Data science/ML/AI
الذهاب إلى القناة على Telegram
Data science and machine learning hub Python, SQL, stats, ML, deep learning, projects, PDFs, roadmaps and AI resources. For beginners, data scientists and ML engineers 👉 https://rebrand.ly/bigdatachannels DMCA: @disclosure_bds Contact: @mldatascientist
إظهار المزيد
الشبكة:📈 نظرة تحليلية على قناة تيليجرام Data science/ML/AI
تُعد قناة Data science/ML/AI (@datascience_bds) في القطاع اللغوي الإنكليزية لاعباً نشطاً. يضم المجتمع حالياً 13 905 مشتركاً، محتلاً المرتبة 8 986 في فئة التكنولوجيات والتطبيقات والمرتبة 29 300 في منطقة الهند.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 13 905 مشتركاً.
بحسب آخر البيانات بتاريخ 25 أغسطس, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 109، وفي آخر 24 ساعة بمقدار 1، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.77%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.06% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 080 مشاهدة. وخلال اليوم الأول يجمع عادةً 287 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 4.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل panda, learning, row, api, ethic.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Data science and machine learning hub
Python, SQL, stats, ML, deep learning, projects, PDFs, roadmaps and AI resources.
For beginners, data scientists and ML engineers
👉 https://rebrand.ly/bigdatachannels
DMCA: @disclosure_bds
Contact: @mldatasci...”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 26 أغسطس, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
13 905
المشتركون
+124 ساعات
+17 أيام
+10930 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
أغسطس '26
أغسطس '26
+140
في 1 قنوات
يوليو '26
+119
في 0 قنوات
Get PRO
يونيو '26
+199
في 1 قنوات
Get PRO
مايو '26
+177
في 0 قنوات
Get PRO
أبريل '26
+277
في 1 قنوات
Get PRO
مارس '26
+138
في 1 قنوات
Get PRO
فبراير '26
+175
في 0 قنوات
Get PRO
يناير '26
+171
في 9 قنوات
Get PRO
ديسمبر '25
+118
في 1 قنوات
Get PRO
نوفمبر '25
+111
في 1 قنوات
Get PRO
أكتوبر '25
+181
في 1 قنوات
Get PRO
سبتمبر '25
+275
في 2 قنوات
Get PRO
أغسطس '25
+436
في 0 قنوات
Get PRO
يوليو '25
+312
في 0 قنوات
Get PRO
يونيو '25
+191
في 1 قنوات
Get PRO
مايو '25
+183
في 0 قنوات
Get PRO
أبريل '25
+233
في 0 قنوات
Get PRO
مارس '25
+241
في 1 قنوات
Get PRO
فبراير '25
+274
في 1 قنوات
Get PRO
يناير '25
+765
في 3 قنوات
Get PRO
ديسمبر '24
+743
في 1 قنوات
Get PRO
نوفمبر '24
+352
في 2 قنوات
Get PRO
أكتوبر '24
+328
في 2 قنوات
Get PRO
سبتمبر '24
+351
في 3 قنوات
Get PRO
أغسطس '24
+341
في 5 قنوات
Get PRO
يوليو '24
+383
في 1 قنوات
Get PRO
يونيو '24
+436
في 1 قنوات
Get PRO
مايو '24
+452
في 2 قنوات
Get PRO
أبريل '24
+522
في 3 قنوات
Get PRO
مارس '24
+512
في 5 قنوات
Get PRO
فبراير '24
+517
في 3 قنوات
Get PRO
يناير '24
+511
في 1 قنوات
Get PRO
ديسمبر '23
+471
في 0 قنوات
Get PRO
نوفمبر '23
+70
في 2 قنوات
Get PRO
أكتوبر '23
+87
في 4 قنوات
Get PRO
سبتمبر '23
+102
في 0 قنوات
Get PRO
أغسطس '23
+179
في 0 قنوات
Get PRO
يوليو '23
+132
في 0 قنوات
Get PRO
يونيو '23
+190
في 0 قنوات
Get PRO
مايو '23
+158
في 0 قنوات
Get PRO
أبريل '23
+129
في 0 قنوات
Get PRO
مارس '23
+155
في 0 قنوات
Get PRO
فبراير '23
+114
في 0 قنوات
Get PRO
يناير '23
+181
في 0 قنوات
Get PRO
ديسمبر '22
+197
في 0 قنوات
Get PRO
نوفمبر '22
+123
في 0 قنوات
Get PRO
أكتوبر '22
+244
في 0 قنوات
Get PRO
سبتمبر '22
+274
في 0 قنوات
Get PRO
أغسطس '22
+93
في 0 قنوات
Get PRO
يوليو '22
+81
في 0 قنوات
Get PRO
يونيو '22
+100
في 0 قنوات
Get PRO
مايو '22
+101
في 0 قنوات
Get PRO
أبريل '22
+160
في 0 قنوات
Get PRO
مارس '22
+578
في 0 قنوات
Get PRO
فبراير '22
+186
في 0 قنوات
Get PRO
يناير '22
+129
في 0 قنوات
Get PRO
ديسمبر '21
+31
في 0 قنوات
Get PRO
نوفمبر '21
+47
في 0 قنوات
Get PRO
أكتوبر '21
+28
في 0 قنوات
Get PRO
سبتمبر '21
+286
في 0 قنوات
Get PRO
أغسطس '21
+191
في 0 قنوات
Get PRO
يوليو '21
+252
في 0 قنوات
Get PRO
يونيو '21
+1 000
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 26 أغسطس | +2 | |||
| 25 أغسطس | +5 | |||
| 24 أغسطس | +2 | |||
| 23 أغسطس | +4 | |||
| 22 أغسطس | +2 | |||
| 21 أغسطس | 0 | |||
| 20 أغسطس | +6 | |||
