🔥 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. 🔥 عضویت در چالش: @learnpythonicy #Python #Streamlit #DataScience #Dashboard #Pandas #Plotly #PythonForAI #Day20

🔥 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؟ 👀 🔥 ورود به چالش: @learnpythonicy #Python #MachineLearning #CustomerChurn #DataScience #AIChallenge #PythonForAI #Day22