درخت تصمیم - 119960
#python
سلامimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.tree import DecisionTreeClassifier, plot_tree# ۱. تعریف مجموعه داده پروژه‌های ITdata = { 'حمایت_مدیریت': ['زیاد', 'زیاد', 'کم', 'زیاد', 'کم', 'کم', 'زیاد', 'کم', 'زیاد', 'کم'\], 'آمادگی_فرهنگی': ['آماده', 'مقاوم', 'آماده', 'مقاوم', 'مقاوم', 'آماده', 'آماده', 'مقاوم', 'آماده', 'آماده'\], 'بودجه': ['کافی', 'کافی', 'کافی', 'محدود', 'محدود', 'محدود', 'محدود', 'کافی', 'کافی', 'محدود'\], 'پیچیدگی_فنی': ['بالا', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'بالا'\], 'نتیجه': ['موفق', 'موفق', 'موفق', 'ناموفق', 'ناموفق', 'ناموفق', 'موفق', 'ناموفق', 'موفق', 'ناموفق'\]}df = pd.DataFrame(data)# ۲. تبدیل متن‌ها به عدد (چون الگوریتم‌های یادگیری ماشین با عدد کار می‌کنند)# تبدیل متغیرهای ورودیmapping = { 'حمایت_مدیریت': {'کم': 0, 'زیاد': 1}, 'آمادگی_فرهنگی': {'مقاوم': 0, 'آماده': 1}, 'بودجه': {'محدود': 0, 'کافی': 1}, 'پیچیدگی_فنی': {'پایین': 0, 'بالا': 1}, 'نتیجه': {'ناموفق': 0, 'موفق': 1}}df_encoded = df.copy()for col in mapping: df_encoded[col\] = df_encoded[col\].map(mapping[col\])X = df_encoded[['حمایت_مدیریت', 'آمادگی_فرهنگی', 'بودجه', 'پیچیدگی_فنی'\]\]y = df_encoded['نتیجه'\]# ۳. آموزش مدل درخت تصمیم با معیار آنتروپی (Entropy)# پارامتر max_depth=3 از پیچیده شدن بیهوده درخت جلوگیری می‌کندmodel = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=42)model.fit(X, y)# ۴. ترسیم نمودار درخت تصمیمplt.figure(figsize=(12, 7))plot_tree( model, feature_names=['Management Support', 'Culture', 'Budget', 'Complexity'\], class_names=['Failed', 'Successful'\], filled=True, rounded=True)plt.title("IT Project Decision Tree")plt.show()# ۵. پیش‌بینی نمونه جدید (بخش ج تمرین)# ویژگی‌های پروژه فرضی: حمایت=زیاد(1)، آمادگی=مقاوم(0)، بودجه=کافی(1)، پیچیدگی=پایین(0)new_project = [[1, 0, 1, 0\]\]prediction = model.predict(new_project)print("پیش‌بینی برای پروژه جدید:", "موفق" if prediction[0\] == 1 else "ناموفق")کد تمرین فقط اجرا کنید و یاد بگیریدیکیش این درخت رو باید کارکنیدتمرین استاد زیبا ارزانی هم این بود که روابط باینری و کاردینالی رو هر کدوم در یه نمونه رابطه ۱:۱ , ۱:m ,n:n رسم کنیم و جدول جمعا میشه شیش رابطه: ۱:۱: ۱:n: M:N: اینا که سه تا هستن: برای باینری از هر کدوم: برای کاردینالی هم از هر کدومیک ویدئو کوتاه از اجرا تهیه کنید و برام بفرستید مهلت تا پایان روز سه شنبهانشالله همه دوستان در سلامت باشند. تمرین ساده است ویدئوهای آموزشی رو هم قرار میدهم. نیازی به حضور در کلاس نبود. مجموعه داده هست. کد پایتون هم هست شما فقط باید در محیط برای این مجموعه داده آن را اجرا کنید. در ادامه دو ویدئو آموزشی درخت تصمیم (موضوع جلسه ای که غائب بودید) قرار میدهم.https://faradars.org/videos/decision-trees-in-machine-learning-fvtgs3069https://www.aparat.com/v/zgzu2b0یدونه هم فیلم خواست تازه ی فیلم ساده انجام بدین فوقش صدا بخواد متنو میفرستین میخونم میزارم روشطبق این فیلم میرید جلویکیش اینهیکیش اینهبقیش برای اشنایی هستنرم افزارو نمیدونم راجب یادگیری ماشین و وکد تمرینه و درخت تصمیم هستارشدفیلم تا پایان روز شنبه بقیه برای صبح س۹ سه شنبهوالا نمیدونم از استاد...
