Channel
@azaduniqomMl
On this record: Growth · Engagement · What this channel posts · Reactions · Posts · Polls · Citations · Cite this entry
89subscribers
-4 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1002592192149 |
|---|---|
| Type | Channel |
| Username | @azaduniqomMl |
| Created | Between 1 March 2025 and 31 July 2025 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 9 August 2026 |
| Last confirmed live | 10 September 2026 |
| Measurements held | 5 |
| Confirmed unchanged | 1 time, most recently 10 September 2026 |
| On Telegram | t.me/azaduniqomMl |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 10 Sept 2026, 11:21 | 89 | -1 |
| 31 Aug 2026, 13:43 | 90 | -2 |
| 16 Aug 2026, 18:53 | 92 | -1 |
| 9 Aug 2026, 13:32 | 93 | no change |
| 7 Aug 2026, 17:40 | 93 | first reading |
19 posts held, back to 1 September 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 19 posts for this entry, the most recent from 29 September 2025. An engagement rate over an empty window would be a number about nothing.
Measured directly from 1 video 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.
1 reaction across 1 post, in 1 kind.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 1 | 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 1 of the 19 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 1 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 19 most recent posts we hold, published 1 September 2025 to 29 September 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.
🚀 معرفی Stackoverflow.ai 🔍 یه ابزار جستجو و کشف مبتنی بر هوش مصنوعی که توسط تیم Stack Overflow ساخته شده. ✨ ویژگی کلیدی این پلتفرم، اتصال مستقیم به پایگاه دانش Stack Overflow ـه؛ جایی با بیش از ۵۸ میلیون سؤال و پاسخ معتبر که توسط جامعه توسعهدهندگان تأیید شده. 📚 نکته جالب اینجاست که پاسخهای هوش مصنوعی رو در کنار محتوای تولیدشده توسط کاربران نشون میده. یعنی هم از قدرت AI استفاده میکنی، هم از تجربه واقعی برنامهنو…
❓سوال سی و هفت: مزایای نمایش دادهها با شبکه بیزین چیه؟ 📌 شبکه بیزین (Bayesian Network) یه مدل گرافیکی احتمالاتیه که ویژگیها و وابستگیهاشون رو با یه گراف جهتدار بدون چرخه (DAG) نشون میده. مزایا: 🔹 نمایش استقلال و استقلال شرطی → جایی که ویژگیها مستقل باشن یا فقط تحت شرایط خاصی به هم وابسته باشن. 🔹 کد کردن بخشهای مهم وابستگی → لازم نیست کل توزیع مشترک رو نگه داریم، فقط قسمتهای مرتبط رو ذخیره میکنه. 🔹 نمایش ت…
📌آموزش فارسی یادگیری ماشینی و یادگیری عمیق ✅ و جلسهی چهل و یکم با موضوع جدید، Long-Short Term Memory (LSTM) آغاز میکنیم. 📝 Long-Short Term Memory (LSTM) یک نوع شبکه عصبی بازگشتی (RNN) است که برای پردازش دادههای ترتیبی (مثل متن، گفتار، یا سریهای زمانی) استفاده میشود. 🔹 مزیت اصلی آن نسبت به RNN معمولی این است که میتواند وابستگیهای بلندمدت را به خاطر بسپارد، چون ساختار داخلیاش (سلول حافظه و دروازهها: input g…
🌲🌲 جنگل تصادفی (Random Forest): جنگل جادویی درختها! 🌲🌲 یه درخت تصمیم (Decision Tree) قشنگه ولی معمولاً دچار Overfitting میشه 😅 راهحل؟ 🌟 یه جنگل بساز! کلی درخت تصمیم با هم رأی میدن ✅ 🔹 چی هست؟ 👉 جنگل تصادفی مجموعهای از درخت تصمیمهاست که با Bagging آموزش میشه. 🔸 دستهبندی: RandomForestClassifier 🔸 رگرسیون: RandomForestRegressor 🔹 ویژگی مهم بهجای انتخاب بهترین ویژگی، از یه زیرمجموعه تصادفی استفاده میکنه. نتیجه…
🚀 Random Patches vs Random Subspaces بچهها تا حالا از Bagging گفتیم که دادهها رو تصادفی انتخاب میکنه و هر مدل یه چیزی یاد میگیره. ولی یه مرحلهی خفنتر هم داریم 👉 اینبار ویژگیها (Features) هم وارد بازی میشن! 🔹 Random Patches ✅ هم دادهها (instances) تصادفی انتخاب میشن ✅ هم ویژگیها (features) ➡️ یعنی یه جور پچکاری کامل! هم از ردیفها میزنیم هم از ستونها 😅 🔹 Random Subspaces ✅ همهی دادهها کامل نگه داشت…
❓ سوال سی و شش: What is a Bayesian Classifier? (بیزین کلاسیفایر چیه؟) 🧠 بیزین کلاسیفایر یه مدل احتمالاتی هست که سعی میکنه احتمال خطای دستهبندی رو کم کنه. 🔹 اینطوری کار میکنه: * از روی دادههای آموزش، احتمال وقوع هر ویژگی رو با توجه به کلاس محاسبه میکنه. * بعد توی مرحله تست، با استفاده از قاعده بیز (Bayes’ Rule) میاد حدس میزنه نمونه جدید مربوط به کدوم کلاس هست. 📌 سادهتر بگم: بیزین کلاسیفایر میگه: «با توجه ب…
