Channel
@AI_AcademyFuture
On this record: Topic · Growth · Engagement · Reactions · Posts · Citations · Cite this entry
1,294subscribers
-23 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of 1,000–3,162.
| Telegram ID | -1002112592479 |
|---|---|
| Type | Channel |
| Username | @AI_AcademyFuture |
| 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 | 17 September 2026 |
| Measurements held | 13 |
| Confirmed unchanged | 1 time, most recently 17 September 2026 |
| On Telegram | t.me/AI_AcademyFuture |
Technology — 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 18 September 2026 and assigned it the closest of 31 fixed categories, at 100% 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 |
|---|---|---|
| 17 Sept 2026, 11:56 | 1,294 | -4 |
| 13 Sept 2026, 21:22 | 1,298 | -2 |
| 10 Sept 2026, 10:00 | 1,300 | -3 |
| 5 Sept 2026, 05:16 | 1,303 | -4 |
| 1 Sept 2026, 16:17 | 1,307 | -7 |
| 26 Aug 2026, 15:35 | 1,314 | -1 |
| 23 Aug 2026, 05:26 | 1,315 | -2 |
| 19 Aug 2026, 08:45 | 1,317 | -2 |
| 16 Aug 2026, 18:26 | 1,319 | -2 |
| 12 Aug 2026, 22:47 | 1,321 | +4 |
| 10 Aug 2026, 03:01 | 1,317 | -1 |
| 7 Aug 2026, 13:27 | 1,318 | +1 |
| 7 Aug 2026, 04:47 | 1,317 | first reading |
20 posts held, back to 28 July 2026 — 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 20 posts for this entry, the most recent from 6 August 2026. An engagement rate over an empty window would be a number about nothing.
40 reactions across 19 posts, in 3 distinct kinds. The most used accounts for 90.0% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 💯 | 36 | 90.0% | |
| ❤ | 2 | 5.00% | |
| 👍 | 2 | 5.00% |
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 19 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 40 reactions 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 28 July 2026 to 6 August 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
⚡با MentionDrop MCP؛ سیگنال زنده بازار برای AI Agentها 📌حالا MentionDrop MCP ابزاری برای اتصال AI Agentها به دادههای زنده برند، رقبا و گفتوگوهای آنلاین است تا فقط بر اساس اطلاعات قدیمی یا عمومی تصمیم نگیرند. • ایده اصلی آن ساده است: Agent شما میتواند بفهمد امروز درباره برند، محصول یا رقیب چه گفته شده و چه کاری باید انجام شود. 🧩 نحوه استفاده: ۱. این MentionDrop را به ابزارهای MCP-aware وصل کنید ۲. برند یا رقیب…
Signed Mobina Soltani
الگوریتم ROCK؛ خوشهبندی پیوندمحور دادههای طبقهای در این مقاله، الگوریتم ROCK بهعنوان روشی برای خوشهبندی سلسلهمراتبی دادههای طبقهای و باینری معرفی میشود. این الگوریتم بهجای استفاده از فاصلههای عددی مانند فاصله اقلیدسی، تعداد پیوندها و همسایههای مشترک میان دادهها را بررسی میکند تا خوشههایی معنادار و تفسیرپذیر تشکیل دهد. در این مقاله میخوانی: • مفهوم الگوریتم ROCK و تفاوت آن با روشهای خوشهبندی فاصل…
💯1
Signed Mobina Soltani
با Dify؛ ساخت دستیار پژوهشی و گردشکار هوش مصنوعی 📌 حالا Dify یک پلتفرم متنباز برای ساخت برنامههای هوش مصنوعی، عاملهای هوشمند، پایگاههای دانش و گردشکارهای مبتنی بر مدلهای زبانی است. • ایده اصلی آن ساده است: بهجای برنامهنویسی تمام اجزای یک دستیار AI از ابتدا، مراحل کار را بهصورت بصری طراحی کنید، اسناد را به آن متصل کنید و خروجی را به شکل وباپلیکیشن یا API منتشر کنید. 🧩 نحوه استفاده: ۱. نسخه ابری یا متنب…
💯1
Signed Mobina Soltani
🧠🦎 الگوریتم CHAMELEON؛ تحلیل رفتار، پیچیدگی و تنظیم پارامترها در بخش دوم این مقاله، الگوریتم CHAMELEON از جنبههای پیشرفتهتر بررسی میشود. عملکرد این روش به کیفیت گراف همسایگی، ساختار محلی دادهها و نحوه تنظیم پارامترها وابسته است و میتواند خوشههایی با شکل، اندازه و چگالی متفاوت را شناسایی کند. در این مقاله میخوانی: • تحلیل رفتار CHAMELEON در دادههای کوچک، بزرگ، نامتوازن و دارای ساختار پیچیده • بررسی عملکرد …
💯1
Signed Mobina Soltani
