Channel
@datascience_tg
On this record: Topic · Growth · Engagement · What this channel posts · Reactions · Posts · Citations · Cite this entry
3,030subscribers
+61 since we began measuring on 9 August 2026
Risers and fallers across the register · movement among entries of 1,000–3,162.
| Telegram ID | -1002309388740 |
|---|---|
| Type | Channel |
| Username | @datascience_tg |
| Created | Between 1 September 2024 and 31 March 2025 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 9 August 2026 |
| Last confirmed live | 17 September 2026 |
| Measurements held | 14 |
| Confirmed unchanged | 1 time, most recently 17 September 2026 |
| On Telegram | t.me/datascience_tg |
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 15 September 2026 and assigned it the closest of 31 fixed categories, at 98% 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, 17:20 | 3,030 | +23 |
| 13 Sept 2026, 10:39 | 3,007 | +4 |
| 9 Sept 2026, 16:20 | 3,003 | +13 |
| 4 Sept 2026, 17:20 | 2,990 | +7 |
| 1 Sept 2026, 08:53 | 2,983 | -3 |
| 29 Aug 2026, 07:42 | 2,986 | +1 |
| 26 Aug 2026, 16:07 | 2,985 | -1 |
| 23 Aug 2026, 11:43 | 2,986 | +14 |
| 19 Aug 2026, 21:08 | 2,972 | +9 |
| 16 Aug 2026, 16:35 | 2,963 | -2 |
| 13 Aug 2026, 11:15 | 2,965 | -3 |
| 10 Aug 2026, 05:11 | 2,968 | -1 |
| 9 Aug 2026, 19:00 | 2,969 | no change |
| 9 Aug 2026, 18:52 | 2,969 | first reading |
20 posts held, back to 21 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 9 August 2026. 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.
80 reactions across 20 posts, in 5 distinct kinds. The most used accounts for 41.3% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 33 | 41.3% | |
| 👍 | 24 | 30.0% | |
| 🔥 | 21 | 26.3% | |
| ⚡ | 1 | 1.25% | |
| 😐 | 1 | 1.25% |
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 20 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 80 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 21 July 2026 to 9 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.
🔖 Большая подборка ресурсов по MLOps Нашли полезную подборку для тех, кто хочет выйти за рамки обучения моделей и разобраться с их эксплуатацией. В репозитории собраны лучшие материалы по деплою, мониторингу, автоматизации ML-пайплайнов, CI/CD и другим практикам, без которых сложно представить production-системы. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат
❤1👍1🔥1
🔖 Google DeepMind выпустила книгу How to Scale Your Model В ней разбирают, как масштабировать и запускать модели при ограниченных вычислительных ресурсах. Полезно для тех, кто работает с оптимизацией и развёртыванием ML-моделей. ⛓ Ссылка на книгу tags: #полезное ➡ Data Scientist | Чат
❤1👍1🔥1
🔖 Добавляем DeepSeek и Kimi в Codex Нашли полезный инструмент для тех, кто пользуется Codex. Что умеет: 🫡 добавляет Kimi K3 в список моделей; 🫡 подключает DeepSeek V4 Flash и DeepSeek V4 Pro; 🫡 не ломает встроенные GPT-модели; 🫡 автоматически создаёт резервную копию конфигурации; 🫡 поддерживает безопасный откат изменений. Проект полностью бесплатный и с открытым исходным кодом. ⛓ Забираем тут tags: #полезное ➡ …
❤1👍1🔥1
🔖 Инструкция для AI-агентов Обратите внимание на AGENTS.md — справочник, посвящённый одноимённому файлу с инструкциями для AI-агентов. На сайте объясняют, что стоит включать в AGENTS.md, как его правильно оформлять и показывают примеры из более чем 60 тысяч проектов. tags: #полезное ➡ Data Scientist | Чат
👍2❤1🔥1
🔖 5 бесплатных курсов по AI-агентам Внутри: 1. Hugging Face — AI Agents Course 2. DeepLearningAI — AI Agents in LangGraph 3. DeepLearningAI — Multi AI Agent Systems with CrewAI 4. Microsoft Learn — AI Agents for Beginners 5. DeepLearningAI — Building Code Agents with Hugging Face smolagents Если хотите разобраться в Agentic AI, сохраняйте подборку. tags: #полезное ➡ Data Scientist | Чат
❤2👍1🔥1
📰 Градиентный спуск: фундамент машинного обучения Нашли подробный гайд, который объясняет один из самых важных алгоритмов в ML — от теории до реализации на Python. В статье простым языком объясняют принцип работы градиентного спуска, разбирают популярные оптимизаторы (SGD, Momentum, RMSprop, Adam) и показывают, как реализовать алгоритм с нуля. ⛓️ Читать статью tags: #статья ➡ Data Scientist | Чат
❤1👍1🔥1
🔖 Как создать свою LLM с нуля? Нашли практический ресурс для тех, кто хочет разобраться в устройстве AI-моделей. Пошагово показывают создание собственной модели: подготовка данных, токенизация, pre-training и fine-tuning. ⛓ Забираем тут tags: #полезное ➡ Data Scientist | Чат
❤2👍1🔥1
🔖 AI-инструмент для работы с данными от Microsoft Microsoft выложила в опенсорс приложение, которое использует большие языковые модели для преобразования данных и построения визуализаций. Инструмент помогает быстрее исследовать датасеты, готовить данные к анализу и создавать графики с помощью ИИ. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат
❤1👍1🔥1
🔖 Бесплатная книга по Data Science Если хотите глубже разобраться в анализе данных на Python, этот материал стоит сохранить. В книге подробно разбираются NumPy, Pandas, визуализация данных, машинное обучение и другие ключевые инструменты, которые ежедневно используются. ⛓ Ссылка на книгу tags: #полезное ➡ Data Scientist | Чат
❤3👍1🔥1
📰 Практика по Deep Learning вместо теории Если давно хотели написать свою первую нейросеть, сохраните эту статью. Автор показывает полный цикл разработки текстового классификатора: 🫡 подготовка датасета; 🫡 токенизация и эмбеддинги; 🫡 построение модели в Keras; 🫡 обучение и оценка качества; 🫡 сохранение модели и развёртывание. ⛓️ Читать статью tags: #статья ➡ Data Scientist | Чат
❤1👍1🔥1
🔖 300+ реальных кейсов ML-систем от топовых компаний Нашли репозиторий, где собран настоящий опыт ML-инженерии — не теория из учебников, а реальные истории внедрения моделей в продакшене. Внутри кейсы от Uber, Netflix, Google и других компаний: как строили архитектуру, какие проблемы возникали, где системы ломались и какие решения помогали их восстановить. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Ча
👍3❤1🔥1
🔖 Учим Data Science через интерактивные примеры Один из самых полезных репозиториев для тех, кто хочет лучше понять машинное обучение. Он превращает сложные концепции в наглядные эксперименты: можно изучать модели, менять параметры и сразу видеть результат. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат
❤1👍1🔥1
Showing the 12 most recent of 20 posts we hold for @datascience_tg. 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.
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 17 September 2026 — this entry's latest reading, not the date you are reading this.
“Data Scientist | ML & AI” (@datascience_tg), 3,030 subscribers as measured 17 September 2026. Telegram Register, tgregister.com/channel/datascience_tg.
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.