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 24 499 підписників, посідаючи 8 053 місце в категорії Освіта та 13 774 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 499 підписників.
За останніми даними від 30 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -131, а за останні 24 години на -4, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.24%. Протягом перших 24 годин після публікації контент зазвичай збирає 1.98% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 773 переглядів. Протягом першої доби публікація в середньому набирає 484 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 01 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.
24 499
Підписники
-424 години
-187 днів
-13130 день
Архів дописів
با عرض سلام دوستانی که می خواهند در مقاله ی بالا شرکت کنند می تونن به ایدی بنده جهت اسم نویسی پیام بدن نفر اول 500$ و نفر دوم 400$ جهت مشارکت. با تشکر
@Raminmousa
Sentiment analysis (SA) is a computational analysis of ideas, feelings and opinions, and uses natural language processing techniques, computational techniques and text analyses to extract polarity (positive, negative or neutral) from non-structured documents or textual comments. the purpose of the multi-domain SA is that the classifier training is based on a set of labelled data in a way that reduces the need for large amounts of data on specific domains and to address the challenges of data scarcity in them with the help of existing data on other domains. The purpose of this paper is to present a new method for analysing the Persian multi-domain SA using DL approaches. The proposed Bi-GRUCapsule approach uses the combination of two networks Bi-GRU and CapsuleNet to solve the multi-domain SA problem that Bi-GRU has the role of extracting features for CapsuleNet. the proposed approach was evaluated using the Digikala dataset and has received acceptable accuracy compared to the existing approaches.
Algorithms for Clustering Data #Book #Clustering @Machine_learn
DATA CLUSTERING Algorithms and Applications #Clustering #Book @Machine_learn
Cluster Analysis: Basic Concept #Clustering #book @Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@Machine_learn
Training Machine Learning Models More Efficiently with Dataset Distillation
http://ai.googleblog.com/2021/12/training-machine-learning-models-more.html
@Machine_learn
با عرض سلام دوستانی که نیاز به تهیه ی پکیچ ما دارند می تونن به ایدی بنده پیام بدن @Raminmousa . همچنین دوستانی که نیاز به مشاوره در رابطه با ابده های جدید ، کارهای عملی، پروپوزال و پایان نامه دارند می تونن با ایدی بنده یا شماره واتس اپ بنده 09333900804 در ارتباط باشند.
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@Machine_learn
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@Machine_learn
Movie Name Generation Using GPT-2
https://www.nbshare.io/notebook/976197999/Movie-Name-Generation-Using-GPT-2/
@Machine_learn
General and Scalable Parallelization for Neural Networks
http://ai.googleblog.com/2021/12/general-and-scalable-parallelization.html
@Machine_learn
Improving Vision Transformer Efficiency and Accuracy by Learning to Tokenize
http://ai.googleblog.com/2021/12/improving-vision-transformer-efficiency.html
@Machine_learn
A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents
Github: https://github.com/extreme-classification/deepxml
Paper: https://arxiv.org/abs/2111.06685v1
Dataset: https://paperswithcode.com/dataset/extreme-classification
@Machine_learn
🔹 LUMINOUS: Indoor Scene Generation for Embodied AI Challenges
Github: https://github.com/amazon-research/indoor-scene-generation-eai
Paper: https://arxiv.org/abs/2111.05527v1
Dataset: https://paperswithcode.com/dataset/ai2-thor
@Machine_learn
Deep Neural Networks to Detect Weeds from Crops in Agricultural Environments in Real-Time: A Review
Github: https://github.com/Ildaron/Laser_control
Paper: https://www.mdpi.com/2072-4292/13/21/4486
@Machine_learn
Deep Learning for disentangling Liquidity-constrained and Strategic Default #DL #Liquidity #Paper @Machine_learn