⚡با WorkBuddy؛ تیمی از متخصصان AI برای کارهای روزانه 📌این WorkBuddy یک دستیار چندعاملی برای کارهای اداری و دانشی است که بهجای یک پاسخ ساده، چند متخصص هوش مصنوعی را همزمان وارد کار میکند. • ایده اصلی آن ساده است: درخواست خود را مینویسید، یک تیم AI آن را از چند زاویه بررسی میکند و خروجی آماده استفاده میسازد. 🧩 نحوه استفاده: ۱. وارد WorkBuddy شوید ۲. نوع تیم تخصصی را انتخاب کنید ۳. درخواست کاری خود را بنویسید…
💯2
Signed Mobina Soltani
الگوریتم CHAMELEON؛ خوشهبندی پویا و مبتنی بر گراف در این مقاله، الگوریتم CHAMELEON بهعنوان یکی از روشهای خوشهبندی مبتنی بر گراف معرفی میشود. این الگوریتم با بررسی ساختار داخلی خوشهها، میتواند گروههایی با شکل، اندازه و چگالی متفاوت را شناسایی کند و برخلاف بسیاری از روشهای کلاسیک، برای ادغام خوشهها از یک معیار ثابت و سراسری استفاده نمیکند. در این مقاله میخوانی: • مفهوم الگوریتم CHAMELEON و مدلسازی پویای…
💯2
Signed Mobina Soltani
با StoryChief Connect؛ از گفتوگو تا انتشار محتوا 📌 حالا StoryChief Connect اتصال میان Claude و جریان انتشار محتواست؛ یعنی میتوانید داخل گفتوگو مقاله، پست یا خبرنامه بسازید و محتوا را برای بررسی و انتشار به کانالهای متصل بفرستید. • متن در چت رها نمیشود. اطلاعات لحن برند، تقویم محتوا، مخاطبان در دسترس AI قرار میگیرد و خروجی وارد محیط StoryChief میشود. 🧩 نحوه استفاده: ۱.این StoryChief را به Claude وصل کنید …
💯2
Signed Mobina Soltani
پیادهسازی الگوریتم DIANA در پایتون؛ از تقسیم خوشهها تا تحلیل نتایج در این مقاله، الگوریتم DIANA بهصورت عملی و مرحلهبهمرحله با زبان Python پیادهسازی میشود. ازآنجاکه کتابخانههای رایجی مانند Scikit-learn نسخه مستقیمی از این الگوریتم ارائه نمیکنند، پیادهسازی آن از پایه میتواند به درک بهتر منطق خوشهبندی سلسلهمراتبی تقسیمی کمک کند. در این مقاله میخوانی: • معرفی کتابخانههای NumPy، Pandas، SciPy، Scikit-lea…
💯2
Signed Mobina Soltani
⚡با TryCase؛ محیط تست موقت برای AI Coding Agents 📌حالا TryCase ابزاری برای توسعهدهندگان است که به AI Coding Agentها محیط لینوکسی موقت میدهد تا اپلیکیشن را اجرا کنند، تغییرات را تست کنند و خروجی قابل اعتمادتر تحویل دهند. • ایده اصلی آن ساده است: بهجای اینکه AI فقط کد پیشنهاد بدهد، خودش تغییرات را در یک محیط واقعی تست کند. 🧩 نحوه استفاده: ۱. پروژه یا task کدنویسی را مشخص کنید ۲. محیط تست موقت ساخته میشود ۳. با…
💯2
Signed Mobina Soltani
الگوریتم DIANA؛ خوشهبندی سلسلهمراتبی از کل به جزء در این مقاله، الگوریتم DIANA بهعنوان یکی از روشهای کلاسیک خوشهبندی سلسلهمراتبی تقسیمی معرفی میشود. این الگوریتم برخلاف روشهای تجمیعی، کار خود را با یک خوشه شامل تمام دادهها آغاز میکند و با تقسیم تدریجی ناهمگنترین خوشهها، ساختار پنهان دادهها را آشکار میسازد. در این مقاله میخوانی: • مفهوم الگوریتم DIANA و رویکرد بالابهپایین آن در خوشهبندی • نحوه ان…
💯2
Signed Mobina Soltani
با Willow Frontier Pro؛ حرف بزن، متن تمیز بگیر 📌 این Willow Frontier Pro ابزار دیکته و تبدیل گفتار به متن است؛ مناسب ایمیل، یادداشت، گزارش جلسه، ایده پژوهشی و متن روزمره. • ایده اصلی ساده است: شما طبیعی صحبت میکنید و ابزار فقط کلمات را پیاده نمیکند؛ متن را مرتب، خوانا و نزدیک به چیزی میکند که قصد نوشتنش را داشتید. 🧩 نحوه استفاده: ۱. حالا Willow را روی کامپیوتر یا موبایل فعال کنید ۲. در هر برنامهای که میخواه…
💯2
Signed Mobina Soltani
الگوریتم DBCLASD؛ خوشهبندی آماری دادههای فضایی در این مقاله، الگوریتم DBCLASD بهعنوان روشی مبتنی بر چگالی برای خوشهبندی دادههای فضایی معرفی میشود. این الگوریتم بهجای وابستگی مستقیم به آستانههای ثابتی مانند Eps و MinPts، از توزیع فاصله نزدیکترین همسایهها و آزمونهای آماری برای رشد خوشهها و شناسایی نقاط نویزی استفاده میکند. در این مقاله میخوانی: • مفهوم الگوریتم DBCLASD و تفاوت آن با روشهای پارتیشنبند…
💯2
Signed Mobina Soltani
Showing the 12 most recent of 20 posts we hold for @AI_AcademyFuture. 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 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 17 September 2026 — this entry's latest reading, not the date you are reading this.
“مرکز نوآوری هوش مصنوعی و فناوریهای نوظهور” (@AI_AcademyFuture), 1,294 subscribers as measured 17 September 2026. Telegram Register, tgregister.com/channel/AI_AcademyFuture.
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.