Machine learning books and papers

Відкрити в Telegram

Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn

📈 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 24 517 підписників, посідаючи 8 056 місце в категорії Освіта та 13 757 місце у регіоні Іран.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 517 підписників.

За останніми даними від 24 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -165, а за останні 24 години на -3, загальне охоплення залишається високим.

Статус верифікації: Не верифікований
Рівень залученості (ER): Середній показник залученості аудиторії становить 6.78%. Протягом перших 24 годин після публікації контент зазвичай збирає 1.90% реакцій від загальної кількості підписників.
Охоплення публікацій: В середньому кожен допис отримує 1 663 переглядів. Протягом першої доби публікація в середньому набирає 465 переглядів.
Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 1.
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: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn”

Завдяки високій частоті оновлень (останні дані отримано 25 червня, 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.

24 517

Підписники

-324 години

-477 днів

-16530 день

1 663

Перегляди допису

~ 46524 години

~ 57948 годин

6.78%

Коефіцієнт залучення

Немає даних

Дописів на день

Ads index

beta

Триває завантаження даних...

Схожі канали

75.9K

Data Science & Machine Learning

35.0K

Age Of Geeks

20.2K

Programming Resources

Більше каналів

Вхідні та вихідні згадування

---

Залучення підписників

червень '26

+32

в 1 каналах

травень '26

+45

в 2 каналах

Get PRO

квітень '26

+45

в 0 каналах

Get PRO

березень '26

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
25 червня	0
24 червня	0
23 червня	0
22 червня	0
21 червня	+1
20 червня	+2
19 червня	0
18 червня	+1
17 червня	0
16 червня	+2
15 червня	+3
14 червня	0
13 червня	0
12 червня	+1
11 червня	+2
10 червня	+1
09 червня	+1
08 червня	+6
07 червня	0
06 червня	+3
05 червня	+3
04 червня	+5
03 червня	0
02 червня	+1
01 червня	0

Дописи каналу

⚡️Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds HF: https://huggingface.co/papers/2511.08892 Peoject: https://www.lumine-ai.org/ Paper: https://arxiv.org/abs/2511.08892 @Machine_learn

