Data science/ML/AI
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 14 064 مشتركاً، محتلاً المرتبة 9 052 في فئة التكنولوجيات والتطبيقات والمرتبة 28 197 في منطقة الهند.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 14 064 مشتركاً.
بحسب آخر البيانات بتاريخ 25 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 97، وفي آخر 24 ساعة بمقدار 4، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 8.86%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.13% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 246 مشاهدة. وخلال اليوم الأول يجمع عادةً 300 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 3.
- 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 أكتوبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
import numpy as np
x = np.array([
[10, 20, 30],
[40, 50, 60]
])
x + 5[[15, 25, 35], [45, 55, 65]]But where did the
5 go? You didn't write a loop. You didn't copy 5 six times.
This is broadcasting.
NumPy automatically treats the smaller object as if it were expanded to match the larger array's shape.
So conceptually:
[[10, 20, 30], [[5, 5, 5], [40, 50, 60]] + [5, 5, 5]]Then it adds them element by element. And it works with arrays too:
x + np.array([1, 2, 3])[[10, 20, 30], [[1, 2, 3], [40, 50, 60]] + [1, 2, 3]]Result:
[[11, 22, 33], [41, 52, 63]]The important part: Broadcasting doesn't literally copy the data into a bigger array. NumPy applies the operation as if the smaller array had been expanded, while avoiding unnecessary copies. That's why this:
x + 5can work even though
x is 2D and 5 is just a scalar.
axis=0 and axis=1 Feel Backwards
You've probably seen:
np.mean(X, axis=0)"Why does axis 0 mean columns?"Think about what NumPy is doing. 📌
axis=0 means:
Collapse the rows.So you move down each column and get one value per column. 📌
axis=1 means:
Collapse the columns.So you move across each row and get one value per row. For:
1 2 3 4 5 6
np.mean(X, axis=0)[2.5, 3.5, 4.5]On the other hand:
np.mean(X, axis=1)[2, 5]Don't memorize the numbers. Just Remember: The axis you specify is the dimension that gets collapsed. #NumPy
