✅ پاسخ چالش روز 20ام

در این پروژه با استفاده از Streamlit یک داشبورد تعاملی فروش ساختیم که شامل موارد زیر است:

نمایش KPIهای فروش
نمودار درآمد ماهانه
محصولات برتر
مقایسه عملکرد مناطق
فیلتر تاریخ، منطقه و دسته‌بندی
امکان دانلود داده‌های فیلترشده

https://t.me/learnpythonicy

#Python #Streamlit #Dashboard #DataScience

🔥 چالش ۳۰ روزه Python for AI

#Day21

🎯 موضوع: Project Showcase

📝 صورت مسئله:

در روزهای ۱۸ تا ۲۰ یک پروژه کامل با عنوان زیر ساختید:

Sales Intelligence Dashboard

امروز باید این پروژه را برای GitHub و LinkedIn آماده کنید تا به‌عنوان یک نمونه‌کار واقعی در Portfolio شما قرار بگیرد.

📌 کارهای امروز:

✅ فایل‌های پروژه را مرتب کنید.

ساختار پیشنهادی:

sales-intelligence-dashboard/

├── Day20_Sales_Dashboard.py
├── sales_cleaned.csv
├── requirements.txt
├── README.md
└── screenshots/

✅ یک فایل README حرفه‌ای بنویسید.

README باید شامل این بخش‌ها باشد:

🔹 معرفی پروژه
🔹 هدف پروژه
🔹 قابلیت‌های داشبورد
🔹 ابزارها و کتابخانه‌های استفاده‌شده
🔹 روش نصب و اجرا
🔹 تصاویر داشبورد
🔹 نتایج و Insightهای به‌دست‌آمده

✅ فایل requirements.txt بسازید.

محتوای پیشنهادی:

pandas
streamlit
plotly

✅ حداقل ۲ اسکرین‌شات از داشبورد بگیرید.

پیشنهاد:

نمای کامل داشبورد
نمودارها و فیلترهای تعاملی

✅ پروژه را در GitHub آپلود کنید.

نام پیشنهادی Repository:

sales-intelligence-dashboard

✅ یک ویدیوی کوتاه ۳۰ تا ۶۰ ثانیه‌ای از اجرای داشبورد ضبط کنید.

در ویدیو نمایش دهید:

🔹 داشبورد چگونه اجرا می‌شود
🔹 فیلترها چگونه کار می‌کنند
🔹 نمودارها چگونه تغییر می‌کنند
🔹 امکان دانلود CSV

🎯 Bonus Challenge

⭐️ یک توضیح کوتاه انگلیسی برای پروژه بنویسید.

نمونه:

I built an interactive Sales Intelligence Dashboard using Python, Pandas, Plotly, and Streamlit. The dashboard analyzes sales performance, customer activity, products, categories, and regions through interactive filters and visualizations.

⭐️ لینک GitHub پروژه را در LinkedIn منتشر کنید.

📋 هدف امروز:

یادگیری نحوه ارائه یک پروژه واقعی؛ چون فقط نوشتن کد کافی نیست و باید بتوانید پروژه خود را حرفه‌ای معرفی و نمایش دهید.

راه ارتباطی:

@learnpythonicychat
@learnpythonicyBot

🔥 عضویت در چالش:

https://t.me/learnpythonicy

#Python #Streamlit #DataScience #ProjectShowcase

✅ پاسخ چالش روز 21

در این مرحله، پروژه Sales Intelligence Dashboard را به یک نمونه‌کار حرفه‌ای و آماده انتشار تبدیل کردیم.

📦 فایل پروژه شامل:

🔹 داشبورد کامل Streamlit
🔹 دیتاست فروش
🔹 README حرفه‌ای برای GitHub
🔹 فایل requirements
🔹 متن آماده LinkedIn
🔹 ساختار استاندارد Portfolio

@learnpythonicy

#Python #GitHub #Portfolio #Streamlit #DataScience #Day21
:::