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622589/درخت-تصمیم-119960
t.me/ParscodersCom
#python
سلامimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.tree import DecisionTreeClassifier, plot_tree# ۱. تعریف مجموعه داده پروژه‌های ITdata = { 'حمایت_مدیریت': ['زیاد', 'زیاد', 'کم', 'زیاد', 'کم', 'کم', 'زیاد', 'کم', 'زیاد', 'کم'\], 'آمادگی_فرهنگی': ['آماده', 'مقاوم', 'آماده', 'مقاوم', 'مقاوم', 'آماده', 'آماده', 'مقاوم', 'آماده', 'آماده'\], 'بودجه': ['کافی', 'کافی', 'کافی', 'محدود', 'محدود', 'محدود', 'محدود', 'کافی', 'کافی', 'محدود'\], 'پیچیدگی_فنی': ['بالا', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'بالا'\], 'نتیجه': ['موفق', 'موفق', 'موفق', 'ناموفق', 'ناموفق', 'ناموفق', 'موفق', 'ناموفق', 'موفق', 'ناموفق'\]}df = pd.DataFrame(data)# ۲. تبدیل متن‌ها به عدد (چون الگوریتم‌های یادگیری ماشین با عدد کار می‌کنند)# تبدیل متغیرهای ورودیmapping = { 'حمایت_مدیریت': {'کم': 0, 'زیاد': 1}, 'آمادگی_فرهنگی': {'مقاوم': 0, 'آماده': 1}, 'بودجه': {'محدود': 0, 'کافی': 1}, 'پیچیدگی_فنی': {'پایین': 0, 'بالا': 1}, 'نتیجه': {'ناموفق': 0, 'موفق': 1}}df_encoded = df.copy()for col in mapping: df_encoded[col\] = df_encoded[col\].map(mapping[col\])X = df_encoded[['حمایت_مدیریت', 'آمادگی_فرهنگی', 'بودجه', 'پیچیدگی_فنی'\]\]y = df_encoded['نتیجه'\]# ۳. آموزش مدل درخت تصمیم با معیار آنتروپی (Entropy)# پارامتر max_depth=3 از پیچیده شدن بیهوده درخت جلوگیری می‌کندmodel = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=42)model.fit(X, y)# ۴. ترسیم نمودار درخت تصمیمplt.figure(figsize=(12, 7))plot_tree( model, feature_names=['Management Support', 'Culture', 'Budget', 'Complexity'\], class_names=['Failed', 'Successful'\], filled=True, rounded=True)plt.title("IT Project Decision Tree")plt.show()# ۵. پیش‌بینی نمونه جدید (بخش ج تمرین)# ویژگی‌های پروژه فرضی: حمایت=زیاد(1)، آمادگی=مقاوم(0)، بودجه=کافی(1)، پیچیدگی=پایین(0)new_project = [[1, 0, 1, 0\]\]prediction = model.predict(new_project)print("پیش‌بینی برای پروژه جدید:", "موفق" if prediction[0\] == 1 else "ناموفق")کد تمرین فقط اجرا کنید و یاد بگیریدیکیش این درخت رو باید کارکنیدتمرین استاد زیبا ارزانی هم این بود که روابط باینری و کاردینالی رو هر کدوم در یه نمونه رابطه ۱:۱ , ۱:m ,n:n رسم کنیم و جدول جمعا میشه شیش رابطه: ۱:۱: ۱:n: M:N: اینا که سه تا هستن: برای باینری از هر کدوم: برای کاردینالی هم از هر کدومیک ویدئو کوتاه از اجرا تهیه کنید و برام بفرستید مهلت تا پایان روز سه شنبهانشالله همه دوستان در سلامت باشند. تمرین ساده است ویدئوهای آموزشی رو هم قرار میدهم. نیازی به حضور در کلاس نبود. مجموعه داده هست. کد پایتون هم هست شما فقط باید در محیط برای این مجموعه داده آن را اجرا کنید. در ادامه دو ویدئو آموزشی درخت تصمیم (موضوع جلسه ای که غائب بودید) قرار میدهم.https://faradars.org/videos/decision-trees-in-machine-learning-fvtgs3069https://www.aparat.com/v/zgzu2b0یدونه هم فیلم خواست تازه ی فیلم ساده انجام بدین فوقش صدا بخواد متنو میفرستین میخونم میزارم روشطبق این فیلم میرید جلویکیش اینهیکیش اینهبقیش برای اشنایی هستنرم افزارو نمیدونم راجب یادگیری ماشین و وکد تمرینه و درخت تصمیم هستارشدفیلم تا پایان روز شنبه بقیه برای صبح س۹ سه شنبهوالا نمیدونم از استاد...
