Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
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📈 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 13 667 підписників, посідаючи 9 391 місце в категорії Технології та додатки та 31 743 місце у регіоні Індія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 13 667 підписників.
За останніми даними від 08 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 150, а за останні 24 години на 4, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.97%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.27% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 089 переглядів. Протягом першої доби публікація в середньому набирає 310 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 5.
- 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 09 червня, 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.
13 667
Підписники
+424 години
+437 днів
+15030 день
Архів дописів
13 666
Repost from Cool GitHub repositories
lerobot
This is an end-to-end library for robot learning. It handles the entire pipeline from loading and processing robotics datasets to training policies and deploying them in simulation or on real hardware.
Creator: huggingface
Stars ⭐️: 19,000
Forked by: 3,000
Github Repo:
https://github.com/huggingface/lerobot
#robotics #AI
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
Join @github_repositories_bds for more cool repositories. This channel belongs to @bigdataspecialist group
13 666
📚 Data Science Riddle
A business team wants interpretable insights, not just predictions. What's the best model to start with?
13 666
Notes on SQL for data management and analysis, including queries and integration with R, from University of South Carolina.
13 666
📚 Data Science Riddle
Why might your SQL join explode the number of rows unexpectedly?
13 666
This is our latest post from Instagram page, saved as PDF.
If you want a very comprehensive breakdown on what's LLMs are and how they actually work, you might want to check it out.
Here's our Instagram post: Explaining LLMs
13 666
Regularization: The Art of Keeping Models Humble
Overfitting is the “ego problem” of models. They memorize training data and forget how to generalize.
Regularization is how we humble them.
➡️ L1 (Lasso): Shrinks some weights to zero → performs feature selection.
➡️ L2 (Ridge): Reduces all weights slightly → smooths learning.
➡️ Dropout: Randomly removes neurons during training → prevents co-dependence.
It’s not about punishment but it’s about discipline.
Regularization teaches models to focus on patterns, not exceptions.
💭 Remember: The best models don’t just fit data. They respect uncertainty.
13 666
📚 Data Science Riddle
You discover your regression model performs poorly on recent data. The relationships between variables have shifted. What's this called?
13 666
List of AI Project Ideas 👨🏻💻
Beginner Projects
🔹 Sentiment Analyzer
🔹 Image Classifier
🔹 Spam Detection System
🔹 Face Detection
🔹 Chatbot (Rule-based)
🔹 Movie Recommendation System
🔹 Handwritten Digit Recognition
🔹 Speech-to-Text Converter
🔹 AI-Powered Calculator
🔹 AI Hangman Game
Intermediate Projects
🔸 AI Virtual Assistant
🔸 Fake News Detector
🔸 Music Genre Classification
🔸 AI Resume Screener
🔸 Style Transfer App
🔸 Real-Time Object Detection
🔸 Chatbot with Memory
🔸 Autocorrect Tool
🔸 Face Recognition Attendance System
🔸 AI Sudoku Solver
Advanced Projects
🔺 AI Stock Predictor
🔺 AI Writer (GPT-based)
🔺 AI-powered Resume Builder
🔺 Deepfake Generator
🔺 AI Lawyer Assistant
🔺 AI-Powered Medical Diagnosis
🔺 AI-based Game Bot
🔺 Custom Voice Cloning
🔺 Multi-modal AI App
🔺 AI Research Paper Summarizer
13 666
🚨 When & How Jupyter Notebooks Fail (And What To Use Instead)
Hey Data Folks! 👩💻👨💻
Let’s talk about Jupyter Notebooks — powerful for exploration, but risky in production. Here’s why:
❌ Problems with Notebooks:
1. Out-of-order execution → hidden bugs.
2. Code changes after execution → inconsistent results.
3. Data leakage → sensitive info in outputs.
4. Security risks → tokens/keys exposed.
5. Hard to apply engineering practices → no modular code, testing, CI/CD.
6. Collaboration pain → merge conflicts, JSON issues.
7. Reproducibility issues → missing dependencies, versions.
✅ When They’re Useful:
- Quick data exploration & prototyping.
- Knowledge sharing (clean, runnable from top to bottom).
- Teaching / hands-on tutorials (with solution notebooks).
🔧 What to Use Instead:
- For production code → .py files + IDEs.
- For workflows → template repos & reproducible setups.
- For deployment → MLOps tools, pipelines, automation.
💡 Key Takeaways:
- Use notebooks for exploration & teaching.
- Use structured code + pipelines for production & deployment.
- Always document dependencies, keep notebooks clean, never commit secrets!
13 666
📚 Data Science Riddle
Your batch ETL job runs slower each week despite no code change. What's your first suspect?
13 666
Hey everyone 👋
Some time ago, I asked if I should start a Data Science educational series and since 96% of you said yes, I began creating it.
But many of you also asked for real, hands-on experience with projects, not just lessons. So I decided to shift gears. It’s now becoming a full practical coding course! 💻
My goal is to help you build skills that get you job-ready, not just teach theory. It’s taking a bit longer, but I promise it’ll be worth it.
Thank you all for your support and patience ❤️
I’ll let you know as soon as we’re ready to start!
13 666
📚 Data Science Riddle
During EDA(Explanatory Data Analysis), what's the main reason we use box plots?
13 666
Discusses Modeling ETL workflows for data warehousing, including data sources and transformations, from Drexel University.
13 666
📚 Data Science Riddle
Why is data validation before model training critical in production ML systems?
13 666
Latest post from our Instagram page, saved as PDF ☝️
You can also find it here: https://www.instagram.com/p/DQJrbCaDBpy/
