Machine learning books and papers
Kanalga Telegram’da o‘tish
Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn
Ko'proq ko'rsatish📈 Telegram kanali Machine learning books and papers analitikasi
Machine learning books and papers (@machine_learn) Ingliz til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 24 503 obunachidan iborat bo'lib, Taʼlim toifasida 8 030-o'rinni va Eron mintaqasida 13 729-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 24 503 obunachiga ega bo‘ldi.
08 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -104 ga, so‘nggi 24 soatda esa 5 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 6.13% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 2.02% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 1 502 marta ko‘riladi; birinchi sutkada odatda 495 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 2 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent disorder, psy, مقاله, framework, graph kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Admin: @Raminmousa
ID: @Machine_learn
link: https://t.me/Machine_learn”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 09 Iyul, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Taʼlim toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
24 503
Obunachilar
+524 soatlar
+67 kunlar
-10430 kunlar
Postlar arxiv
AI in Healthcare: Time-Series
Forecasting Using Statistical, Neural,
and Ensemble Architectures #Paper #Ensemble #2021 @Machine_learn
DERN: Deep Ensemble Learning Model for Shortand Long-Term Prediction of Baltic Dry Index #Paper #Ensemble #2021 @Machine_learn
Ensemble Deep Learning Models for Forecasting
Cryptocurrency Time-Series #Paper #Ensemble #2021 @Machine_learn
Hierarchical Memory Matching Network for Video Object Segmentation
Github: https://github.com/hongje/hmmn
Paper: https://arxiv.org/abs/2109.11404v1
Dataset: https://paperswithcode.com/dataset/davis-2016
@Machine_learn
Unseen Object Amodal Instance Segmentation (UOAIS)
Github: https://github.com/gist-ailab/uoais
Paper: https://arxiv.org/abs/2109.11103
Dataset: https://paperswithcode.com/dataset/ocid
Project: https://sites.google.com/view/uoais
@Machine_learn
Hands-On Gradient Boosting with XGBoost and scikit-learn
#book #python #XGBoost
@Machine_learn
🔸لیستی از برترین کانالهای آموزشی در زمینه های هوشمصنوعی, پایتون و یادگیری ماشین
❯ هوش مصنوعی:
1️⃣ @Ai_Tv
2⃣ @HomeAI
❯ یادگیری ماشین و یادگیری عمیق :
1️⃣ @Machine_learn
❯ تنسورفلو
1⃣ @cvision
❯ آموزش پایتون :
1⃣ @Programming4all_0to100
2⃣ @raspberry_python
3⃣ @pythonchallenge
CompilerGym: Robust, Performant Compiler Optimization Environments for AI Research
CompilerGym is a library of easy to use and performant reinforcement learning environments for compiler tasks.
Github: https://github.com/facebookresearch/CompilerGym
Documents: https://facebookresearch.github.io/CompilerGym/
Paper: https://arxiv.org/abs/2109.08267v1 @Machine_learn
Dynamic Slimmable Network (DS-Net)
Github: https://github.com/M3DV/AlignShift
Paper: https://arxiv.org/abs/2109.10060v1 @Machine_learn
TI-Capsule: Capsule Network for Stock Exchange Prediction #Paper #2021 Author:@Raminmousa @Machine_learn
با عرض سلام تخفیف ویژه تا اول مهره.
سعی میشود قسمت های از هزینه های تهیه پکیچ برای دانش اموزان نیازمند در نظر گرفته شود.
جهت تهیه به ایده بنده پیام دهید.
@Raminmousa
Conformal Prediction Interval for Dynamic Time-Series #Timeseries #Paper @Machine_learn
ConvXGB: A new deep learning model for classification problems
based on CNN and XGBoost #XGBoost #Paper @Machine_learn
A New Deep Learning-Based Methodology for Video Deepfake
Detection Using XGBoost #Deepfake #Paper @Machine_learn
✅ AliceMind: ALIbaba's Collection of Encoder-decoders from MinD (Machine IntelligeNce of Damo) Lab
Github: https://github.com/alibaba/AliceMind
Paper: https://arxiv.org/abs/2109.05687v1
Dataset: https://paperswithcode.com/dataset/glue
@Machine_learn
آکادمی همراه برگزار میکند:
🛎 دوره آنلاین APIنویسی
🔸معرفی APIها
🔸پروتکلهای انتقال
🔸استانداردهای REST
🔸 معماریهای سطح بالا
🔸ابزارهای طراحی سرویس، تست خودکار و توسعه(کتابخانه)
🔸معرفی API console
🔸طراحی و توسعه یک سرویس با زبانهای مختلف برنامهنویسی مثل جاوا، گولنگ و پایتون
💡 منتورینگ و رفع اشکال
🎓 گواهی معتبر پایان دوره
💼 دعوت به همکاری با همراه اول
⏱️ بازه زمانی: ۳هفته از ۲۷ شهریورماه
🌐 برای مشاهده اطلاعات بیشتر و ثبتنام اینجا کلیک کنید.
🆔 @hamrah_academy
A Survey on Ensemble Learning under the Era of Deep Learning #Paper #2021 @Machine_learn
A study on Ensemble Learning for Time Series
Forecasting and the need for Meta-Learning #Paper #2021 @Machine_learn
Texformer: 3D Human Texture Estimation from a Single Image with Transformers
Github: https://github.com/xuxy09/texformer
Paper: http://arxiv.org/abs/2109.02563
Meta data: https://www.dropbox.com/s/ekxn300cuw8bw6b/meta.zip
@Machine_learn
