¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
DLeX: AI Python
Ir al canal en Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Mostrar más📈 Análisis del canal de Telegram DLeX: AI Python
El canal DLeX: AI Python (@ai_python) en el segmento lingüístico de Farsi es un actor destacado. Actualmente la comunidad reúne a 21 453 suscriptores, ocupando la posición 6 320 en la categoría Tecnologías y Aplicaciones y el puesto 15 657 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 21 453 suscriptores.
Según los últimos datos del 15 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -45, y en las últimas 24 horas de 8, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 10.07%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.73% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 2 160 visualizaciones. En el primer día suele acumular 800 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 6.
- Intereses temáticos: El contenido se centra en temas clave como مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 16 junio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
21 453
Suscriptores
+824 horas
+47 días
-4530 días
Archivo de publicaciones
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)
