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 14 064 مشترک است و جایگاه 9 052 را در دسته فناوری و برنامه‌ها و رتبه 28 197 را در منطقه الهند دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 14 064 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 25 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 97 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 8.86% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.13% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 1 246 بازدید دریافت می‌کند. در اولین روز معمولاً 300 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 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 26 اکتبر, 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.
14 064
مشترکین
+424 ساعت
+67 روز
+9730 روز
در حال بارگذاری داده‌ها
کانال‌های مشابه
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اکتبر '26اکتبر '26
اکتبر '26
+122
در 1 کانال‌ها
سپتامبر '26
+143
در 0 کانال‌ها
Get PRO
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 11 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 | |
| 26 اکتبر | +5 | |||
| 25 اکتبر | +5 | |||
| 24 اکتبر | +1 | |||
| 23 اکتبر | +3 | |||
| 22 اکتبر | +2 | |||
| 21 اکتبر | +4 | |||
| 20 اکتبر | +2 | |||
| 19 اکتبر | +1 | |||
| 18 اکتبر | +3 | |||
| 17 اکتبر | +2 | |||
| 16 اکتبر | +5 | |||
| 15 اکتبر | 0 | |||
| 14 اکتبر | +9 | |||
| 13 اکتبر | +1 | |||
| 12 اکتبر | +6 | |||
| 11 اکتبر | +2 | |||
| 10 اکتبر | +2 | |||
| 09 اکتبر | +5 | |||
| 08 اکتبر | +2 | |||
| 07 اکتبر | +4 | |||
| 06 اکتبر | +9 | |||
| 05 اکتبر | +9 | |||
| 04 اکتبر | +6 | |||
| 03 اکتبر | +8 | |||
| 02 اکتبر | +13 | |||
| 01 اکتبر | +13 |
پست‌های کانال
| 2 | SQL Basic to Advanced | 508 |
| 3 |  10 Modern AI Agents Frameworks and Tools | 586 |
| 4 | Data Science Interview Questions.pdf | 787 |
| 5 | 7 baby steps to start with machine learning:
1. Start with Python
2. Learn to use Google Colab
3. Take a Pandas tutorial
4. Then a Seaborn tutorial
5. Decision Trees is a good first algorithm
6. Finish Kaggle's "Intro to Machine Learning"
7. Solve the Titanic challenge | 999 |
| 6 |  Power BI Mind Map | 1 104 |
| 7 | SQL Notes for Begineers.pdf | 1 079 |
| 8 |  Computer Vision Explained | 1 267 |
| 9 | 1,000 AI/ML Acronyms & Operational Concepts | 1 318 |
| 10 |  Roadmap to Learn SQL | 1 313 |
| 11 | 🧮 Why does NumPy let you add a number to an entire matrix?
Look at this:
import numpy as np
x = np.array([
[10, 20, 30],
[40, 50, 60]
])
x + 5
You get:
[[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])
Conceptually:
[[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 + 5
can work even though x is 2D and 5 is just a scalar. | 1 229 |
| 12 | Intro to Datascience with Python.pdf | 1 397 |
| 13 |  8 RAG architectures for AI Engineers, visually explained: | 1 238 |
| 14 | A comprehensive summary of the Seaborn Library.pdf | 1 334 |
| 15 |  🧮 NumPy: Why axis=0 and axis=1 Feel Backwards
You've probably seen:
np.mean(X, axis=0)
and wondered:
"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)
gives:
[2.5, 3.5, 4.5]
On the other hand:
np.mean(X, axis=1)
gives:
[2, 5]
Don't memorize the numbers.
Just Remember: The axis you specify is the dimension that gets collapsed.
#NumPy | 1 389 |
| 16 | Data Science Formulas Cheat Sheet.pdf | 1 214 |
| 17 |  📊 Pandas Cheatsheet Every Data Analyst Should Save
Pandas is one of the most important tools for data analysis. Master these core operations to work faster and more efficiently:
🔹 Read & Inspect Data
head(), shape, dtypes, describe()
🔹 Select & Filter Data
Extract relevant rows and columns with ease.
🔹 Row Selection
Use loc[] (labels) and iloc[] (positions).
🔹 Handle Missing Values
isnull(), dropna(), fillna()
🔹 Group & Aggregate
Summarize data using groupby() and aggregation functions.
🔹 Merge & Join Data
Combine datasets with merge() using different join types.
#Pandas | 1 381 |
| 18 | SQLBolt: Interactive SQL
You can learn SQL by writing real queries directly in the browser. Each short lesson ends with interactive exercises that give instant feedback. It covers SELECT, filters, joins, aggregates, inserting/updating data, creating tables, and more.
📚 Free Interactive Exercises
⏰ Duration: Self-paced (can finish in a few hours)
🏃♂️ Self Paced
👨🏫 Created by: SQLBolt
🔗 Link
#SQL #DataScience #Interactive
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
👉 Join @bigdataspecialist for more 👈 | 1 198 |
| 19 |  Tools vs MCP vs Skills: 3 Layers That Power Production AI Agents | 1 208 |
| 20 |  LLM inference speed with vs. without KV caching | 1 268 |
