be applied not only in #NMT but in many other #NLP, #NLU and #NLG tasks. Paper: https://arxiv.org/pdf/1909.08478.pdf #BERT ❇️ @AI_Python_EN

💢 تنها ثروتی که هیچوقت از بین نمیره #تخصص است. ✅ در شرایط بد اقتصادی، آموزش #رایگان و فرستادن شما به بازار کار برای کسب درآمد، تخصص ماست👌