Machine learning books and papers
Відкрити в Telegram
Admin: @Raminmousa1 ID: @Machine_learn link: https://t.me/Machine_learn
Показати більше📈 Аналітичний огляд Telegram-каналу Machine learning books and papers
Канал Machine learning books and papers (@machine_learn) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 24 125 підписників, посідаючи 8 267 місце в категорії Освіта та 14 567 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 125 підписників.
За останніми даними від 25 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -172, а за останні 24 години на -2, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 6.51%. Протягом перших 24 годин після публікації контент зазвичай збирає 1.93% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 570 переглядів. Протягом першої доби публікація в середньому набирає 466 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 2.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як disorder, psy, مقاله, framework, graph.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Admin: @Raminmousa1
ID: @Machine_learn
link: https://t.me/Machine_learn”
Завдяки високій частоті оновлень (останні дані отримано 26 жовтня, 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 Освіта.
24 125
Підписники
-224 години
-537 днів
-17230 днів
Завантажуємо дані
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
жовтень '26жовт '26
жовтень '26
+11
в 1 каналах
вересень '26
+13
в 2 каналах
Get PRO
серпень '26
+76
в 1 каналах
Get PRO
липень '26
+83
в 2 каналах
Get PRO
червень '26
+44
в 1 каналах
Get PRO
травень '26
+45
в 2 каналах
Get PRO
квітень '26
+45
в 0 каналах
Get PRO
березень '26
+2
в 0 каналах
Get PRO
лютий '26
+14
в 1 каналах
Get PRO
січень '26
+10
в 1 каналах
Get PRO
грудень '25
+251
в 2 каналах
Get PRO
листопад '25
+522
в 11 каналах
Get PRO
жовтень '25
+1 065
в 2 каналах
Get PRO
вересень '25
+794
в 2 каналах
Get PRO
серпень '25
+941
в 11 каналах
Get PRO
липень '25
+835
в 3 каналах
Get PRO
червень '25
+734
в 3 каналах
Get PRO
травень '25
+956
в 2 каналах
Get PRO
квітень '25
+1 898
в 4 каналах
Get PRO
березень '25
+658
в 7 каналах
Get PRO
лютий '25
+44
в 4 каналах
Get PRO
січень '25
+92
в 8 каналах
Get PRO
грудень '24
+134
в 5 каналах
Get PRO
листопад '24
+394
в 13 каналах
Get PRO
жовтень '24
+463
в 6 каналах
Get PRO
вересень '24
+249
в 4 каналах
Get PRO
серпень '24
+387
в 3 каналах
Get PRO
липень '24
+220
в 1 каналах
Get PRO
червень '24
+228
в 11 каналах
Get PRO
травень '24
+422
в 2 каналах
Get PRO
квітень '24
+611
в 11 каналах
Get PRO
березень '24
+731
в 4 каналах
Get PRO
лютий '24
+1 021
в 1 каналах
Get PRO
січень '24
+1 100
в 13 каналах
Get PRO
грудень '23
+628
в 0 каналах
Get PRO
листопад '23
+409
в 11 каналах
Get PRO
жовтень '23
+296
в 9 каналах
Get PRO
вересень '23
+365
в 0 каналах
Get PRO
серпень '23
+467
в 0 каналах
Get PRO
липень '23
+715
в 0 каналах
Get PRO
червень '23
+268
в 0 каналах
Get PRO
травень '23
+107
в 0 каналах
Get PRO
квітень '23
+107
в 0 каналах
Get PRO
березень '23
+249
в 0 каналах
Get PRO
лютий '23
+110
в 0 каналах
Get PRO
січень '23
+163
в 0 каналах
Get PRO
грудень '22
+118
в 0 каналах
Get PRO
листопад '22
+165
в 0 каналах
Get PRO
жовтень '22
+101
в 0 каналах
Get PRO
вересень '22
+177
в 0 каналах
Get PRO
серпень '22
+220
в 0 каналах
Get PRO
липень '22