2	🔥 World Action Models: A Survey 💡 The paper World Action Models A Survey provides a comprehensive overview of World Action Models, which are predictive action systems that generate future states for decision making. These models balance representational richness against computational constraints, and recent developments have led to a blurring of boundaries among various related models. The survey aims to clarify these boundaries and provide a common account of the field. The authors organize existing works into two complementary views. The first view examines what each method is required to generate, including rendered futures, latent futures, and video generation free action reasoning. The second view decomposes each method into its predictive substrate, backbone, action coupling, and deployment regime. This anatomy allows for a unified discussion of key aspects such as interactability, causality, persistence, physical plausibility, and generalization. The survey reveals a consistent design pattern in World Action Models, where design choices trade representational richness against compute, memory, latency, and action label cost. The authors find that the field is moving towards methods that generate less of the future while preserving what is required for control. The survey provides a clear and unified account of the field, covering data, evaluation, and open challenges, and provides a foundation for future research in World Action Models. The main contributions of the paper are to clarify the boundaries and definitions of World Action Models, to provide a comprehensive overview of existing works, and to identify a consistent design pattern in the field. The survey also highlights the key challenges and open issues in World Action Models, including the need for more efficient and effective methods that balance representational richness against computational constraints. Overall, the paper provides a valuable resource for researchers and practitioners in the field of World Action Models, and helps to advance the state of the art in predictive action systems. 📅 Published on Jun 18 🔗 Links: • GitHub: https://github.com/huggingface • arXiv: https://arxiv.org/abs/2606.20781 • PDF: https://arxiv.org/pdf/2606.20781 • Project Page: https://world-action-models.github.io/ ━━━━━━━━━━━━━━━━━━━━━━━━ @Machine_learn	388
3	🔥 Efficient Guided Generation for Large Language Models 💡 The paper presents an efficient method for guiding large language model text generation using regular expressions and context-free grammars. The problem addressed is that guided generation can be impractical due to significant overhead. The authors propose an approach that adds minimal overhead to the token sequence generation process. This method makes guided generation feasible in practice. The approach is implemented in the open source Python library Outlines, providing a practical solution for efficient guided generation. The results indicate that the method is effective, allowing for guided generation with little to no overhead, which is a significant contribution to the field of natural language processing. 📅 Published on Jul 19, 2023 🔗 Links: • GitHub: https://github.com/huggingface • arXiv: https://arxiv.org/abs/2307.09702 • PDF: https://arxiv.org/pdf/2307.09702 ━━━━━━━━━━━━━━━━━━━━━━━━ @Machine_learn	386
4	با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن Price 2: 300$ 5:150$ @Raminmousa @Paper4money @Machine_learn	1 123
5	📃 Current Bioinformatics Tools in Precision Oncology 📎 Study paper @Machine_learn	1 100
6	با عرض سلام مقاله MedicalRec توسط بنده و دوستان ارائه شد. این مقاله جهت ارائه ی سیستم پیشنهاد دهنده مدل طبقه بندی برای تصاویر پزشکی میباشد. در ادامه ما می خواهیم MedicalRec2 را توسعه دهیم که یک مدل پیشنهاد دهنده طبقه بند و تقسیم بند در حوزه ی پزشکی می باشد. از این رو نفرات ۲ تا ۶ این مقاله را جهت مشارکت در نظر داریم. هزینه ها از قرار زیر می باشند. 2: 500$ 3: 400$ 4: 300$ 5: 250$ 6: 200$ جهت مشارکت با ایدی بنده در ارتباط باشین. @Raminmousa @Paper4money	1 723
7	+5 🎬 ساخت ویدیو • Sora • Kling • Veo • Seedance • Lumalabs 🎨 ساخت تصویر • Google Flow • Qwen Image • NanoBanana • ChatGPT Image • Grok 🎤 تقلید صدا • ElevenLabs • Fish Audio • Minimax • Descript • Respeecher 🧠 تحقیق و کاوش • ChatGPT • Gemini • Perplexity • NotebookLM • Deepseek 🗣 ساخت کاراکتر سخنگو • Heygen • Synthesia • D-ID • Hedra ━━━━━━━━━━━━━━━ 🔗 لینک ابزارها: • ChatGPT → https://chatgpt.com • Gemini → https://gemini.google.com • Perplexity → https://perplexity.ai • Deepseek → https://deepseek.com • NotebookLM → https://notebooklm.google.com • Kling → https://klingai.com • Veo → https://deepmind.google/technologies/veo • Lumalabs → https://lumalabs.ai • Sora → https://openai.com/sora • ElevenLabs → https://elevenlabs.io • Fish Audio → https://fish.audio • Descript → https://descript.com • Heygen → https://heygen.com • Synthesia → https://synthesia.io • D-ID → https://d-id.com @ai_farshad	2 573
8	تنها ۳ روز تا سابمیت این مقاله باقی مونده....!	2 049
9	برای این مقاله فقط ۵ روز وقت داریم دوستانی که نیاز دارند زودتر اقدام کنن...!	634
10	با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲، ۴ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن Price 2: 300$ 4: 200$ 5:150$ @Raminmousa @Paper4money @Machine_learn	2 833
11	با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲، ۴ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن Price 2: 300$ 4: 200$ 3:150$ @Raminmousa @Paper4money @Machine_learn	480
12	Follow the Machine Learning with Python channel on WhatsApp: https://whatsapp.com/channel/0029VaC7Weq29753hpcggW2A	2 825
13	🔥 Awesome open-source project to learn more about Transformer Models! 🤖✨ We found this interactive website that shows you visually how transformer models work. 🌐📊 Transformer Explainer: https://poloclub.github.io/transformer-explainer/ @Machine_learn	2 989
14	❣️	3 932

Переглянути всі дописи