23171
Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn
📑 Deep graph anomaly detection: A survey and new perspectives
📎 Study paper
@Machine_learn
This GitHub repo is a gold mine for EVERY data scientist!
Fully open-source and free!
https://github.com/GeostatsGuy/DataScienceInteractivePython
@Machine_learn
🔹 Title: German4All - A Dataset and Model for Readability-Controlled Paraphrasing in German
🔹 Publication Date: Published on Aug 25
🔹 Paper Links:
• arXiv Page: https://arxiv.org/abs/2508.17973
• PDF: https://arxiv.org/pdf/2508.17973
@Machine_learn
با عرض سلام
براي نفر چهارم مقاله ي مروري در حوزه ي پاتولوژي سرطان نيازمند مشاركت هستيم.
هزينه مشاركت : 220 تتر
مجله ي ارسالي : Nature
⚠️⚠️⚠️
امشب سابمیت مقاله می باشد.
⚠️⚠️⚠️
@Raminmousa
@Machine_learn
@Paper4money
All of Statistics A Concise Course in Statistical Inference
📚 Read
@Machine_learn
امشب اخرین فرصت سابمیت این مقاله می باشد...!
Читать полностью…
TRIBE: TRImodal Brain Encoder for whole-brain fMRI response prediction
TLDR: Prediction of the brain response based on the audio and visual content input.
ArXiV: https://www.arxiv.org/pdf/2507.22229
@Machine_learn
🔹 Title: Explain Before You Answer: A Survey on Compositional Visual Reasoning
🔹 Publication Date: Published on Aug 24
🔹 Paper Links:
• arXiv Page: https://arxiv.org/abs/2508.17298
• PDF: https://arxiv.org/pdf/2508.17298
• Project Page: https://github.com/pokerme7777/Compositional-Visual-Reasoning-Survey
• Github: https://github.com/pokerme7777/Compositional-Visual-Reasoning-Survey
@Machine_learn
Dataset Name: Used Cars Dataset
Basic Description: Vehicles listings from Craigslist.org
🔴 Dataset Size: Download dataset as zip (275 MB)
🔰 Direct dataset download link:
https://www.kaggle.com/api/v1/datasets/download/austinreese/craigslist-carstrucks-data
📚 RELATED NOTEBOOKS:
1. Automatic Number Plate Recognition | Upvotes: 2,295
URL: https://www.kaggle.com/code/aslanahmedov/automatic-number-plate-recognition
2. Automatic Number Plate Recognition | Upvotes: 419
URL: https://www.kaggle.com/code/mohamedbhy/automatic-number-plate-recognition
3. Used Cars Price Prediction by 15 models | Upvotes: 355
URL: https://www.kaggle.com/code/vbmokin/used-cars-price-prediction-by-15-models
4. USA Housing Listings | Upvotes: 75
URL: https://www.kaggle.com/datasets/austinreese/usa-housing-listings
5. 1.2 Million Used Car Listings | Upvotes: 61
URL: https://www.kaggle.com/datasets/jpayne/852k-used-car-listings
@Machine_learn
Caltech's "Undergraduate Game Theory" lecture notes by Omer Tamuz
PDF: https://tamuz.caltech.edu/teaching/ps172/lectures.pdf
@Machine_learn
📃 A Comprehensive and Systematic Review for Deep Learning-Based De Novo Peptide Sequencing
📎 Study the paper
@Machine_learn
Scientific Visualization: Python + Matplotlib
📚 Book
@Machine_learn
"Transcendence" is when an LLM, trained on diverse data from many experts, can exceed the ability of the individuals in its training data.
This paper demonstrates three types: when AI picks the right expert skill to use, when AI has less bias than experts & when it generalizes.
📚 Read
@Machine_learn
Attacking LLMs and AI Agents: Advertisement Embedding Attacks Against LLMs
📚 Paper
@Machine_learn
ScaleCUA: Master GUIs across 6 OS with our new open-source agent!
