#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۹: کار با داده‌های جدولی 📊

سلام دوستان! 👋
حالا که با Pandas آشنا شدیم، بیایید یاد بگیریم چطوری روی داده‌های جدولی عملیات مختلف انجام بدیم. این بخش خیلی مهمه چون بیشتر داده‌های دنیای واقعی به شکل جدول هستن. 🗂

---
۱. فیلتر کردن داده‌ها

import pandas as pd

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "سن": [18, 20, 19, 21],
    "نمره": [15, 19, 17, 20]
}

df = pd.DataFrame(data)

# فیلتر: نمایش فقط کسانی که نمره بالای 17 دارن
print(df[df["نمره"] > 17])

---
۲. مرتب‌سازی داده‌ها

# مرتب‌سازی بر اساس نمره
print(df.sort_values("نمره", ascending=False))

---
۳. انتخاب چند ستون

print(df[["نام", "نمره"]])

---
۴. اضافه کردن ستون جدید

df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df)

---

۵. محاسبات گروهی (GroupBy)

مثال: محاسبه میانگین نمره‌ها بر اساس سن 👇

print(df.groupby("سن")["نمره"].mean())

---

۶. پروژه کوچک

جدول نمرات دانش‌آموزان رو مرتب کنیم و وضعیت هر کس رو نشون بدیم:

students = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "نمره": [15, 19, 17, 20]
}

df = pd.DataFrame(students)
df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df.sort_values("نمره", ascending=False))

📌 خروجی نمونه:

     نام  نمره     وضعیت
3   رضا    20    قبول ✅
1  سارا    19    قبول ✅
2  نیما    17   مردود ❌
0   علی    15   مردود ❌

---

👀 قسمت بعدی: پاک‌سازی و آماده‌سازی داده‌ها 🧹

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۰: پاک‌سازی و آماده‌سازی داده‌ها 🧹

سلام دوستان! 👋
داده‌های دنیای واقعی همیشه مرتب نیستن! 😅
گاهی داده‌ها ناقص، تکراری یا اشتباه هستن. برای همین قبل از تحلیل یا یادگیری ماشین، باید داده‌ها رو پاک‌سازی و آماده‌سازی کنیم.

---
۱. شناسایی داده‌های گمشده (NaN)

import pandas as pd
import numpy as np

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "نمره": [18, np.nan, 15, 20]
}

df = pd.DataFrame(data)
print(df)
print(df.isnull())   # نمایش مقادیر گمشده

---
۲. حذف داده‌های ناقص

df_clean = df.dropna()   # حذف سطرهایی که مقدار گمشده دارن
print(df_clean)

---
۳. جایگزین کردن داده‌های گمشده

df["نمره"].fillna(df["نمره"].mean(), inplace=True)  # جایگزینی با میانگین
print(df)

---
۴. حذف داده‌های تکراری

df = pd.DataFrame({
    "نام": ["علی", "سارا", "علی"],
    "نمره": [18, 19, 18]
})

print("قبل از حذف:\n", df)
df = df.drop_duplicates()
print("بعد از حذف:\n", df)

---
۵. تغییر نام ستون‌ها

df.rename(columns={"نام": "Name", "نمره": "Score"}, inplace=True)
print(df)

---
۶. پروژه کوچک

پاک‌سازی داده‌های ناقص و محاسبه معدل:

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "ریاضی": [18, np.nan, 15, 20],
    "فیزیک": [17, 19, np.nan, 18]
}

df = pd.DataFrame(data)

# پر کردن مقادیر گمشده با میانگین هر ستون
df = df.fillna(df.mean(numeric_only=True))

# محاسبه معدل
df["معدل"] = df[["ریاضی", "فیزیک"]].mean(axis=1)
print(df)

📌 خروجی نمونه:

     نام   ریاضی  فیزیک   معدل
0   علی   18.0   17.0   17.5
1  سارا   17.7   19.0   18.3
2  نیما   15.0   18.0   16.5
3   رضا   20.0   18.0   19.0

---

👀 قسمت بعدی: تجسم داده‌ها با Matplotlib 🎨

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۱: تجسم داده‌ها با Matplotlib 🎨

سلام دوستان! 👋
یکی از بهترین روش‌ها برای درک بهتر داده‌ها، نقاشی کردنشونه! 🎨
کتابخونه‌ی Matplotlib به ما کمک می‌کنه داده‌ها رو به شکل نمودار نشون بدیم.

---
۱. نصب و import

pip install matplotlib

import matplotlib.pyplot as plt

---
۲. رسم نمودار خطی (Line Plot)

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title("نمودار خطی 📈")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()

---
۳. رسم نمودار ستونی (Bar Chart)

names = ["علی", "سارا", "نیما", "رضا"]
scores = [18, 20, 15, 19]

plt.bar(names, scores, color="skyblue")
plt.title("نمرات دانش‌آموزان 📊")
plt.show()

---
۴. رسم نمودار دایره‌ای (Pie Chart)

labels = ["ریاضی", "فیزیک", "شیمی"]
values = [30, 45, 25]

plt.pie(values, labels=labels, autopct="%1.1f%%")
plt.title("درصد نمرات 🥧")
plt.show()

---
۵. چند نمودار در یک شکل

import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, label="sin(x)")
plt.plot(x, y2, label="cos(x)")
plt.legend()
plt.title("مقایسه سینوس و کسینوس 🔄")
plt.show()

