Available now! Telegram Research 2025 — the year's key insights 
DLeX: AI Python
Open in Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Show more📈 Analytical overview of Telegram channel DLeX: AI Python
Channel DLeX: AI Python (@ai_python) in the Farsi language segment is an active participant. Currently, the community unites 21 453 subscribers, ranking 6 320 in the Technologies & Applications category and 15 657 in the Iran region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 21 453 subscribers.
According to the latest data from 15 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -45 over the last 30 days and by 8 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 10.07%. Within the first 24 hours after publication, content typically collects 3.73% reactions from the total number of subscribers.
- Post reach: On average, each post receives 2 160 views. Within the first day, a publication typically gains 800 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 6.
- Thematic interests: Content is focused on key topics such as مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Thanks to the high frequency of updates (latest data received on 16 June, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
21 453
Subscribers
+824 hours
+47 days
-4530 days
Posts Archive
21 453
If you have a number of sequences of different length, and call pad_sequences on them, what’s the default result?
21 453
If I put a dropout parameter of 0.2, how many nodes will I lose?
21 453
Repost from تهران دیتا-دانشگاه تهران
#دانشگاه_تهران
❌تنها ۶ نفر از ظرفیت دوره باقیست...
📣 جامعترین دوره آنلاین علمداده کشور!
👨🏻🏫 همراه با برجسته ترین اساتید کشور
🔔 شرایط ویژه (از بلک فرایدی تا روز دانشجو)
🥇 با ارائه گواهینامه دوزبانه از دانشگاه تهران با قابلیت ترجمه رسمی
🌐 اطلاعات بیشتر
https://tehrandata.org/courses/datascience/
⁉️ مشاوره رایگان و ثبت نام
📞 09377516759
🔘 t.me/tehrandata_admin
🆔 t.me/tehran_data
21 453
جواب درست این تکه کد چیه؟؟
>>> name= ['@AI_']
>>> name.append('Python') >>> print(name[1])
21 453
جواب درست این تکه کد چیه ؟
>>> x=[[1]]*2
>>> x[0].append(2) >>> print(x)
21 453
✅ کتابخانه NumPy چیست؟
📝 کتابخانه NumPy یک کتابخانه پایتون منبع باز است که تقریباً در هر زمینهای از علم و مهندسی استفاده میشود. این استاندارد جهانی برای کار با داده های عددی در پایتون است و در هسته اکوسیستم های علمی Python و PyData قرار دارد. کاربران NumPy شامل همه افراد از کدنویسان مبتدی تا محققان با تجربه هستند که تحقیقات و توسعه علمی و صنعتی را انجام می دهند. NumPy API به طور گسترده در Pandas، SciPy، Matplotlib، scikit-learn، scikit-image و بسیاری دیگر از بسته های علوم داده و علمی Python استفاده می شود.
📝 کتابخانه NumPy شامل آرایه های چند بعدی و ساختارهای داده ماتریسی است.
📝 این کتابخانه پایه ترین کتابخانه مورد استفاده در هوش مصنوعی است و فراگیری بیشتر آن باعث فهم بیشتر داده و شیوه آماده سازی آن برای الگوریتم می شود.
📝 برای دریافت آموزش از این کتابخانه می توان به لینک زیر مراجعه کرد:
🗒 NumPy Library
@AI_Python
21 453
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) seaborn در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Python
21 453
Repost from N/a
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) seaborn در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Python
21 453
Repost from N/a
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) دریایی در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Hasan
21 453
جواب خروجی کد زیر چیه ؟
>>> a = (1,2,3)
>>> type(a) >>> b= (3) >>> type(b)
21 453
جواب خروجی درست کدام گزینه است؟
>>> def x ( i,values=[] ) : return values.append(i)
>>> print(x(2))
21 453
جواب درست این تکه کد چیه ؟
>>> try: print(1)
... except: print (2) ... finally : print(3) >>>
21 453
جواب درست این تکه کد چیه؟
>>> a = [0,1,2,3]
>>> for a[-1] in a : ... print(a[-1])
21 453
جواب درست این تکه کد چیه ؟
>>> def fun(): for x in range(22,23,24):
print(x) >>> fun()
21 453
جواب درست این تکه کد چیه ؟
>>> l1=['A']
>>> l1.extend('ABC') >>> print(l1)
21 453
جواب این تکه کد چیست؟
>>> List=['Python','Developers']
>>> result=[i for i in List if len(i)>6] >>> print(*result)
