✔️ پیش‌بینی قیمت خانه با استفاده از رگرسیون خطی در پایتون

در این پروژه:
🌻 داده‌های مربوط به متراژ، تعداد اتاق، پارکینگ، انباری، آسانسور و آدرس بررسی شده
🌻 داده‌ها پیش‌پردازش شدن
🌻 مدل آموزش دیده و ارزیابی شده (با MSE و R²)

👈 یه مثال ساده و کاربردی برای یادگیری رگرسیون در یادگیری ماشین

📎 سورس کامل پروژه در گیت‌هاب:
https://github.com/ArefehKabiri/housePrice/tree/main

#sklearn | #pandas | #LinearRegression | @LearnPythonIcy

✔️ اگه تازه‌کاری تو یادگیری ماشین یا می‌خوای Logistic Regression رو عملی یاد بگیری، این پروژه رو از دست نده.

🌼 دیتا پیش‌پردازش شده
🌼 مدل آموزش دیده
🌼 نتایج ارزیابی شده

📎 سورس کامل پروژه در گیت‌هاب:
https://github.com/ArefehKabiri/titanicLogisticRegression/tree/main

#sklearn | #pandas | #LogisticRegression | @LearnPythonIcy

وقتی مدل‌های هوش مصنوعی مثل نوزادان رفتار می‌کنند! 👶🤖


🔍 ماجرا:
امروز یک مدل تشخیص تصویر رو تست می‌کردم. فقط با کمی تغییر نور، همه‌چیز رو اشتباه گرفت!
واقعاً یاد نوزاد افتادم که:

پدربزرگ با کلاه رو نمی‌شناسه! (Overfitting)
اسب آبی رو با گراز اشتباه می‌گیره! (Underfitting)


💡 چرا این اتفاق می‌افته؟

1. یادگیری سطحی: مدل‌ها مفهوم رو نمی‌فهمن، فقط الگو رو حفظ می‌کنن.

2. حساسیت شدید: کوچک‌ترین تغییر در ورودی = پیش‌بینی اشتباه!

3. توهم (Hallucination): چیزهایی می‌بینن یا می‌سازن که اصلاً وجود نداره.


🚀 راهکارها:
✔ گسترش داده‌های آموزشی (مثل دنیای پرماجرای یک نوزاد)
✔ استفاده از Regularization برای یادگیری پایدارتر
✔ تست در شرایط واقعی و متنوع


❓ سؤال از شما:
عجیب‌ترین رفتار مدل هوش مصنوعی که دیدید چی بوده؟
👇 تو کامنت‌ها بگید، شاید یک لیست خنده‌دار درست کنیم!

#DeepLearning #AI #Overfitting #Underfitting #MachineLearning

📌 🔄 Merging Dictionaries with the Operator

In Python 3.9+, you can merge dictionaries as easily as sets, using the operator. This makes your code cleaner and easier to understand, especially when merging configurations or data.

🎯 Summary
The operator is a fast and readable way to merge dictionaries, with the values from the right dictionary taking precedence.


📌 🔄 ادغام دیکشنری‌ها با عملگر

در پایتون ۳.۹+، می‌توانید دیکشنری‌ها را به راحتی مجموعه‌ها، با استفاده از عملگر ادغام کنید. این کار کد شما را تمیزتر و قابل فهم‌تر می‌کند، به خصوص هنگام ادغام پیکربندی‌ها یا داده‌ها.

🎯 خلاصه
عملگر روشی سریع و خوانا برای ادغام دیکشنری‌ها است که در آن مقادیر دیکشنری مناسب اولویت دارند.


Source | @learnpythonicy

Transformers are the secret sauce behind ChatGPT’s human-like text generation.
From attention mechanisms to parallel processing, this architecture is revolutionizing AI — but it’s not without challenges.

🤔 Debate time:
Is this true intelligence… or just advanced pattern-matching?

Drop your take in the comments! 👇

#AI #ChatGPT #ML #Transformers

🐍 یک پروژه ساده و کاربردی پایتون: ماشین حساب BMI!

یادگیری پایتون با پروژه‌های کوچک و کاربردی بهترین راه است! امروز یک ماشین حساب شاخص توده بدنی (BMI) می‌سازیم.

کد پروژه:

def bmi_calculator():
    print("--- ماشین حساب BMI ---")
    
    weight = float(input("وزن خود را به کیلوگرم وارد کنید: "))
    height = float(input("قد خود را به متر وارد کنید: "))
    
    bmi = weight / (height ** 2)
    
    print(f"\nشاخص توده بدنی (BMI) شما: {bmi:.2f}")
    
    if bmi < 18.5:
        print("وضعیت: کم‌وزن")
    elif 18.5 <= bmi < 25:
        print("وضعیت: طبیعی")
    elif 25 <= bmi < 30:
        print("وضعیت: اضافه‌وزن")
    else:
        print("وضعیت: چاقی")

# اجرای برنامه
bmi_calculator()

💡 چه چیزهایی یاد می‌گیرید؟
- دریافت ورودی از کاربر (input)
- محاسبات ریاضی ساده
- شرط‌های if, elif, else
- قالب‌بندی خروجی با f-string

#project_time | @LearnPythonIcy

📊 ساخت داشبورد گرافیکی BMI با پایتون

محاسبه BMI و نمایش نمودار زیبا با matplotlib!📈

✔️ کد کامل پروژه در کامنت

✨ ویژوالیزیشن:
برنامه دو نمودار نشان می‌دهد:
1. نمودار میله‌ای ➡️ مقایسه BMI شما با ranges نرمال
2. نمودار دایره‌ای ➡️ درصد اختلاف با حد نرمال

💡 مهارت‌های یادگیری:
- کار با matplotlib برای visualization
- ایجاد subplots چندگانه
- نمودار میله‌ای و دایره‌ای
- مدیریت رنگ و استایل نمودار
- نمایش اطلاعات به صورت گرافیکی

🚀 پیشنهاد توسعه:
- ذخیره نمودار به صورت فایل
- اضافه کردن تاریخچه محاسبات
- ساخت وب اپ با Flask + matplotlib

#پایتون #matplotlib #داده_نمایی #BMI #project_time | @LearnPythonIcy