Channel
@DataScience_twitter
On this record: Growth · Engagement · What this channel posts · Posts · Cite this entry
3,910subscribers
-68 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of 3,162–10,000.
| Telegram ID | -1002008638919 |
|---|---|
| Type | Channel |
| Username | @DataScience_twitter |
| Created | Between 1 November 2023 and 31 May 2024— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 7 August 2026 |
| Last confirmed live | 29 August 2026 |
| Measurements held | 9 |
| Confirmed unchanged | 1 time, most recently 29 August 2026 |
| On Telegram | t.me/DataScience_twitter |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 29 Aug 2026, 08:04 | 3,910 | -5 |
| 26 Aug 2026, 04:54 | 3,915 | -5 |
| 23 Aug 2026, 05:43 | 3,920 | -11 |
| 19 Aug 2026, 18:45 | 3,931 | -8 |
| 16 Aug 2026, 21:06 | 3,939 | -15 |
| 13 Aug 2026, 15:36 | 3,954 | -14 |
| 10 Aug 2026, 16:08 | 3,968 | -9 |
| 7 Aug 2026, 21:33 | 3,977 | -1 |
| 7 Aug 2026, 16:48 | 3,978 | first reading |
19 posts held, back to 2 June 2025 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 3 pagesof Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 19 posts for this entry, the most recent from 13 August 2025. An engagement rate over an empty window would be a number about nothing.
Measured directly from 3 videos with a duration reading, out of the posts we hold for this channel — not this channel’s whole posting history, only the sample this register has actually read. An exact reading to the second, taken from the post itself rather than from Telegram’s own rounded chrome, so it carries no ≈ mark.
👨🏻💻 اگه تازه شروع به یادگیری پایتون و ماشین لرنینگ کردین، این پلیلیست از کانال Sentdex رو از دست ندین! ✏️ یکی از اولین منابعی بود که خودم برای عمیقتر شدن توی ML ازش استفاده کردم. مفاهیم پایه رو خیلی خوب توضیح داده — از رگرسیون و SVM گرفته تا خوشهبندی (Clustering) و شبکههای عصبی عمیق و... 📁 آموزشها هم خیلی عملی و با استفاده از پایتون ارائه شده. ✅ شیوه تدریسش هم روانه و برای مبتدیهایی که دوست دارن عملی پایت…
👨🏻💻 یه راهنمای عالی پیدا کردم برای ساختن پرتفولیوی علم داده، با کلی نکته عملی، ایده پروژه، و مسیر درست برای دیده شدن. ▶️ بهت یاد میده چطور کیساستادیهات رو بچینی، از چه پلتفرمهایی استفاده کنی (GitHub, Notion, سایت شخصی)، و چطور تو بازار رقابتی بدرخشی! ✅ انتخاب پروژههای درست ✅ داستانسرایی با دادهها ✅ ارائه پروژهها و نمونه کارها به شکل حرفهای برای استخدامکنندهها. 📄 Data Science Portfolio Guide ✍🏼 omi…
👩🏻💻 اگه برای مصاحبه ML Engineering آماده میشید یا میخواید درباره سیستمهای ML توی production بیشتر بدونید، این بلاگ مطالب خیلی مفیدی داره:👇 🔗 Machine Learning interview 🔗 Machine Learning interview ✍🏼 bahar ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter
👨🏻💻 به هر زمینهای که از دیتا علاقه دارین یا مشغول کارین و با دادههای ساختاریافته کار میکنین، این کتاب رو حتما تو جعبه ابزار خودتون داشته باشین! ✅ «کتاب آشپزی پانداس (راهنمای عملی کار با پانداس) (ویرایش سوم) / نوشته ویلیام آید و متیو هریسون» ✏️ تازه تمومش کردم و خیلی خوشحالم که برای خودندن این کتاب وقت گذاشتم. هم عملی بود و هم مفید. اکیداً خوندنشو توصیه میکنم!👇 📄 Pandas Cookbook 📄 Pandas Cookbook ✍🏼 Ashka…