دیتاست چالش روز 22 -23-24

🔥 چالش ۳۰ روزه Python for AI
#Day22
🚨 مأموریت جدید: مشتری‌ها در حال رفتن هستند!
یک شرکت اشتراکی متوجه شده تعداد زیادی از مشتریانش بدون هشدار قبلی سرویس را ترک می‌کنند.
مدیر شرکت از تیم هوش مصنوعی کمک خواسته است:
«آیا می‌توانیم قبل از رفتن مشتری، آن را پیش‌بینی کنیم؟»
از امروز وارد سومین پروژه واقعی چالش می‌شویم:
🤖 Customer Churn Prediction
هدف نهایی پروژه این است که یک سیستم هوشمند بسازیم که مشتریان در معرض ریزش را شناسایی کند.
اما قبل از ساخت مدل، باید دیتاست را برای Machine Learning آماده کنیم.
📂 فایل مأموریت: customer_churn.csv
اطلاعات هر مشتری:
🔹 Customer_ID — شناسه مشتری
🔹 Age — سن
🔹 Usage — میزان استفاده از سرویس
🔹 Contract — نوع قرارداد
🔹 MonthlyCharge — هزینه ماهانه
🔹 SupportCalls — تعداد تماس با پشتیبانی
🔹 Churn — وضعیت ریزش مشتری
معنی ستون Churn:
🟢 0 = مشتری باقی مانده است
🔴 1 = مشتری سرویس را ترک کرده است
🎯 مأموریت امروز: ساخت ML Data Pipeline
برنامه شما باید:
✅ دیتاست را با Pandas بخواند.
✅ تعداد مشتریان و ستون‌ها را نمایش دهد.
✅ داده‌های گمشده و تکراری را شناسایی کند.
✅ تعداد مشتریان باقی‌مانده و ریزش‌کرده را محاسبه کند.
✅ نرخ ریزش مشتریان را به‌صورت درصد نمایش دهد.
✅ ستون‌های ورودی مدل یا Features را مشخص کند.
✅ ستون هدف یا Target را جدا کند.
✅ داده‌ها را به دو بخش تقسیم کند:
🧠 80% Training Data
🧪 20% Testing Data
برای تقسیم داده‌ها از train_test_split استفاده کنید.
📋 خروجی پیشنهادی:

========== CHURN ALERT SYSTEM ==========

Total Customers: 5000
Active Customers: 3870
Churned Customers: 1130
Churn Rate: 22.6%

Features: 5
Target: Churn

Training Samples: 4000
Testing Samples: 1000

Data is ready for Machine Learning! 🚀

🔥 Bonus Mission
تحقیق کنید مشتریان ریزش‌کرده چه تفاوتی با مشتریان باقی‌مانده دارند:
🔍 آیا میزان استفاده آن‌ها کمتر است؟
💰 آیا هزینه ماهانه بیشتری پرداخت می‌کنند؟
☎️ آیا تماس بیشتری با پشتیبانی داشته‌اند؟
📄 آیا نوع قرارداد روی ریزش تأثیر دارد؟
حداقل دو Insight مهم از داده‌ها استخراج کنید.
📊 نمودار پیشنهادی:
تعداد مشتریان فعال و ریزش‌کرده را با یک نمودار مقایسه کنید.

⚠️ نکته مهم:
امروز هنوز مدل نمی‌سازیم.
امروز داده‌ها را برای آموزش اولین مدل Machine Learning در روز ۲۳ آماده می‌کنیم.
آیا فردا می‌توانید قبل از رفتن مشتری، او را شناسایی کنید؟ 👀
راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot
🔥 ورود به چالش:
@learnpythonicy
#Python #MachineLearning #CustomerChurn #DataScience #AIChallenge #PythonForAI #Day22

فایل‌های زیر را کنار هم قرار دهید:

Day22_Churn_Mission_Solution.py
customer_churn.csv

سپس اجرا کنید:

pip install pandas scikit-learn plotly
python Day22_Churn_Mission_Solution.py

Insightهای اصلی:
مشتریان ریزش‌کرده استفاده کمتری از سرویس دارند.
هزینه ماهانه آن‌ها بیشتر است.
تماس بیشتری با پشتیبانی دارند.
قراردادهای ماهانه با نرخ ریزش 33.26% بیشترین ریسک را دارند.

در این تمرین، دیتاست مشتریان را بررسی و برای اولین مدل Machine Learning آماده کردیم.