| 19 أغسطس | +2 | |||
| 18 أغسطس | +6 | |||
| 17 أغسطس | +3 | |||
| 16 أغسطس | +9 | |||
| 15 أغسطس | +13 | |||
| 14 أغسطس | +3 | |||
| 13 أغسطس | +3 | |||
| 12 أغسطس | +2 | |||
| 11 أغسطس | +3 | |||
| 10 أغسطس | +3 | |||
| 09 أغسطس | +5 | |||
| 08 أغسطس | +14 | |||
| 07 أغسطس | +21 | |||
| 06 أغسطس | +11 | |||
| 05 أغسطس | +3 | |||
| 04 أغسطس | +4 | |||
| 03 أغسطس | +5 | |||
| 02 أغسطس | +4 | |||
| 01 أغسطس | +5 |
منشورات القناة
📈 Mean vs Median
Suppose these are five salaries:
$35k, $38k, $42k, $44k, $2.5MMean (average): $531,800 Median (middle value): $42,000 The average suggests everyone is wealthy. The median tells a completely different story. 👉 Whenever your data contains extreme values (called outliers), the median often represents the data much better than the mean. That's why you'll often see median house prices and median income reported in the news.
| 2 |  SQL CHART | 396 |
| 3 |  📉 Why We Split Data
If you train and evaluate a model using the exact same dataset, you're only testing how well it remembers.
That's why datasets are usually split into:
👉 Training set → The model learns from this.
👉 Validation set → Used to tune model settings.
👉 Test set → Used only once at the end to measure real performance.
Think of it like studying for an exam.
Reading the textbook is training. Practice questions are validation. The final exam is the test set. | 496 |
| 4 |  🐼 Pandas: The Dangerous Difference Between loc and iloc
Both select data. That's why beginners mix them up.
The simplest way to remember is:
loc → labels
iloc → positions
df.loc[5]
means:
Give me the row whose label is 5.
On the other hand:
df.iloc[5]
means:
Give me the 6th row.
Those are not necessarily the same row. Especially after filtering.
If your DataFrame index looks like:
0
1
4
7
9
then:
df.iloc[2]
returns the row at position 2. That's index label 4.
This tiny distinction causes a surprising number of bugs. | 489 |
| 5 | 📊 10 Websites Every Data Scientist Should Bookmark
Whether you're learning data science or building production models, they'll save you a lot of time.
Google Dataset Search
Find millions of public datasets from universities, governments, and research organizations.
Our World in Data
High quality datasets with well-researched visualizations on health, climate, economics, energy, education, and more.
UCI Machine Learning Repository
One of the most widely used collections of datasets for machine learning practice and research.
Papers with Code
Research papers linked with official implementations, datasets, and benchmark leaderboards.
OpenML
A platform for sharing datasets, experiments, and reproducible machine learning workflows.
Data.gov
Over 300,000 public datasets published by the U.S. government.
Awesome Public Datasets
A massive GitHub repository of datasets organized by category.
Google Colab
Run Python notebooks in the cloud with free GPU access for many workloads.
Hugging Face Datasets
Thousands of ready-to-use datasets for NLP, computer vision, audio, and more.
Kaggle Datasets
Millions of datasets shared by the data science community.
⭐️ Save this post. You'll probably use these throughout your data science journey. | 573 |
| 6 |  12 AI Frameworks Every AI Engineer Should Know | 618 |
| 7 |  📘 R for Data Science
✍️ Authors: Garrett Grolemund, Hadley Wickham
🔗 Read Online
#Datascience #R
────────────────────
👉 @free_programming_books_bds 👈 | 616 |
| 8 | ✅ SQL Essentials for Data Science 🗄
👉 SQL remains an absolute must-have skill for anyone working in Data Science or Analytics.
Virtually every organization manages its core information inside databases, and SQL is the key to extracting, transforming, and analyzing that data.
🔹 1. What is SQL?
SQL = Structured Query Language
👉 Used to:
✔️ Query data
✔️ Filter records
✔️ Perform calculations
✔️ Uncover business insights
🔥 2. Popular Database Engines
✔️ PostgreSQL
✔️ MySQL
✔️ Snowflake
✔️ Google BigQuery
🔹 3. Basic SQL Query
✅ The SELECT Clause
Used to fetch records from a table.