👨🏻💻 بنظرم به خودتون لطف کنین و کتاب Clean code رو بیخیال بشین! نهایتا شما رو تبدیل به یه دولوپری میکنه که میتونه با استانداردهای جاوا کد بزنه! ✏️ اگه واقعا میخواین پایتون رو کامل و مفهومی یاد بگیرین، این کتابو بخونید. درک عمیقتری هم نسبت به پایتون و فیچرهاش پیدا میکنید. 🔆 اینم لینک فایل pdf کتاب:👇 🏳️🌈 Fluent Python 🏳️🌈 Fluent Python ✍🏼 Alucard ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter
🖥 مجموعهای از بهترین ریپوهای گیتهاب 💰 در حوزه هوش مصنوعی و داده 👨🏻💻 بهعنوان کسی که مدتهاست با حوزه یادگیری ماشین سر و کار دارم، میتونم بگم یکی از چالشهایی که همیشه بچهها تو حوزه ML باهاش درگیرن، پیدا کردن منابع درست و کاربردیه. ✏️ به همین دلیل، من یه لیست فوقالعاده از ریپوهای کاربردی علوم داده آماده کردم که داشتنش برای هر کسی که میخواد وارد این حوزه بشه، ضروریه. این ریپازیتوریها شامل این مباحث میشن: ✅ …
👨🏻💻 بچهها freecodecamp یه دورهی جدید و رایگان منتشر کرده که بهتون یاد میده چطور تو مسابقات دیتا ساینس Kaggle شرکت کنین و قدمبهقدم پیش برین تا برنده بشین. ✏️ از انتخاب مسابقهیِ مناسب شروع میکنه، بعد میره سراغ فیچر انجینیرینگ، انتخاب مدل، و کلی تکنیک کاربردی دیگه که برای برنده شدن تو مسابقات و پروژهها حسابی به کارتون میاد. ✅ لینک دورهام اینجاست، از دستش ندین:👇 🔗 Kaggle Data Science Competition 🔗 Kaggle…
👨🏻💻 داشتم دنبال یه نقشه راه خوب برای یادگیری ماشین میگشتم که اتفاقی سایت AIGENTS رو پیدا کردم. ✅ دیدم علاوه بر رودمپ ML، برای تمام حوزههای دیتا نقشه راه تعریف کرده و مفاهیم، روشها و ابزارهای ضروری هر پوزیشن رو هم قرار داده. بنظرم خیلی کامله و حسابی میتونه بدردتون بخوره.👇 ◀️اینم لینک سایتش: AIGENTS ◀️اینم لینک سایتش: AIGENTS ✍🏼 Vahid ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter
👨🏻💻 اگه دنبال تمرین و یادگیری مسائل ماشین لرنینگ هستید، بخصوص برای مصاحبه شغلی، این وبسایت رو دیدم جالبه! کلی سوال داره که از ساده تا سخت دسته بندی شده و میتونید تمرین کنید. 📂 deep-ml.com 📂 deep-ml.com ✍🏼 Mehdi Allahyari ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter
👨🏻💻داشتم روی پروژهام کار میکردم که دیدم تا دلت بخواد مدلهای مختلف وجود داره، حتی GPT هزاران مدل پیشنهاد میده. ✏️ گفتم بیام تو یک عکسِ بسیار خلاصه و کاربردی به شما نشون بدم کدوم مدل برای کجا بهینهتر و درستتر کار میکنه. ✅ جمعبندی خیلی خلاصه: ◀️اگر داده تصویری داری: برو سراغ CNN یا Vision Transformers. ◀️اگر داده ترتیبی و سری زمانی داری: LSTM, GRU, یا Transformers عالیان. ◀️اگر مدل سریع و تفسیرپذیر میخو…
👨🏻💻 به عنوان یه مهندس ML، بنظرم مهمترین فاکتور برای موفق ظاهر شدن تو مصاحبههای شغلی یادگیری ماشین شرکتهای بزرگی مثل فیسبوک، آمازون، گوگل و...، داشتن یه برنامه ریزی مطالعاتی کامل + یه استراتژی جامع و مطمئنه. ✅ این ریپازیتوری گیتهاب همون راهنماییه که برای برتری نسبت بقیه بهش نیاز دارین و نباید از دستش بدین! 🔸 این مخزن نه تنها شامل سوالات مصاحبه شرکتهای بزرگ فناوری میشه، بلکه تجربیات متخصصان این حوزه مثل اندرو ن…
📘 جزوه فارسی آموزش «هوش مصنوعی» 👨🏻💻 یه جزوه خیلی خوب هوش مصنوعی میخوام بهتون معرفی کنم که مباحث اصلی AI رو هم ساده توضیح داده و هم کاربردی. 📖 این جزوه اومده هر مبحث رو با مثالهای کاربردی توضیح داده تا کاملا به هر بخش مسلط بشین و دید خوبی نسبت به این حوزه پیدا کنین. ✍🏼 Mojtaba ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter
Showing the 12 most recent of 19 posts we hold for @DataScience_twitter. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 29 August 2026 — this entry's latest reading, not the date you are reading this.
“Data Science Twitter | توییتر علوم داده” (@DataScience_twitter), 3,910 subscribers as measured 29 August 2026. Telegram Register, tgregister.com/channel/DataScience_twitter.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.