🔥 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

🌸

🔥 چالش ۳۰ روزه Python for AI #Day25 🎯 موضوع: Explainable AI مدل ما پیش‌بینی می‌کند چه مشتری‌ای در معرض ریزش است؛ اما امروز باید بفهمیم: 🤔 چرا مدل چنین تصمیمی گرفته است؟ 📌 کارهای امروز: ✅ آموزش مدل Random Forest ✅ استخراج

Feature Importance

✅ مشخص‌کردن مهم‌ترین عوامل ریزش مشتری ✅ مرتب‌سازی ویژگی‌ها از بیشترین تا کمترین تأثیر ✅ رسم نمودار اهمیت ویژگی‌ها خروجی پیشنهادی: Top Churn Risk Factors: 1. Usage 2. SupportCalls 3. Contract 4. MonthlyCharge 5. Age 🔥 Bonus Challenge برای یکی از مشتریان پرریسک، اطلاعات زیر را نمایش دهید: Churn Probability: 82% Main Risk Factors: - Low Usage - High Support Calls - Month-to-Month Contract 📁 نام پیشنهادی فایل:

Day25_Explainable_AI.py

📋 هدف امروز: یادگیری اینکه یک مدل خوب فقط نباید پیش‌بینی کند؛ بلکه باید بتوانیم دلیل تصمیم آن را نیز توضیح دهیم. @learnpythonicy #Python #MachineLearning #ExplainableAI #FeatureImportance #CustomerChurn

🔍 راهنمای #هشتگ‌ها برای دسترسی سریع‌تر به مطالب کانال برای اینکه راحت‌تر به مطالب دلخواهتون برسید، از هشتگ‌های زیر استفاده کنید: --- ### 😂 #طنز مطالب فان و خنده‌دار برای فاصله گرفتن از دنیای کدنویسی. ### 🧪 #تست_تایم تست‌ها و تمرین‌هایی که باید برای تقویت مهارت‌های برنامه‌نویسی بزنید. ### 📘 #بدانیم نکات مهم و کاربردی درباره‌ی برنامه‌نویسی و پایتون. ### 📚 #بخوانیم دانستنی‌ها و مقالاتی که پیشنهاد می‌کنم حتما مطالعه کنید. ### 📖 #معرفی_کتاب / #بوک_تایم کتاب‌های پیشنهادی برای یادگیری اصولی‌تر. ### 🔥 #موتیو_تایم پست‌های انگیزشی و انرژی‌بخش برای ادامه‌ی مسیر یادگیری. ### 📚 #کتابخانه کتابخانه‌هایی که در کانال معرفی شده‌اند. ### 📃 #برگه_تقلب و #Cheat_Sheet خلاصه و نکات کلیدی --- ### 🎮 #game بازی های ساخته شده با پایتون ### 🛣 #roadmap نقشه‌راه یادگیری پایتون و مهارت‌های لازم. ### 🧩 #project_time پروژه‌های تمرینی برای افزایش تجربه و تسلط. ### 📄 #paper مقالات علمی و تخصصی معرفی‌شده. --- ### ⚡️ #PythonTricks میانبرها و ترفندهای کاربردی پایتون. ### ✨ #Pythonmagic رفتارهای خاص و جالب پایتون که کمتر کسی می‌داند. ### 🧰 #functools ابزارها و تکنیک‌های مرتبط با توابع. ### 🧱 #codeBites خلاصه‌ی یک دستور همراه با نمونه‌کد کوتاه. ### ❗️ #error خطاهای رایج پایتون و روش رفع آن‌ها. ### 📰 #news اخبار روز پایتون و دنیای تکنولوژی. ### 🖼 #carousel پست‌های اسلایدری برای آموزش موضوعات مختلف. --- ### 🤖 #AI هوش مصنوعی ### 📊 #ML یادگیری ماشین ### 🧠 #DL یادگیری عمیق (ژرف) --- ## 🔎 جستجوی سریع دستورات و کتابخانه‌ها هر دستور یا کتابخانه‌ای که لازم دارید کافیست هشتگش را جستجو کنید: #split #while #class #for #dict #list #opencv #cv2 #numpy #matplotlib #tkinter و … --- ## 🎯 دوره‌ها و تمرین‌ها 📘 دوره آموزش مقدماتی پایتون 🧪 حل ۳۰ سؤال کاربردی برای تقویت مهارت‌های دوره مقدماتی 🎖چالش ۳۰ روزه Python for AI

تصمیم گرفتی پایتون یاد بگیری اما نمی‌دونی از کجا شروع کنی؟ 🐍 ما در این کانال تلاش کردیم مسیر یادگیری پایتون رو ساده‌تر کنیم. اگر تازه می‌خواهی شروع کنی، این منابع می‌تونن نقطه شروع خوبی باشند: 🔹 دوره آموزش مقدماتی پایتون 🔹حل ۳۰ سؤال کاربردی برای تقویت مهارت‌های دوره مقدماتی (با سوالات و چالش های مختلف پایه دانش پایتونت را قوی کن) 🔹 برای کسانی که دوست دارند با تمرین و پروژه مهارت خودشان را تقویت کنند: چالش ۳۰ روزه Python for AI 💬 در مسیر یادگیری تنها نیستی؛ اگر سوالی داشتی داخل گروه بپرس، با هم بررسی می‌کنیم. https://eitaa.com/joinchat/956171922Cb501d5a32f از راهنمای #هشتگ‌ها برای دسترسی سریع‌تر به مطالب کانال استفاده کن 🌱 شروع کن؛ هر مهارت بزرگی با یک قدم کوچک آغاز می‌شود. @learnpythonicy

✅ پاسخ چالش روز بیست‌وپنجم آماده شد! امروز با استفاده از Explainable AI بررسی کردیم که مدل چرا یک مشتری را در معرض ریزش تشخیص می‌دهد. 🔍🤖 📊 مهم‌ترین عوامل پیش‌بینی ریزش: 🔹 نوع قرارداد 🔹 میزان استفاده از سرویس 🔹 هزینه ماهانه 🔹 سن مشتری 🔹 تعداد تماس با پشتیبانی همچنین برای یکی از مشتریان پرریسک، احتمال ریزش و تأثیر هر ویژگی به‌صورت جداگانه محاسبه شد. @learnpythonicy #Python #MachineLearning #ExplainableAI #FeatureImportance #CustomerChurn

🔥 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. 🚀 🔥 عضویت در چالش: @learnpythonicy #Streamlit #MachineLearning #AIApplication #CustomerChurn

✅ پاسخ چالش روز بیست‌وششم آماده شد! امروز مدل Machine Learning را از یک کد ساده به یک محصول قابل استفاده تبدیل کردیم. 🚀 ساختیم: 🤖 Customer Churn Prediction App قابلیت‌ها: ✅ دریافت اطلاعات مشتری ✅ پیش‌بینی احتمال ریزش ✅ تعیین سطح ریسک مشتری ✅ ارائه پیشنهاد اولیه برای حفظ مشتری تا اینجا مسیر کامل شد: Data → Model → Evaluation → Explainability → AI Application @learnpythonicy