توسط خریدار:
nikotexاطلاعات بیشتر:
https://parscoders.com/project/622589/درخت-تصمیم-119960
t.me/ParscodersCom
ساخت ربات مانیتورینگ لحظه‌ای بازار FC 27 با Python
#python, #web_scraping
نیازمند یک برنامه‌نویس مسلط به Python برای ساخت رباتی هستم که بازار Transfer Market بازی EA FC 27 را به‌صورت خودکار و بدون نیاز به جست‌وجوی دستی رصد کند.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622629/ساخت-ربات-مانیتورینگ-لحظه‌ای-بازار-fc-27-با-python
t.me/ParscodersCom
#python, #web_scraping
نیازمند یک برنامه‌نویس مسلط به Python برای ساخت رباتی هستم که بازار Transfer Market بازی EA FC 27 را به‌صورت خودکار و بدون نیاز به جست‌وجوی دستی رصد کند.
توسط خریدار:
کاربر821001اطلاعات بیشتر:
https://parscoders.com/project/622629/ساخت-ربات-مانیتورینگ-لحظه‌ای-بازار-fc-27-با-python
t.me/ParscodersCom
نرم افزار حضور غیاب
#dotnet, #c_sharp_programming, #java, #php, #python
نرم افزار حضور غیاب که بتونه ساعت کاریو محاسبه کنه
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622636/نرم-افزار-حضور-غیاب
t.me/ParscodersCom
#dotnet, #c_sharp_programming, #java, #php, #python
نرم افزار حضور غیاب که بتونه ساعت کاریو محاسبه کنه
توسط خریدار:
25647895134اطلاعات بیشتر:
https://parscoders.com/project/622636/نرم-افزار-حضور-غیاب
t.me/ParscodersCom
ربات تلگرامی برای سایت فروشگاهی
#c_sharp_programming, #java, #php, #python, #telegram_bot
ربات تلگرامی برای سایت فروشگاه محصولات خوراکی
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622637/ربات-تلگرامی-برای-سایت-فروشگاهی
t.me/ParscodersCom
#c_sharp_programming, #java, #php, #python, #telegram_bot
ربات تلگرامی برای سایت فروشگاه محصولات خوراکی
توسط خریدار:
25647895134اطلاعات بیشتر:
https://parscoders.com/project/622637/ربات-تلگرامی-برای-سایت-فروشگاهی
t.me/ParscodersCom
پروژه دانشگاهی
#dotnet, #javascript, #php, #python
پروژه دانشگاهی قضیه از این قراره که یه سیستم مدیریت کتابخونه باید پیاده سازی شه با فلاتر جزئیاتو عرض میکنم خدمتتون
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622638/پروژه-دانشگاهی
t.me/ParscodersCom
#dotnet, #javascript, #php, #python
پروژه دانشگاهی قضیه از این قراره که یه سیستم مدیریت کتابخونه باید پیاده سازی شه با فلاتر جزئیاتو عرض میکنم خدمتتون
توسط خریدار:
25647895134اطلاعات بیشتر:
https://parscoders.com/project/622638/پروژه-دانشگاهی
t.me/ParscodersCom
ربات تلگرامی برای سایت
#dotnet, #javascript, #php, #python
یه سایت معرفی برند دارم میخوام یه بات تلگرامی براش اوکی کنم
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622639/ربات-تلگرامی-برای-سایت
t.me/ParscodersCom
#dotnet, #javascript, #php, #python
یه سایت معرفی برند دارم میخوام یه بات تلگرامی براش اوکی کنم
توسط خریدار:
25647895134اطلاعات بیشتر:
https://parscoders.com/project/622639/ربات-تلگرامی-برای-سایت
t.me/ParscodersCom
نیازمند یه نرم افزار برای پروژه دانشگاهی
#dotnet, #javascript, #php, #python
نیازمند یه نرم افزار برای پروژه دانشگاهی درباره سرویس کوتاه کننده لینک
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622641/نیازمند-یه-نرم-افزار-برای-پروژه-دانشگاهی
t.me/ParscodersCom
#dotnet, #javascript, #php, #python
نیازمند یه نرم افزار برای پروژه دانشگاهی درباره سرویس کوتاه کننده لینک
توسط خریدار:
25647895134اطلاعات بیشتر:
https://parscoders.com/project/622641/نیازمند-یه-نرم-افزار-برای-پروژه-دانشگاهی
