Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
DLeX: AI Python
Открыть в Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Больше📈 Аналитический обзор Telegram-канала DLeX: AI Python
Канал DLeX: AI Python (@ai_python) языкового сегмента Фарси является активным участником. Сейчас сообщество объединяет 21 453 подписчиков, занимая 6 320 место в категории Технологии и приложения и 15 657 место в регионе Иран.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 21 453 подписчиков.
Согласно последним данным от 15 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -45, а за последние 24 часа — 8, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 10.07%. В первые 24 часа после публикации контент обычно набирает 3.73% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 2 160 просмотров. В течение первых суток публикация набирает 800 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 6.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Благодаря высокой частоте обновлений (последние данные получены 16 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
21 453
Подписчики
+824 часа
+47 дней
-4530 день
Архив постов
21 453
If you have a number of sequences of different length, and call pad_sequences on them, what’s the default result?
21 453
If I put a dropout parameter of 0.2, how many nodes will I lose?
21 453
Repost from تهران دیتا-دانشگاه تهران
#دانشگاه_تهران
❌تنها ۶ نفر از ظرفیت دوره باقیست...
📣 جامعترین دوره آنلاین علمداده کشور!
👨🏻🏫 همراه با برجسته ترین اساتید کشور
🔔 شرایط ویژه (از بلک فرایدی تا روز دانشجو)
🥇 با ارائه گواهینامه دوزبانه از دانشگاه تهران با قابلیت ترجمه رسمی
🌐 اطلاعات بیشتر
https://tehrandata.org/courses/datascience/
⁉️ مشاوره رایگان و ثبت نام
📞 09377516759
🔘 t.me/tehrandata_admin
🆔 t.me/tehran_data
21 453
جواب درست این تکه کد چیه؟؟
>>> name= ['@AI_']
>>> name.append('Python') >>> print(name[1])
21 453
جواب درست این تکه کد چیه ؟
>>> x=[[1]]*2
>>> x[0].append(2) >>> print(x)
21 453
✅ کتابخانه NumPy چیست؟
📝 کتابخانه NumPy یک کتابخانه پایتون منبع باز است که تقریباً در هر زمینهای از علم و مهندسی استفاده میشود. این استاندارد جهانی برای کار با داده های عددی در پایتون است و در هسته اکوسیستم های علمی Python و PyData قرار دارد. کاربران NumPy شامل همه افراد از کدنویسان مبتدی تا محققان با تجربه هستند که تحقیقات و توسعه علمی و صنعتی را انجام می دهند. NumPy API به طور گسترده در Pandas، SciPy، Matplotlib، scikit-learn، scikit-image و بسیاری دیگر از بسته های علوم داده و علمی Python استفاده می شود.
📝 کتابخانه NumPy شامل آرایه های چند بعدی و ساختارهای داده ماتریسی است.
📝 این کتابخانه پایه ترین کتابخانه مورد استفاده در هوش مصنوعی است و فراگیری بیشتر آن باعث فهم بیشتر داده و شیوه آماده سازی آن برای الگوریتم می شود.
📝 برای دریافت آموزش از این کتابخانه می توان به لینک زیر مراجعه کرد:
🗒 NumPy Library
@AI_Python
21 453
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) seaborn در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Python
21 453
Repost from N/a
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) seaborn در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Python
21 453
Repost from N/a
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) دریایی در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Hasan
21 453
جواب خروجی کد زیر چیه ؟
>>> a = (1,2,3)
>>> type(a) >>> b= (3) >>> type(b)
21 453
جواب خروجی درست کدام گزینه است؟
>>> def x ( i,values=[] ) : return values.append(i)
>>> print(x(2))
21 453
جواب درست این تکه کد چیه ؟
>>> try: print(1)
... except: print (2) ... finally : print(3) >>>
21 453
جواب درست این تکه کد چیه؟
>>> a = [0,1,2,3]
>>> for a[-1] in a : ... print(a[-1])
21 453
جواب درست این تکه کد چیه ؟
>>> def fun(): for x in range(22,23,24):
print(x) >>> fun()
21 453
جواب درست این تکه کد چیه ؟
>>> l1=['A']
>>> l1.extend('ABC') >>> print(l1)
21 453
جواب این تکه کد چیست؟
>>> List=['Python','Developers']
>>> result=[i for i in List if len(i)>6] >>> print(*result)
