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 24 518 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 24 518 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.

24 518

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

Архів дописів

24 518

دوستان خروجي اين كار ٣ تا مقاله خواهد بود...!

24 518

Repost from Papers

با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم روي حوزه ي LLM مدل ها كار كنيم. این کار تحت نظر استاد Rex (Zhitao) Ying انجام میشه. link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en ۲نفر براي همکاری نياز داريم. BioPars: a pre-trained biomedical large language model for persian biomedical text mining. ١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...) ٢- پيش پردازش متن ها و تميز كردن متن ها ٣- اموزش ترنسفورمرها ي مورد نظر ٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...) دوستاني كه مايل به مشاركت هستن مي تونين بهم اطلاع بدن. هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد. 🔹نفر سوم 500 دلار 🔺نفر چهارم 400 دلار @Raminmousa @Machine_learn https://t.me/+SP9l58Ta_zZmYmY0

24 518

Repost from Github LLMs

🌟 LLaMA-Mesh: 🟡Arxiv 🖥GitHub https://t.me/deep_learning_proj

24 518

🌟 AlphaFold 3 🟡Paper 🟡Demo 🖥GitHub @Machine_learn

24 518

Building Blocks for Theoretical Computer Science 🎓 Link @Machine_learn

24 518

📑 Application of graph theory in liver research: A review 📎 Study paper @Machine_learn

24 518

Repost from Papers

با عرض سلام مقاله زیر در مرحله major revision می‌باشد. نفر ۴ ام از این مقاله قابل اضافه کردن است. Abstract Breast cancer stands as a prevalent cause of fatality among females on a global scale, with prompt detection playing a pivotal role in diminishing mortality rates. The utilization of ultrasound scans in the BUSI dataset for medical imagery pertaining to breast cancer has exhibited commendable segmentation outcomes through the application of UNet and UNet++ networks. Nevertheless, a notable drawback of these models resides in their inattention towards the temporal aspects embedded within the images. This research endeavors to enrich the UNet++ architecture by integrating LSTM layers and self-attention mechanisms to exploit temporal characteristics for segmentation purposes. Furthermore, the incorporation of a Multiscale Feature Extraction Module aims to grasp varied scale features within the UNet++. Through the amalgamation of our proposed methodology with data augmentation on the BUSI with GT dataset, an accuracy rate of 98.88%, specificity of 99.53%, precision of 95.34%, sensitivity of 91.20%, F1-score of 93.74, and Dice coefficient of 92.74% are achieved. These findings demonstrate competitiveness with cutting-edge techniques outlined in existing literature. Keywords: Attention mechanisms, BUSI dataset, Deep Learning, Feature Extraction, Multi-Scale features دوستانی که نیاز دارن به ایدی بنده پیام بدن. #Unet++ #Segmentation @Raminmousa @Machine_learn https://t.me/+SP9l58Ta_zZmYmY0

24 518

Probability, Random Processes, and Statistical Analysis Applications to Communications, Signal Processing, Queueing Theory and Mathematical Finance 📕 Book @Machine_learn

24 518

Book: The Art of Data Science Authors: Roger D. Peng & Elizabeth Matsui @Machine_learn

24 518

01. Time Series Visualization from Raw Data to Insights.pdf11.68 MB

24 518

New o3 OpenAI model is changing the game! For a long time, ARC was seen as proof that AI models “can’t think.” The argument went: if they truly could, why do they perform so poorly on this benchmark? Well, those days are over. The o3 model demonstrates not only the ability to think but also the capability to tackle tasks once considered out of reach. 👀 Check out the full breakdown of this breakthrough: https://arcprize.org/blog/oai-o3-pub-breakthrough It might be time to rethink what AI can achieve. Looking forward to the release! @Machine_learn

24 518

با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم. این کار تحت نظر استاد Rex (Zhitao) Ying انجام میشه. link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en 1نفر براي همکاری نياز داريم. BioPars: a pre-trained biomedical large language model for persian biomedical text mining. ١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...) ٢- پيش پردازش متن ها و تميز كردن متن ها ٣- اموزش ترنسفورمرها ي مورد نظر ٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...) دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن. هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد. 🔹نفر چهارم 500 دلار @Raminmousa @Machine_learn https://t.me/+SP9l58Ta_zZmYmY0 🔹🔹شروع کار از امشب🔹🔹

24 518

Gemini API Cookbook 📚 Github @Machine_learn

24 518

مرکز تخصصی خریدوفروش مقاله +کتاب +ثبت اختراع و سایتیشن مقالات https://t.me/online24_24 https://t.me/online24_24

24 518

Perfect Roadmap To Learn Data Science In 2024 📖 Book @Machine_learn

24 518

دو‌ روز تا سابمیت نهایی این مقاله...!

24 518

Repost from Papers

با عرض سلام نفر سوم براي مقاله زير رو خالي داريم. Title: Alzheimer’s disease (AD) classification using swin transformer wavelet and Improved Gray Wolf Optimization (IGWO) Abstract: Alzheimer’s disease (AD) is a slow neurological disorder that destroys the thought process, and consciousness, of a human. It directly affects the development of mental ability and neurocognitive functionality. The number of patients with Alzheimer’s disease is increasing day by day, especially in old aged people, who are above 60 years of age, and, gradually, it becomes cause of their death. In this research, our goal is to present ALzSwinTNet for Alzheimer’s classification based on FMRI images. The proposed approach uses wavelet fusion in the swin transformer network to extract features. The igwo and fox optimization approaches were used to find the hyperparameters of the model. ALzSwinTNet was able to achieve an accuracy of 0.98 in 4-class classification and 1 in 2-class classification. 💠journal: https://www.sciencedirect.com/journal/expert-systems-with-applications 🔺if:7.5 هزینه مشارکت برای نفر سوم ۲۰ تومن می باشد. این هزینه صرف تسویه سرورها خواهد شد. امکان co-author نیز برای این کار هستش. @Raminmousa @Machine_learn https://t.me/+SP9l58Ta_zZmYmY0

24 518

🌟 SmolLM2 ⏩SmolLM2-1.7B🟢SmolLM2-1.7B-Instruct🟢Instruct GGUF ⏩SmolLM2-360M🟠SmolLM2-360M-Instruct 🟠Instruct GGUF ⏩SmolLM2-135M 🟠SmolLM2-135M-Instruct 🟠Instruct GGUF от комьюнити ▶️SmolLM2-1.7B :

from transformers import AutoModelForCausalLM, AutoTokenizer
checkpoint = "HuggingFaceTB/SmolLM2-1.7B"
device = "cuda" # for GPU usage or "cpu" for CPU usage
tokenizer = AutoTokenizer.from_pretrained(checkpoint)

model = AutoModelForCausalLM.from_pretrained(checkpoint).to(device)
inputs = tokenizer.encode("Gravity is", return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

📌Apache 2.0 License. 🟡Demo SmolLM2 1.7B @Machine_learn

24 518

Practitioner Guide for Creating Effective Prompts in Large Language Models 🔗 Paper @Machine_learn

24 518

تنها نفر ۴ ام از این کار مشترک باقی مونده شروع کار ۱ دی ماه هستش. جهت همکاری به ایدی بنده پیام بدین. @Raminmousa