t.me/ParscodersCom
یه برنامه پایتون دارم باید اصلاح شه
#dotnet, #javascript, #php, #python
یه برنامه پایتون و فست ای پی ای دارم که نیاز به دیباگ داره
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622642/یه-برنامه-پایتون-دارم-باید-اصلاح-شه
t.me/ParscodersCom
#dotnet, #javascript, #php, #python
یه برنامه پایتون و فست ای پی ای دارم که نیاز به دیباگ داره
توسط خریدار:
25647895134اطلاعات بیشتر:
https://parscoders.com/project/622642/یه-برنامه-پایتون-دارم-باید-اصلاح-شه
t.me/ParscodersCom
پروژه مدلسازی و کدنویسی تخصیص منابع محدود RCPSP
🔸 پروژه ویژه
#python, #gams
با سلام
۸ تا پروژه دارم که میخوام با تخصیص منابع محدود مدلسازی و حل بشه و خروجیش این باشه که کدوم پروژه ها با توجه به منابع انتخاب میشن
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622659/پروژه-مدلسازی-و-کدنویسی-تخصیص-منابع-محدود-rcpsp
t.me/ParscodersCom
🔸 پروژه ویژه
#python, #gams
با سلام
۸ تا پروژه دارم که میخوام با تخصیص منابع محدود مدلسازی و حل بشه و خروجیش این باشه که کدوم پروژه ها با توجه به منابع انتخاب میشن
توسط خریدار:
کاربر458583اطلاعات بیشتر:
https://parscoders.com/project/622659/پروژه-مدلسازی-و-کدنویسی-تخصیص-منابع-محدود-rcpsp
t.me/ParscodersCom
استخراج اطلاعات از سایت دیوار
#dotnet, #c_sharp_programming, #nodejs, #python
نرم افزار استخراج اطلاعات آگهی ها از سایت دیوار نیاز دارم (تحت ویندوز)
برنامه تنظیمات زیر رو داشته باشه:
1 ورود اکانتها (شماره موبایلهای ما برای لاگین در دیوار)
2 تست لاگین بودن تمام اکانتها (هر زمان که خواستیم بتونیم تست کنیم و در صورت لاگ اوت شدن امکان انتخاب اکانت مربوطه و ریلاگین کردن
3 تعیین تعداد آگهی به ازای هر اکانت (یعنی بعد از رسیدن به حد نصاب تعیین شده اتوماتیک سوئیچ بشه روی اکانت بعدی و ادامه کار رو انجام بده)
4 امکان حذف و اضافه اکانتها
5 تنظیم تاخیر در بین آگهیها
لینک برگه فیلتر شده در دیوار رو به برنامه میدیم
مواردی که در فایل اکسل باید خروجی رو تحویل بده: عنوان - شهر - لینک آگهی - تاریخ ثبت آگهی - موبایل - دسته بندی و زیر دسته آگهی
در پنجره اصلی برنامه بعد از زدن دکمه استارت باید تعداد آگهیهایی که داره استخراج میشه رو نشون بده، شماره اکانتی که در حال استخراجه رو نشون بده
در صورت رسیدن به محدودیت باید کپچا رو نشون بده تا بصورت دستی حلش کنیم و ادامه روند رو طی کنه (بعد از حل کپچا دیوار اس ام اس برای اکانت میفرسته که باید امکان ورود کد پیامکی هم در برنامه وجود داشته باشه)
لطفا افرادی که قبلا کار کردند و نمونه کار مشابه دارند پیام بدن
در صورت توافق تصاویری از برنامه مشابه، برای مجری ارسال خواهد شد
در صورت رضایت، در پروژه های دیگه همکاریمون ادامه پیدا میکنه
هزینه پیشنهادی و زمان مورد نیاز رو بفرمایید تا بررسی کنیم
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622657/استخراج-اطلاعات-از-سایت-دیوار
t.me/ParscodersCom
#dotnet, #c_sharp_programming, #nodejs, #python
نرم افزار استخراج اطلاعات آگهی ها از سایت دیوار نیاز دارم (تحت ویندوز)
برنامه تنظیمات زیر رو داشته باشه:
1 ورود اکانتها (شماره موبایلهای ما برای لاگین در دیوار)
2 تست لاگین بودن تمام اکانتها (هر زمان که خواستیم بتونیم تست کنیم و در صورت لاگ اوت شدن امکان انتخاب اکانت مربوطه و ریلاگین کردن
3 تعیین تعداد آگهی به ازای هر اکانت (یعنی بعد از رسیدن به حد نصاب تعیین شده اتوماتیک سوئیچ بشه روی اکانت بعدی و ادامه کار رو انجام بده)
4 امکان حذف و اضافه اکانتها
5 تنظیم تاخیر در بین آگهیها
