DLeX: AI Python
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq
Показати більше📈 Аналітичний огляд Telegram-каналу DLeX: AI Python
Канал DLeX: AI Python (@ai_python) у мовному сегменті Фарсі є активним учасником. На даний момент спільнота об'єднує 21 284 підписників, посідаючи 6 234 місце в категорії Технології та додатки та 16 500 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 21 284 підписників.
За останніми даними від 13 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -58, а за останні 24 години на -9, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.24%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.67% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 754 переглядів. Протягом першої доби публікація в середньому набирає 569 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 18.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq”
Завдяки високій частоті оновлень (останні дані отримано 14 листопада, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
from sklearn.linear_model import LinearRegression import numpy as np lr = LinearRegression() x=np.reshape(np.array([1.0,2.0,3.0]),(3,1)) y=np.reshape(np.array([-45,14,5]),(3,1)) lr.fit(x,y) print(lr.predict(np.reshape([2,5,6],(3,1)))) print(lr.coef_)❇️ @AI_Python 🗣 @AI_Python_arXiv ✴️ @AI_Python_EN