پاسخ روز22 ام

🔥 چالش ۳۰ روزه Python for AI
#Day23
🎯 موضوع: ساخت اولین مدل Machine Learning
امروز با استفاده از دیتاست customer_churn.csv اولین مدل پیش‌بینی ریزش مشتری را می‌سازیم.
مدل پیشنهادی:
Logistic Regression
📌 کارهای امروز:
✅ آماده‌سازی Feature و Target
✅ تبدیل ستون Contract به داده عددی
✅ تقسیم داده به Train و Test
✅ آموزش مدل
✅ پیش‌بینی روی داده‌های Test
✅ محاسبه Accuracy
✅ نمایش Confusion Matrix
✅ شناسایی مشتریان پرریسک

🔥 Bonus Challenge
احتمال ریزش هر مشتری را با predict_proba محاسبه کنید و مشتریانی را که احتمال ریزش آن‌ها بیشتر از ۷۰٪ است، نمایش دهی
د.
📁 نام پیشنهادی فایل:
Day23_Churn_Model.py

هدف امروز:
یادگیری کامل فرایند ساخت اولین مدل Classification، از آموزش تا ارزیابی نتیجه.
فردا مدل Logistic Regression را با Random Forest مقایسه می‌کنیم. 🚀
راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

@learnpythonicy

نبینم تنبلی کنید ☠

#طنز 😂😂
پایینی دیشب دیشب منه

🚨 یه اتفاق پشم‌ریزون و عجیب که اخیراً تو دنیای AI افتاده!

شاید چند سال پیش این چیزها فقط تو فیلم‌های علمی‌تخیلی دیده می‌شد؛ اما اخیراً گزارشی منتشر شده که یک مدل هوش مصنوعی در جریان یک ارزیابی امنیتی توانسته از محدودیت‌های محیط خودش عبور کند و برای رسیدن به هدفی که برایش تعریف شده بود، مسیرهای غیرمنتظره‌ای پیدا کند.

نکته ترسناک ماجرا اینجاست که این بار طرف حساب ما یک هکر انسانی نبود؛ یک سیستم AI بود که داشت خودش مسئله را حل می‌کرد! 😱😁

این اتفاق یک پیام مهم دارد:
هرچقدر مدل‌های هوش مصنوعی قوی‌تر می‌شوند، بحث کنترل، امنیت و پیش‌بینی رفتار آن‌ها هم جدی‌تر و مهم‌تر می‌شود.
#AI #news #خبر

✅ پاسخ چالش روز بیست‌وسوم آماده شد!

امروز با استفاده از Logistic Regression اولین مدل پیش‌بینی ریزش مشتری را ساختیم. 🤖

📊 نتیجه مدل:

🔹 Accuracy: 79.9٪
🔹 ROC-AUC: 74.16٪
🔹 مشتریان پرریسک: ۴ نفر
🔹 نمایش Confusion Matrix
🔹 محاسبه احتمال ریزش هر مشتری

نکته مهم امروز این بود که Accuracy به‌تنهایی کافی نیست؛ چون مدل هنوز تعدادی از مشتریان ریزش‌کرده را شناسایی نمی‌کند.

در Day24 مدل را با Random Forest مقایسه و بهبود می‌دهیم. 🚀


@learnpythonicy

🔥 چالش ۳۰ روزه Python for AI
#Day24

🎯 موضوع: مقایسه و بهبود مدل‌ها
در روز قبل با Logistic Regression مدل پیش‌بینی ریزش مشتری را ساختیم؛ اما Accuracy به‌تنهایی کافی نبود.
امروز باید مدل قبلی را با یک مدل قوی‌تر مقایسه کنیم:
🤖 Logistic Regression
🌳 Random Forest

📌 کارهای امروز:
✅ آماده‌سازی داده‌ها
✅ آموزش هر دو مدل
✅ محاسبه معیارهای زیر:
Accuracy
Precision
Recall
F1 Score
ROC-AUC
✅ مقایسه Confusion Matrix دو مدل
✅ انتخاب بهترین مدل برای شناسایی مشتریان در معرض ریزش
📋 خروجی پیشنهادی:

Logistic Regression:
Accuracy: 79.9%
Recall: 15.4%

Random Forest:
Accuracy: 82.3%
Recall: 38.6%

Best Model: Random Forest

🔥 Bonus Challenge
با استفاده از class_weight="balanced" یا تغییر آستانه پیش‌بینی، تلاش کنید Recall مدل را افزایش دهید.

