Machine learning books and papers pinned «با عرض سلام از اين مقاله نفرات ٤ و ٥ باقي مونده دوستاني كه مايل به همكاري هستن لطفا با بنده در ارتباط باشن. یکی از ابزارهای خوبی که بنده تونستم توسعه بدم ابزار Stock Ai می باشد. در این ابزار از ۳۶۰ اندیکاتور استفاده کردم. گزارشات back test این ابزار…»
A collection of inspiring lists, manuals, cheatsheets, blogs, hacks, one-liners, cli/web tools, and more.
📚 Github
@Machine_learn
📚 Github
@Machine_learn
با عرض سلام
می خواهیم مقاله ی جدیدی را تحت عنوان زیر شروع کنیم:
Comparative survey on Transfer Learning for multi-modal wound image classification
مقالات قبلی که در این رابطه نوشتیم به ترتیب زیر می باشند:
تیم 1: [1]چاپ شده در Expert system with application
تیم 2:[2] سابمیت شده در Scientific report
تیم 3:[3] سابیمت شده در IEEE transaction
نفرات 2 تا 5 این مقاله خالی می باشند. این نفرات علاوه بر مرور مقالات و تحلیل نتایج هزینه سرور را نیز متقبل می شوند.
[1] Mousa, Ramin, et al. "Multi-modal wound classification using wound image and location by Swin Transformer and Transformer." Expert Systems with Applications (2025): 127077.
[2] Mousa, Ramin, et al. "Integrating Vision and Location with Transformers: A Multimodal Deep Learning Framework for Medical Wound Analysis." arXiv preprint arXiv:2504.10452 (2025).
[3] Mousa, Ramin, Ehsan Matbooe, and Hakimeh Khojasteh. "Multi-Modal Wound Classification Using Wound Image and Location by Xception and Gaussian Mixture Recurrent Neural Network (GMRNN)." (2025
هزینه نفرات به ترتيب
2:400$
3:300$
4:250$
5:200$
می باشد.
ژونال مد نظر
Scientific Reprot (Nature)
@Raminmousa
@Machine_learn
@Paper4money
می خواهیم مقاله ی جدیدی را تحت عنوان زیر شروع کنیم:
Comparative survey on Transfer Learning for multi-modal wound image classification
مقالات قبلی که در این رابطه نوشتیم به ترتیب زیر می باشند:
تیم 1: [1]چاپ شده در Expert system with application
تیم 2:[2] سابمیت شده در Scientific report
تیم 3:[3] سابیمت شده در IEEE transaction
نفرات 2 تا 5 این مقاله خالی می باشند. این نفرات علاوه بر مرور مقالات و تحلیل نتایج هزینه سرور را نیز متقبل می شوند.
[1] Mousa, Ramin, et al. "Multi-modal wound classification using wound image and location by Swin Transformer and Transformer." Expert Systems with Applications (2025): 127077.
[2] Mousa, Ramin, et al. "Integrating Vision and Location with Transformers: A Multimodal Deep Learning Framework for Medical Wound Analysis." arXiv preprint arXiv:2504.10452 (2025).
[3] Mousa, Ramin, Ehsan Matbooe, and Hakimeh Khojasteh. "Multi-Modal Wound Classification Using Wound Image and Location by Xception and Gaussian Mixture Recurrent Neural Network (GMRNN)." (2025
هزینه نفرات به ترتيب
2:400$
3:300$
4:250$
5:200$
می باشد.
ژونال مد نظر
Scientific Reprot (Nature)
@Raminmousa
@Machine_learn
@Paper4money
Machine learning books and papers pinned «با عرض سلام می خواهیم مقاله ی جدیدی را تحت عنوان زیر شروع کنیم: Comparative survey on Transfer Learning for multi-modal wound image classification مقالات قبلی که در این رابطه نوشتیم به ترتیب زیر می باشند: تیم 1: [1]چاپ شده در Expert system with application…»
Forwarded from Github LLMs
Signatures of unconventional superconductivity near reentrant and fractional quantum anomalous Hall insulators
📚 Paper
@Machine_learn
📚 Paper
@Machine_learn
BioPars: Persian biomedical data
Model: BioPars
Dataset: ParsMed
Benchmark: BioParsQa
Next week submit
@Machine_learn
Model: BioPars
Dataset: ParsMed
Benchmark: BioParsQa
Next week submit
@Machine_learn
هدف اين كانال حل مشكل سايت زني به مقالات. از طرفي كساني كه نيازمند هزينه سايت هستن نيز مي تونن با سايت زدن به هر مقاله ي اين كانال بخشي از هزينه رو دريافت كنن.
https://www.tg-me.com/papercite
https://www.tg-me.com/papercite
Telegram
Paper cite
ارسال مقاله جهت سايت
@Raminmousa
------
هدف اين كانال حل مشكل سايت زني به مقالات. از طرفي كساني كه نيازمند هزينه سايت هستن نيز مي تونن با سايت زدن به هر مقاله ي اين كانال بخشي از هزينه رو دريافت كنن.
@Raminmousa
------
هدف اين كانال حل مشكل سايت زني به مقالات. از طرفي كساني كه نيازمند هزينه سايت هستن نيز مي تونن با سايت زدن به هر مقاله ي اين كانال بخشي از هزينه رو دريافت كنن.
This media is not supported in your browser
VIEW IN TELEGRAM
Crystal Generation with Space Group Informed Transformer
🖥 Github: https://github.com/deepmodeling/crystalformer
📕 Paper: https://arxiv.org/abs/2504.02367v1
🔗 Dataset: https://paperswithcode.com/dataset/alex-20
@Machine_learn
🖥 Github: https://github.com/deepmodeling/crystalformer
📕 Paper: https://arxiv.org/abs/2504.02367v1
🔗 Dataset: https://paperswithcode.com/dataset/alex-20
@Machine_learn
4 advanced attention mechanisms you should know:
• Slim attention — 8× less memory, 5× faster generation by storing only K from KV pairs and recomputing V.
• XAttention — 13.5× speedup on long sequences via "looking" at the sum of values along diagonal lines in the attention matrix.
• Kolmogorov-Arnold Attention, KArAt — Adaptable attention with learnable activation functions using KANs instead of softmax.
• Multi-token attention (MTA) — Lets the model consider groups of nearby words together for smarter long-context handling.
Read the overview of them in our free article on https://huggingface.co/blog/Kseniase/attentions
@Machine_learn
• Slim attention — 8× less memory, 5× faster generation by storing only K from KV pairs and recomputing V.
• XAttention — 13.5× speedup on long sequences via "looking" at the sum of values along diagonal lines in the attention matrix.
• Kolmogorov-Arnold Attention, KArAt — Adaptable attention with learnable activation functions using KANs instead of softmax.
• Multi-token attention (MTA) — Lets the model consider groups of nearby words together for smarter long-context handling.
Read the overview of them in our free article on https://huggingface.co/blog/Kseniase/attentions
@Machine_learn