---
۶. پروژه کوچک

نمودار معدل دانش‌آموزان:

import pandas as pd
import matplotlib.pyplot as plt

data = {"نام": ["علی", "سارا", "نیما"], "معدل": [17.5, 19, 16]}
df = pd.DataFrame(data)

plt.bar(df["نام"], df["معدل"], color="green")
plt.title("معدل دانش‌آموزان 📚")
plt.ylabel("معدل")
plt.show()

---

👀 قسمت بعدی: پروژه عملی پردازش داده 📑 (جمع‌بندی فاز ۲)

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۲: پروژه عملی پردازش داده 📑

سلام دوستان! 👋
تو این قسمت می‌خوایم همه چیزهایی که تو فاز ۲ یاد گرفتیم (NumPy، Pandas، Matplotlib) رو ترکیب کنیم و یک پروژه کامل انجام بدیم. 🎯

---

🎓 پروژه: تحلیل نمرات یک کلاس

۱. آماده‌سازی داده‌ها

فرض کنید یک فایل CSV به اسم grades.csv داریم:

نام,ریاضی,فیزیک,شیمی
علی,18,17,16
سارا,20,19,18
نیما,15,14,13
رضا,19,20,18

---
۲. خواندن داده‌ها با Pandas

import pandas as pd

df = pd.read_csv("grades.csv")
print(df)

---
۳. پاک‌سازی داده‌ها

مثلاً اگر مقادیر گمشده باشه، پرشون می‌کنیم:

df = df.fillna(df.mean(numeric_only=True))

---
۴. محاسبه معدل هر دانش‌آموز

df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1)
print(df)

---
۵. تحلیل داده‌ها

* پیدا کردن بالاترین و پایین‌ترین معدل:

print("بیشترین معدل:", df["معدل"].max())
print("کمترین معدل:", df["معدل"].min())

* میانگین کل کلاس:

print("میانگین کلاس:", df["معدل"].mean())

---
۶. تجسم داده‌ها با Matplotlib

import matplotlib.pyplot as plt

plt.bar(df["نام"], df["معدل"], color="orange")
plt.title("معدل دانش‌آموزان کلاس 📊")
plt.ylabel("معدل")
plt.show()

📌 خروجی: نمودار ستونی معدل هر دانش‌آموز

---

۷. نتیجه‌گیری

* یاد گرفتیم داده‌ها رو بخونیم، پاک‌سازی کنیم، تحلیل کنیم و تجسم کنیم ✅
* این‌ها پایه‌ی اصلی کارهای هوش مصنوعی و یادگیری ماشین هستن. 🤖
* در فاز بعدی می‌ریم سراغ مبانی یادگیری ماشین (Machine Learning) ✨

---

👀 قسمت بعدی (شروع فاز ۳): مقدمه‌ای بر یادگیری ماشین 🤖

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🔵 فاز ۳ – قسمت ۴: الگوریتم‌های طبقه‌بندی (Classification) 🔍🤖

طبقه‌بندی (Classification) یکی از مهم‌ترین شاخه‌های یادگیری نظارت‌شده است.
هدف: دسته‌بندی داده‌ها در گروه‌های مشخص ✅

✨ طبقه‌بندی یعنی چی؟

فرض کن داده‌هایی داریم از ایمیل‌ها و می‌خوایم تصمیم بگیریم که هر ایمیل اسپم است یا نه.
مدل با یادگیری از داده‌های گذشته، به هر ایمیل جدید یک برچسب اختصاص می‌دهد.

📌 مثال‌های رایج

* تشخیص اسپم در ایمیل
* پیش‌بینی نوع گل یا حیوان بر اساس ویژگی‌ها
* تشخیص بیماری از روی علائم پزشکی
* شناسایی تصاویر: سگ، گربه، ماشین و …

🧩 الگوریتم‌های معروف طبقه‌بندی

1️⃣ درخت تصمیم (Decision Tree) 🌳
یک نمودار شبیه درخت که با سوال‌های بله/خیر داده‌ها را دسته‌بندی می‌کند.

2️⃣ جنگل تصادفی (Random Forest) 🌲🌲
چندین درخت تصمیم با هم کار می‌کنند و نتیجه نهایی رای‌گیری می‌شود.
دقت بیشتری نسبت به یک درخت ساده دارد.

3️⃣ الگوریتم K نزدیک‌ترین همسایه (K-Nearest Neighbors) 👥
هر داده جدید به گروهی تعلق دارد که بیشترین شباهت را به آن دارد.

4️⃣ ماشین بردار پشتیبان (SVM)
یک خط یا صفحه برای جدا کردن گروه‌ها در فضای چندبعدی پیدا می‌کند.

🧪 مثال کوتاه با Scikit-learn

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

predictions = model.predict(X_test)

در این مثال:

* مدل جنگل تصادفی ساخته شد
* آموزش دید
* پیش‌بینی روی داده‌های جدید انجام شد ✔️

🎯 نکته مهم

طبقه‌بندی برای هر داده‌ای که برچسب مشخص دارد عالی است.
ولی اگر برچسب نداشته باشیم، باید از خوشه‌بندی (Clustering) استفاده کنیم که در فاز بعدی توضیح می‌دهیم.


👀 قسمت بعدی: درخت تصمیم و جنگل تصادفی 🌳

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

ما در کانال آموزش هوش مصنوعی، مباحث آموزشی از پایه که مناسب دانش آموزان هست تا تخصصی که مناسب دانشجویان و علاقه مندان حوزه AI هست رو قرار میدیم.

در صورت تمایل میتوانید از طریق آی دی زیر در این کانال هم عضو شوید.

https://t.me/studentai

نکته : فقط مباحث آموزشی در کانال فوق قرار میگیرد.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI