Channel
@Tehranasds
On this record: Growth · Engagement · What this channel posts · Reactions · Posts · Citations · Cite this entry
199subscribers
-2 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1002302558284 |
|---|---|
| Type | Channel |
| Username | @Tehranasds |
| Created | Between 1 September 2024 and 31 March 2025 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 8 August 2026 |
| Last confirmed live | 13 September 2026 |
| Measurements held | 6 |
| Confirmed unchanged | 2 times, most recently 13 September 2026 |
| On Telegram | t.me/Tehranasds |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 4 Sept 2026, 10:00 | 199 | +1 |
| 28 Aug 2026, 14:27 | 198 | -1 |
| 22 Aug 2026, 10:05 | 199 | -4 |
| 15 Aug 2026, 17:04 | 203 | +2 |
| 8 Aug 2026, 11:31 | 201 | no change |
| 7 Aug 2026, 15:12 | 201 | first reading |
17 posts held, back to 14 May 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 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 17 posts for this entry, the most recent from 28 October 2025. An engagement rate over an empty window would be a number about nothing.
Measured directly from 4 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.
44 reactions across 15 posts, in 7 distinct kinds. The most used accounts for 40.9% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 👍 | 18 | 40.9% | |
| ❤ | 14 | 31.8% | |
| 🙏 | 5 | 11.4% | |
| 👏 | 3 | 6.82% | |
| 👌 | 2 | 4.55% | |
| 👎 | 1 | 2.27% | |
| 😁 | 1 | 2.27% |
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 15 of the 17 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 44 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 17 most recent posts we hold, published 14 May 2025 to 28 October 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.
🔶 گزارش تصویری هفته ی دوم سرفصل مدلسازی با IBM SPSS Modeler 🔺 مدرس: دکتر اکبر صمدی 🔸 دوره علم داده اجتماعی (ASDS) 🔗 ثبتنام https://tehranasds.ir 📞 تماس با ما: 09216139651 🌐 [لینکدین] | [اینستاگرام] | [تلگرام]| [بله]
👍3
📊 دورهی حرفهای و کاربردی IBM SPSS Modeler اگر به تحلیل داده، یادگیری ماشین و کشف الگوهای پنهان علاقهمندی، این دوره فرصتی است تا با یکی از قدرتمندترین نرمافزارهای دادهکاوی دنیا آشنا شوی! 🔹 آنچه در این دوره میآموزی: • مفاهیم پایهای علم داده و متدولوژی CRISP-DM • آشنایی با مشاغل حوزه داده و روشهای پیشپردازش • یادگیری ماشین: Supervised، Unsupervised و Reinforcement • الگوریتمهای خوشهبندی (K-Means، K-Medoids،…
❤5
🔶 گزارش تصویری هفته ی اول سرفصل مدلسازی با IBM SPSS Modeler 🔺 مدرس: دکتر اکبر صمدی 🔸 دوره علم داده اجتماعی (ASDS) 🔗 ثبتنام https://tehranasds.ir 📞 تماس با ما: 09216139651 🌐 [لینکدین] | [اینستاگرام]| [تلگرام] | [بله]
👍1
🔷️ پروژه علم داده اجتماعی : پیشبینی و جلوگیری از ترک تحصیل در مدارس برزیل 🎯 ۱. توضیح مسئله مسئله ی ترک تحصیل در مقطع دبیرستان همیشه یک چالش بزرگ اجتماعی در کشور برزیل بوده است . دانشآموزان با رها کردن مدرسه ممکن است دچار فرصت شغلی کمتر ، فقر و احتمال بیشتر برای کنار گذاشته شدن از جامعه شوند . 📌 ۲. اهداف پروژه سیاستگذاران و مسئولان آموزش و پرورش به راهی نیاز داشتند تا قبل از وقوع ترک تحصیل دانشآموزانی که احتمال …
👌2👍1
@tehranasds 👇
🔷️ پروژه علم داده اجتماعی : تحلیل نابرابری دسترسی به مدارس متوسطه – کلارندون (Clarendon)، جامائیکا 📌 ۱. اهداف پروژه هدف اصلی این پروژه نمایش شکاف آموزشی و ارائه راهحلهایی مبتنی بر عدالت اجتماعی بود. 🎯 ۲. توضیح مسئله در منطقهی کلارندون در جامائیکا، نابرابری دسترسی به مدارس متوسطه معضلی فراگیر شده بود ؛ مناطقی که جمعیت دانشآموزی زیادی داشتند، از نبود مدارس کافی یا مسیرهای دشوار حملونقل رنج میبردند و در نتیجه…
👍3
@tehranasds 👇
🔶 دوره علم داده اجتماعی (ASDS) هفتهی نهم: مبانی علم داده 🔺 مدرس: دکتر اکبرصمدی در این جلسه، دکتر صمدی به آموزش مدل بیز ساده (Naive Bayes) به دانشجویان میپردازند. 👨🏫 در ابتدای کلاس، ایشان با معرفی فرمول پایهای این مدل آغاز میکنند: P(A|B) = (P(B|A) × P(A)) / P(B) و تلاش میشود که منطق پشت این رابطهی ساده و کاربردی به زبانی قابل فهم توضیح داده شود. 🔍 سپس، فضای آموزش به سمت کاربرد عملی سوق داده میشود. مثالی با م…
👍3
📘 معرفی کتاب 🎙 «روایتگری با داده – Storytelling with Data» ✍️ نویسنده: Cole Nussbaumer Knaflic ۱️⃣ درکِ بستر و زمینه (Context) 🧭 مخاطب شما کیست؟ دغدغهاش چیست؟ 🎯 هدف شما از ارائهٔ داده چیست؟ اطلاعرسانی، متقاعدسازی، یا تصمیمسازی؟ 📌 این موارد تعیین میکنند چه دادهای را، چگونه و با چه سطح از جزئیات نمایش دهید. ۲️⃣ انتخاب نمودار مناسب 📊 نوع نمودار باید با پیام شما هماهنگ باشد: 📏 نمودار میلهای: برای مقایسه 📈 نمودار …
❤2
@tehranasds 👇
❤1
📌 مطالعه موردی علم داده اجتماعی: شناسایی و مقابله با شایعات زیکا با علم داده 🔍 هدف پژوهش: در بحران جهانی زیکا (۲۰۱۶)، اطلاعات نادرست زیادی بهسرعت در شبکههای اجتماعی پخش میشد. این مطالعه بهدنبال شناسایی خودکار شایعات درباره زیکا در توییتر و تحلیل الگوی گسترش آنها با کمک علم داده بود. 🛠️ روش کار: پژوهشگران بیش از ۱۳ میلیون توییت را از دوره بحران جمعآوری کردند. با تلفیق روشهای NLP، یادگیری ماشین و تحلیل شبکه، ت…
❤2
📘 مصورسازی بهتر دادهها ✍🏻 اثر: Jon Schwabish 📙 ترجمه: اکبر صمدی، فرشید دلجو، علی واعظینژاد 🔹 اگر با دادهها کار میکنید، دیر یا زود باید آنها را به شکلی واضح و اثرگذار ارائه کنید. در چنین شرایطی، صرفاً داشتن دادهی خوب کافی نیست؛ باید بتوانید آنها را درست و حرفهای مصورسازی کنید. 🔸 یکی از مزایای این کتاب، توجه به زمینههای مختلف کاربرد داده است: از ارائههای مدیریتی گرفته تا گزارشهای پژوهشی، از محتوای آموزشی ت…
🙏2❤1👍1
Showing the 12 most recent of 17 posts we hold for @Tehranasds. 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.
Republished by
Channels on the register that have forwarded this channel's posts into their own feed.
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 1 registered channel — 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.
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 4 September 2026 — this entry's latest reading, not the date you are reading this.
“علم داده اجتماعی (ASDS)” (@Tehranasds), 199 subscribers as measured 4 September 2026. Telegram Register, tgregister.com/channel/Tehranasds.
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.