Channel
@FaraAI
On this record: Growth · Engagement · Reactions · Posts · Citations · Cite this entry
2,363subscribers
-6 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of 1,000–3,162.
| Telegram ID | -1001254108017 |
|---|---|
| Type | Channel |
| Username | @FaraAI |
| Created | Between 1 March 2018 and 30 June 2021— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 6 August 2026 |
| Last confirmed live | 12 August 2026 |
| Measurements held | 4 |
| Confirmed unchanged | 1 time, most recently 12 August 2026 |
| On Telegram | t.me/FaraAI |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 12 Aug 2026, 21:56 | 2,363 | -1 |
| 10 Aug 2026, 02:41 | 2,364 | -4 |
| 7 Aug 2026, 00:45 | 2,368 | -1 |
| 6 Aug 2026, 08:18 | 2,369 | first reading |
20 posts held, back to 19 July 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 2 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 20 posts for this entry, the most recent from 10 December 2025. An engagement rate over an empty window would be a number about nothing.
5 reactions across 5 posts, in 1 kind.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 5 | 100.0% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 7 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 5reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 19 July 2025 to 10 December 2025, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
۴,۶۰۰,۰۰۰+ دانشجو، همزمان با ۱۷ سالگی فرادرس 🎉 🚀 در این هفته و همزمان با هفدهمین سال آغاز فرادرس، تعداد دانشجویان فرادرس از مرز ۴,۶۰۰,۰۰۰ نفر عبور کرد. به همین مناسبت، یک دورهمی کوچک و صمیمی با حضور تعدادی از همکاران غیردورکار فرادرسی برگزار کردیم. ما در این ۱۷ سال تلاش کردهایم کنار شما باشیم؛ در مسیر یادگیری، پیشرفت و ساختن آیندهای بهتر. 🌱 ... و امروز با تمام وجود، بابت این همراهی طولانی و ارزشمند قدردا…
⭐ آموزش تحلیل داده 🔸 امروزه علم داده مورد توجه محققین و مدیران شرکتها قرار گرفته است. بخش زیادی از تحلیل دادهها و تفسیر نتایج از طریق نمودارهای آماری و تحلیلهای گرافیکی انجام میشود. 🔸 در این فرادرس ما مباحث وب معنایی مشتمل بر زبان های موجود و ابزار مرسوم را با مثال های مختلف مورد بررسی قرار می دهیم. 📌 برای شروع یادگیری، از لینکهای زیر استفاده کنید: 👇👇 ▫️ آموزش تحلیل گرافیکی داده با زبان R ▫️ آموزش تحلیل …
❤1
⭐ آموزش پردازش زبانهای طبیعی NLP 🔸 زبان طبیعی (Natural Language) یا به اختصار NLP، به شاخهای از هوش مصنوعی اطلاق میشود که بر روی تفسیر و تولید زبانهای طبیعی تمرکز دارد. 🔸 با استفاده از تکنیکهای NLP، ماشینها قادر هستند که به صورت خودکار، زبان انسانی را تشخیص داده و درک کرده و با آن تعامل کنند. 📌 برای شروع یادگیری، از لینکهای زیر استفاده کنید: 👇👇 ▫️ آموزش پردازش زبانهای طبیعی NLP در پایتون با پلتفرم NLTK…
❤1
⭐ آموزش کتابخانه پانداس 🔸 کتابخانه پانداس، یک کتابخانه متن-باز و رایگان است که برای استفاده در زبان برنامهنویسی پایتون توسعه داده شده و یکی از چندین پروژه مورد حمایت NumFOCUS است. 🔸 کتابخانه پانداس، امروزه یک ابزار بسیار مهم برای تحلیل اطلاعات است که تقریبا در جعبه ابزار هر کسی قرار دارد که مشغول کار در حوزه یادگیری ماشین و علوم داده است. سرعت بسیار زیاد، توانایی کار با حجم داده بسیار بالا، انعطافپذیری، سادگی د…
⭐ آموزش کلان داده 🔸 کلانداده ترکیبی از دادههای ساختاریافته، نیمهساختاریافته، بدون ساختار و دربردارنده مجموعه اطلاعاتی است که دارای اندازه و پیچیدگی بسیار زیاد بوده و به طور معمول فراتر از حدی است که بتوان آنها را در ابزارهای سنتی ذخیره، مدیریت و یا پردازش کرد. 🔸 در این آموزش در ابتدا مفهوم کلان داده مورد بررسی قرار میگیرد، سپس انواع تکنولوژیهای آن تشریح شده و کاربردهای مهم آن با ذکر چند مثال مورد بررسی قرا…
⭐ آموزش تحلیل شبکه های اجتماعی 🔸 از آنجایی که شبکههای اجتماعی نقش کلیدی در موفقیتهای تجاری و پیشرفتهای کاری ایفا میکنند، شبکهها راههایی برای جمعآوری اطلاعات برای شرکتها مهیا میکنند که باعث میشود، از رقابت بپرهیزند و حتی برای تنظیم قیمتها و سیاستها با هم همکاری نمایند 🔸 در این آموزش ابتدا به مقدمه انگیزشی (نمونههایی از سیستمهای پیچیده واقعی) میپردازیم؛ سپس تفاوت بصریسازی شبکه با انواع دیگر دادهه…
