Data Science & Machine Learning
رفتن به کانال در Telegram
Join this channel to learn data science, artificial intelligence and machine learning with funny quizzes, interesting projects and amazing resources for free For collaborations: @love_data
نمایش بیشتر
📈 تحلیل کانال تلگرام Data Science & Machine Learning
کانال Data Science & Machine Learning (@datasciencefun) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 77 661 مشترک است و جایگاه 2 015 را در دسته آموزش و رتبه 3 825 را در منطقه الهند دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 77 661 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 12 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -123 و در ۲۴ ساعت گذشته برابر -21 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 2.52% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 1.01% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 1 954 بازدید دریافت می‌کند. در اولین روز معمولاً 781 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 3 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند learning, accuracy, distribution, panda, dataset تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Join this channel to learn data science, artificial intelligence and machine learning with funny quizzes, interesting projects and amazing resources for free
For collaborations: @love_data”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 13 نوامبر, 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 آموزش تبدیل کرده‌اند.
77 661
مشترکین
-2124 ساعت
-767 روز
-12330 روز
آرشیو پست ها
Top 8 Github Repos to Learn Data Science and Python
1. All algorithms implemented in Python
By: The Algorithms
Stars ⭐️: 135K
Fork: 35.3K
Repo: https://github.com/TheAlgorithms/Python
2. DataScienceResources
By: jJonathan Bower
Stars ⭐️: 3K
Fork: 1.3K
Repo: https://github.com/jonathan-bower/DataScienceResources
3. Playground and Cheatsheet for Learning Python
By: Oleksii Trekhleb ( Also the Image)
Stars ⭐️: 12.5K
Fork: 2K
Repo: https://github.com/trekhleb/learn-python
4. Learn Python 3
By: Jerry Pussinen
Stars ⭐️: 4,8K
Fork: 1,4K
Repo: https://github.com/jerry-git/learn-python3
5. Awesome Data Science
By: Fatih Aktürk, Hüseyin Mert & Osman Ungur, Recep Erol.
Stars ⭐️: 18.4K
Fork: 5K
Repo: https://github.com/academic/awesome-datascience
6. data-scientist-roadmap
By: MrMimic
Stars ⭐️: 5K
Fork: 1.5K
Repo: https://github.com/MrMimic/data-scientist-roadmap
7. Data Science Best Resources
By: Tirthajyoti Sarkar
Stars ⭐️: 1.8K
Fork: 717
Repo: https://github.com/tirthajyoti/Data-science-best-resources/blob/master/README.md
8. Ds-cheatsheets
By: Favio André Vázquez
Stars ⭐️: 10.4K
Fork: 3.1K
Repo: https://github.com/FavioVazquez/ds-cheatsheets
Effective Data Storytelling: How to Drive Change with Data, Narrative and Visuals PDF
🚀Join our first free lessons and explore the fields of tech!
You will find the answers to all your questions at our webinars. Open the link https://crst.co/imKOy, make your choice and apply now while there are still seats available. See you there!
▶️ May 26 - Manual QA Course. Free first lesson!
▶️ May 26 - Best Tech Remote Careers 2022: Systems Engineer
▶️ June 2 - Systems Engineer. Free first lesson!
Special offer for all participants!
️✅ Apply by the link https://crst.co/mwOgo
Python for Data Science: The Ultimate Step-by-Step Guide to Learn Python In 7 Days & NLP, Data Science from with Python PDF
A LITTLE GUIDE TO HANDLING MISSING DATA
Having any Feature missing more than 5-10% of its values? you should consider it to be missing data or feature with high absence rate👀
How can you handle these missing values, ensuring you dont loose important part of your data🤷♀️
Not a problem😌. Here are important facts you must know😉
✍️Instances with missing values for all features should be eliminated
✍️Features with high absence rate should either be eliminated or filled with values
✍️Missing values can be replaced using Mean Imputation or Regression Imputation
✍️ Be careful with mean imputation for it may introduce bias as it evens out all instances
✍️Regression Imputation might overfit your model
✍️Mean and Regression Imputation can't be applied to Text features with missing values
✍️Text Features with missing values can be eliminated if not needed in data
✍️Important Text Features with Missing values can be replaced with a new class or category labelled as uncategorized
To become a Machine Learning Engineer:
• Python
• numpy, pandas, matplotlib, Scikit-Learn
• TensorFlow or PyTorch
• Jupyter, Colab
• Analysis > Code
• 99%: Foundational algorithms
• 1%: Other algorithms
• Solve problems ← This is key
• Teaching = 2 × Learning
• Have fun!
#numpy
NumPy
Smart use of ‘:’ to extract the right shape
Sometimes you encounter a 3-dim array that is of shape (N, T, D), while your function requires a shape of (N, D). At a time like this, reshape() will do more harm than good, so you are left with one simple solution:
Example:
for t in xrange(T):
x[:, t, :] = # ...📕 Introduction to Machine Learning
by Alex Smola and S.V.N. Vishwanathan
University Press, Cambridge
Expert_Python_Programming_Master_Python_by_learning_the_best_coding.epub4.52 MB
Pattern Recognition and
Machine Learning [ Information Science and Statistics ]
Christopher M. Bishop
#python #machinelearning #statistics #information #ai #ml
Follow the latest IT, computer science and entrepreneurship news on Hacker News Digest Telegram channel
Hacker News (news.ycombinator.com) – is one of the most influential social news websites. It was here that Drew Houston first introduced Dropbox to the world.
Hacker News Digest Telegram channel will send you the top 10 most popular posts from Hacker News, daily.
Subscribe to stay up-to-date!
