🔥 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

✅ پاسخ چالش روز 27
امروز اولین قدم پروژه AI Career Assistant را ساختیم.
این سیستم می‌تواند:
📄 رزومه را تحلیل کند
🔍 مهارت‌ها را استخراج کند
🎯 رزومه را با موقعیت شغلی مقایسه کند
📊 میزان تطابق را نمایش دهد
از امروز وارد دنیای NLP و ساخت محصولات واقعی AI می‌شویم. 🚀

https://t.me/learnpythonicy

🔥 چالش ۳۰ روزه Python for AI
#Day28
🎯 موضوع: ساخت سیستم Resume Matching با NLP

در روز 27 توانستیم مهارت‌های رزومه و آگهی شغلی را استخراج کنیم.
اما امروز می‌خواهیم سیستم را هوشمندتر کنیم:
🤖 آیا این رزومه برای این شغل مناسب است؟

هدف:
ساخت یک سیستم امتیازدهی هوشمند برای تطبیق رزومه با موقعیت شغلی.

📌 مأموریت امروز:
با استفاده از تکنیک‌های NLP:
✅ تبدیل متن رزومه و Job Description به بردارهای عددی
✅ محاسبه شباهت بین دو متن
با استفاده از:
TF-IDF
و:
Cosine Similarity

خروجی در تصویر

هدف امروز
یادگیری اینکه چگونه با NLP یک سیستم جستجو و تطبیق هوشمند بسازیم؛ مشابه چیزی که در سایت‌های کاریابی واقعی استفاده می‌شود.

📌 امکانات برنامه:
✅ دریافت رزومه
✅ دریافت توضیحات شغلی
✅ محاسبه درصد تطابق
✅ نمایش مهارت‌های موجود
✅ نمایش مهارت‌های موردنیاز

🔥 سیستم را ارتقا بده _ Bonus Challeng:
⭐️ چندین Job Description دریافت کند و بهترین موقعیت را پیشنهاد دهد.
⭐️ نتایج را رتبه‌بندی کند.
⭐️ یک نمودار Skill Match بسازد.

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot
🔥 عضویت در چالش:
@learnpythonicy

⌨️ متن رو با زبان اشتباه تایپ کردی؟ 🤔

اگر متن رو اشتباهی با کیبورد انگلیسی نوشتی یا برعکس، LangOver با یک میانبر، متن رو بدون نیاز به تایپ دوباره به زبان درست تبدیل می‌کنه. 🔄

🔧 تغییر شورت‌کات:
• برنامه LangOver رو اجرا کن.
• روی آیکونش کنار ساعت ویندوز راست‌کلیک کن.
• وارد Settings > Hotkeys شو.
• میانبر دلخواهت رو انتخاب و ذخیره کن. ⌨️

✅ تبدیل سریع متن بدون پاک کردن 🚀
✅ قابل استفاده در بیشتر برنامه‌های ویندوز 💻
✅ سبک، رایگان و کاربردی 🛠️

🔎 برای دانلود، فقط کافیه LangOver رو در گوگل جستجو کنید. 📥

                                    🆔@zarinacc_com

نمونه ای برای پاسخ روز 28

🔥 چالش ۳۰ روزه Python for AI
#Day29
🎯 موضوع: اضافه کردن هوش مصنوعی به Resume Analyzer

تا دیروز سیستم ما می‌توانست:
✅ رزومه را تحلیل کند
✅ مهارت‌ها را پیدا کند
✅ میزان تطابق با شغل را محاسبه کند
اما امروز یک قدم جلوتر می‌رویم:
🤖 اگر سیستم بتواند پیشنهاد بدهد که چطور رزومه را بهتر کنیم چه؟

📌 مأموریت امروز:
اضافه کردن قابلیت AI Career Advisor
سیستم باید بتواند:
✅ رزومه را بررسی کند
✅ مهارت‌های کمبود را پیدا کند
✅ پیشنهادهای بهبود ارائه دهد
✅ بخش‌هایی از رزومه را برای موقعیت شغلی بهتر بازنویسی کند

