Data science/ML/AI
رفتن به کانال در Telegram
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
نمایش بیشتر
شبکه:📈 تحلیل کانال تلگرام Data science/ML/AI
کانال Data science/ML/AI (@datascience_bds) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 13 926 مشترک است و جایگاه 8 885 را در دسته فناوری و برنامهها و رتبه 28 496 را در منطقه الهند دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 13 926 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 15 سپتامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 25 و در ۲۴ ساعت گذشته برابر 4 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 7.07% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.05% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 985 بازدید دریافت میکند. در اولین روز معمولاً 285 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 5 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند panda, learning, row, api, ethic تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“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...”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 16 سپتامبر, 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.
13 926
مشترکین
+424 ساعت
+37 روز
+2530 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
سپتامبر '26
سپتامبر '26
+58
در 0 کانالها
اوت '26
+168
در 1 کانالها
Get PRO
ژوئیه '26
+119
در 0 کانالها
Get PRO
ژوئن '26
+199
در 1 کانالها
Get PRO
مه '26
+177
در 0 کانالها
Get PRO
آوریل '26
+277
در 1 کانالها
Get PRO
مارس '26
+138
در 1 کانالها
Get PRO
فوریه '26
+175
در 0 کانالها
Get PRO
ژانویه '26
+171
در 9 کانالها
Get PRO
دسامبر '25
+118
در 1 کانالها
Get PRO
نوامبر '25
+111
در 1 کانالها
Get PRO
اکتبر '25
+181
در 1 کانالها
Get PRO
سپتامبر '25
+275
در 2 کانالها
Get PRO
اوت '25
+436
در 0 کانالها
Get PRO
ژوئیه '25
+312
در 0 کانالها
Get PRO
ژوئن '25
+191
در 1 کانالها
Get PRO
مه '25
+183
در 0 کانالها
Get PRO
آوریل '25
+233
در 0 کانالها
Get PRO
مارس '25
+241
در 1 کانالها
Get PRO
فوریه '25
+274
در 1 کانالها
Get PRO
ژانویه '25
+765
در 3 کانالها
Get PRO
دسامبر '24
+743
در 1 کانالها
Get PRO
نوامبر '24
+352
در 2 کانالها
Get PRO
اکتبر '24
+328
در 2 کانالها
Get PRO
سپتامبر '24
+351
در 3 کانالها
Get PRO
اوت '24
+341
در 5 کانالها
Get PRO
ژوئیه '24
+383
در 1 کانالها
Get PRO
ژوئن '24
+436
در 1 کانالها
Get PRO
مه '24
+452
در 2 کانالها
Get PRO
آوریل '24
+522
در 3 کانالها
Get PRO
مارس '24
+512
در 5 کانالها
Get PRO
فوریه '24
+517
در 3 کانالها
Get PRO
ژانویه '24
+511
در 1 کانالها
Get PRO
دسامبر '23
+471
در 0 کانالها
Get PRO
نوامبر '23
+70
در 2 کانالها
Get PRO
اکتبر '23
+87
در 4 کانالها
Get PRO
سپتامبر '23
+102
در 0 کانالها
Get PRO
اوت '23
+179
در 0 کانالها
Get PRO
ژوئیه '23
+132
در 0 کانالها
Get PRO
ژوئن '23
+190
در 0 کانالها
Get PRO
مه '23
+158
در 0 کانالها
Get PRO
آوریل '23
+129
در 0 کانالها
Get PRO
مارس '23
+155
در 0 کانالها
Get PRO
فوریه '23
+114
در 0 کانالها
Get PRO
ژانویه '23
+181
در 0 کانالها
Get PRO
دسامبر '22
+197
در 0 کانالها
Get PRO
نوامبر '22
+123
در 0 کانالها
Get PRO
اکتبر '22
+244
در 0 کانالها
Get PRO
سپتامبر '22
+274
در 0 کانالها
Get PRO
اوت '22
+93
در 0 کانالها
Get PRO
ژوئیه '22
+81
در 0 کانالها
Get PRO
ژوئن '22
+100
در 0 کانالها
Get PRO
مه '22
+101
در 0 کانالها
Get PRO
آوریل '22
+160
در 0 کانالها
Get PRO
مارس '22
+578
در 0 کانالها
Get PRO
فوریه '22
+186
در 0 کانالها
Get PRO
ژانویه '22
+129
در 0 کانالها
Get PRO
دسامبر '21
+31
در 0 کانالها
Get PRO
نوامبر '21
+47
در 0 کانالها
Get PRO
اکتبر '21
+28
در 0 کانالها
Get PRO
سپتامبر '21
+286
در 0 کانالها
Get PRO
اوت '21
+191
در 0 کانالها
Get PRO
ژوئیه '21
+252
در 0 کانالها
Get PRO
ژوئن '21
+1 000
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 15 سپتامبر | +5 | |||
| 14 سپتامبر | +1 | |||
| 13 سپتامبر | +9 | |||
| 12 سپتامبر | +7 | |||
| 11 سپتامبر | +2 | |||
| 10 سپتامبر | +2 | |||
| 09 سپتامبر | +2 | |||
| 08 سپتامبر | +9 | |||
| 07 سپتامبر | +6 | |||
| 06 سپتامبر | +2 | |||
| 05 سپتامبر | 0 | |||
| 04 سپتامبر | +5 | |||
| 03 سپتامبر | +2 | |||
| 02 سپتامبر | +5 | |||
| 01 سپتامبر | +1 |
پستهای کانال
| 2 | 📚 What I’m learning for 2027
I’ve been working in software and data science for over 8 years, but lately I’d be lying if I said I wasn’t a little worried about where our jobs are heading. 😅
The future feels more uncertain than ever, so I’ve been thinking seriously about what’s actually worth learning to stay relevant in 2027 and beyond.
I searched around for resources I’d personally want to invest my time in, and i figured why not sharing with you guys as well. This is my shortlist 👇
🧠 1. Let’s Build GPT from Scratch, Andrej Karpathy
Build a GPT yourself and finally understand what’s happening behind the API.
⏱️ ~2h
🔗 https://www.youtube.com/playlist?list=PLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZ
🔥 2. Neural Networks: Zero to Hero, Andrej Karpathy
A deeper dive into neural networks, backpropagation, language models, GPT and tokenization.
⏱️ ~19h
🔗 https://karpathy.ai/zero-to-hero.html
🤖 3. Hugging Face AI Agents Course
Learn how AI agents actually work: tools, actions, reasoning and agentic workflows.
💰 Free
🔗 https://huggingface.co/learn/agents-course/unit0/introduction
🏗 4. Designing Data-Intensive Applications, Martin Kleppmann
The classic for understanding databases, distributed systems, replication, partitioning, streams and designing systems that scale.
📖 ~600 pages
🔗 https://github.com/aasthas2022/SDE-Interview-and-Prep-Roadmap/blob/main/System%20Design/Resources/Designing%20Data%20Intensive%20Applications%20by%20Martin%20Kleppmann.pdf
⚙️ 5. Made With ML
The production side of ML: deployment, testing, monitoring, data pipelines and MLOps.
💰 Free
🔗 https://madewithml.com/#course
🎯 Why these?
My bet for 2027 is that writing code itself will become easier, while understanding AI + production systems + architecture will become even more valuable.
So that’s what I’m focusing on.
If you know a resource that belongs on this list please share it so everybody can find it valuable.
Hope this helps ❤️ | 299 |
| 3 |  Difference Between AI Systems: A Human Analogy | 421 |
| 4 |  ✍️ SQL JOIN Explained Visually
#SQL | 489 |
| 5 | Which isolation level allows a transaction to read data another concurrent transaction has written but not yet committed? | 530 |
| 6 | Machine Learning Visualized
This is an interactive curriculum with animations and exercises that show how machine learning algorithms actually work. You can watch gradient descent, decision boundaries, neural networks, clustering, and more evolve step by step. It is great for building intuition instead of treating models as black boxes.
🎬 Free Interactive + Animation Course
⏰ Duration: Self-paced
🏃♂️ Self Paced
👨🏫 Created by: Daniel Sobrado / community project
🔗 Link
#MachineLearning #Interactive #Visualization #Course
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
👉 Join @bigdataspecialist for more 👈 | 565 |
| 7 |  5 LLM quantization techniques, clearly explained:
1. RTN: ignores them. Rounds every weight to the nearest grid level with no calibration data. Cheapest option, weakest at low bit widths.
2. GPTQ: repairs after rounding. Quantizes a layer column by column and adjusts the remaining weights to absorb the error before moving on.
3. AWQ: protects before rounding. Finds the ~1% of weight channels that matter most and scales them up so they survive quantization. Everything still ends up in plain INT4.
4. LLM. int8(): isolates at inference. Outlier dimensions run in FP16, the other 99.9% run in INT8, and the results are merged.
5. QAT: solves it during training. The model is fine-tuned with rounding baked into every forward pass, so it adapts to the damage before quantization is actually applied.
