Data Science & Machine Learning
Відкрити в Telegram
Join this channel to learn data science, artificial intelligence and machine learning with funny quizzes, interesting projects and amazing resources for free For collaborations: @love_data
Показати більше
📈 Аналітичний огляд Telegram-каналу Data Science & Machine Learning
Канал Data Science & Machine Learning (@datasciencefun) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 77 621 підписників, посідаючи 2 017 місце в категорії Освіта та 3 821 місце у регіоні Індія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 77 621 підписників.
За останніми даними від 13 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -142, а за останні 24 години на -20, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 2.37%. Протягом перших 24 годин після публікації контент зазвичай збирає 1.01% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 843 переглядів. Протягом першої доби публікація в середньому набирає 781 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 3.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як learning, accuracy, distribution, panda, dataset.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Join this channel to learn data science, artificial intelligence and machine learning with funny quizzes, interesting projects and amazing resources for free
For collaborations: @love_data”
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 Освіта.
77 621
Підписники
-2024 години
-957 днів
-14230 днів
Архів дописів
Quiz Explaination
Supervised Learning: All data is labeled and the algorithms learn to predict the output from the
input data
Unsupervised Learning: All data is unlabeled and the algorithms learn to inherent structure from
the input data.
Semi-supervised Learning: Some data is labeled but most of it is unlabeled and a mixture of
supervised and unsupervised techniques can be used to solve problem.
Unsupervised learning problems can be further grouped into clustering and association problems.
Clustering: A clustering problem is where you want to discover the inherent groupings
in the data, such as grouping customers by purchasing behavior.
Association: An association rule learning problem is where you want to discover rules
that describe large portions of your data, such as people that buy A also tend to buy B.
Which of the following is not a type of unsupervised Learning?
In which technique, data is unlabeled and the algorithms learn to inherent structure from the input data?
Master_Machine_Learning_Algorithms_Discover_how_they_work_by_Jason.pdf1.09 MB
What are the main parameters of the random forest model?
max_depth: Longest Path between root node and the leaf
min_sample_split: The minimum number of observations needed to split a given node
max_leaf_nodes: Conditions the splitting of the tree and hence, limits the growth of the trees
min_samples_leaf: minimum number of samples in the leaf node
n_estimators: Number of trees
max_sample: Fraction of original dataset given to any individual tree in the given model
max_features: Limits the maximum number of features provided to trees in random forest model
🎓 Introduction to Deep Learning (by MIT) 🎓
This is one of the top high-quality courses to learn the foundational knowledge of deep learning.
All lectures have been uploaded. 100% Free!
https://youtube.com/playlist?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI
What are the main parameters in the gradient boosting model?
There are many parameters, but below are a few key defaults.
learning_rate=0.1 (shrinkage).
n_estimators=100 (number of trees).
max_depth=3.
min_samples_split=2.
min_samples_leaf=1.
subsample=1.0.
Which of the following Python Library can be exclusively used to plot graphs?
How does L2 regularization look like in a linear model?
L2 regularization adds a penalty term to our cost function which is equal to the sum of squares of models coefficients multiplied by a lambda hyperparameter.
This technique makes sure that the coefficients are close to zero and is widely used in cases when we have a lot of features that might correlate with each other.
Which regularization techniques do you know?
There are mainly two types of regularization,
L1 Regularization (Lasso regularization) - Adds the sum of absolute values of the coefficients to the cost function.
L2 Regularization (Ridge regularization) - Adds the sum of squares of coefficients to the cost function
Here, Lambda determines the amount of regularization.
Machine Learning for Everyone in some words
https://vas3k.com/blog/machine_learning/
Everything you need to know about TensorFlow 2.0
Keras-APIs, SavedModels, TensorBoard, Keras-Tuner and more.
https://hackernoon.com/everything-you-need-to-know-about-tensorflow-2-0-b0856960c074?
Today is the last day to get exclusive 75% discount by using coupon code
JULY75What happens to our linear regression model if we have three columns in our data: x, y, z — and z is a sum of x and y?
We would not be able to perform the regression. Because z is linearly dependent on x and y so when performing the regression would be a singular (not invertible) matrix.
What’s the difference between random forest and gradient boosting?
Random Forests builds each tree independently while Gradient Boosting builds one tree at a time.
Random Forests combine results at the end of the process (by averaging or "majority rules") while Gradient Boosting combines results along the way.
Free Live session on Deep Learning technology used by Amazon Go
👇👇
https://bit.ly/3e1BCLs
Only for Indian Users
What do we do with categorical variables?
Categorical variables must be encoded before they can be used as features to train a machine learning model. There are various encoding techniques, including:
One-hot encoding
Label encoding
Ordinal encoding
Target encoding