+229
в 0 каналах
Get PRO
червень '22
+56
в 0 каналах
Get PRO
травень '22
+296
в 0 каналах
Get PRO
квітень '22
+411
в 0 каналах
Get PRO
березень '22
+47
в 0 каналах
Get PRO
лютий '22
+34
в 0 каналах
Get PRO
січень '22
+44
в 0 каналах
Get PRO
грудень '21
+59
в 0 каналах
Get PRO
листопад '21
+59
в 0 каналах
Get PRO
жовтень '21
+109
в 0 каналах
Get PRO
вересень '21
+454
в 0 каналах
Get PRO
серпень '21
+251
в 0 каналах
Get PRO
липень '21
+84
в 0 каналах
Get PRO
червень '21
+183
в 0 каналах
Get PRO
травень '21
+126
в 0 каналах
Get PRO
квітень '21
+116
в 0 каналах
Get PRO
березень '21
+101
в 0 каналах
Get PRO
лютий '21
+601
в 0 каналах
Get PRO
січень '21
+167
в 0 каналах
Get PRO
грудень '20
+8 834
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 27 жовтня | 0 | |||
| 26 жовтня | 0 | |||
| 25 жовтня | 0 | |||
| 24 жовтня | 0 | |||
| 23 жовтня | 0 | |||
| 22 жовтня | 0 | |||
| 21 жовтня | 0 | |||
| 20 жовтня | 0 | |||
| 19 жовтня | 0 | |||
| 18 жовтня | 0 | |||
| 17 жовтня | 0 | |||
| 16 жовтня | 0 | |||
| 15 жовтня | 0 | |||
| 14 жовтня | 0 | |||
| 13 жовтня | +6 | |||
| 12 жовтня | 0 | |||
| 11 жовтня | +2 | |||
| 10 жовтня | 0 | |||
| 09 жовтня | +1 | |||
| 08 жовтня | 0 | |||
| 07 жовтня | +1 | |||
| 06 жовтня | 0 | |||
| 05 жовтня | 0 | |||
| 04 жовтня | +1 | |||
| 03 жовтня | 0 | |||
| 02 жовтня | 0 | |||
| 01 жовтня | 0 |
Дописи каналу
سلام
فقط دو روز تا سابمیت نهایی این مقاله باقی مونده دوستانی که نیاز دارن بهم پیام بدن.
@Raminmousa1
| 2 |  🔥 OmniReasoning: Pushing the Limits of Audio-Visual Joint Reasoning
💡 Summary
🔗 Links:
GitHub: https://github.com/huggingface
arXiv: https://arxiv.org/abs/2609.39490
PDF: https://arxiv.org/pdf/2609.39490
Project Page: https://pku-value-lab.github.io/OmniReasoning-Homepage/
📊 Datasets citing this paper:
https://huggingface.co/datasets/mjuicem/OmniReasoning-131K
https://huggingface.co/datasets/mjuicem/OmniReasoningBench
@Machine_learn | 910 |
| 3 |  با عرض سلام این مقاله نفرات ۲ و ۳ رو میخواییم اسم بنویسم. هزینه به ترتیب ۳۰۰ و ۲۰۰ دلار. اگه کسی نیاز داشت به ایدیم پیام بده.
@Raminmousa1 | 445 |
| 4 | با عرض سلام این مقاله نفرات ۲ و ۳ رو میخواییم اسم بنویسم. هزینه به ترتیب ۳۰۰ و ۲۰۰ دلار. اگه کسی نیاز داشت به ایدیم پیام بده.
@Raminmousa1 | 1 723 |
| 5 | preprints202504.2464.v1.pdf | 1 892 |
| 6 |  🔥 Prism: Dynamic Sparse Attention for Native 2K Joint Video-Audio Generation Model Training
🔗 Links:
GitHub: https://github.com/huggingface
arXiv: https://arxiv.org/abs/2610.05416
PDF: https://arxiv.org/pdf/2610.05416
Project Page: https://francis-rings.github.io/Prism/
🤖 Models citing this paper:
https://huggingface.co/FrancisRing/Prism
🚀 Spaces citing this paper:
https://huggingface.co/spaces/bibibi12345/Prism
https://huggingface.co/spaces/tardellirs/model-pulse
@Machine_learn | 1 892 |
| 7 |  🔥 Spatial Memory Intelligence: Endowing World Models with Understanding-Driven Long-Term Memory
🔗 Links:
GitHub: https://github.com/huggingface
arXiv: https://arxiv.org/abs/2610.02521
PDF: https://arxiv.org/pdf/2610.02521
Project Page: https://spatial-memory-intelligence.github.io/
@Machine_learn | 1 684 |
| 8 | High-Impact Research Paper – MedicalRec / GROKRec
Title: MedicalRec
Price: $1,000 USD
Looking for a ready-to-publish, novel research paper in medical AI and sustainable deep learning?