📁 نام پیشنهادی فایل:
Day24_Model_Comparison.py

📋 هدف امروز:
یادگیری اینکه بهترین مدل همیشه مدلی نیست که فقط Accuracy بیشتری دارد؛ در مسئله ریزش مشتری، شناسایی مشتریان پرریسک اهمیت بیشتری دارد.
دیتاست

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

https://t.me/learnpythonicy

✅ پاسخ چالش روز 24

امروز Logistic Regression و Random Forest را برای پیش‌بینی ریزش مشتری مقایسه کردیم. 🤖🌳

📊 نتیجه مهم:
🔹 Random Forest نسبت به مدل قبلی Recall بهتری داشت.
🔹 با فعال‌کردن class_weight="balanced"، Recall مدل Logistic Regression از ۱۵.۳۸٪ به ۷۲.۸۵٪ رسید.
🔹 این مدل توانست تعداد بیشتری از مشتریان واقعی در معرض ریزش را شناسایی کند.

نکته امروز:
در مسائل Churn، همیشه بالاترین Accuracy به معنی بهترین مدل نیست؛ گاهی شناسایی مشتریان پرریسک اهمیت بیشتری دارد.


https://t.me/learnpythonicy

#Python #MachineLearning #RandomForest #LogisticRegression #CustomerChurn

🔥 چالش ۳۰ روزه Python for AI
#Day25

🎯 موضوع: Explainable AI
مدل ما پیش‌بینی می‌کند چه مشتری‌ای در معرض ریزش است؛ اما امروز باید بفهمیم:
🤔 چرا مدل چنین تصمیمی گرفته است؟

📌 کارهای امروز:
✅ آموزش مدل Random Forest
✅ استخراج Feature Importance
✅ مشخص‌کردن مهم‌ترین عوامل ریزش مشتری
✅ مرتب‌سازی ویژگی‌ها از بیشترین تا کمترین تأثیر
✅ رسم نمودار اهمیت ویژگی‌ها


خروجی پیشنهادی:

Top Churn Risk Factors:

1. Usage
2. SupportCalls
3. Contract
4. MonthlyCharge
5. Age

🔥 Bonus Challenge
برای یکی از مشتریان پرریسک، اطلاعات زیر را نمایش دهید:

Churn Probability: 82%

Main Risk Factors:
- Low Usage
- High Support Calls
- Month-to-Month Contract

📁 نام پیشنهادی فایل:
Day25_Explainable_AI.py

📋 هدف امروز:
یادگیری اینکه یک مدل خوب فقط نباید پیش‌بینی کند؛ بلکه باید بتوانیم دلیل تصمیم آن را نیز توضیح دهیم.

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

https://t.me/learnpythonicy

#Python #MachineLearning #ExplainableAI #FeatureImportance #CustomerChurn

تصمیم گرفتی پایتون یاد بگیری اما نمی‌دونی از کجا شروع کنی؟ 🐍
ما در این کانال تلاش کردیم مسیر یادگیری پایتون رو ساده‌تر کنیم.

اگر تازه می‌خواهی شروع کنی، این منابع می‌تونن نقطه شروع خوبی باشند:
🔹 آموزش مقدماتی پایتون
🔹 تمرین با ۳۰ مثال کاربردی
🔹 برای کسانی که دوست دارند با تمرین و پروژه مهارت خودشان را تقویت کنند:
چالش ۳۰ روزه Python for AI

💬 در مسیر یادگیری تنها نیستی؛ اگر سوالی داشتی داخل گروه بپرس، با هم بررسی می‌کنیم.

از راهنمای #هشتگ‌ها برای دسترسی سریع‌تر به مطالب کانال استفاده کن

🌱 شروع کن؛ هر مهارت بزرگی با یک قدم کوچک آغاز می‌شود.
@learnpythonicy

✅ پاسخ چالش روز بیست‌وپنجم آماده شد!

امروز با استفاده از Explainable AI بررسی کردیم که مدل چرا یک مشتری را در معرض ریزش تشخیص می‌دهد. 🔍🤖

📊 مهم‌ترین عوامل پیش‌بینی ریزش:

🔹 نوع قرارداد
🔹 میزان استفاده از سرویس
🔹 هزینه ماهانه
🔹 سن مشتری
🔹 تعداد تماس با پشتیبانی

همچنین برای یکی از مشتریان پرریسک، احتمال ریزش و تأثیر هر ویژگی به‌صورت جداگانه محاسبه شد.

