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
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.
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
