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 24 506 підписників, посідаючи 8 028 місце в категорії Освіта та 13 775 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 506 підписників.
За останніми даними від 02 липня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -109, а за останні 24 години на 5, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 6.29%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.04% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 541 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 03 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.
24 506
Підписники
+524 години
-147 днів
-10930 день
Архів дописів
🔸لیستی از کانالهای فعال در حوزههای هوشمصنوعی، علم داده و یادگیری ماشین و برنامه نویسی
هوش مصنوعی:
1⃣ @ai_python
2⃣ @HomeAI
3⃣ @Ai_Tv
4⃣ @ailib
علم داده:
1⃣ @DataAnalysis
2⃣ @DataPlusScience
تحلیل داده و تصمیمگیری دادهمحور:
1⃣ @Mr_IE
2⃣ @sbubusiness
یادگیری ماشین:
1⃣ @Machine_learn
برنامه نویسی و مهندسی کامپیوتر:
1⃣ @pythony
2⃣ @Programming4all_0to100
@Machine_learn
MaxUp: A Simple Way to Improve Generalization of Neural Network Training
A new approach to augmentation both images and text. The idea is to generate a set of augmented data with some random perturbations or transforms and minimize the maximum, or worst case loss over the augmented data. By doing so, the authors implicitly introduce a smoothness or robustness regularization against the random perturbations, and hence improve the generation performance. Testing MaxUp on a range of tasks, including image classification, language modeling, and adversarial certification, it is consistently outperforming the existing best baseline methods, without introducing substantial computational overhead.
.
.
.
paper: https://arxiv.org/abs/2002.09024
#augmentations #SOTA #ml
🔸لیستی از کانالهای فعال در حوزههای هوشمصنوعی، علم داده و یادگیری ماشین و برنامه نویسی
هوش مصنوعی:
1⃣ @ai_python
2⃣ @HomeAI
3⃣ @Ai_Tv
4⃣ @ailib
علم داده:
1⃣ @DataAnalysis
2⃣ @DataPlusScience
تحلیل داده و تصمیمگیری دادهمحور:
1⃣ @Mr_IE
2⃣ @sbubusiness
یادگیری ماشین:
1⃣ @Machine_learn
برنامه نویسی و مهندسی کامپیوتر:
1⃣ @pythony
2⃣ @Programming4all_0to100
🔸لیستی از کانالهای فعال در حوزه هوش مصنوعی،علم داده و یادگیری ماشین
هوش مصنوعی:
1⃣ @ai_python
2⃣ @HomeAI
3⃣ @Ai_Tv
4⃣ @ailib
علم داده و یادگیری ماشین :
1⃣ @Programming4all_0to100
2⃣ @Machine_learn
3⃣ @nemoudar
4⃣ @sbubusiness
5⃣ @DataPlusScience
"Deep learning for Computer Vision by Jason brownlee"
Please share it with me
@raminmousa
https://machinelearningmastery.com/deep-learning-for-computer-vision/
Jason Brownlee
Machine Learning Mastery With Python
#book #python
@Machine_learn
@machine_learn
A Survey on The Expressive Power of Graph Neural Networks
This is the best survey on the theory on GNNs I'm aware of. It produces so many illustrative examples on what GNN can and cannot distinguish.
It's funny, it's made by Ryoma Sato who I already saw from other works on GNNs and I thought it's one of these old Japanese professors with long beard and strict habits, but it turned out to be a 1st year MSc student 🇯🇵
Generative Adversarial Networks with python by Jason Brownlee #book and #code @Machine_learn
1.Generative Adversarial Networks with python by Jason Brownlee
2.imbalanced classification with python by Jason Brownlee
I want these two books
@Raminmousa
Fresh picks from ArXiv
This week is accepted papers to CVPR and WebConf, submissions to ICML, 130-page survey on knowledge graphs and algorithms for rainbow vertex coloring 🌈
@Machine_learn
CVPR 20
* Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
* Bundle Adjustment on a Graph Processor
@Machine_learn
WebConf 20
* Just SLaQ When You Approximate: Accurate Spectral Distances for Web-Scale Graphs
* Heterogeneous Graph Transformer
* Learning to Hash with Graph Neural Networks for Recommender Systems
@Machine_learn
ICML 20
* Neural Enhanced Belief Propagation on Factor Graphs by group of Max Welling
@Machine_learn
Survey
* A Survey on The Expressive Power of Graph Neural Networks
@Machine_learn
by Ryoma Sato
* A Survey on Deep Hashing Methods
* Knowledge Graphs
* Knowledge Graphs and Knowledge Networks: The Story in Brief
@Machine_learn
Graph Theory
* Properties of Erdős-Rényi Graphs
* Algorithms for the rainbow vertex coloring problem on graph classes
* Direct Product Primality Testing of Graphs is GI-hard
Announcing TensorFlow Quantum: An Open Source Library for Quantum Machine Learning
@Machine_learn
https://ai.googleblog.com/2020/03/announcing-tensorflow-quantum-open.html
@Machine_learn
#XGBoost
XGBoost: An Intuitive Explanation
Ashutosh Nayak :
https://towardsdatascience.com/xgboost-an-intuitive-explanation-88eb32a48eff
Artificial Intelligence Forecasting of Covid-19 in China
#paper
#Corona_virus
@Machine_learn
@Machine_learn
MARKOV CHAIN MONTE CARLO (MCMC) SAMPLING
https://www.tweag.io/posts/2019-10-25-mcmc-intro1.html
Habr ru: https://habr.com/ru/company/piter/blog/491268/
سلام دوستان برای یه کار تحقیق نیاز به یسری دیتاست در زمینه تحلیل احساس فارسی داریم (به غیر از توییتر) ممنون میشم اگر کسی داره در پیوی برای بنده به اشتراک بزاره
@raminmousa
@Machine_learn
More than 200 NLP datasets - this is gold (last update 21.01.202)
https://quantumstat.com/dataset/dataset.html
and also Google provided dataset search tool for publicly available datasets:
https://datasetsearch.research.google.com/
