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
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Data science/ML/AI
Канал Data science/ML/AI (@datascience_bds) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 14 064 підписників, посідаючи 9 052 місце в категорії Технології та додатки та 28 197 місце у регіоні Індія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 14 064 підписників.
За останніми даними від 25 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 97, а за останні 24 години на 4, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.86%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.13% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 246 переглядів. Протягом першої доби публікація в середньому набирає 300 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 3.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як panda, learning, row, api, ethic.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“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...”
Завдяки високій частоті оновлень (останні дані отримано 26 жовтня, 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.
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