⭐ آموزش دادهکاوی 🔸 دادهکاوی فرایندی است که با استفاده از روشهای آماری و الگوریتمهای یادگیری ماشین، الگوها و روابط پیچیده را در مجموعه دادههای بزرگ کشف میکند. 🔸 در این آموزش به صورت گامبهگام، روشهای دادهکاوی که قابل پیادهسازی در اکسل هستند را بررسی خواهیم کرد. ابتدا به مهارتهای اساسی که در اکسل برای دادهکاوی به آنها نیاز داریم خواهیم پرداخت و سپس روشهای دادهکاوی را با ذکر مثال به طور گامبهگام در…
⭐ آموزش یادگیری عمیق با پایتون و TensorFlow 🔸 یادگیری عمیق (Deep Learning) یکی از محبوبترین و پرکاربردترین علوم حوزه هوش مصنوعی است که با استفاده از شبکههای عصبی مصنوعی، برای پردازش و تحلیل دادههای پیچیده و با ابعاد بالا به کار میرود. 🔸 در حال حاضر، تقریبا در تمام كاربردهای هوش مصنوعی مبتنی بر پردازش تصویر، صوت و متن، مانند: تلفنهای همراه، سامانههای هوشمند اینترنتی، رباتیک و ماشینهای خودران، ردپای یادگیری …
⭐ آموزش مصورسازی و ترکیب دادهها ⭐ مصورسازی داده 🔸 در دنیای دادهکاوی و کار با دادهها حجم فراوان دادهها بیشک کار توضیح دادهها و نمایش نتایج حاصل از بررسی دادهها را بسیار سخت میکند؛ لذا هر فردی در هر حیطهای که با دادهها و اطلاعات وسیع آماری کار میکند، نیازمند ابزاری برای انتقال مفاهیم به سادهترین شکل ممکن است. ▫️ آموزش پیش پردازش و مصورسازی داده ها با Tidyverse در R ▫️ آموزش تصویرسازی داده های آماری …
⭐ آموزش یادگیری عمیق و یادگیری تقویتی ⭐ یادگیری عمیق 🔸 یادگیری عمیق (Deep Learning) یکی از محبوبترین و پرکاربردترین علوم حوزه هوش مصنوعی است که با استفاده از شبکههای عصبی مصنوعی، برای پردازش و تحلیل دادههای پیچیده و با ابعاد بالا به کار میرود. ▫️ آموزش مبانی یادگیری عمیق یا Deep Learning ▫️ آموزش حذف نویز از تصاویر با یادگیری عمیق در پایتون ▫️ آموزش تفسیر مدل یادگیری عمیق با الگوریتم های گرادیانی ا ————…
⭐ آشنایی با وب کاوی و متن کاوی ⭐ آموزش وب کاوی 🔸 وب به عنوان گسترده ترین رسانه جهانی از منظر تولید محتوا و نیز میزان کاربران، فرصت ها و چالش های نوینی را فرا روی بشر قرار داده است. تنوع اطلاعات و خدمات در وب، تامین نیاز اطلاعاتی کاربران را به یکی از چالش های جدی آنان تبدیل نموده است. ▫️ آموزش وب کاوی یا Web Mining ا ———————————————- ⭐ آموزش متن کاوی 🔸 متنکاوی یا Text Mining، یک روش پردازش زبان طبیعی است ک…
⭐ آشنایی با دیگر مفاهیم حوزه هوش مصنوعی ⭐ آموزش موجکها در MATLAB 🔸 تبدیلات موجک یا ویولت از جمله ابزارهایی هستند که کاربردهای فراوانی در شاخه های مختلف علمی و مهندسی به ویژه هوش مصنوعی، یادگیری ماشینی و پیش بینی سری زمانی و بازشناسی الگو دارد. تئوری موجک ها در واقع تعمیمی بر تئوری تبدیلات فوریه و سری های فوریه ست و ضعف های آنالیز فوریه در عملکرد موضعی و مدل سازی رفتارهای کوتاه مدت را جبران می نماید. ▫️ آموزش …
Showing the 12 most recent of 20 posts we hold for @FaraAI. 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.
Citation-graph rank — 908,203 of 1,169,250entries in the measured graph. A weighted position computed from the forward and mention edges below — republished posts weigh more than named mentions — and recomputed periodically, over the whole graph. Published only as this ordinal position, never as a score: a position is a fact, and a score printed beside one channel’s name would read as a verdict this register does not make. The two counts beneath stay separate for the same reason mentions are never summed with forwards anywhere else on this page — a named-by count costs nothing to manufacture. The top 100 by this measure, or how it is computed.
Republishes
Channels on the register whose posts this channel has forwarded.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Named by 7 registered channels — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
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 12 August 2026 — this entry's latest reading, not the date you are reading this.
“FaraAI | فرا هوش: هوش مصنوعی و علم داده” (@FaraAI), 2,363 subscribers as measured 12 August 2026. Telegram Register, tgregister.com/channel/FaraAI.
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.