DLeX: AI Python
رفتن به کانال در Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
نمایش بیشتر📈 تحلیل کانال تلگرام DLeX: AI Python
کانال DLeX: AI Python (@ai_python) در بخش زبانی فارسی بازیگری فعال است. در حال حاضر جامعه شامل 21 501 مشترک است و جایگاه 6 202 را در دسته فناوری و برنامهها و رتبه 15 588 را در منطقه إيران دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 21 501 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 10 ژوئیه, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 58 و در ۲۴ ساعت گذشته برابر 1 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 11.44% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 4.04% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 2 459 بازدید دریافت میکند. در اولین روز معمولاً 868 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 16 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند مصنوعی, توییتر, ماهواره, داده, فناوری تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 11 ژوئیه, 2026)، کانال همواره بهروز و دارای دسترسی بالاست. تحلیلها نشان میدهد مخاطبان بهطور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامهها تبدیل کردهاند.
21 501
مشترکین
+124 ساعت
+67 روز
+5830 روز
آرشیو پست ها
21 498
پروفسور استرنگ کورسی هم برای یادگیری ماشینی و برخی مباحث یادگیری عمیق تدریس کرده اند که در لینک زیر میتونین به ویدیوهای این کورس دسترسی داشته باشین: لینک
21 498
fastai—A Layered API for Deep Learning
https://www.fast.ai//2020/02/13/fastai-A-Layered-API-for-Deep-Learning/
Complete documentation and tutorials:
https://docs.fast.ai/
21 498
✳ آموزش برنامه نویسی پایتون – مقدماتی
▫ نحوه نصب و راه اندازی
▫ ساختمان داده
▫ توابع و ماژول ها
▫ کلاس
▫ خواندن و نوشتن فایل ها
و ...
👈 🔗 لینک : fdrs.ir/yz2k
@FaraDars - فرادرس
.
21 498
آموزش خیلی مفیدی
Latent Structure Models for NLP
#پردازش_زبان_طبیعی #آموزش #کتاب #منابع
#nlp
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python
21 498
دوستان عزیزی که میخواهند در این کارگاهها شرکت کنند در نظر داشته باشند که مطالب کارگاه " آشنایی با کراس/ تنسورفلو" پیشنیاز شرکت در دورهی "شبکههای مولد تخاصمی (GAN) و پیادهسازی در کراس / تنسورفلو" است.
✅ https://t.me/mvip_2020/150
21 498
#کارگاه_های_آموزشی_کنفرانس
✅ کارگاه آموزشی: آشنایی با کراس/ تنسورفلو
👈 برای شرکت در این کارگاهها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاههای شهر قم و تمامی دانشجویان دانشگاه تهران میتوانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاهها ثبت نام و شرکت کنند.
https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa
http://mvip2020.ut.ac.ir
@mvip_2020
21 498
Mysterious radio signals from space have been known to repeat, but for the first time, researchers have noticed a pattern in a series of bursts coming from a single source half a billion light-years from Earth.
Link: https://t.co/y4hgBhqaco
21 498
💎 ثبتنام گام نهایی آغاز شد!
▫️ هماکنون میتوانید با تکمیل پروفایل و تشکیل تیمهای خود در سایت برای گام نهایی DataDays ثبتنام کنید.
▫️ برای آشنایی بیشتر با DataDays سایت و کانال را دنبال کنید.
