پاسخ روز 15ام

🔥 چالش ۳۰ روزه Python for AI #Day16 🎯 موضوع: NumPy Arrays & Data Analysis ⭐ سطح: متوسط ⏳ زمان تخمینی: 25 تا 45 دقیقه 📝 صورت مسئله: فرض کنید نمرات دانشجویان در یک آرایه NumPy ذخیره شده‌اند: scores = [18, 15, 20, 17, 19, 14, 16, 18, 20, 17] برنامه باید: ✅ تمام نمرات بالاتر از میانگین را نمایش دهد. ✅ تعداد نمرات بالاتر از میانگین را محاسبه کند. ✅ درصد نمرات بالاتر از میانگین را محاسبه کند. 📌 نمونه خروجی: Average Score: 17.4 Scores Above Average: 18 20 19 18 20 Count: 5 Percentage: 50% 🎯 Bonus Challenge تمام نمرات کمتر از میانگین را نیز نمایش دهید. 📋 هدف امروز: تمرین Filtering و Boolean Indexing؛ مفهومی که بعدها در Pandas و Machine Learning بسیار استفاده می‌شود. ⏰ مهلت ارسال پاسخ: فردا ساعت 20:00

پاسخ روز 16ام

🔥 چالش ۳۰ روزه Python for AI #Day17 🎯 موضوع: Introduction to Pandas 📝 صورت مسئله: دیتاست زیر را در قالب DataFrame ایجاد کنید: data = { "Name": ["Ali", "Sara", "Reza", "Nima", "Parsa"], "GPA": [17.8, 18.5, 15.2, 18.1, 16.4], "Credits": [70, 95, 40, 120, 55] } برنامه باید: ✅ DataFrame را نمایش دهد. ✅ میانگین GPA را محاسبه کند. ✅ بهترین دانشجو را پیدا کند. ✅ دانشجویانی که GPA آن‌ها بیشتر از 18 است را نمایش دهد. 🎯 Bonus Challenge یک ستون جدید به نام: Status اضافه کنید. اگر GPA ≥ 18: Excellent در غیر این صورت: Normal 📋 هدف امروز: ورود به Pandas؛ مهم‌ترین ابزار تحلیل داده در Python.

پاسخ روز 17ام

🚀 شهاب‌سنگ‌ها رو بترکون. با پایتون بازی بساز، شلیک کن و رکورد بزن! 🎮☄️ #game #pygame

🔥 وقتشه قدرت واقعی چیزهایی که تا امروز یاد گرفتیم رو ببینیم! از Day 1 تا Day 17 چیا یادگرفنیم؟! ✅ Variables ✅ Conditions ✅ Loops ✅ Functions ✅ Lists & Dictionaries ✅ File Handling ✅ CSV ✅ Error Handling ✅ OOP ✅ NumPy ✅ Pandas شاید هرکدام از این تمرین‌ها به‌تنهایی ساده به نظر می‌رسیدند؛ اما وقتی کنار هم قرار می‌گیرند، می‌توانند به یک #پروژه کامل و حرفه‌ای تبدیل شوند. 🎥 ویدیویی که می‌بینید، نمونه‌ای از خروجی همین مسیر است: Smart Student Success Dashboard یک داشبورد هوشمند برای: 📊 تحلیل عملکرد دانشجویان 🔍 جست‌وجوی اطلاعات هر دانشجو 🏆 شناسایی دانشجویان برتر ⚠️ پیدا کردن دانشجویان نیازمند حمایت 📈 نمایش نمودارهای تحلیلی 🎓 بررسی میزان پیشرفت تا فارغ‌التحصیلی

🚀 چالش این هفته: با استفاده از آموخته‌های Day 1 تا Day 17، نسخه خودتان از این پروژه را بسازید. لازم نیست طراحی شما دقیقاً شبیه ویدیو باشد. نسخه ساده، ناقص یا در حال توسعه هم پذیرفته می‌شود؛ مهم این است که شروع کنید و دانسته‌هایتان را به یک خروجی واقعی تبدیل کنید. 🟢 حداقل امکانات پیشنهادی: • خواندن اطلاعات از CSV • نمایش آمار کلی دانشجویان • جست‌وجوی دانشجو • شناسایی دانشجوی برتر • نمایش وضعیت تحصیلی • حداقل یک نمودار تحلیلی 🔴 چالش Pro: • ساخت رابط کاربری با Streamlit • اضافه‌کردن فیلتر و نمودارهای تعاملی • شناسایی دانشجویان At Risk • امکان دانلود گزارش • انتشار پروژه در GitHub ⏰ مهلت ارسال پروژه: تا پایان هفته https://eitaa.com/joinchat/956171922Cb501d5a32f 📤 می‌توانید یکی از موارد زیر را ارسال کنید: ✅ فایل کد ✅ لینک GitHub ✅ اسکرین‌شات خروجی ✅ ویدیوی کوتاه اجرای پروژه

خیلی‌ها فکر کردند این Dashboard فقط با چند خط کد ساخته شده... اما پشت این پروژه: 17 روز تمرین، صدها خط کد، و ترکیب چندین مفهوم Python وجود دارد. حالا مرحله بعد شروع می‌شود: هر هفته یک پروژه واقعی می‌سازیم! پروژه بعدی: 🚀 Sales Data Analyzer

🐍 #Day18 — Data Cleaning & Data Preparation داده‌های واقعی همیشه تمیز و آماده تحلیل نیستند! امروز قرار است نقش یک Data Analyst را بازی کنیم و یک دیتاست خام را آماده کنیم. 🎯 Challenge: Clean a Real-World Sales Dataset در این تمرین ابتدا باید یک فایل به نام: 📂 sales_raw.csv بسازید که شامل اطلاعات فروش باشد: Order_ID Date Customer Product Category Region Quantity Price (حدود 15,000 رکورد) اما این داده‌ها باید شامل مشکلات واقعی باشند: ❌ مقادیر خالی (Missing Values) ❌ ردیف‌های تکراری (Duplicate Rows) ❌ تاریخ‌های با فرمت اشتباه ❌ داده‌های نامعتبر در بعضی ستون‌ها Tasks: ✅ 1. خواندن فایل CSV با Pandas ✅ 2. بررسی کیفیت داده: تعداد Missing Values تعداد Duplicate Rows نوع داده هر ستون ✅ 3. پاکسازی داده: 🧹 حذف رکوردهای خراب 📅 تبدیل ستون Date به فرمت صحیح 💰 ساخت ستون جدید: Revenue = Quantity × Price ✅ 4. ذخیره دیتاست نهایی: sales_cleaned.csv Expected Output: Before Cleaning: Original rows: 15,000 https://eitaa.com/learnpythonicy

دیتاستی که میتونید ازش استفاده کنید. روز 18_