📕 Read
@Machine_learn
DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning
📕 Read
@Machine_learn
🔹 Title: MEENA (PersianMMMU): Multimodal-Multilingual Educational Exams for N-level Assessment
🔹 Publication Date: Published on Aug 24
🔹 Paper Links:
• arXiv Page: https://arxiv.org/abs/2508.17290
• PDF: https://arxiv.org/pdf/2508.17290
@Machine_learn
Writing effective tools for agents — with agents
📕 Read
@Machine_learn
The Hitchhiker’s Guide to Python!
📚 Read
@Machine_learn
با عرض سلام
براي نفر چهارم مقاله ي مروري در حوزه ي پاتولوژي سرطان نيازمند مشاركت هستيم.
هزينه مشاركت : 220 تتر
مجله ي ارسالي : Nature
@Raminmousa
@Machine_learn
@Paper4money
🔹 Title: MV-RAG: Retrieval Augmented Multiview Diffusion
🔹 Publication Date: Published on Aug 22
🔹 Paper Links:
• arXiv Page: https://arxiv.org/abs/2508.16577
• PDF: https://arxiv.org/pdf/2508.16577
• Project Page: https://yosefdayani.github.io/MV-RAG/
• Github: https://github.com/yosefdayani/MV-RAG
@Machine_learn
مسابقه برنامهنویسی در کوئرا، فرصت همکاری با ترب
Torob Turbo: The LLM Rush
💥 تُرب توربو < Torob Turbo > چیه:
هکاتونی مسئلهمحوره که با تمرکز بر حل مسائل واقعی صنعت و بهرهگیری از مدلهای زبانی بزرگ (LLM) طراحی شده.
چرا باید توی این مسابقه شرکت کنی:
⚡️ وبینارهای تخصصی و آموزشی رایگان
🎁 ۲۵۰ میلیون تومان جوایز نقدی و جوایز غیر نقدی برای نفرات متعدد
🚀 فرصت همکاری با تیم ترب
✨ گواهی رسمی کوئرا و ترب
🔗 https://quera.org/r/1z7ii
بنام خدا
حدود 4 الی 5 ماه است که در حال نوشتن مقاله ای مروری مبنی بر کاربرهای هوش مصنوعی، یادگیری ماشین، یادگیری ژرف و پردازش تصویر در صنعت غذا هستیم. این مقاله کاربردهای فناوری های مورد نظر در جنبه های مختلف صنعت غذا شامل
✅Food Classification, Detection, Segmentation, Localization
✅Caloric Estimation, Detecting Food In Fridges
✅Freshness, Quality and Defect Detection
✅ Food Safety & Integrity (Contamination, Adulteration and Fraud, Freshness, Quality, Processing, etc)
✅ Food Waste (Causes & Impact, FW Detection, Estimation, Quantification, Demand Prediction with ANN, Image Processing)
✅Recommender Systems (Restaurant, Sentiment Analysis, Nutrition and Diet, Health, etc)
✅Agriculture and Supply Chain (ML, AI and CV in Orchard, Harvesting, Postharvest QC, Manufacturing, Freshness and Ripening, Spoilage, etc)
✅Other Review Papers
✅Computer Vision, Machine Learning, Aritifical Neural Networks, Image Processing, etc
را در بر میگیرد.
در نسخه اولیه این مقاله برای سابمیت بیش از 250 (250 الی 300 مقاله مرتبط جدید که 90 درصد برای بعد 2020 و حداقل 80 درصد برای بعد 2022 هستند) مورد بررسی دقیق قرار گرفته اند.
هدف این مقاله مروری چاپ در ژورنال های Q1-Q2 با IF بالا است.
⛏️به دلیل حجم بالای کار و کیفیت بسیار بالای مقاله امکان حداکثر 7 نفر در این مقاله وجود دارد.
انتظار می رود که مقاله پس از چاپ در یکی از ژورنالهای مورد نظر ظرف 1 سال (به دلیل مروری و جامع بودن) حداقل 50 سایتیشن بخورد.
