Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
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 24 518 obunachidan iborat bo'lib, Taʼlim toifasida 8 056-o'rinni va Eron mintaqasida 13 757-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 24 518 obunachiga ega bo‘ldi.
24 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -165 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 6.78% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 1.90% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 1 663 marta ko‘riladi; birinchi sutkada odatda 465 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 1 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 25 Iyun, 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.
24 518
Obunachilar
-324 soatlar
-477 kunlar
-16530 kunlar
Postlar arxiv
2DMatGMM: An open-source robust machine learning platform for real-time detection and classification of 2D material flakes
🖥 Github: https://github.com/jaluus/2dmatgmm
📕 Paper: https://arxiv.org/abs/2412.09333v1
⭐️ Dataset: https://paperswithcode.com/task/instance-segmentation
@Machine_learn
Repost from Papers
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر چهارم 500 دلار
🔺نفر پنجم 400 دلار
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
NPGPT: Natural Product-Like Compound Generation with GPT-based Chemical Language
Models
https://arxiv.org/pdf/2411.12886
@Machine_learn
🌟 BioNeMo: A Framework for Developing AI Models for Drug Design.
NVIDIA BioNeMo2 Framework is a set of tools, libraries, and models for computational drug discovery and design.
▶️ Pre-trained models:
🟢 ESM-2 is a pre-trained bidirectional encoder (BERT-like) for amino acid sequences. BioNeMo2 includes checkpoints with parameters 650M and 3B;
🟢 Geneformer is a tabular scoring model that generates a dense representation of a cell's scRNA by examining co-expression patterns in individual cells.
▶️ Datasets:
🟠 CELLxGENE is a collection of publicly available single-cell datasets collected by the CZI (Chan Zuckerberg Initiative) with a total volume of 24 million cells;
🟠 UniProt is a database of clustered sets of protein sequences from UniProtKB, created on the basis of translated genomic data.
🟡 Project page
🟡 Documentation
🖥 GitHub
@Machine_learn
Repost from Papers
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر پنجم 500 دلار
🔺نفر ششم 400 دلار
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
Repost from Papers
با عرض سلام نفر ۳ از مقاله زیر رو نیاز داریم.
Title: hybrid deep learnings and machine learning frameworks
for air quality prediction
during the COVID‑19 pandemic
journal: https://www.sciencedirect.com/journal/expert-systems-with-applications
if:7.5
در این مقاله تاثیر ۲۶ مدل ansemble و ترکیبی رو برای پیش بینی کیفیت هوا در بازه ۱ روزه ۳ روزه و ۷ روزه بررسی کردیم. جهت شرکت در این مقاله به ایدی بنده پیام بدین.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
📚Book Chapter:
Recent Advances in Computational Prediction of Secondary and Supersecondary Structures from Protein Sequences
📎 Study
@Machine_learn
🎓Ensemble approaches for Link Prediction
📎 Study thesis
@Machine_learn
📑Drug Discovery in the Age of Artificial Intelligence: Transformative Target-Based Approaches
📎 Study the paper
@Machine_learn
Repost from Github LLMs
🌟 GRIN MoE: Mixture-of-Experts от Microsoft.
🟢total parameters: 16x3.8B;
🟢active parameters: 6.6B;
🟢context length: 4096;
🟢number of embeddings 4096;
🟢number of layers: 32;
✅https://t.me/deep_learning_proj
🟡Arxiv
🟡Demo
🖥Github
Repost from Papers
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر چهارم 600 دلار
🔺نفر پنجم 500 دلار
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
با عرض سلام نفر سوم براي مقاله زير رو خالي داريم.
Title: Alzheimer’s disease (AD) classification
using swin transformer wavelet
and Improved Gray Wolf
Optimization (IGWO)
Abstract: Alzheimer’s disease (AD) is a slow neurological disorder that destroys the thought process, and consciousness, of a human. It directly affects the development of mental ability and neurocognitive functionality. The number of patients with Alzheimer’s disease is increasing day by day, especially in old aged people, who are above 60 years of age, and, gradually, it becomes cause of their death. In this research, our goal is to present ALzSwinTNet for Alzheimer’s classification based on FMRI images. The proposed approach uses wavelet fusion in the swin transformer network to extract features. The igwo and fox optimization approaches were used to find the hyperparameters of the model. ALzSwinTNet was able to achieve an accuracy of 0.98 in 4-class classification and 1 in 2-class classification.
journal: https://www.sciencedirect.com/journal/expert-systems-with-applications
if:7.5
هزینه مشارکت برای نفر سوم ۲۰ تومن می باشد. این هزینه صرف تسویه سرورها خواهد شد.
@Raminmousa
@Machine_learn
https://t.me/+SP9l58Ta_zZmYmY0
OminiControl: Minimal and Universal Control for Diffusion Transformer
🔗 Discover More:
* Source Code: GitHub
* Try Demo: Try it here
* Paper Page: Read Paper
@Machine_learn
با عرض سلام دو پکیچ یادگیری ماشین و یادگیری عمیق را برای دوستانی که می خواهند تا فرداشب با تخفیف ۵۰٪ مجدد قرار دادیم این تخفیف اخرین سری از تخفیف های این دو پکیچ می باشد
1: introduction to machine learning
2: Regression (linear and non-linear)
3: Tensorflow introduction
4: Tensorflow computaion graph
5: Tensorflow optimizer and loss function
6: Tensorflow linear and non linear regression
7: logistic regression
8: Tensorflow regression
___________
9: introduction to traditional machine learning
*10: knn and desicion tree
*11: desicion tree and Naive bayes
*12: desicion tree, knn, Naive bayes implementation
*13: k-means
*14: Guassion Mixture Model(GMM)
*15: implementation K-means and GMM
_
16: introduction to Artificial Neural Network
17: Multi-level Neural Network
18: Introduction to Convolution Neural Network
19: Tensorflow Multi-level Neural Network
20:Tensorflow CNN
21:CNN image clasaification
22: Cnn text clasaification
23: Recurrent Neural Network(RNN)
جهت تهیه می تونین به ایدی بنده مراجعه کنین
@Raminmousa
