Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
Machine learning books and papers
Відкрити в Telegram
Admin: @Raminmousa 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 24 505 підписників, посідаючи 8 033 місце в категорії Освіта та 13 749 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 505 підписників.
За останніми даними від 03 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -99, а за останні 24 години на 2, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 6.54%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.24% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 603 переглядів. Протягом першої доби публікація в середньому набирає 549 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 04 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 Освіта.
24 505
Підписники
+224 години
-107 днів
-9930 день
Архів дописів
Machine Learning and Security — C. Chio, D. Freeman (en) 2018
#book #ML
@Machine_learn
AI & Art
@Machine_learn
some artist use the large collections of #data & #ML #algorithms to create mesmerizing & dynamic #installations
watch the video —> https://youtu.be/I-EIVlHvHRM
Paper link:
https://arxiv.org/pdf/1904.02689.pdf
Github repo:
https://github.com/dbolya/yolact
YOLACT (You Only Look At CoefficienTs) - Real-time Instance Segmentation
Results are impressive, above 30 FPS on COCO test-dev
Practical Computer Vision Applications Using Deep Learning with CNNs — Ahmed Fawzy Gad (en) 2018
@Machine_learn
Uber AI Plug and Play Language Model (PPLM)
PPLM allows a user to flexibly plug in one or more simple attribute models representing the desired control objective into a large, unconditional language modeling (LM). The method has the key property that it uses the LM as is – no training or fine-tuning is required – which enables researchers to leverage best-in-class LMs even if they don't have the extensive hardware required to train them.
PPLM lets users combine small attribute models with an LM to steer its generation. Attribute models can be 100k times smaller than the LM and still be effective in steering it
PPLM algorithm entails three simple steps to generate a sample:
* given a partially generated sentence, compute log(p(x)) and log(p(a|x)) and the gradients of each with respect to the hidden representation of the underlying language model. These quantities are both available using an efficient forward and backward pass of both models;
* use the gradients to move the hidden representation of the language model a small step in the direction of increasing log(p(a|x)) and increasing log(p(x));
* sample the next word
more at paper: https://arxiv.org/abs/1912.02164
blogpost: https://eng.uber.com/pplm/
code: https://github.com/uber-research/PPLM
online demo: https://transformer.huggingface.co/model/pplm
@Machine_learn
#nlp #lm #languagemodeling #uber #pplm
Learning Singing From Speech
Article: https://arxiv.org/abs/1912.10128
Example: https://tencent-ailab.github.io/learning_singing_from_speech/
# Histogram-based Outlier Score (HBOS): A fastUnsupervised Anomaly Detection Algorithm #code #HBOS #Anomaly_Detection
رویکرد HBOS یک رویکرد بدون نظارت برای کشف انومالی می باشد در این jupyter notebook این الگوریتم بر روی ۹ میلیون تراکنش مربوط به جیرینگ اعمال شده است دیتای مربوط به تراکنش ها در دو دسته زیر قابل دانلود است:
داده های نمونه: https://ufile.io/4sv1ugpt
کل مجموعه داده ها:
https://ufile.io/4sv1ugpt
تشکر از خانم معارفیبرای مجموعه داده ها
@Machine_learn
# Histogram-based Outlier Score (HBOS): A fastUnsupervised Anomaly Detection Algorithm #Paper #HBOS #Anomaly_Detection @Machine_learn
discriminative :
1:#Regression
2:#Logistic regression
3:#decision tree(Hunt)
4:#neural network(traditional network, deep network)
5:#Support Vector Machine(SVM)
Generative:
1:#Hidden Markov model
2:#Naive bayes
3:#K-nearest neighbor(KNN)
4:#Generative adversarial networks(GANs)
Deep learning:
1:CNN
R_CNN
Fast-RCNN
Mask-RCNN
2:RNN
3:LSTM
4:CapsuleNet
5:Siamese:
siamese cnn
siamese lstm
siamese bi-lstm
siamese CapsuleNet
6:time series data
SVR
DT(cart)
Random Forest linear
Bagging
Boosting
جهت درخواست و راهنمایی در رابطه با پیاده سازی مقالات و پایان نامه ها در رابطه با مباحث deep learning و machine learning با ایدی زیر در ارتباط باشید
@Raminmousa
@Machine_learn
A new open benchmark for speech recognition with limited or no supervision
https://ai.facebook.com/blog/a-new-open-benchmark-for-speech-recognition-with-limited-or-no-supervision/
Code and dataset: https://ai.facebook.com/tools/libri-light
Full paper: https://arxiv.org/abs/1912.07875
T5: Text-To-Text Transfer Transformer
Github: https://github.com/google-research/text-to-text-transfer-transformer
Paper: https://arxiv.org/abs/1910.10683
@Machine_learn
A collection of anomaly detection methods #Code #Python #Anomaly_detection @Machine_learn
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
https://arxiv.org/abs/1910.06922
SIte : https://ajolicoeur.wordpress.com/
Github : https://github.com/AlexiaJM/MaximumMarginGANs
Practical Machine Learning with Python
#ML #Python
@Machine_learn
GNNExplainer: Generating Explanations for Graph Neural Networks
https://arxiv.org/abs/1903.03894
Github : https://github.com/RexYing/gnn-model-explainer/
New book 🔥DEEP LEARNING WITH PYTORCH 2019 #DL #Python
#Book #CNN #RNN
@Machine_learn
👌Finding label errors in datasets and learning with noisy labels.
https://github.com/cgnorthcutt/cleanlab/
