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 24 502 підписників, посідаючи 8 036 місце в категорії Освіта та 13 785 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 502 підписників.
За останніми даними від 01 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -127, а за останні 24 години на -5, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.47%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.04% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 829 переглядів. Протягом першої доби публікація в середньому набирає 500 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 02 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.
24 502
Підписники
-524 години
-207 днів
-12730 день
Архів дописів
Therapeutics Data Commons: Machine Learning Datasets and Tasks for Therapeutics
Github: https://github.com/mims-harvard/TDC
Paper: https://arxiv.org/abs/2102.09548
Datasets: https://tdcommons.ai/
@Machine_learn
Python for data science cheatsheet
#python #chearsheet
@Machine_learn
با عرض سلام ما پكيج ٣٦ پروژه عملي با يادگيري عميق همراه با داكيومنت فارسي را براي دوستاني كه مي خواهند در اين حوزه به صورت عملي كار كنند تهيه كرديم سرفصل هاي اين پكيج به ترتيب زير مي باشند:
1-Deep Learning Basic
-01_Introduction
--01_How_TensorFlow_Works
--02_Creating_and_Using_Tensors
--03_Implementing_Activation_Functions
-02_TensorFlow_Way
--01_Operations_as_a_Computational_Graph
--02_Implementing_Loss_Functions
--03_Implementing_Back_Propagation
--04_Working_with_Batch_and_Stochastic_Training
--05_Evaluating_Models
-03_Linear_Regression
--linear regression
--Logistic Regression
-04_Neural_Networks
--01_Introduction
--02_Single_Hidden_Layer_Network
--03_Using_Multiple_Layers
-05_Convolutional_Neural_Networks
--Convolution Neural Networks
--Convolutional Neural Networks Tensorflow
--TFRecord For Deep learning Models
-06_Recurrent_Neural_Networks
--Recurrent Neural Networks (RNN)
2-Classification apparel
-Classification apparel double capsule
-Classification apparel double cnn
3-ALZHEIMERS USING CNN(ResNet)
4-Fake News (Covid-19 dataset)
-Multi-channel
-3DCNN model
-Base line+ Char CNN
-Fake News Covid CapsuleNet
5-3DCNN Fake News
6-recommender systems
-GRU+LSTM MovieLens
7-Multi-Domain Sentiment Analysis
-Dranziera CapsuleNet
-Dranziera CNN Multi-channel
-Dranziera LSTM
8-Persian Multi-Domain SA
-Bi-GRU Capsule Net
-Multi-CNN
9-Recommendation system
-Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate)
-SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise)
10-NihX-Ray
-optimized CNN on FullDataset Nih-Xray
-MobileNet
-Transfer learning
-Capsule Network on FullDataset Nih-Xray
هزينه اين پكيج ٥٠٠هزارمیباشد(صرفا هزينه تهيه ديتاست هاست).
جهت خريد مي توانيد با ايدي بنده در ارتباط باشيد
@Raminmousa
Introducing Model Search: An Open Source Platform for Finding Optimal ML Models
http://ai.googleblog.com/2021/02/introducing-model-search-open-source.html
@Machine_learn
GraphGallery: A Platform for Fast Benchmarking and Easy Development of Graph Neural Networks Based Intelligent Software
Github: https://github.com/EdisonLeeeee/GraphGallery
Paper: https://arxiv.org/abs/2102.07933v1
@Machine_learn
🔸لیستی از برترین کانالهای آموزشی در زمینه های هوشمصنوعی, پایتون و یادگیری ماشین
❯ هوش مصنوعی:
1️⃣ @Ai_Tv
2⃣ @AI_PYTHON
3⃣ @cvision
4⃣ @HomeAI
❯ یادگیری ماشین و یادگیری عمیق :
1️⃣ @Machine_learn
❯ علم داده:
1⃣ @dataanalysis
2⃣ @python4finance
3⃣ @mr_ie
❯ آموزش پایتون :
1⃣ @pythony
2⃣ @pythonchallenge
3⃣ @SQL_Server
4⃣ @Koolac_Org
5⃣ @Raspberry_Python
6⃣ @Programming4all_0to100
TI-Capsule: Capsule Network for Stock Exchange Prediction
#Paper
@Raminmousa
@Machine_learn
🧪 Alchemy: A structured task distribution for meta-reinforcement learning
Deepmind: https://deepmind.com/research/publications/alchemy
Github: https://github.com/deepmind/dm_alchemy
Paper: https://arxiv.org/abs/2102.02926
@Machine_learn
How to Speed up Scikit-Learn Model Training
https://www.kdnuggets.com/2021/02/speed-up-scikit-learn-model-training.html
@Machine_learn
📌کانالی مناسب برای علاقه مندان هوش مصنوعی، یادگیری ماشین، زبان برنامه نویسی پایتون و آموزش های رایگان
📝 این کانال توسط فارغ التحصیلان هوش مصنوعی دانشگاه صنعتی امیرکبیر ایجاد شده و جدیدترین اخبار حوزه هوش مصنوعی را اطلاع رسانی خواهد کرد.
https://t.me/joinchat/AAAAADweGusEx9ZAwC-N0g
📍متخصصین و اساتید زیادی در این کانال عضو هستند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
Neural-Backed Decision Trees
Demo: https://research.alvinwan.com/neural-backed-decision-trees/
Github: https://github.com/alvinwan/neural-backed-decision-trees
Paper: https://arxiv.org/abs/2004.00221
Code: https://colab.research.google.com/github/alvinwan/neural-backed-decision-trees/blob/master/examples/load_pretrained_nbdts.ipynb
Dataset: https://pytorch.org/docs/stable/torchvision/datasets.html
@Machine_learn
Building Image Segmentation Faster Using Jupyter Notebooks from NGC
https://developer.nvidia.com/blog/building-image-segmentation-faster-using-jupyter-notebooks-from-ngc/
@Machine_learn
ML Algorithms Cheatsheet (python and R)
#code #python #R
@Machine_learn
Super VIP Cheatsheet: Machine Learning
Afshine Amidi and Shervine Amidi
#ML
@Machine_learn
Quantum Computing and Blockchain in Business (2020)
#book #2020 #Blockchain
@Machine_learn
Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning
http://ai.googleblog.com/2021/02/evaluating-design-trade-offs-in-visual.html
@Machine_learn
TracIn — A Simple Method to Estimate Training Data Influence
http://ai.googleblog.com/2021/02/tracin-simple-method-to-estimate.html
@Machine_learn