❓️سوال سی و پنج : تفاوتها و موازنهها (trade-off) بین الگوریتمهای دستهبندی مختلف چیه؟ چطور بهترین رو انتخاب کنیم؟ ✅ جواب ساده: هیچ الگوریتمی وجود نداره که بگیم همیشه بهترینه! 🚫 انتخاب الگوریتم بیشتر بستگی به نوع مسئله و دادههات داره. معمولاً اینجوری پیش میری: 1. اول با یه الگوریتم ساده و سریع شروع میکنی (مثلاً Logistic Regression یا Decision Tree). 2. بعد چندتا الگوریتم مختلف رو امتحان میکنی (مثلاً KNN، SVM…
❓️سوال سی و چهار: چندتا از الگوریتمهای معروف دستهبندی (Classification) رو نام ببر؟ ✅ جواب: * Decision Tree (درخت تصمیم) 🌳 * K-Nearest Neighbors (KNN) 👥 * Naive Bayes 🎲 * Support Vector Machines (SVM) 📏 * Random Forest 🌲🌲 اینها از پرکاربردترین الگوریتمهای دستهبندی هستن. #سوالات_مصاحبه #سوال_سی_و_چهارم 📍@azaduniqomMl
❓️سوال سی و سه: خطای نوع اول و دوم چیست؟ 🔹 خطای نوع اول (Type I error ) ✅ جواب: یعنی وقتی فرض صفر (H₀) درست بوده، اما تو اشتباهی ردش کردی. بهش میگن False Positive. مثال: دکتر میگه شما مریضی 😷، درحالی که سالمی. 🔹 خطای نوع دوم (Type II error) ✅ یعنی وقتی فرض صفر (H₀) غلط بوده، اما تو اشتباهی قبولش کردی. بهش میگن False Negative. مثال: دکتر میگه شما سالمی 🙂، درحالی که واقعا مریضی. ✨ خلاصه: نوع یک = Type I = False Pos…
📌؛ Out-of-Bag Evaluation چیه؟ وقتی توی روش Bagging دادهها رو با جایگزینی انتخاب میکنیم، بعضی نمونهها چند بار وارد آموزش میشن و بعضیها اصلاً انتخاب نمیشن 🤷♂️ 🔹 به اون دادههایی که انتخاب نمیشن میگن Out-of-Bag (OOB) یا همون «بیرونکیسهای»! 👜❌ تقریباً 63٪ دادهها وارد آموزش میشن و حدود 37٪ میمونن OOB (البته این 37٪ برای هر مدل فرق میکنه). 🔹 نکته جذاب اینجاست: چون یه مدل خاص اون دادههای OOB رو ندیده، میش…
🥤 Bagging vs 🍔 Pasting تا حالا شده از چند نفر نظر بخوای و آخرش با جمعبندی، بهترین نتیجه رو بگیری؟ تو یادگیری ماشین هم داریم چیزی به اسم Ensemble که همین کارو میکنه! 💡 Bagging (Bootstrap Aggregating) از دیتای اصلی نمونه میگیریم با جایگزینی یعنی یه داده ممکنه چند بار انتخاب بشه 🥤 💡 Pasting نمونهگیری بدون جایگزینی هر داده فقط یک بار انتخاب میشه 🍔 📊 چطوری کار میکنه؟ 1. هر مدل روی یه زیرمجموعه آموزش میبین…
🚀 اگه میخوای یادگیری ماشین رو اصولی یاد بگیری، این ۵ منبع رایگان میتونه مثل یه نقشه راه کمکت کنه 📚✨ 1️⃣ مبانی پایه 🤖 🔹 یادگیری ماشین کاربردی – آموزش مفاهیم پایه با مثالهای واقعی: https://sample-link.com/ml-applied 🔹 یادگیری ماشین تفسیرپذیر – یاد بگیر مدلهات فقط دقیق نباشن، بلکه قابل فهم هم باشن: https://sample-link.com/ml-interpret 2️⃣ ریاضیات یادگیری ماشین ➕➗ 🔹 ریاضیات برای یادگیری ماشین – جبر خطی، آمار و حساب…
Showing the 12 most recent of 19 posts we hold for @azaduniqomMl. 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.
The poll we hold for this entry, as Telegram rendered it when we read the post. A poll’s figures keep moving after that, so each one is dated.
😒ایده اصلی Ensemble Learning چیه⁉️
Shares as published. No per-option vote count is published by Telegram, so none is shown.
Percentages only — there are no per-option vote counts here, because Telegram publishes none. The public post preview gives each option’s share and a single voter total, and nothing else. Multiplying one by the other would produce a per-option tally that looks measured and is not: the shares are rounded to whole numbers before we ever see them. We print what was published and leave the column that does not exist empty.
The shares need not add up to 100. Rounding alone puts many polls at 99 or 101. A poll that allows more than one answer per voter runs well past 100 by design, and several here do. The bars are drawn against a fixed 100% track at each option’s own percentage rather than normalised to the total, so a poll that exceeds it shows that it does instead of being quietly rescaled.
Read from the 19 most recent posts we hold, published 1 September 2025 to 29 September 2025. Telegram labels each poll by kind — an anonymous poll, a quiz, a closed set of final results — and that label is reproduced rather than paraphrased.
Named by 2 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.
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 10 September 2026 — this entry's latest reading, not the date you are reading this.
“MODELIUM” (@azaduniqomMl), 89 subscribers as measured 10 September 2026. Telegram Register, tgregister.com/channel/azaduniqomMl.
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.