لینک برگه فیلتر شده در دیوار رو به برنامه میدیم
مواردی که در فایل اکسل باید خروجی رو تحویل بده: عنوان - شهر - لینک آگهی - تاریخ ثبت آگهی - موبایل - دسته بندی و زیر دسته آگهی
در پنجره اصلی برنامه بعد از زدن دکمه استارت باید تعداد آگهیهایی که داره استخراج میشه رو نشون بده، شماره اکانتی که در حال استخراجه رو نشون بده
در صورت رسیدن به محدودیت باید کپچا رو نشون بده تا بصورت دستی حلش کنیم و ادامه روند رو طی کنه (بعد از حل کپچا دیوار اس ام اس برای اکانت میفرسته که باید امکان ورود کد پیامکی هم در برنامه وجود داشته باشه)
لطفا افرادی که قبلا کار کردند و نمونه کار مشابه دارند پیام بدن
در صورت توافق تصاویری از برنامه مشابه، برای مجری ارسال خواهد شد
در صورت رضایت، در پروژه های دیگه همکاریمون ادامه پیدا میکنه
هزینه پیشنهادی و زمان مورد نیاز رو بفرمایید تا بررسی کنیم
توسط خریدار:
خیابانیاطلاعات بیشتر:
https://parscoders.com/project/622657/استخراج-اطلاعات-از-سایت-دیوار
t.me/ParscodersCom
طراحی و توسعه نرم‌افزار ویندوزی تحلیل و حسابداری هوشمند صورتحساب دیجی‌کالا
#c_sharp_programming, #java, #php, #python, #sql
به دنبال یک برنامه‌نویس حرفه‌ای یا تیم متخصص برای طراحی و توسعه یک نرم‌افزار ویندوزی اختصاصی هستم.
هدف، ساخت یک نرم‌افزار مالی و تحلیلی برای فروشندگان دیجی‌کالا است که بتواند فایل‌های اکسل صورتحساب و تراکنش‌های دیجی‌کالا را دریافت و اطلاعات مالی را به‌صورت دقیق پردازش و تحلیل کند.
امکانات موردنیاز:
دریافت و پردازش فایل‌های Excel صورتحساب دیجی‌کالا با شناسایی خودکار شیت‌ها، ستون‌ها و اطلاعات مالی.محاسبه دقیق فروش نقدی و اعتباری، کمیسیون، هزینه پردازش، هزینه ارسال، جرایم، مرجوعی‌ها و سایر تراکنش‌ها.محاسبه سود و زیان واقعی هر محصول با امکان ثبت و مدیریت قیمت خرید کالا.شناسایی محصولات تکراری با نام‌های متفاوت و امکان ادغام و اصلاح دستی آن‌ها.ثبت سوابق تراکنش‌ها و جلوگیری از ورود اطلاعات تکراری هنگام بارگذاری مجدد فایل‌ها.داشبورد مدیریتی حرفه‌ای شامل آمار فروش، هزینه‌ها، سود، تعداد سفارش‌ها و عملکرد محصولات.گزارش‌گیری تفکیکی بر اساس محصول، برند، بازه زمانی و نوع تراکنش.امکان تطبیق محاسبات نرم‌افزار با مبلغ تسویه رسمی دیجی‌کالا.مدیریت هزینه‌های جانبی، قیمت خرید و اطلاعات محصولات.خروجی گزارش‌ها به Excel و PDF.امکان جست‌وجو، فیلتر و مرتب‌سازی اطلاعات.رابط کاربری فارسی، کاملاً راست‌چین و ساده برای افراد غیرمتخصص.مشخصات فنی و اجرایی:
نرم‌افزار مخصوص Windows 10 و Windows 11 باشد.قابلیت اجرا به‌صورت مستقل و بدون نیاز به نصب Python روی سیستم کاربر را داشته باشد.اطلاعات مالی به‌صورت آفلاین و روی سیستم خود کاربر ذخیره شود.دیتابیس مطمئن با قابلیت پشتیبان‌گیری و بازیابی اطلاعات داشته باشد.امکان توسعه و افزودن امکانات جدید در نسخه‌های بعدی وجود داشته باشد.طراحی رابط کاربری مدرن، سریع و حرفه‌ای باشد.تکنولوژی‌های پیشنهادی:
Python، PySide6، SQLite و PyInstaller یا تکنولوژی‌های مشابه و قابل‌اعتماد.
شرایط همکاری:
تسلط و تجربه عملی در توسعه نرم‌افزارهای دسکتاپ ویندوزی.تجربه کار با فایل‌های Excel حجیم و پردازش داده‌های مالی.آشنایی با محاسبات حسابداری، گزارش‌گیری و طراحی دیتابیس.ارائه نمونه‌کار واقعی و قابل اجرا.تحویل کامل سورس‌کد، فایل اجرایی EXE و مستندات نصب و استفاده.تست نرم‌افزار با فایل‌های واقعی صورتحساب دیجی‌کالا.پشتیبانی و رفع اشکالات پس از تحویل.نکته مهم:دقت محاسبات مالی و صحت اطلاعات از ظاهر نرم‌افزار مهم‌تر است. پروژه باید به‌صورت واقعی و عملیاتی تحویل داده شود، نه صرفاً یک نمونه نمایشی یا رابط کاربری بدون عملکرد.