مثال خروجی:

Resume Match Score:

78%


Missing Skills:

❌ Docker
❌ AWS
❌ LLM


AI Suggestions:

⭐️ Add Docker deployment experience

⭐️ Include cloud projects with AWS

⭐️ Highlight Machine Learning projects


Resume Improvement:

Before:
"I worked on ML projects"


After:
"Developed Machine Learning models using
Python and Scikit-learn with data preprocessing
and model evaluation."

🔥 Bonus Challenge:
سیستم را هوشمندتر کنید:
⭐️ اتصال به LLM API
⭐️ تولید Summary حرفه‌ای برای رزومه
⭐️ پیشنهاد Bullet Point برای Experience
⭐️ ساخت نسخه بهتر رزومه با کمک AI


📋 هدف امروز:
یادگیری اینکه چگونه NLP و مدل‌های زبانی بزرگ (LLM) را به یک محصول واقعی اضافه کنیم.
تا اینجا فقط تحلیل می‌کردیم؛
امروز سیستم شروع می‌کند به فکر کردن و پیشنهاد دادن. 🚀
راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot


@learnpythonicy

خروجی پاسخ روز 29 ام

پاسخ روز 29

🔥 چالش ۳۰ روزه Python for AI
#Day30 🎯
🖐 موضوع: ساخت AI Virtual Mouse با Python و Computer Vision

امروز به سراغ آخرین پروژه چالش می‌رویم؛ یک پروژه جذاب که ترکیبی از بینایی ماشین و هوش مصنوعی است.
هدف امروز:
ساخت یک موس مجازی که بدون لمس کردن کامپیوتر و فقط با حرکات دست کنترل شود.
📌 مأموریت امروز:
با استفاده از:
🐍 Python
👁 OpenCV
🤖 MediaPipe
🖱 PyAutoGUI

یک سیستم کنترل موس بسازید.
برنامه باید بتواند:
✅ دست را از طریق دوربین تشخیص دهد
✅ نقاط کلیدی دست (Hand Landmarks) را استخراج کند
✅ حرکت انگشت اشاره را به حرکت موس تبدیل کند
✅ با حرکت شست و انگشت اشاره کلیک انجام دهد
✅ به صورت Real-Time با دوربین کار کند

ن Bonus Challenge
سیستم را حرفه‌ای‌تر کنید:
⭐️ اضافه کردن Drag & Drop با نگه داشتن Pinch
⭐️ اضافه کردن Right Click با Gesture دست
⭐️ کنترل Scroll با دو انگشت
⭐️ نمایش وضعیت Gesture روی تصویر
⭐️ ساخت رابط کاربری زیباتر برای پروژه

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

https://t.me/learnpythonicy

🌱 #یک_قدم_پایتونی | ابزارهای جذاب

🐍 می‌دونستی با پایتون فقط برنامه‌های متنی نمی‌سازیم؟

پایتون هزاران کتابخانه قدرتمند دارد که به ما کمک می‌کنند کارهای جالبی انجام بدهیم:
✨ ساخت هوش مصنوعی و یادگیری ماشین
📊 تحلیل و نمایش داده‌ها
🌐 ساخت وب‌سایت و API
🤖 ساخت ربات‌ها و ابزارهای هوشمند
🎨 پردازش تصویر و کارهای خلاقانه

یکی از جذاب‌ترین بخش‌های پایتون اینه که با چند خط کد می‌تونی ایده‌هات رو به یک پروژه واقعی تبدیل کنی 🚀
در پست‌های بعدی با هم با کتابخانه‌ها و ابزارهای جالب پایتون آشنا می‌شیم.

🌱 هر روز فقط یک قدم پایتونی؛ اما یک قدم رو به جلو 🐍

@learnpythonicy