@learnpythonicy

#Python #MachineLearning #ExplainableAI #FeatureImportance #CustomerChurn

🔥 چالش ۳۰ روزه Python for AI
#Day26

🎯 موضوع: ساخت محصول هوش مصنوعی (ML Deployment)

تا امروز یک مدل Machine Learning ساختیم، آن را ارزیابی کردیم و فهمیدیم چرا تصمیم می‌گیرد.

اما یک سؤال مهم:
🤔 آیا یک کاربر عادی می‌تواند از مدل ما استفاده کند؟
امروز مدل را تبدیل به یک اپلیکیشن واقعی می‌کنیم.

📌 مأموریت امروز:
ساخت یک Customer Churn Prediction App با Streamlit
کاربر باید بتواند اطلاعات یک مشتری را وارد کند:

👤 Age
📱 Usage
📄 Contract Type
💳 Monthly Charge
☎️ Support Calls

سپس سیستم باید نمایش دهد:
✅ احتمال ریزش مشتری
مثال:

Churn Probability: 82%
Risk Level:
🔴 High Risk

یا:

Churn Probability: 15%
Risk Level:
🟢 Low Risk

📌 امکانات برنامه:
✅ بارگذاری مدل آموزش‌دیده
✅ دریافت اطلاعات از کاربر
✅ پیش‌بینی احتمال ریزش
✅ نمایش سطح ریسک
✅ نمایش پیشنهاد اولیه برای کاهش ریزش

🔥 Bonus Challenge
به برنامه قابلیت‌های زیر را اضافه کنید:
⭐️ نمایش مهم‌ترین عوامل ریسک مشتری
⭐️ ذخیره گزارش پیش‌بینی به صورت CSV
⭐️ طراحی رابط کاربری حرفه‌ای‌تر
⭐️ اضافه کردن نمودار احتمال ریزش

📁 نام پیشنهادی فایل:
Day26_Churn_Prediction_App.py

📋 هدف امروز:
تبدیل یک مدل Machine Learning به یک محصول واقعی قابل استفاده؛ همان کاری که در پروژه‌های واقعی Data Science و AI انجام می‌شود.
تا امروز فقط مدل ساختیم؛ امروز آن را به یک ابزار واقعی تبدیل می‌کنیم. 🚀

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

🔥 عضویت در چالش:
@learnpythonicy

#Streamlit #MachineLearning #AIApplication #CustomerChurn

✅ پاسخ چالش روز بیست‌وششم آماده شد!

امروز مدل Machine Learning را از یک کد ساده به یک محصول قابل استفاده تبدیل کردیم. 🚀

ساختیم:

🤖 Customer Churn Prediction App

قابلیت‌ها:

✅ دریافت اطلاعات مشتری
✅ پیش‌بینی احتمال ریزش
✅ تعیین سطح ریسک مشتری
✅ ارائه پیشنهاد اولیه برای حفظ مشتری

تا اینجا مسیر کامل شد:

Data → Model → Evaluation → Explainability → AI Application

@learnpythonicy

🔥 چالش ۳۰ روزه Python for AI
#Day27

🚀 پروژه نهایی شروع شد: AI Career Assistant

تا امروز با داده‌های عددی و مدل‌های Machine Learning کار کردیم.

اما از امروز وارد دنیای جذاب‌تر می‌شویم:
🧠 NLP + AI

هدف پروژه:
ساخت یک دستیار هوشمند که رزومه شما را تحلیل کند و آن را با یک موقعیت شغلی مقایسه کند.

📌 مأموریت امروز:
ساخت اولین مرحله سیستم:
Resume & Job Description Analyzer
برنامه باید بتواند:
✅ فایل رزومه را بخواند (PDF)
✅ متن رزومه را استخراج کند
✅ متن آگهی شغلی را دریافت کند
✅ مهارت‌ها و کلمات کلیدی مهم را پیدا کند
مثال:
Resume Skills:

Python
SQL
Machine Learning
Pandas

Job Requirements:

Python
SQL
Docker
AWS
Machine Learning

خروجی:

Matched Skills:

✅ Python
✅ SQL
✅ Machine Learning


Missing Skills:

❌ Docker
❌ AWS

🔥 ب Bonus Challenge:
با استفاده از تکنیک‌های NLP:
⭐️ تعداد کلمات مهم را استخراج کنید
⭐️ کلمات کلیدی مشترک رزومه و شغل را پیدا کنید
⭐️ یک امتیاز اولیه Match Score بسازید


@learnpythonicy