لطفاً در پیشنهاد خود، نمونه‌کارهای مرتبط، تکنولوژی پیشنهادی، زمان تقریبی اجرا و هزینه انجام پروژه را اعلام کنید.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622675/طراحی-و-توسعه-نرم‌افزار-ویندوزی-تحلیل-و-حسابداری-هوشمند-صورتحساب-دیجی‌کالا
t.me/ParscodersCom
#c_sharp_programming, #java, #php, #python, #sql
به دنبال یک برنامه‌نویس حرفه‌ای یا تیم متخصص برای طراحی و توسعه یک نرم‌افزار ویندوزی اختصاصی هستم.
هدف، ساخت یک نرم‌افزار مالی و تحلیلی برای فروشندگان دیجی‌کالا است که بتواند فایل‌های اکسل صورتحساب و تراکنش‌های دیجی‌کالا را دریافت و اطلاعات مالی را به‌صورت دقیق پردازش و تحلیل کند.
امکانات موردنیاز:
دریافت و پردازش فایل‌های Excel صورتحساب دیجی‌کالا با شناسایی خودکار شیت‌ها، ستون‌ها و اطلاعات مالی.محاسبه دقیق فروش نقدی و اعتباری، کمیسیون، هزینه پردازش، هزینه ارسال، جرایم، مرجوعی‌ها و سایر تراکنش‌ها.محاسبه سود و زیان واقعی هر محصول با امکان ثبت و مدیریت قیمت خرید کالا.شناسایی محصولات تکراری با نام‌های متفاوت و امکان ادغام و اصلاح دستی آن‌ها.ثبت سوابق تراکنش‌ها و جلوگیری از ورود اطلاعات تکراری هنگام بارگذاری مجدد فایل‌ها.داشبورد مدیریتی حرفه‌ای شامل آمار فروش، هزینه‌ها، سود، تعداد سفارش‌ها و عملکرد محصولات.گزارش‌گیری تفکیکی بر اساس محصول، برند، بازه زمانی و نوع تراکنش.امکان تطبیق محاسبات نرم‌افزار با مبلغ تسویه رسمی دیجی‌کالا.مدیریت هزینه‌های جانبی، قیمت خرید و اطلاعات محصولات.خروجی گزارش‌ها به Excel و PDF.امکان جست‌وجو، فیلتر و مرتب‌سازی اطلاعات.رابط کاربری فارسی، کاملاً راست‌چین و ساده برای افراد غیرمتخصص.مشخصات فنی و اجرایی:
نرم‌افزار مخصوص Windows 10 و Windows 11 باشد.قابلیت اجرا به‌صورت مستقل و بدون نیاز به نصب Python روی سیستم کاربر را داشته باشد.اطلاعات مالی به‌صورت آفلاین و روی سیستم خود کاربر ذخیره شود.دیتابیس مطمئن با قابلیت پشتیبان‌گیری و بازیابی اطلاعات داشته باشد.امکان توسعه و افزودن امکانات جدید در نسخه‌های بعدی وجود داشته باشد.طراحی رابط کاربری مدرن، سریع و حرفه‌ای باشد.تکنولوژی‌های پیشنهادی:
Python، PySide6، SQLite و PyInstaller یا تکنولوژی‌های مشابه و قابل‌اعتماد.
شرایط همکاری:
تسلط و تجربه عملی در توسعه نرم‌افزارهای دسکتاپ ویندوزی.تجربه کار با فایل‌های Excel حجیم و پردازش داده‌های مالی.آشنایی با محاسبات حسابداری، گزارش‌گیری و طراحی دیتابیس.ارائه نمونه‌کار واقعی و قابل اجرا.تحویل کامل سورس‌کد، فایل اجرایی EXE و مستندات نصب و استفاده.تست نرم‌افزار با فایل‌های واقعی صورتحساب دیجی‌کالا.پشتیبانی و رفع اشکالات پس از تحویل.نکته مهم:دقت محاسبات مالی و صحت اطلاعات از ظاهر نرم‌افزار مهم‌تر است. پروژه باید به‌صورت واقعی و عملیاتی تحویل داده شود، نه صرفاً یک نمونه نمایشی یا رابط کاربری بدون عملکرد.
لطفاً در پیشنهاد خود، نمونه‌کارهای مرتبط، تکنولوژی پیشنهادی، زمان تقریبی اجرا و هزینه انجام پروژه را اعلام کنید.
