Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
DLeX: AI Python
Kanalga Telegram’da o‘tish
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Ko'proq ko'rsatish📈 Telegram kanali DLeX: AI Python analitikasi
DLeX: AI Python (@ai_python) Forsiy til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 21 453 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 6 320-o'rinni va Eron mintaqasida 15 657-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 21 453 obunachiga ega bo‘ldi.
15 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -45 ga, so‘nggi 24 soatda esa 8 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 10.07% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 3.73% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 2 160 marta ko‘riladi; birinchi sutkada odatda 800 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 6 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent مصنوعی, توییتر, ماهواره, داده, فناوری kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 16 Iyun, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
21 453
Obunachilar
+824 soatlar
+47 kunlar
-4530 kunlar
Postlar arxiv
21 453
If you have a number of sequences of different length, and call pad_sequences on them, what’s the default result?
21 453
If I put a dropout parameter of 0.2, how many nodes will I lose?
21 453
Repost from تهران دیتا-دانشگاه تهران
#دانشگاه_تهران
❌تنها ۶ نفر از ظرفیت دوره باقیست...
📣 جامعترین دوره آنلاین علمداده کشور!
👨🏻🏫 همراه با برجسته ترین اساتید کشور
🔔 شرایط ویژه (از بلک فرایدی تا روز دانشجو)
🥇 با ارائه گواهینامه دوزبانه از دانشگاه تهران با قابلیت ترجمه رسمی
🌐 اطلاعات بیشتر
https://tehrandata.org/courses/datascience/
⁉️ مشاوره رایگان و ثبت نام
📞 09377516759
🔘 t.me/tehrandata_admin
🆔 t.me/tehran_data
21 453
جواب درست این تکه کد چیه؟؟
>>> name= ['@AI_']
>>> name.append('Python') >>> print(name[1])
21 453
جواب درست این تکه کد چیه ؟
>>> x=[[1]]*2
>>> x[0].append(2) >>> print(x)
21 453
✅ کتابخانه NumPy چیست؟
📝 کتابخانه NumPy یک کتابخانه پایتون منبع باز است که تقریباً در هر زمینهای از علم و مهندسی استفاده میشود. این استاندارد جهانی برای کار با داده های عددی در پایتون است و در هسته اکوسیستم های علمی Python و PyData قرار دارد. کاربران NumPy شامل همه افراد از کدنویسان مبتدی تا محققان با تجربه هستند که تحقیقات و توسعه علمی و صنعتی را انجام می دهند. NumPy API به طور گسترده در Pandas، SciPy، Matplotlib، scikit-learn، scikit-image و بسیاری دیگر از بسته های علوم داده و علمی Python استفاده می شود.
📝 کتابخانه NumPy شامل آرایه های چند بعدی و ساختارهای داده ماتریسی است.
📝 این کتابخانه پایه ترین کتابخانه مورد استفاده در هوش مصنوعی است و فراگیری بیشتر آن باعث فهم بیشتر داده و شیوه آماده سازی آن برای الگوریتم می شود.
📝 برای دریافت آموزش از این کتابخانه می توان به لینک زیر مراجعه کرد:
🗒 NumPy Library
@AI_Python
21 453
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) seaborn در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Python
21 453
Repost from N/a
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) seaborn در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Python
21 453
Repost from N/a
✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) دریایی در پایتون ایجاد کنیم؟
📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم دادهها استفاده میشود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفههایی است که توسط seaborn پشتیبانی میشود که در آن تغییرات در دادههای مرتبط با استفاده از یک پالت رنگ به تصویر کشیده میشود.
📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم دادههایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل دادهها برای آموزش کردن مدل از کسری از دادهها استفاده کنیم و میان مشخصههایی که ارتباط بسیار زیاد نشان داده میشود یکی را به عنوان مشخصه نماینده برای دادههای آموزشی معین میکنیم و بقیه را نادیده میگیریم.
جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap
@AI_Hasan
21 453
جواب خروجی کد زیر چیه ؟
>>> a = (1,2,3)
>>> type(a) >>> b= (3) >>> type(b)
21 453
جواب خروجی درست کدام گزینه است؟
>>> def x ( i,values=[] ) : return values.append(i)
>>> print(x(2))
21 453
جواب درست این تکه کد چیه ؟
>>> try: print(1)
... except: print (2) ... finally : print(3) >>>
21 453
جواب درست این تکه کد چیه؟
>>> a = [0,1,2,3]
>>> for a[-1] in a : ... print(a[-1])
21 453
جواب درست این تکه کد چیه ؟
>>> def fun(): for x in range(22,23,24):
print(x) >>> fun()
21 453
جواب درست این تکه کد چیه ؟
>>> l1=['A']
>>> l1.extend('ABC') >>> print(l1)
21 453
جواب این تکه کد چیست؟
>>> List=['Python','Developers']
>>> result=[i for i in List if len(i)>6] >>> print(*result)
