Channel
@ForkMachineLearning
On this record: Topic · Growth · Engagement · Posts · Handles named that no longer answer · Cite this entry
142subscribers
-8 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1001185328807 |
|---|---|
| Type | Channel |
| Username | @ForkMachineLearning |
| Created | 6 July 2019 — measured — dated from the channel’s first post |
| First recorded | 8 August 2026 |
| Last confirmed live | 5 October 2026 |
| Measurements held | 7 |
| Confirmed unchanged | 2 times, most recently 5 October 2026 |
| On Telegram | t.me/ForkMachineLearning |
Education — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 25 September 2026 and assigned it the closest of 31 fixed categories, at 99% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 25 Sept 2026, 11:22 | 142 | -2 |
| 7 Sept 2026, 00:36 | 144 | -1 |
| 20 Aug 2026, 20:22 | 145 | -2 |
| 13 Aug 2026, 08:47 | 147 | -2 |
| 8 Aug 2026, 20:02 | 149 | no change |
| 7 Aug 2026, 02:21 | 149 | -1 |
| 6 Aug 2026, 20:02 | 150 | first reading |
14 posts held, back to 6 July 2019 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 page of 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 14 posts for this entry, the most recent from 1 August 2019. An engagement rate over an empty window would be a number about nothing.
Criado repositório p ensinar redes neurais, inteligência artificial, aprendizado de máquina e aprendizado profundo. Vocês podem acessá-lo em github.com/Sam-Marx/redes-neurais. O conteúdo será atualizado toda semana, com scripts, definições, cálculos etc.)
É isso galera. Chegamos ao fim do curso, espero que tenham gostado. Se você veio do canal @AcervoHackerBR provavelmente já deve saber que estamos dando um curso de Python no canal @forkPython e em breve iremos postar cursos de SQL (MySQL, PostgreSQL, Oracle...) e NumPy com Python
Após cada iteração, precisamos ajustar o peso com base no erro (a diferença da saída calculada e a saída real). Usaremos esta fórmula: ajustamento = erro * input * output*(1-output) Isto fará o ajuste proporcional ao tamanho do erro. Após cada ajuste o tamanho do erro deve ficar menor e menor. Após as 10.000 iterações, teremos pesos ótimos e, em seguida, podemos dar ao programa as entradas desejadas. O programa irá …
Photo, posted without a caption
5 - Uma rede neural para reconhecer padrões Vamos construir um programa que vai ensinar o computador a reconhecer padrões simples usando redes neurais. Redes neurais artificiais, como cérebros reais, são formadas a partir de "neurônios" conectados, todos capazes de realizar uma tarefa relacionada a dados, tais como responder a uma pergunta sobre a relação entre eles. Vamos pegar o seguinte padrão: 1 1 1 = 1 1 0 1 = …
4 - Ensinar matemática usando redes neurais Vamos construir um programa, que vai ensinar o computador a prever a saída de uma expressão matemática sem "conhecer" a fórmula exata. Considere a seguinte expressão: (a+b)*2 Para duas entradas a E b a operação terá uma saída distinta. O objetivo é criar um programa, que irá prever a saída de dados de entrada, sem saber a fórmula da expressão. Para isso, usaremos redes neur…
Como a rede é capaz de mudar e adaptar-se com base nos dados que passam por ela, as conexões entre esses neurônios são afinadas até que a rede produza previsões altamente precisas. Pode ser pensado como" aprender", da mesma forma que os nossos cérebros. Redes neurais têm sido usadas em uma variedade de tarefas, incluindo visão de computador, reconhecimento de fala, tradução de máquina, tabuleiro de jogo e jogos de v…
Photo, posted without a caption
3 - Redes neurais O objetivo dos algoritmos de aprendizagem de máquinas de rede neural artificial é imitar a forma como o cérebro humano organiza e compreende a informação, a fim de chegar a várias previsões. Redes neurais, com sua notável capacidade de derivar significado a partir de dados complicados ou imprecisos, podem ser usadas para extrair padrões e detectar tendências que são muito complexas para serem notad…
2 - Tipos de aprendizagem de máquina Algoritmos de aprendizagem automática podem ser divididos em três grandes categorias: "Aprendizagem supervisionada": o computador é apresentado com entradas de exemplo e suas saídas desejadas, e o objetivo é aprender uma regra geral que mapeia entradas para saídas. Um exemplo é um filtro de spam por e-mail. "Aprendizagem não supervisionada": não são dadas etiquetas ao algoritmo d…
@AcervoHackerBR 1 - O que é o aprendizado de máquina? O aprendizado de máquina dá aos computadores a capacidade de aprender sem ser explicitamente programado. É a capacidade de programas de computador analisar dados, extrair informações automaticamente, e aprender com ele. Então, basicamente, implementar o aprendizado de máquina significa criar algoritmos que podem aprender e fazer previsões sobre dados. Alguns exem…
Tópicos que serão abordados neste breve curso de Machine Learning (obs: não ensinaremos você á fazer seu próprio bot ou algo do tipo, já que isso varia de linguagem para linguagem, este curso é totalmente conceituoso e introdutório) 1 - O que é o aprendizado de máquina? 2 - Tipos de aprendizagem por máquina 3 - Redes Neurais 4 - Ensinar matemática usando redes neurais 5 - Uma rede Neural simples para reconhecer padrõ…
Showing the 12 most recent of 14 posts we hold for @ForkMachineLearning. 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.
@ForkMachineLearning named 3 handles that resolve to nothing today. That is a fact about the reference, not necessarily a fact about the handle’s history — see the two groups below.
Most of these may never have existed as a live channel at all. A handle a channel names can be a typo, an aspirational name nobody registered, or a channel that was already gone before this one ever mentioned it. Unless a row below is marked evidenced, all we know is that it references a handle that is not a live channel today — not that anything “died”. How this is measured.
References a handle that is not a live channel — we have no record it ever was one.
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 25 September 2026 — this entry's latest reading, not the date you are reading this.
“Curso de Machine Learning” (@ForkMachineLearning), 142 subscribers as measured 25 September 2026. Telegram Register, tgregister.com/channel/ForkMachineLearning.
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.