توسط خریدار:
کاربر378083اطلاعات بیشتر:
https://parscoders.com/project/622675/طراحی-و-توسعه-نرم‌افزار-ویندوزی-تحلیل-و-حسابداری-هوشمند-صورتحساب-دیجی‌کالا
t.me/ParscodersCom
119925 - پایتون
#python
import pandas as pdimport matplotlib.pyplot as pltfrom sklearn.tree import DecisionTreeClassifier, plot_tree# ۱. تعریف مجموعه داده پروژه‌های ITdata = { 'حمایت_مدیریت': ['زیاد', 'زیاد', 'کم', 'زیاد', 'کم', 'کم', 'زیاد', 'کم', 'زیاد', 'کم'\], 'آمادگی_فرهنگی': ['آماده', 'مقاوم', 'آماده', 'مقاوم', 'مقاوم', 'آماده', 'آماده', 'مقاوم', 'آماده', 'آماده'\], 'بودجه': ['کافی', 'کافی', 'کافی', 'محدود', 'محدود', 'محدود', 'محدود', 'کافی', 'کافی', 'محدود'\], 'پیچیدگی_فنی': ['بالا', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'بالا'\], 'نتیجه': ['موفق', 'موفق', 'موفق', 'ناموفق', 'ناموفق', 'ناموفق', 'موفق', 'ناموفق', 'موفق', 'ناموفق'\]}df = pd.DataFrame(data)# ۲. تبدیل متن‌ها به عدد (چون الگوریتم‌های یادگیری ماشین با عدد کار می‌کنند)# تبدیل متغیرهای ورودیmapping = { 'حمایت_مدیریت': {'کم': 0, 'زیاد': 1}, 'آمادگی_فرهنگی': {'مقاوم': 0, 'آماده': 1}, 'بودجه': {'محدود': 0, 'کافی': 1}, 'پیچیدگی_فنی': {'پایین': 0, 'بالا': 1}, 'نتیجه': {'ناموفق': 0, 'موفق': 1}}df_encoded = df.copy()for col in mapping: df_encoded[col\] = df_encoded[col\].map(mapping[col\])X = df_encoded[['حمایت_مدیریت', 'آمادگی_فرهنگی', 'بودجه', 'پیچیدگی_فنی'\]\]y = df_encoded['نتیجه'\]# ۳. آموزش مدل درخت تصمیم با معیار آنتروپی (Entropy)# پارامتر max_depth=3 از پیچیده شدن بیهوده درخت جلوگیری می‌کندmodel = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=42)model.fit(X, y)# ۴. ترسیم نمودار درخت تصمیمplt.figure(figsize=(12, 7))plot_tree( model, feature_names=['Management Support', 'Culture', 'Budget', 'Complexity'\], class_names=['Failed', 'Successful'\], filled=True, rounded=True)plt.title("IT Project Decision Tree")plt.show()# ۵. پیش‌بینی نمونه جدید (بخش ج تمرین)# ویژگی‌های پروژه فرضی: حمایت=زیاد(1)، آمادگی=مقاوم(0)، بودجه=کافی(1)، پیچیدگی=پایین(0)new_project = [[1, 0, 1, 0\]\]prediction = model.predict(new_project)print("پیش‌بینی برای پروژه جدید:", "موفق" if prediction[0\] == 1 else "ناموفق")کد تمرین فقط اجرا کنید و یاد بگیریدیک ویدئو کوتاه از اجرا تهیه کنید و برام بفرستید مهلت تا پایان روز سه شنبهانشالله همه دوستان در سلامت باشند. تمرین ساده است ویدئوهای آموزشی رو هم قرار میدهم. نیازی به حضور در کلاس نبود. مجموعه داده هست. کد پایتون هم هست شما فقط باید در محیط برای این مجموعه داده آن را اجرا کنید. در ادامه دو ویدئو آموزشی درخت تصمیم (موضوع جلسه ای که غائب بودید) قرار میدهم.https://faradars.org/videos/decision-trees-in-machine-learning-fvtgs3069https://www.aparat.com/v/zgzu2b0یدونه هم فیلم خواست تازه ی فیلم ساده انجام بدین فوقش صدا بخواد متنو میفرستین میخونم میزارم روشتمرین استاد زیبا ارزانی هم این بود که روابط باینری و کاردینالی رو هر کدوم در یه نمونه رابطه ۱:۱ , ۱:m ,n:n رسم کنیم و جدول جمعا میشه شیش رابطه: ۱:۱: ۱:n: M:N: اینا که سه تا هستن: برای باینری از هر کدوم: برای کاردینالی هم از هر کدومیکیش هم اینه📎 فایل‌های پروژه در ادامه پیام ارسال شده است.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622607/ 119925 - پایتون
