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 24 509 obunachidan iborat bo'lib, Taʼlim toifasida 8 019-o'rinni va Eron mintaqasida 13 748-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 24 509 obunachiga ega bo‘ldi.

04 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -101 ga, so‘nggi 24 soatda esa 3 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

Tasdiqlash holati: Tasdiqlanmagan
Jalb etish (ER): Auditoriya o‘rtacha 6.50% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 2.21% ini tashkil etuvchi reaksiyalarni to‘playdi.
Post qamrovi: Har bir post o‘rtacha 1 594 marta ko‘riladi; birinchi sutkada odatda 541 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 05 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.

24 509

Obunachilar

+324 soatlar

-97 kunlar

-10130 kunlar

1 594

Post ko'rishlar

~ 54124 soatlar

~ 66448 soatlar

6.50%

Muloqot nisbati

Ma'lumot yo'q

Kuniga postlar

Ads index

beta

Postlar arxiv

24 513

Introduction to Deep Learning (en).pdf3.71 MB

24 513

#Introduction to Deep Learning — Sandro Skansi (en) 2018 #book #beginner @Machine_lean

24 513

Data Science For Dummies — Lillian Pierson (en) 2017 #book #beginner @Machine_learn

24 513

Data Science For Dummies — Lillian Pierson (en) 2017 #book #beginner @Machine_learn

24 513

#Deep learning for #recommender systems – eBay Tech Berlin @Machine_learn https://ebaytech.berlin/deep-learning-for-recommender-systems-48c786a20e1a

24 513

#A Must-Read #NLP Tutorial on Neural Machine Translation — The Technique Powering #Google_Translate @Machine_learn https://www.analyticsvidhya.com/blog/2019/01/neural-machine-translation-keras/

24 513

learning-generative-adversarial-networks #book @Machine_learn

24 513

#Tutorial_0 Interest in Tensorflow has increased steadily since its introduction in November 2015. A lesser-known component of Tensorflow is the #TFRecord file format, Tensorflow’s own binary storage format. ... links: 1)https://medium.com/mostly-ai/tensorflow-records-what-they-are-and-how-to-use-them-c46bc4bbb564 2) http://warmspringwinds.github.io/tensorflow/tf-slim/2016/12/21/tfrecords-guide/ #Video: https://youtu.be/oxrcZ9uUblI @Machine_learn

24 513

@CVision اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق آموزشهای مرتبط با تنسرفلو و کراس بینایی ماشین و پردازش تصویر و ... #deep_learning #tensorflow #keras #computer_vision #vision @cvision

24 513

#Machine Learning and AI for Healthcare #book @Machine_learn

24 513

یکی از مهمترین مسال در متن کاوی ایجاد بردارهای تعبیه شده می باشد. اکثر نویسندگان از دو روش عمومی word2vec و Glove استفاده می کنند. اما این دو روش اطلاعات احساساتی موجود در کلمات را در نظر نمی گیرند برای برخی از وظایف مانند Sentiment analysis نیاز است که این اطلاعات احساساتی در نظر گرفته شوند. روش های متفاوتی برای این منظور پیشنهاد شده است. اما هنوز این بردارهای تعبیه شده دارای مشکلات زیادی می باشند. #موضوع پیشنهادی @Raminmousa @Machine_learn

24 513

#Unsupervised Document Embedding With #CNNs #paper @Machine_learn

24 513

Batch Renormalization #paper @Machine_learn

24 513

#تعریف کپسول: شبکه های عصبی باید از کپسول ها به جای خروجی اسکالر برای خالصه کردن ویژگی های محلی استخراج شده توسط detectorها استفاده کنند که این کپسول ها محاسبات بسیار پیچیده ای را برروی این ویژگی ها انجام می دهند ..... ____________________________ #author:@Raminmousa @Machine_learn

24 513

Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches #paper @Machine_learn

24 513

Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks #paper @Machine_learn

24 513

#موضوع: سیستم پیشنهاد دهنده مبتنی بر رویکرد های طبقه بندی. Recommender system base on classification methods #تعریف: یک سیستم پیشنهاددهنده، در واقع، مکانیزمی قوی برای انجام عمل فیلترینگ (پالایش) اطلاعاتی است. این سیستم ها به فن محبوبی برای هرس کردن فضاهای بزرگ اطلاعاتی تبدیل شده اند که کاربران را به سوی بهترین اقلامی که نیازشان را مرتفع می نماید، هدایت می کنند. این فن، جزء جدانشدنی پایگاه های تجاری از قبیلAmazon، Yahoo و CDNow شده است. سیستم های پیشنهاددهنده، برای پیشنهاددادن به کاربران نیازمند اطلاعات کافی و صحیح در مورد کاربران و آیتم های مورد نظر آنها نظیر: مقاله، کتاب، فیلم یا موزیک می باشند. منابع و روش های گوناگونی برای جمع آوری چنین اطلاعاتی وجود دارد. یک روش جمع آوری اطلاعات، به صورت صریح است که در آن کاربر آشکارا اعلام می کند که به چه چیزهایی علاقه دارد؛ به عنوان نمونه، با امتیاز دادن (1) به یک مقاله. روش دیگر، روش ضمنی است که کمی دشوارتر است و در آن، سیستم باید سلایق کاربر را با کنترل و دنبال کردن رفتارها و فعالیت های او بیابد؛ مثلاً باید بررسی شود که کاربر چه مقالاتی را دانلود می کند و یا چه مقالاتی را مشاهده می کند. علاوه بر اطلاعات ضمنی و صریح، برخی از سیستم ها نیز هستند که از اطلاعات شخصی کاربران (2) استفاده می کنند؛ به عنوان مثال، سن، جنسیت و ملیت کاربران می تواند منبع خوبی برای شناخت کاربر و ارائه پیشنهاد به وی باشد. گروهی از سیستم های پیشنهاددهنده، مبتنی بر همین اطلاعات بنا شده اند. با ظهور وب و گسترش شبکه های اجتماعی در سال های اخیر، محققان به منبع اطلاعاتی دیگری برای بهبود کیفیت پیشنهادها پی بردند که همان اطلاعات موجود در شبکه های اجتماعی است و بر همین اساس، کارهای تحقیقاتی بسیاری در این حوزه صورت پذیرفت. #ماهیت مسأله: در یک سیستم پیشنهاد دهنده هدف اصلی امتیاز دادن به آیتم هایی است که بیشترین شباهت را نسبت به یک کاربر دارند. در واقع ماهیت مسأله به صورت regression می باشد که در آن سیستم سعی دارد رتبه هر یک از آیتم ها را مشخص کند و آیتم ها با بیشترین رتبه را به کاربر پیشنهاد دهد. #نوآوری: با بررسی مطالعات آماری بر روی این سیستم ها به این نتیجه رسیدیم که توزیع داده ها به گونه ای است که بیشترین رتبه ها مربوط به امتیاز های ۴ به بالا می باشند در این صورت می توان از یک طبقه بند دودویی برای این منظور استفاده کرد و کافیست تا تنها آیتم هایی که رتبه یک گرفته اند را به کاربران پیشنهاد دهیم. ______________________________ #موضوع_پایان نامه @Raminmousa

24 513

Python for Probability, Statistics, and Machine Learning — J. Unpingco (en) 2016 #book #middle #theory @Machine_learn

24 513

Python for Probability, Statistics, and Machine Learning — J. Unpingco (en) 2016 #book #middle #theory @Machine_learn

24 513

Gaussian Processes for Machine Learning – C. E. Rasmussen, Christopher K. I. Williams (en) 2006 #book #middle #theory @Machine_learn