Data science/ML/AI
Відкрити в Telegram
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 14 058 підписників, посідаючи 9 091 місце в категорії Технології та додатки та 28 236 місце у регіоні Індія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 14 058 підписників.
За останніми даними від 27 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 97, а за останні 24 години на -7, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 9.29%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.10% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 306 переглядів. Протягом першої доби публікація в середньому набирає 295 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 28 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.
14 058
Підписники
-724 години
-17 днів
+9730 днів
Архів дописів
14 059
Loading an Excel file in Python
Excel files are packed with headers, logos, merged cells, and multiple sheets but pandas handles it all.
With just a few extra parameters, you can skip junk rows, pick exact columns,e.t.c
# Import the pandas library
import pandas as pd
# Specify the path to your Excel file (.xlsx or .xls)
filename = "data.xlsx"
# Read the Excel file into a DataFrame
# Common options you'll use all the time:
df = pd.read_excel(
filename,
sheet_name=0, # 0 = first sheet
header=0, # Row (0-indexed) to use as column names
skiprows=4, # Skip first 4 rows
nrows=1000, # Load only first 1000 rows
)
# Check the first five rows
df.head()14 059
Loading a CSV file in Python
CSV stands for Comma-Separated Values the most common format for tabular data everywhere.
With pandas, turning a CSV into a powerful, queryable DataFrame takes just a few clear lines.
# Import the pandas library
import pandas as pd
# Specify the path to your CSV file
filename = "data.csv"
# Read the CSV file into a DataFrame
df = pd.read_csv(filename)
#Checking the first five rows
df.head()14 059
Hey everyone 👋
Tomorrow we are kicking off a new short & free series called:
📊 Data Importing Series 📊
We’ll go through all the real ways to pull data into Python:
→ CSV, Excel, JSON and more
→ Databases & SQL databases
→ APIs, Google Sheets, even PDFs & web scraping
Short lessons, ready-to-copy code, zero boring theory.
First part drops tomorrow.
Turn on notifications so you don’t miss it 🔔
Who’s excited? React with a 🔥 if you are.
14 059
Normalization vs Standardization: Why They’re Not the Same
People treat these two as interchangeable. they’re not.
👉 Normalization (Min-Max scaling):
Compresses values to 0–1.
Useful when magnitude matters (pixel values, distances).
👉 Standardization (Z-score):
Centers data around mean=0, std=1.
Useful when distribution shape matters (linear/logistic regression, PCA).
🔑 Key idea:
Normalization preserves relative proportions.
Standardization preserves statistical structure.
Pick the wrong one, and your model’s geometry becomes distorted.
14 059
📚 Data Science Riddle - CNN Kernels
Which convolution increases channel depth but not spatial size?
14 059
✅ Complete AI (Artificial Intelligence) Roadmap 🤖🚀
1️⃣ Basics of AI
🔹 What is AI?
🔹 Types: Narrow AI vs General AI
🔹 AI vs ML vs DL
🔹 Real-world applications
2️⃣ Python for AI
🔹 Python syntax & libraries
🔹 NumPy, Pandas for data handling
🔹 Matplotlib, Seaborn for visualization
3️⃣ Math Foundation
🔹 Linear Algebra: Vectors, Matrices
🔹 Probability & Statistics
🔹 Calculus basics
🔹 Optimization techniques
4️⃣ Machine Learning (ML)
🔹 Supervised vs Unsupervised
🔹 Regression, Classification, Clustering
🔹 Scikit-learn for ML
🔹 Model evaluation metrics
5️⃣ Deep Learning (DL)
🔹 Neural Networks basics
🔹 Activation functions, backpropagation
🔹 TensorFlow / PyTorch
🔹 CNNs, RNNs, LSTMs
6️⃣ NLP (Natural Language Processing)
🔹 Text cleaning & tokenization
🔹 Word embeddings (Word2Vec, GloVe)
🔹 Transformers & BERT
🔹 Chatbots & summarization
7️⃣ Computer Vision
🔹 Image processing basics
🔹 OpenCV for CV tasks
🔹 Object detection, image classification
🔹 CNN architectures (ResNet, YOLO)
8️⃣ Model Deployment
🔹 Streamlit / Flask APIs
🔹 Docker for containerization
🔹 Deploy on cloud: Render, Hugging Face, AWS
9️⃣ Tools & Ecosystem
🔹 Git & GitHub
🔹 Jupyter Notebooks
🔹 DVC, MLflow (for tracking models)
🔟 Build AI Projects
🔹 Chatbot, Face recognition
🔹 Spam classifier, Stock prediction
🔹 Language translator, Object detector
14 059
📚 Data Science Riddle
Your model's loss fluctuates but doesn't decrease overall. What's the most likely issue?
14 059
The Difference Between Model Accuracy and Business Accuracy
A model can be 95% accurate…
yet deliver 0% business value.
Why❔
Because data science metrics ≠ business metrics.
📌 Examples:
- A fraud model catches tiny fraud but misses large ones
- A churn model predicts already obvious churners
- A recommendation model boosts clicks but reduces revenue
Always align ML metrics with business KPIs.
Otherwise, your “great model” is just a great illusion.
14 059
📚 Data Science Riddle
Your estimate has high variance. Best fix?
14 059
Covers Spark for ML, graph processing (GraphFrames), and integration with Hadoop from Stanford University.
14 059
📚 Data Science Riddle
A feature has low importance but domain experts insist it matters. What do you do?
14 059
📚 Data Science Riddle
You need fast reads of small files. What storage options fits best?
14 059
🛠️ Running Code in Jupyter Notebooks
Jupyter Notebooks let you write & run code interactively.
Here’s a quick guide to make your workflow smoother:
▶️ Kernel & Code Cells
- Each notebook is tied to a single kernel (e.g. IPython).
- Code cells are where you write and execute code.
⌨️ Useful Shortcuts
- Shift + Enter → run current cell, move to next
- Alt + Enter → run current cell, insert new one below
- Ctrl + Enter → run current cell, stay in place
🔄 Kernel Management
- Interrupt the kernel if code hangs.
- Restart kernel to reset memory & variables.
🖥️ Output Handling
- Results & errors appear directly under the cell.
- Long-running code outputs appear as they’re generated.
- Large outputs can be scrolled or collapsed for clarity.
💡 Pro Tip:
Always “Restart & Run All” before sharing or saving a notebook.
This ensures reproducibility and clean results.
👉 Explore
14 059
📚 Data Science Riddle
You want to prevent inconsistent data across environments. What helps most?
14 059
The Big Data bible from Stanford: MapReduce, Spark, recommendation systems, PageRank, locality-sensitive hashing, Large scale machine learning and mining social networks/streams all explained clearly with real algorithms you can code today. 500 pages of pure gold.
14 059
📚 Data Science Riddle
You want to detect extreme values visually in one plot. Which one is best?
14 059
📚 Data Science Riddle
A query runs slowly due to large table scans. What's the most targeted fix?