t.me/ParscodersCom
#python
import pandas as pdimport matplotlib.pyplot as pltfrom sklearn.tree import DecisionTreeClassifier, plot_tree# ۱. تعریف مجموعه داده پروژه‌های ITdata = { 'حمایت_مدیریت': ['زیاد', 'زیاد', 'کم', 'زیاد', 'کم', 'کم', 'زیاد', 'کم', 'زیاد', 'کم'\], 'آمادگی_فرهنگی': ['آماده', 'مقاوم', 'آماده', 'مقاوم', 'مقاوم', 'آماده', 'آماده', 'مقاوم', 'آماده', 'آماده'\], 'بودجه': ['کافی', 'کافی', 'کافی', 'محدود', 'محدود', 'محدود', 'محدود', 'کافی', 'کافی', 'محدود'\], 'پیچیدگی_فنی': ['بالا', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'بالا'\], 'نتیجه': ['موفق', 'موفق', 'موفق', 'ناموفق', 'ناموفق', 'ناموفق', 'موفق', 'ناموفق', 'موفق', 'ناموفق'\]}df = pd.DataFrame(data)# ۲. تبدیل متن‌ها به عدد (چون الگوریتم‌های یادگیری ماشین با عدد کار می‌کنند)# تبدیل متغیرهای ورودیmapping = { 'حمایت_مدیریت': {'کم': 0, 'زیاد': 1}, 'آمادگی_فرهنگی': {'مقاوم': 0, 'آماده': 1}, 'بودجه': {'محدود': 0, 'کافی': 1}, 'پیچیدگی_فنی': {'پایین': 0, 'بالا': 1}, 'نتیجه': {'ناموفق': 0, 'موفق': 1}}df_encoded = df.copy()for col in mapping: df_encoded[col\] = df_encoded[col\].map(mapping[col\])X = df_encoded[['حمایت_مدیریت', 'آمادگی_فرهنگی', 'بودجه', 'پیچیدگی_فنی'\]\]y = df_encoded['نتیجه'\]# ۳. آموزش مدل درخت تصمیم با معیار آنتروپی (Entropy)# پارامتر max_depth=3 از پیچیده شدن بیهوده درخت جلوگیری می‌کندmodel = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=42)model.fit(X, y)# ۴. ترسیم نمودار درخت تصمیمplt.figure(figsize=(12, 7))plot_tree( model, feature_names=['Management Support', 'Culture', 'Budget', 'Complexity'\], class_names=['Failed', 'Successful'\], filled=True, rounded=True)plt.title("IT Project Decision Tree")plt.show()# ۵. پیش‌بینی نمونه جدید (بخش ج تمرین)# ویژگی‌های پروژه فرضی: حمایت=زیاد(1)، آمادگی=مقاوم(0)، بودجه=کافی(1)، پیچیدگی=پایین(0)new_project = [[1, 0, 1, 0\]\]prediction = model.predict(new_project)print("پیش‌بینی برای پروژه جدید:", "موفق" if prediction[0\] == 1 else "ناموفق")کد تمرین فقط اجرا کنید و یاد بگیریدیک ویدئو کوتاه از اجرا تهیه کنید و برام بفرستید مهلت تا پایان روز سه شنبهانشالله همه دوستان در سلامت باشند. تمرین ساده است ویدئوهای آموزشی رو هم قرار میدهم. نیازی به حضور در کلاس نبود. مجموعه داده هست. کد پایتون هم هست شما فقط باید در محیط برای این مجموعه داده آن را اجرا کنید. در ادامه دو ویدئو آموزشی درخت تصمیم (موضوع جلسه ای که غائب بودید) قرار میدهم.https://faradars.org/videos/decision-trees-in-machine-learning-fvtgs3069https://www.aparat.com/v/zgzu2b0یدونه هم فیلم خواست تازه ی فیلم ساده انجام بدین فوقش صدا بخواد متنو میفرستین میخونم میزارم روشتمرین استاد زیبا ارزانی هم این بود که روابط باینری و کاردینالی رو هر کدوم در یه نمونه رابطه ۱:۱ , ۱:m ,n:n رسم کنیم و جدول جمعا میشه شیش رابطه: ۱:۱: ۱:n: M:N: اینا که سه تا هستن: برای باینری از هر کدوم: برای کاردینالی هم از هر کدومیکیش هم اینه📎 فایل‌های پروژه در ادامه پیام ارسال شده است.
توسط خریدار:
khaneprozheاطلاعات بیشتر:
https://parscoders.com/project/622607/ 119925 - پایتون
t.me/ParscodersCom