Computer Science and Programming
Відкрити в Telegram
Channel specialized for advanced topics of: * Artificial intelligence, * Machine Learning, * Deep Learning, * Computer Vision, * Data Science * Python Admin: @otchebuch Memes: @memes_programming Ads: @Source_Ads, https://telega.io/c/computer_science
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Computer Science and Programming
Канал Computer Science and Programming (@computer_science_and_programming) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 140 441 підписників, посідаючи 804 місце в категорії Технології та додатки та 88 місце у регіоні Італія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 140 441 підписників.
За останніми даними від 31 серпня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -734, а за останні 24 години на -18, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.96%. Протягом перших 24 годин після публікації контент зазвичай збирає 1.94% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 11 177 переглядів. Протягом першої доби публікація в середньому набирає 2 728 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 14.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як sellerflash, github, developer, pricing, waybienad.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Channel specialized for advanced topics of:
* Artificial intelligence,
* Machine Learning,
* Deep Learning,
* Computer Vision,
* Data Science
* Python
Admin: @otchebuch
Memes: @memes_programming
Ads: @Source_Ads,
https://telega.io/c/computer_sc...”
Завдяки високій частоті оновлень (останні дані отримано 01 вересня, 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 Технології та додатки.
140 441
Підписники
-1824 години
-2617 днів
-73430 день
Архів дописів
💬 A Text Attention Network for Spatial Deformation Robust Scene Text Image Super-resolution
Github: https://github.com/mjq11302010044/tatt
Paper: https://arxiv.org/abs/2203.09388v2
Dataset: https://deepchecks.com/blog/
Reading suggestions to keep you up-to-date with the latest and classic breakthroughs in AI and Data Science.
https://towardsdatascience.com/ai-papers-to-read-in-2022-c6edd4302247
A lightweight vision library for performing large scale object detection & instance segmentation
Github: https://github.com/obss/sahi
Paper: https://arxiv.org/abs/2202.06934v1
Kaggle notebook: https://www.kaggle.com/remekkinas/sahi-slicing-aided-hyper-inference-yv5-and-yx
Dataset: https://paperswithcode.com/dataset/xview
👉👉@computer_science_and_programming
323+ Open Source Pytorch Implementation Software Projects
Free and open source pytorch implementation code projects including engines, APIs, generators, and tools.
https://opensourcelibs.com/libs/pytorch-implementation
A curated list of tutorials, papers, projects, communities and more related to PyTorch:
https://www.ritchieng.com/the-incredible-pytorch/
https://github.com/ritchieng/the-incredible-pytorch
@computer_science_and_programming
✨ Uniformer: Unified Transformer for Efficient Spatiotemporal Representation Learning
Github: https://github.com/sense-x/uniformer
Paper: https://arxiv.org/abs/2201.04676v1
Tasks: https://paperswithcode.com/dataset/kinetics-600
@computer_science_and_programming
An important collection of the 15 best machine learning cheat sheets.
1- Supervised Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-supervised-learning.pdf
2- Unsupervised Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-unsupervised-learning.pdf
3- Deep Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-deep-learning.pdf
4- Machine Learning Tips and Tricks
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-machine-learning-tips-and-tricks.pdf
5- Probabilities and Statistics
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/refresher-probabilities-statistics.pdf
6- Comprehensive Stanford Master Cheat Sheet
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/super-cheatsheet-machine-learning.pdf
7- Linear Algebra and Calculus
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/refresher-algebra-calculus.pdf
8- Data Science Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/PythonForDataScience.pdf
9- Keras Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Keras_Cheat_Sheet_Python.pdf
10- Deep Learning with Keras Cheat Sheet
https://github.com/rstudio/cheatsheets/raw/master/keras.pdf
11- Visual Guide to Neural Network Infrastructures
http://www.asimovinstitute.org/wp-content/uploads/2016/09/neuralnetworks.png
12- Skicit-Learn Python Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf
13- Scikit-learn Cheat Sheet: Choosing the Right Estimator
https://scikit-learn.org/stable/tutorial/machine_learning_map/
14- Tensorflow Cheat Sheet
https://github.com/kailashahirwar/cheatsheets-ai/blob/master/PDFs/Tensorflow.pdf
15- Machine Learning Test Cheat Sheet
https://www.cheatography.com/lulu-0012/cheat-sheets/test-ml/pdf/
@computer_science_and_programming
Happy new year
Thank you for being with us
We appreciate your patience to science and always try to provide best content for subscribers
Page: https://d2l.ai/
PyTorch based: https://d2l.ai/d2l-en-pytorch.pdf
MXNET based: https://d2l.ai/d2l-en.pdf
Github: https://github.com/d2l-ai/d2l-en
👉👉@computer_science_and_programming
Dive into Deep Learning
Interactive deep learning book with code, math, and discussions
Implemented with NumPy/MXNet, PyTorch, and TensorFlow
Adopted at 300 universities from 55 countries
OBJECT-AWARE CROPPING FOR SELF-SUPERVISED LEARNING
Paper:
https://arxiv.org/pdf/2112.00319v1.pdf
Github:
https://github.com/shlokk/object-cropping-ssl
👉👉@computer_science_and_programming
Object-aware cropping, a simple, fast and highly effective data augmentation alternative to random scene cropping for SELF-SUPERVISED LEARNING
Another state-of-the-art archtecture for Vision tasks:
Github: https://github.com/sail-sg/poolformer
Paper: https://arxiv.org/abs/2111.11418
Datasets: ImageNet, COCO, Ade20k
Colab: https://colab.research.google.com/github/sail-sg/poolformer/blob/main/misc/poolformer_demo.ipynb
👉👉@computer_science_and_programming
ESPnet: end-to-end text-to-speech processing toolkit
ESPnet2-TTS: Extending the Edge of TTS Research
Github: https://github.com/espnet/espnet
Docs: https://espnet.github.io/espnet/
Paper: https://arxiv.org/abs/2110.07840v1
Dataset: https://paperswithcode.com/dataset/vctk
One of the best reference book is definately "Deep Learning with Python" (1st edition) by François Chollet (creator of Keras)
Deep Learning with Python (2nd edition) has been released with 500 pages of code examples, theory, context, practical tips...
Book:
https://www.manning.com/books/deep-learning-with-python-second-edition?a_aid=keras
For online reading:
https://livebook.manning.com/book/deep-learning-with-python-second-edition/chapter-1/
Jupyter notebooks on Github:
https://github.com/fchollet/deep-learning-with-python-notebooks
👉👉@computer_science_and_programming
Under review as a conference paper at ICLR 2022
8-BIT OPTIMIZERS VIA BLOCK-WISE QUANTIZATION
Paper:
https://arxiv.org/abs/2110.02861
Github:
https://github.com/facebookresearch/bitsandbytes
Video:
https://www.youtube.com/watch?v=IxrlHAJtqKE
Documentation:
https://bitsandbytes.readthedocs.io/en/latest/
👉@computer_science_and_programming
8-bit optimizers – a replacement for regular optimizers. 🚀, 75% less memory, same with upwards trend, no hyperparam tuning needed Input symbol for numbers: #Lightweight, #LessMemory
PASS: Pictures without humAns for Self-Supervised Pretraining
PASS is a large-scale image dataset that does not include any humans, human parts, or other personally identifiable information
Github
https://github.com/yukimasano/PASS
Paper
https://arxiv.org/abs/2109.13228v1
Dataset
https://paperswithcode.com/dataset/pass
Documentation
https://www.robots.ox.ac.uk/~vgg/research/pass/
