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
Больше
Сеть:📈 Аналитический обзор Telegram-канала Data science/ML/AI
Канал Data science/ML/AI (@datascience_bds) языкового сегмента Английский является активным участником. Сейчас сообщество объединяет 14 064 подписчиков, занимая 9 052 место в категории Технологии и приложения и 28 197 место в регионе Индия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 14 064 подписчиков.
Согласно последним данным от 25 октября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 97, а за последние 24 часа — 4, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 8.86%. В первые 24 часа после публикации контент обычно набирает 2.13% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 1 246 просмотров. В течение первых суток публикация набирает 300 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 3.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как panda, learning, row, api, ethic.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“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...”
Благодаря высокой частоте обновлений (последние данные получены 26 октября, 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.
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