🔷 ثبتنام کنید:
🔗 datadays.sharif.edu/go/CreateYourTeamNow
💠 @datadays_sharif
21 498
گرافها و یادگیری ماشین
#الگوریتمها #منابع #یادگیری_ماشین #کتاب #آموزش
#machinelearning #book
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python
21 498
دوستان عزیزی که علاقمند به شرکت در این دوره هستند این پست پیشنیازی برای این پست میباشد که شما بایستی ابتدا اگر پیش زمینه ای از پکیجهای Keras و TensorFlow ندارین ابتدا این مورد شرکت کنید و سپس پیشرفته آن که در لینک زیر امده است :
✅ https://t.me/ai_python/10574
21 498
#کارگاه_های_آموزشی_کنفرانس
✅ کارگاه آموزشی: آشنایی با کراس/ تنسورفلو
👈 برای شرکت در این کارگاهها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاههای شهر قم و تمامی دانشجویان دانشگاه تهران میتوانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاهها ثبت نام و شرکت کنند.
https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa
http://mvip2020.ut.ac.ir
@mvip_2020
21 498
Reading and Writing Data with Pandas
#پایتون #منابع #آموزش
#PYTHON
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python
21 498
لکچر lecture دکتر Stephen Clark در مورد
Applications: Statistical Machine Translation
#ترجمه_ماشینی #آمار #منابع #کتاب #یادگیری_ماشین #پردازش_زبان_طبیعی
#machinelearning #machinetranslation #NLP
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python
21 498
۴۱ سوال ضروری یادگیری ماشین که در مصاحبه باید دانست
#یادگیری_ماشین #منابع #آموزش #کتاب
#machinelearning #book
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python
21 498
۲۰ کتابخانه پایتونی
20 Python Libraries You Aren’t Using (But Should)
#پایتون #منابع #کتاب
#book #python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python
21 498
📌 مدرسه زمستانه هوش مصنوعی IPM از 7 تا 9 اسفند
🎓 اعطای مدرک معتبر و رسمی
✅ ثبت نام برای عموم آزاد است
💯 تخفیف ویژه ثبت نام زودهنگام و گروهی
#اسفند1398
#Winter_School #Artificial_Intelligence
#Workshop #Linux #Python #Machine_Vision #Machine_Learning #Deep_Learning #FK #OpenCV #TensorFlow
#Tehran #IPM #SCS
🔗 evand.com/events/aiws
🌐 scs.ipm.ac.ir
📣 @convent
21 498
📌 مدرسه زمستانه هوش مصنوعی IPM از 7 تا 9 اسفند
📌 کارگاه آموزشی لینوکس و پردازش ابری 1 اسفند
📌 کارگاه آموزشی برنامه نویسی پایتون 2 اسفند
🎓 اعطای مدرک معتبر و رسمی
✅ ثبت نام برای عموم آزاد است
💯 تخفیف ویژه ثبت نام زودهنگام و گروهی
#اسفند1398
#Winter_School #Artificial_Intelligence
#Workshop #Linux #Python #Machine_Vision #Machine_Learning #Deep_Learning #FK #OpenCV #TensorFlow
#Tehran #IPM #SCS
🔗 evand.com/events/aiws
🔗 evand.com/events/aiws-unix
🔗 evand.com/events/aiws-py
🌐 scs.ipm.ac.ir
📣 @convent
21 498
If a statistician is given data and asked to extract insights from it, there are a number of considerations.
Here are some of them. What is the motivation for the analysis? Who will use the results, when will they use them and for what purpose? Am I clear on the meaning of the data? Codebooks are often of little help in answering this question.
Are there other data or background information that should be used in the analysis? How clean are the data? Have they been recoded or transformed in any way? Have some fields been imputed? If so, how? Will recoding, transformations or imputations be needed?
If there are missing data, why are they missing? Which variables do we need to explain or predict? Which variables will we use to predict them? On the other hand, is unsupervised learning best? Will a single model do, or are there subgroups or latent segments in the data that need to incorporated into the modeling? Would a hierarchical model be appropriate? If the data are longitudinal or time-series, there are a host of issues that will need to be addressed.
When mining any data, patterns will found which cannot be explained and have no clear utility to decision makers or other researchers.
The above would apply even if the statistician is an AI.
❇️ @AI_Python
21 498
We are pleased to announce that with help of Mr. Feizi the bot is alive again :)
meet our bot here: 🗣 @ai_python_arxiv