SELECT * FROM customers;
👉 * retrieves every single column.
🔹 4. Fetch Specific Columns
SELECT full_name, total_spent FROM customers;
🔹 5. WHERE Clause
Used to apply filters to your data.
SELECT * FROM customers WHERE age >= 25;
🔹 6. ORDER BY
Sort your results.
SELECT * FROM customers ORDER BY total_spent DESC;
✔️ ASC → Ascending (Lowest to Highest)
✔️ DESC → Descending (Highest to Lowest)
🔹 7. Aggregate Functions
Used for summary statistics.
Function: COUNT()
Purpose: Counts the number of rows
Function: SUM()
Purpose: Adds values together
Function: AVG()
Purpose: Finds the mean value
Function: MAX()
Purpose: Finds the highest value
Function: MIN()
Purpose: Finds the lowest value
✅ Example
SELECT AVG(total_spent) FROM customers;
🔹 8. GROUP BY
Used to categorize data into buckets.
SELECT country, SUM(total_spent) FROM customers GROUP BY country;
🔹 9. Why SQL is Critical?
✔️ #1 requested technical skill in job descriptions
✔️ Used daily by analysts, data engineers, & data scientists
✔️ Scales seamlessly with massive enterprise datasets | 601 |
| 9 |  ❌ Cross Entropy Isn't Measuring Accuracy
Here's something that surprises a lot of people. These two predictions are both correct.
Prediction A
Cat: 51%
Dog: 49%
Prediction B
Cat: 99.9%
Dog: 0.1%
Accuracy treats them exactly the same. Cross Entropy doesn't. It rewards confidence only when the model is correct.
If the true class is "Cat":
Prediction A gets a relatively high loss. Prediction B gets a very small loss.
Now flip the prediction.
Cat: 0.1%
Dog: 99.9%
The loss explodes. That's because Cross Entropy isn't asking:
Did you get it right?
It's asking:
How confident were you in the correct answer?
That's why neural networks optimize Cross Entropy instead of accuracy.
Accuracy is too coarse to guide learning. | 608 |
| 10 |  ML Engineer vs AI Engineer | 754 |
| 11 | 📍If Your Model Suddenly Gets Worse, Check These First
Before retraining everything, inspect:
• Data drift
• Missing values
• Feature distribution changes
• New categories
• Pipeline failures
• Label quality
Production issues are often data problems, not algorithm problems. | 998 |
| 12 |  How Does Machine Learning Work? | 1 035 |
| 13 |  15 GitHub Repositories For Machine Learning Engineers | 1 073 |
| 14 | List of AI Project Ideas 👨🏻💻🤖 -
Beginner Projects
🔹 Sentiment Analyzer
🔹 Image Classifier
🔹 Spam Detection System
🔹 Face Detection
🔹 Chatbot (Rule-based)
🔹 Movie Recommendation System
🔹 Handwritten Digit Recognition
🔹 Speech-to-Text Converter
🔹 AI-Powered Calculator
🔹 AI Hangman Game
Intermediate Projects
🔸 AI Virtual Assistant
🔸 Fake News Detector
🔸 Music Genre Classification
🔸 AI Resume Screener
🔸 Style Transfer App
🔸 Real-Time Object Detection
🔸 Chatbot with Memory
🔸 Autocorrect Tool
🔸 Face Recognition Attendance System
🔸 AI Sudoku Solver
Advanced Projects
🔺 AI Stock Predictor
🔺 AI Writer (GPT-based)
🔺 AI-powered Resume Builder
🔺 Deepfake Generator
🔺 AI Lawyer Assistant
🔺 AI-Powered Medical Diagnosis
🔺 AI-based Game Bot
🔺 Custom Voice Cloning
🔺 Multi-modal AI App
🔺 AI Research Paper Summarizer
@datascience_bds | 1 052 |
| 15 | +1 We recently had a request from for Unsupervised Learning notes.
To make this resource even more valuable for everyone, we decided to bundle them together with our Supervised Learning notes as well!
Source: Princeton University Lecture Notes
@datascience_bds | 991 |
| 16 |  ETL Process For Data Analytics | 1 137 |
| 17 | ✅ The Most Underrated Habit in Data Science
👉 Keep a modeling journal.
After every experiment, write down:
• What changed
• Why you changed it
• The metric before
• The metric after
• What you learned
Six months later, this notebook becomes more valuable than your code. | 1 184 |
| 18 | The Little Book of Deep Learning.pdf | 1 247 |
| 19 |  Power BI vs Microsoft Fabric | 1 343 |
| 20 | 🚩7 Red Flags You Should Check in Every Dataset
Before EDA, look for these.
🔻Duplicate rows
🔻Missing values that aren't random
🔻Impossible numbers (negative ages, future dates)
🔻Columns with only one value
🔻Categories with inconsistent spelling
🔻Target leakage
🔻Suspiciously perfect distributions
Catching these early saves hours of debugging later. | 1 351 |
