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
Mostrar más
Red:📈 Análisis del canal de Telegram Data science/ML/AI
El canal Data science/ML/AI (@datascience_bds) en el segmento lingüístico de Inglés es un actor destacado. Actualmente la comunidad reúne a 14 064 suscriptores, ocupando la posición 9 052 en la categoría Tecnologías y Aplicaciones y el puesto 28 197 en la región India.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 064 suscriptores.
Según los últimos datos del 25 octubre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 97, y en las últimas 24 horas de 4, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.86%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.13% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 246 visualizaciones. En el primer día suele acumular 300 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 3.
- Intereses temáticos: El contenido se centra en temas clave como panda, learning, row, api, ethic.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“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...”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 26 octubre, 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.
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
