🌹💭🌿

بعد از یک تاخیر مدت دار تیم Kaggle یک رقابت دیگر در سایت خود قرار داد. روی دیتا الگوریتم خوب بزنید و ترین خوب انجام دهید و جایزه ببرید. سوا از این می تونه همین کار یک کار تحقیقاتی در دانشگاه شما باشد.
🌹💭🌿
متن تیم Kaggle:

We've just launched this year's Avito Demand Prediction Competition (Avito's fourth Kaggle competition)! Here are the competition details. Click the button below if you're interested in competing, or digging deeper into the specifics.

Competition Description:
Avito is challenging you to predict demand for an online advertisement based on its full description (title, description, images, etc.), its context (geographically where it was posted, similar ads already posted) and historical demand for similar ads in similar contexts. With this information, Avito can inform sellers on how to best optimize their listing and provide some indication of how much interest they should realistically expect to receive.

Host:
Avito, Russia’s largest classified advertisements website.

Total prizes:
$25,000

Next important deadline:
June 20, 2018 - Entry deadline. You must accept the competition rules before this date in order to compete.

Join the competition
Good luck,
The Kaggle Team

منبع:🌹💭🌿
https://www.kaggle.com/c/avito-demand-prediction?utm_medium=email&utm_source=intercom&utm_campaign=avito+competition+2018

چالش تحایل داده ای سایت kaggle
برنده بهترین پاسخ 150 میلیون جایزه دریافت خواهد کرد.

گیت با نوت بوک های جلسه 7 به روز شد.

#تمرین سری سوم

#تمرین
مهلت ارسال: شنبه - 15 اردیبهشت ۱۳۹۷
نمره: 2 نمره از نمره نهایی
نوع: کد + گزارش کار

توضیح مجموعه داده :

تمرین های چند سری آینده از چالش دو سال پیش سایت Kaggle انتخاب شده است.

Titanic: Machine Learning from Disaster
https://www.kaggle.com/c/titanic

در این چالش ویژگی هایی از مسافران کشتی تایتانیک استخراج شده و عاقبت هر مسافر در ستونی به نام survival که نشان دهنده نجات یا عدم نجات مسافر بوده آمده است.
هدف این است که بتوانیم بر اساس این ویژگی ها و اطلاعات بتوانیم برای سایر مسافرینی که از سرنوشت آنها خبر نداریم پیش بینی درستی از عاقبت آنها بیابیم.

در گام نخست باید دیتا را برای مراحل بعدی آماده کنیم.

توجه: دیتاست برای تمرین بیشتر کمی تغییرات جزئی شامل حذف عنوان و تغیر نوع سن داشته که شما در فرآیند پیش پردازش آنها را باید درست کنید.

سلام.
در فرمول محاسبه نمره نهایی امتحان نهایی میتواند اکثر نمره کوییزها را جبران نماید.
نمره پایانی کوییز ها با امتحان قابل جبران خواهد بود.
اما نمره تمارین قابلیت جبران نخواهد داشت.
فلذا تمامی دوستان حتی دوستانی که قرار شده سر کلاس نیایند و با گذراندن کورس آنلاین مجوز شرکت در امتحان را بیابند نیز باید تمارین را انجام دهند.
با تشکر

به دلیل میانترم و درخواست دانسجوها، مهلت تحویل 20 اردیبهشت خواهد بود.
اما لطفا مباحث قبلی را حتما قبل از کلاس بخوانید.

#آموزش
اگر تو ماتریس a و b را جمع کنیم، عنصر به عنصر جمع انجام خواهد شد.
برای اتصال یا concat کردن دو ماتریس به صورت سطری و ستونی از تابع
np.concatenate
استفاده میکنیم.

سلام
فایل salaries.csv در کنار نوت‌بوک‌ها push شد.
این فایل برای نوت بوک 7-1 نیاز است.

#خبر #تمدید #تمرین
سلام
به دلیل امتحانهای میانترم، و درخواست شما، مهلت این تمرین چهارشنبه 19 اردیهشت است. لطفا مدیریت فرمایید، سری بعد نیز حتما تمرین خواهیم داشت.

🌺🌺🌺🌺
میلاد با سعادت امام زمان مبارک باد
🌺🌺🌺🌺
صبحی گره از زمانه وا خواهد شد
راز شب تار بر ملا خواهد شد
در راه، عزیزی‌ست که با آمدنش
هر قطب‌نما،قبله‌نما خواهد شد

(میلاد عرفان پور)

#نکته #آموزش
اولبن پارامتر اختیاری universal function ها در نامپای، مثل
Add, subtract, exp,log,...
پارامتر output argument است.

https://docs.scipy.org/doc/numpy-1.14.0/reference/ufuncs.html

#آموزش #نکته
در ادامه تصویر قبل،
به مثال زیر برای پارامتر اختیاری output توجه کنید.

#خبر #تمرین سری سوم
سایت برای تمرین سری سوم باز شد.
مهلت بدون تاخیر: 20 اردیبهشت ساعت 15
حداکثر مهلت با تاخیر: 1 دقیقه قبل از 22 اردیبهشت

همچنین در صورت سوال ذکر نشده. اما حتما داده های مربوط به سن را نرمال کنید (ترجیحا بین 0 و 1)

نمرات تمرین سری دوم در سایت قرار داده شد.

بارم سوالات 1 تا 3 به این صورت در نظر گرفته شد:
۱: ۳۰
۲: ۳۰
۳: ۴۰

برای تاخیر ها در این سری ماکزیمم نمره هر روز ۵نمره از 100 کم شده.
دیرترین شخص ۶ روز تاخیر داشته که نمره ا‌ش از ۷۰ حساب شده است.