This paper introduces GROKRec, an innovative recommender framework that uses embedding vectors from the Grok language model combined with numerical features to recommend the best deep learning model for any medical image classification task — without the need to train dozens of models on the target dataset.
Key Highlights:
Addresses major real-world problems: high computational cost, energy consumption, carbon emissions, and e-waste caused by training large DL models.
Built on a newly curated public dataset MedicalRec-Bench II containing 3,500 research papers and over 6,000 model evaluation records across diverse medical imaging tasks.
Evaluated under four feature configurations (MedicalRec I) using 13 different models.
Achieves strong performance with HitRate@100 ranging from 72.43% to 77.08% — the highest among compared approaches.
Uses composite loss functions and regularization techniques for accurate recommendations.
Fully eliminates the trial-and-error process of training multiple models, significantly reducing carbon footprint.
This is a complete, self-contained research contribution with a novel dataset and a practical, environmentally conscious solution for the medical AI community.
Ideal for: Researchers, academic publishers, journals, or institutions looking for high-quality, ready-to-use work in medical image analysis, recommender systems, and green AI.
Price: $1,000 USD (one-time transfer of ownership/rights as agreed).
Interested? Contact me for the full manuscript, dataset details, or to discuss terms.
@Raminmousa1 | 2 030 |
| 9 |  🔥 FrameMorrow: Future-guided Frame Selection with Prospective Tokens for Long-Horizon Video Generation
🔗 Links:
GitHub: https://github.com/huggingface
arXiv: https://arxiv.org/abs/2609.38839
PDF: https://arxiv.org/pdf/2609.38839
Project Page: https://yinbo0927.github.io/FrameMorrow/
@Machine_learn | 1 559 |
| 10 |  🔥 TAPNext: Tracking Any Point (TAP) as Next Token Prediction
🔗 Links:
GitHub: https://github.com/huggingface
arXiv: https://arxiv.org/abs/2504.05579
PDF: https://arxiv.org/pdf/2504.05579
Project Page: https://tap-next.github.io/
@machine_learn | 1 557 |
| 11 |  ☁️ ابرک ویراک را 24 ساعت رایگان تست کنید!
قبل از خرید، سرویس ابری VirakCloud را با شرایط واقعی امتحان کنید:
🎁 24 ساعت تست رایگان
🚀 پهنای باند اختصاصی با ترافیک نامحدود
⏱️ پرداخت ساعتی؛ فقط به اندازه مصرفتان هزینه کنید
بدون نیاز به تعهد بلندمدت، ابرک خودتان را بسازید، عملکرد سرویس را بررسی کنید و بعد تصمیم بگیرید.
برای دریافت کد تست رایگان، کلمه «تست» را به آیدی زیر ارسال کنید:
https://t.me/cloud_virak
👇 سپس وارد پنل VirakCloud شوید، کد را وارد کنید و ابرک خود را بسازید:
🔗 https://B2n.ir/qy4432
☎️ 02191555530
🌐 virakcloud.com | 417 |
| 12 |  📖 "A Little Book on the Fundamentals of Generative AI" - an intuitive introduction to the mathematics:
arxiv.org/pdf/2605.29713
#GenerativeAI #Mathematics #DeepLearning #AIResearch #MachineLearning #arXiv
✨ Join Best TG Channels https://t.me/addlist/0f6vfFbEMdAwODBk
@Machine_learn | 1 839 |
| 13 |  🔎 #وبینار عملی ریشهیابی خطا با Sentry
🔮 در وبینار «از گزارش خطای کاربر تا ریشهیابی مشکل با Sentry» با یک سناریوی عملی، مسیر رسیدن از گزارش یک مشکل به سرنخهای لازم برای ریشهیابی آن را دنبال میکنیم.
در این وبینار:
• #سنتری را راهاندازی میکنیم و به یک اپلیکیشن متصل میشویم
• یک خطا را ثبت میکنیم و با اطلاعاتی که Sentry در اختیارمان میگذارد، علت آن را بررسی میکنیم
• با Session Replay اتفاقات پیش از بروز خطا را از دید کاربر بازبینی میکنیم
• با Trace و Span مسیر اجرای عملیات را دنبال و گلوگاههای عملکردی اپلیکیشن را پیدا میکنیم.