نفر اول (کارسپاند): 700 تتر ✅واگذار شد.
نفر دوم: 350 تتر
نفر سوم: 250 تتر
نفر چهارم: 220 تتر
نفر پنجم: 190 تتر
نفر ششم: 160 تتر
نفر هفتم: 130 تتر
👌مناسب و عالی برای اپلای دکتری و ارشد به دلیل سطح بالای مقاله و کیفیت ژورنال های مورد سابمیت
👌مناسب برای رشته های علوم کامپیوتر، هوش مصنوعی، بینایی کامپیوتری و پردازش تصویر، صنایع، صنایع غذایی
👌مناسب برای اقامت آمریکا از EB2 و حتی EB1 (به دلیل کیفیت و سایتشن های زیاد)
👍امکان افزایش سایتیشن شما (به صورت مشروط به یکی از حوزه ها یا متدها) فراهم است. برای بررسی لطفا لینک یا DOI مقاله خود را ارسال کنید
🎈مقاله در نسخه نهایی بازبینی خود، برای برطرف سازی هر گونه اشکال احتمالی است و ظرف 1 هفته الی حداکثر 1 ماه (October 1st) سابمیت خواهد شد.
🎈مشارکت کنندگان علاوه بر ایمیل (ترجیحا ایمیل دانشگاهی)، بهتر است کد ORCID نیز ارائه دهند. (کافی است در ORCID یک اکانت بسازید و کد 16 رقمی خود را که با اسم شما همخوانی دارد بدهید)
ارتباط:
@Raminmousa
با عرض سلام ما برای یکی از مقالاتمون در حوزه ی پزشکی نیاز به نفر ۴ ام داریم با قبولی شرایط پرداخت میتونیم اضافه کنیم.
زمان سابمیت فردا شب ...!
@Raminmousa
🔹 Title: Explain Before You Answer: A Survey on Compositional Visual Reasoning
🔹 Paper Links:
• arXiv Page: https://arxiv.org/abs/2508.17298
• PDF: https://arxiv.org/pdf/2508.17298
• Project Page: https://github.com/pokerme7777/Compositional-Visual-Reasoning-Survey
• Github: https://github.com/pokerme7777/Compositional-Visual-Reasoning-Survey
@Machine_learn
"GPT-5 moves from human-comparable to above human-expert performance"
GPT-5 outperforms licensed human experts by 25-30% and achieves SOTA results on the US medical licensing exam and the MedQA benchmark.
I sound like a broken record, but AI models are better than most doctors.
📚 Paper
@Machine_learn
با عرض سلام ما برای یکی از مقالاتمون در حوزه ی پزشکی نیاز به نفر ۴ ام داریم با قبولی شرایط پرداخت میتونیم اضافه کنیم.
@Raminmousa
📃 Energy-Based Transformers are Scalable Learners and Thinkers
Inference-time computation techniques, analogous to human System 2 Thinking, have recently become popular for improving model performances. In this paper, we ask the question "Is it possible to generalize these System 2 Thinking approaches, and develop models that learn to think solely from unsupervised learning?" Interestingly, we find the answer is yes, by learning to explicitly verify the compatibility between inputs and candidate-predictions, and then re-framing prediction problems as optimization with respect to this verifier. Specifically, we train Energy-Based Transformers (EBTs) -- a new class of Energy-Based Models (EBMs) -- to assign an energy value to every input and candidate-prediction pair, enabling predictions through gradient descent-based energy minimization until convergence. Across both discrete (text) and continuous (visual) modalities, we find EBTs scale faster than the dominant Transformer++ approach during training, achieving an up to 35% higher scaling rate with respect to data, batch size, parameters, FLOPs, and depth. During inference, EBTs improve performance with System 2 Thinking by 29% more than the Transformer++ on language tasks, and EBTs outperform Diffusion Transformers on image denoising while using fewer forward passes.
ComputerRL: Scaling End-to-End Online Reinforcement Learning for Computer Use Agents
📚 Read
@Machine_learn