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 24 517 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
Архів дописів
WILDCHAT-50M: A Deep Dive Into the Role of Synthetic Data in Post-Training
🖥 Github: https://github.com/penfever/wildchat-50m
📕 Paper: https://arxiv.org/abs/2501.18511v1
🧠 Dataset: https://huggingface.co/collections/nyu-dice-lab/wildchat-50m-679a5df2c5967db8ab341ab7
@Machine_learn
📃Can social network analysis contribute to supply chain
management? A systematic literature review and
bibliometric analysis
📎 Study paper
@Machine_learn
⁉️چرا وقتی میتونی با همین دانش در ایران درآمد دلاری داشته باشی، به ریال قانع میشی؟
💎 با شرکت در وبینار «دکتر علیرضا قیمتی» از تجربههای این کارآفرین جوان در بازارهای بینالمللی رایگان استفاده کن.
⭕️ سرفصلهای مهم این وبینار:
- معرفی پلتفرمهای جهانی فریلنسری
- شرایط حضور در بازارهای جهانی
- میزان مهارت و میانگین حقوق دریافتی
✅ این وبینار مناسب چه رشتههایی هست؟
- برنامهنویسی، طراحی سایت، UI & UX دیزاین، معماری، مهندسی مکانیک، موشن گرافیک، دیتا ساینس و... .
- دانشجویان و افراد باتجربه در رشتههای فوق
و تمام افرادی که با یک لپتاپ قابلیت ارائه مهارت خود را دارند.
⛔️فرصت استثنایی⛔️
⚠️ آفر ویژه این هفتهمون مخصوص افرادی هست که در وبینار شرکت میکنن، پس این هفته رو از دست نده!
📌 لینک ثبتنام مستقیم رایگان :
https://links.etekanesh.com/Machine_le
⬅️ تلگرام :
@TekaneshAcademy
👥 پشتیبانی :
@Academy_Tekanesh
DeepSeek LLM: Scaling Open-Source Language Models with Longtermism
Paper: https://arxiv.org/pdf/2401.02954v1.pdf
Code: https://github.com/deepseek-ai/deepseek-llm
Dataset: AlignBench
@Machine_learn
اخرین زمان برای مشارکت در این پروژه تا اخر شب...!
@Raminmousa
🐋 DeepClaude
git clone https://github.com/getasterisk/deepclaude.git
cd deepclaude
▪ Github
▪Docs
@Machine_learnRepost from Papers
با عرض سلام در يكي از پروژه هاي طبقه بندي سرطان پوست نياز به مشاركت داريم. جايگاه نفر سوم خالي مي باشد.
🔸🔻🔸🔻🔸🔻🔻
@Raminmousa
⭐️ Fast Think-on-Graph: Wider, Deeper and Faster Reasoning of Large Language Model on Knowledge Graph
🖥 Github: https://github.com/dosonleung/fasttog
📕 Paper: https://arxiv.org/abs/2501.14300v1
@Machine_learn
How to run 🐋 DeepSeek locally on your Computer
@Machine_learn
نفر ٧ از اين پروژه باقي مونده و تا اخر امشب مي تونيم اضافه كنيم به تيم...!
@Raminmousa
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
Paper submitted by #DeepSeek team has generated significant attention in the AI community.
This work addresses the enhancement of reasoning capabilities in Large Language Models (LLMs) through the application of reinforcement learning techniques. The authors introduce a novel framework, DeepSeek-R1, which aims to improve LLM reasoning abilities by incorporating incentives for logical reasoning processes within their training. This integration of reinforcement learning allows LLMs to go beyond basic linguistic processing, developing sophisticated reasoning methods that can boost performance across a wide array of complex applications.
This approach has cause lots of discussions in different communities, but it definitely opens up the whole new direction of development for the research.
Paper: https://arxiv.org/abs/2501.12948
#nn #LLM
@Machine_learn
JanusFlow: Harmonizing Autoregression and Rectified Flow for Unified Multimodal Understanding and Generation
We present JanusFlow, a powerful framework that unifies image understanding and generation in a single model. JanusFlow introduces a minimalist architecture that integrates autoregressive language models with rectified flow, a state-of-the-art method in generative modeling. Our key finding demonstrates that rectified flow can be straightforwardly trained within the large language model framework, eliminating the need for complex architectural modifications. To further improve the performance of our unified model, we adopt two key strategies: (i) decoupling the understanding and generation encoders, and (ii) aligning their representations during unified training. Extensive experiments show that JanusFlow achieves comparable or superior performance to specialized models in their respective domains, while significantly outperforming existing unified approaches across standard benchmarks. This work represents a step toward more efficient and versatile vision-language models.
Paper: https://arxiv.org/pdf/2411.07975v1.pdf
Code: https://github.com/deepseek-ai/janus
Datasets: GQA MMBench MM-Vet SEED-Bench
@Machine_learn
📃 Perspectives on Computational Enzyme Modeling: From Mechanisms to Design and Drug Development
📎 Study the paper
@Machine_learn
Repost from Papers
در پروژه MedicalRec ما نياز به يه نفر جهت مشاركت داريم(جايگاه ٧)
Project Title: MedRec: Medical recommender system for image classification without retraining
Github: https://github.com/Ramin1Mousa/MedicalRec
Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence
Impact factor: 20.8
🔸 7- 200$❌
جهت مشارکت می تونید به ایدی بنده پیام بدین.
اموزش نحوه ی انجام کار ، ریویی مقاله و کد نویسی هم داخل این کار خواهیم داشت.
🧠🧠🧠🧠🧠
@Raminmousa
