🔥 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

فایل‌های زیر را کنار هم قرار دهید: Day22_Churn_Mission_Solution.py customer_churn.csv سپس اجرا کنید: pip install pandas scikit-learn plotly python Day22_Churn_Mission_Solution.py Insightهای اصلی: مشتریان ریزش‌کرده استفاده کمتری از سرویس دارند. هزینه ماهانه آن‌ها بیشتر است. تماس بیشتری با پشتیبانی دارند. قراردادهای ماهانه با نرخ ریزش 33.26% بیشترین ریسک را دارند. در این تمرین، دیتاست مشتریان را بررسی و برای اولین مدل Machine Learning آماده کردیم. پاسخ روز22 ام

🔥 چالش ۳۰ روزه Python for AI #Day23 🎯 موضوع: ساخت اولین مدل Machine Learning امروز با استفاده از دیتاست

customer_churn.csv

اولین مدل پیش‌بینی ریزش مشتری را می‌سازیم. مدل پیشنهادی:

Logistic Regression

📌 کارهای امروز: ✅ آماده‌سازی Feature و Target ✅ تبدیل ستون

Contract

به داده عددی ✅ تقسیم داده به Train و Test ✅ آموزش مدل ✅ پیش‌بینی روی داده‌های Test ✅ محاسبه Accuracy ✅ نمایش Confusion Matrix ✅ شناسایی مشتریان پرریسک 🔥 Bonus Challenge احتمال ریزش هر مشتری را با

predict_proba

محاسبه کنید و مشتریانی را که احتمال ریزش آن‌ها بیشتر از ۷۰٪ است، نمایش دهی د. 📁 نام پیشنهادی فایل:

Day23_Churn_Model.py

هدف امروز: یادگیری کامل فرایند ساخت اولین مدل Classification، از آموزش تا ارزیابی نتیجه. فردا مدل Logistic Regression را با Random Forest مقایسه می‌کنیم. 🚀 @learnpythonicy

#طنز 😂😂 پایینی دیشب دیشب منه

🚨 یه اتفاق پشم‌ریزون و عجیب که اخیراً تو دنیای AI افتاده! شاید چند سال پیش این چیزها فقط تو فیلم‌های علمی‌تخیلی دیده می‌شد؛ اما اخیراً گزارشی منتشر شده که یک مدل هوش مصنوعی در جریان یک ارزیابی امنیتی توانسته از محدودیت‌های محیط خودش عبور کند و برای رسیدن به هدفی که برایش تعریف شده بود، مسیرهای غیرمنتظره‌ای پیدا کند. نکته ترسناک ماجرا اینجاست که این بار طرف حساب ما یک هکر انسانی نبود؛ یک سیستم AI بود که داشت خودش مسئله را حل می‌کرد! 😱😁 این اتفاق یک پیام مهم دارد: هرچقدر مدل‌های هوش مصنوعی قوی‌تر می‌شوند، بحث کنترل، امنیت و پیش‌بینی رفتار آن‌ها هم جدی‌تر و مهم‌تر می‌شود. #AI #news #خبر

🎉 به کانال آموزش پایتون خوش اومدین 🐍✨ اگر تازه شروع به یادگیری پایتون کردید، جای درستی اومدید 😊 در این کانال آموزش‌ها از سطح کاملاً مبتدی شروع شده و شامل: ✅ آموزش‌های پایه پایتون ✅ مثال‌های کاربردی و تمرین ✅ نکات مهم و روزمره برای یادگیری سریع‌تر ✅ چالش‌ها و پروژه‌های کوچک برای تقویت مهارت‌ها 📌 پیشنهاد می‌کنم قبل از شروع، این آموزش‌ها رو ببینید: 🔹 شروع دوره آموزش پایتون مقدماتی: https://eitaa.com/learnpythonicy/7 🔹 ۳۰ مثال کاربردی پایتون برای تمرین: https://eitaa.com/learnpythonicy/134⁠ در تلگرام، آموزش‌ها و فایل‌ها به‌صورت منظم‌تر، دسته‌بندی‌شده و با امکانات بصری بهتر منتشر می‌شوند تا دسترسی به مطالب و دنبال کردن مسیر یادگیری ساده‌تر باشد. پیشنهاد می‌کنیم حتماً در تلگرام هم عضو شوید 👇 حتماً عضو بشید: https://t.me/learnpythonicy⁠ 🔰 از همین امروز شروع کنید؛ پایتون رو قدم‌به‌قدم یاد می‌گیریم 🚀🐍 🤓 لینگ گروه برای پرسش و پاسخ https://eitaa.com/joinchat/956171922Cb501d5a32f 👁‍🗨 همین الان جوین شو @learnpythonicy

⭕️ لینک ها درست شدند 👆 لینک تلگرام را هم باید کپی کنید، داخل تلگرام در سیو مسیج (پیام شخصی) ارسال کنید، روش کلیک کنید و در چنل عضو شوید.

https://t.me/learnpythonicy

✅ پاسخ چالش روز بیست‌وسوم آماده شد! امروز با استفاده از Logistic Regression اولین مدل پیش‌بینی ریزش مشتری را ساختیم. 🤖 📊 نتیجه مدل: 🔹 Accuracy: 79.9٪ 🔹 ROC-AUC: 74.16٪ 🔹 مشتریان پرریسک: ۴ نفر 🔹 نمایش Confusion Matrix 🔹 محاسبه احتمال ریزش هر مشتری نکته مهم امروز این بود که Accuracy به‌تنهایی کافی نیست؛ چون مدل هنوز تعدادی از مشتریان ریزش‌کرده را شناسایی نمی‌کند. در Day24 مدل را با Random Forest مقایسه و بهبود می‌دهیم. 🚀 @learnpythonicy

🔥 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. راه ارتباطی https://eitaa.com/joinchat/956171922Cb501d5a32f @learnpythonicy

دیتاستی که برای چالش امروز میتونید استفاده کنید.😉

✅ 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. @learnpythonicy #Python #MachineLearning #RandomForest #LogisticRegression #CustomerChurn