All five produce the same artifact, a model at a fraction of its trained precision. They differ only in where the outlier problem gets addressed.
The visual above nicely summarises these techniques.
#LLM | 617 |
| 8 | Chest X-Ray Classification Project
#book | 676 |
| 9 |  🗂 10 Websites for Finding Real-World Datasets
Finding good datasets is often harder than building the model. These websites cover almost every domain imaginable.
1. Kaggle Datasets
2. Hugging Face Datasets
3. Google Dataset Search
4. UCI Machine Learning Repository
5. OpenML
6. Our World in Data
7. World Bank Open Data
8. data.gov
9. FiveThirtyEight Data
10. AWS Registry of Open Data
You'll rarely run out of project ideas with these bookmarked.
#Datasets | 800 |
| 10 | Local RAG on Windows
#book | 888 |
| 11 |  🎲 What Makes Random Forest "Random"?
A Random Forest isn't just "many decision trees."
Each tree sees a different random sample of the data.
Then... At every split... It only considers a random subset of features.
So instead of producing 100 identical trees... You get 100 different opinions.
The final prediction is the majority vote (classification) or average (regression).
The randomness is exactly what makes the forest stronger. | 1 044 |
| 12 | SQL Cheat Sheet.pdf | 1 125 |
| 13 | 📦 Your CSV Might Be Using Twice the Memory It Needs
Open a CSV in Pandas.
Run:
df.info()
You'll often notice many text columns have the type:
object
If a column contains repeated values like:
London
London
London
Paris
Paris
Berlin
convert it to:
category
Instead of storing the full text every time, Pandas stores each unique value once and references it internally.
On large datasets, memory usage can drop dramatically. | 1 267 |
| 14 |  NumPy Cheat Sheet for Beginners | 1 136 |
| 15 | From Zero to Data Scientist
This is a free, open-source curriculum from Microsoft's Azure Cloud Advocates team that breaks data science down into 20 digestible lessons spread across 10 weeks.
👉 Free curriculum with quizzes and assignments
👉 No prior experience needed to start
👉 It's Project-based so you're building a portfolio as you learn
👉 Created by Microsoft experts and students
👉 Has a strong discord community to back you up
Explore it here: https://github.com/microsoft/data-science-for-beginners | 1 190 |
| 16 |  🧩 Why One-Hot Encoding Exists
Machine learning models don't understand words.
They understand numbers.
So how do you feed a value like:
Color = Red
You can't simply write:
Red = 1
Blue = 2
Green = 3
The model might think Green > Blue > Red, even though colors have no natural order.
Instead, we create separate columns:
Red 1 0 0
Blue 0 1 0
Green 0 0 1
This is called One-Hot Encoding. It represents categories without introducing fake relationships. | 1 011 |
| 17 |  🚨 UC Berkeley just open-sourced FreeToken.
It claims 2–4× faster local LLM inference than Ollama, and the wild part is the models it can run:
• Qwen3.6-35B on 8GB VRAM → 39.3 tok/s
• DeepSeek-V4-Flash 284B on 32GB VRAM → 22 tok/s
• GLM-5.2 753B on 96GB VRAM → 14.9 tok/s
How? These are Mixture-of-Experts models. A 35B model doesn't actually use all 35B parameters for every token.
FreeToken keeps the experts in system RAM and intelligently decides whether a missing expert should be sent to the GPU or computed on the CPU.
The good part is the best strategy depends on your exact machine. A 5090 desktop and an 8GB laptop may want completely opposite approaches.
It also checkpoints agent context, so coding agents don't repeatedly prefill thousands of unchanged tokens.
Open weights don't mean much if nobody can afford the hardware to run them. FreeToken is attacking that gap.
📄 Paper: https://arxiv.org/pdf/2608.16157
💻 Repo: https://github.com/FlashML-org/FreeToken | 991 |
| 18 | What does this query return? | 956 |
| 19 | Topic: SQL
🔍 Quick look before the question:
SELECT e.name, e.salary
FROM employees e
WHERE e.salary > (
SELECT AVG(salary)
FROM employees
WHERE department = e.department
); | 925 |
| 20 | 🐼 One Pandas Function That Can Save You From Ugly if/else
Suppose you want to classify customers:
spending >= 1000 → VIP
spending >= 500 → Regular
otherwise → Low
You could write a complicated function.
Or:
import numpy as np
df["segment"] = np.select(
[
df["spending"] >= 1000,
df["spending"] >= 500
],
[
"VIP",
"Regular"
],
default="Low"
)
Now the rules are visible directly in the code.
This becomes especially useful when you have several conditions. | 1 033 |
