🔥 چالش ۳۰ روزه Python for AI
#Day20
🎯 موضوع: ساخت داشبورد فروش با Streamlit
📝 صورت مسئله:
در چالش امروز باید نتایج تحلیل داده‌های فروش را به یک داشبورد تعاملی تبدیل کنید.
از فایل زیر استفاده کنید: sales_cleaned.csv

این فایل خروجی چالش روز هجدهم است و شامل اطلاعات سفارش‌ها، محصولات، مشتریان، مناطق و درآمد فروش است.
برنامه شما باید با استفاده از Streamlit یک داشبورد فروش بسازد.

📌 بخش اول: KPI Cards
در بالای داشبورد شاخص‌های زیر را نمایش دهید:
✅ Total Revenue
مجموع درآمد فروش
✅ Total Orders
تعداد کل سفارش‌ها
✅ Total Customers
تعداد مشتریان منحصربه‌فرد
✅ Sales Growth
درصد رشد فروش نسبت به ماه قبل

📌 بخش دوم: نمودارها
داشبورد باید نمودارهای زیر را داشته باشد:
📈 Monthly Revenue
نمایش روند درآمد ماهانه
📊 Top Products
نمایش محصولات برتر بر اساس درآمد یا تعداد فروش
🌍 Region Performance
مقایسه درآمد مناطق مختلف
🗂 Category Comparison
مقایسه دسته‌بندی محصولات
📌 بخش سوم: فیلترهای تعاملی
کاربر بتواند اطلاعات داشبورد را بر اساس موارد زیر فیلتر کند:
✅ بازه زمانی
✅ منطقه
✅ دسته‌بندی محصول
با تغییر فیلترها، شاخص‌ها و نمودارها نیز باید به‌روزرسانی شوند.

🎯 Bonus Challenge
موارد زیر را نیز به داشبورد اضافه کنید:
⭐️ نمایش پرفروش‌ترین محصول
⭐️ نمایش بهترین منطقه
⭐️ نمایش Average Order Value
⭐️ امکان دانلود داده‌های فیلترشده به‌صورت CSV
⭐️ طراحی حرفه‌ای داشبورد با ستون‌بندی و رنگ‌بندی مناسب

📁 نام پیشنهادی فایل:
Day20_Sales_Dashboard.py
▶️ اجرای برنامه:
streamlit run Day20_Sales_Dashboard.py
📋 هدف امروز:
تبدیل تحلیل داده به یک برنامه تعاملی و قابل استفاده؛ مهارتی که در پروژه‌های واقعی Data Science و ساخت Portfolio بسیار مهم است.

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

🔥 عضویت در چالش:
https://t.me/learnpythonicy
#Python #Streamlit #DataScience #Dashboard #Pandas #Plotly #PythonForAI #Day20

✅ 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
:::

🔥 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