📣 ارائهدهنده: علیرضا بانشی | SaaS Team Lead در همروش
📅 سهشنبه ۲۱ مهر ساعت ۱۹
🔗 ثبتنام رایگان:
https://hmrv.sh/EdN7gd
☁️@hamravesh | 540 |
| 14 |  با عرض سلام این مقاله به صورت کامل واگذار میشه به همراه پیاده سازی مجموعه داده و قالب latex. هزینه کار ۱۰۰۰ دلار
@Raminmousa1 | 1 911 |
| 15 |  Understanding Attention
From Q, K, V to Modern Transformer Attention
https://drive.google.com/file/d/1fCHQ5xCQJ6jZszAYf-qP3VIySbzFIEDv/view
@Machine_learn | 2 060 |
| 16 |  Uniface
Automate face detection, recognition, and analysis of key facial landmarks with the Uniface Python library.
https://github.com/yakhyo/uniface
@Machine_learn | 1 868 |
| 17 | For Sale: High-Impact Research Paper – MedicalRec / GROKRec
Title: MedicalRec
Price: $1,000 USD
Looking for a ready-to-publish, novel research paper in medical AI and sustainable deep learning?
This paper introduces GROKRec, an innovative recommender framework that uses embedding vectors from the Grok language model combined with numerical features to recommend the best deep learning model for any medical image classification task — without the need to train dozens of models on the target dataset.
Key Highlights:
Addresses major real-world problems: high computational cost, energy consumption, carbon emissions, and e-waste caused by training large DL models.
Built on a newly curated public dataset MedicalRec-Bench II containing 3,500 research papers and over 6,000 model evaluation records across diverse medical imaging tasks.
Evaluated under four feature configurations (MedicalRec I) using 13 different models.
Achieves strong performance with HitRate@100 ranging from 72.43% to 77.08% — the highest among compared approaches.
Uses composite loss functions and regularization techniques for accurate recommendations.
Fully eliminates the trial-and-error process of training multiple models, significantly reducing carbon footprint.
This is a complete, self-contained research contribution with a novel dataset and a practical, environmentally conscious solution for the medical AI community.
Ideal for: Researchers, academic publishers, journals, or institutions looking for high-quality, ready-to-use work in medical image analysis, recommender systems, and green AI.
Price: $1,000 USD (one-time transfer of ownership/rights as agreed).
Interested? Contact me for the full manuscript, dataset details, or to discuss terms.
@Raminmousa1 | 2 127 |
| 18 | For Sale: High-Impact Research Paper – MedicalRec / GROKRec
Title: MedicalRec
Price: $1,000 USD
Looking for a ready-to-publish, novel research paper in medical AI and sustainable deep learning?
This paper introduces GROKRec, an innovative recommender framework that uses embedding vectors from the Grok language model combined with numerical features to recommend the best deep learning model for any medical image classification task — without the need to train dozens of models on the target dataset.
Key Highlights:
Addresses major real-world problems: high computational cost, energy consumption, carbon emissions, and e-waste caused by training large DL models.
Built on a newly curated public dataset MedicalRec-Bench II containing 3,500 research papers and over 6,000 model evaluation records across diverse medical imaging tasks.
Evaluated under four feature configurations (MedicalRec I) using 13 different models.
Achieves strong performance with HitRate@100 ranging from 72.43% to 77.08% — the highest among compared approaches.
Uses composite loss functions and regularization techniques for accurate recommendations.
Fully eliminates the trial-and-error process of training multiple models, significantly reducing carbon footprint.
This is a complete, self-contained research contribution with a novel dataset and a practical, environmentally conscious solution for the medical AI community.
Ideal for: Researchers, academic publishers, journals, or institutions looking for high-quality, ready-to-use work in medical image analysis, recommender systems, and green AI.
Price: $1,000 USD (one-time transfer of ownership/rights as agreed).
Interested? Contact me for the full manuscript, dataset details, or to discuss terms.
@Raminmousa1 | 1 |
| 19 | #for_sell
@Raminmousa1 | 1 579 |
| 20 |  ❇️ MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning 🔥
Source code: https://github.com/xiaomi-mlab/Minddrive
@Machine_learn | 2 410 |
