💡 یه توصیه‌ مهم برای نوشتن شرط if

در پایتون، زمانی که می‌خوایم چک کنیم یک متغیر None هست یا نه، باید از is استفاده کنیم، نه از ==. این یکی از توصیه‌های مهم در نوشتن شرط‌های if هست که حتی برنامه‌نویسان پیشرفته هم گاهی اوقات نادیده می‌گیرن!

مقدار None یک نمونه منحصر به فرده و استاندارد پایتون (PEP 8) توصیه می‌کنه که برای مقایسه با این مقدار خاص از is استفاده شه. استفاده از is صحت و سرعت بالاتری داره. همچنین، این روش کد رو خواناتر و اجرای درست برنامه در شرایط مختلف رو تضمین می‌کنه.

روش غلط:

if my_variable == None:

روش درست:

if my_variable is None:
    # انجام عملیات خاصی اگر my_variable برابر با None باشد

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🏫 آموزش تابع (Function) به صورت کاربردی در ماشین لرنینگ

توابع در برنامه‌نویسی، بلوک‌های کدی هستن که برای اجرای گروهی دستوراتی مشخص، با هدف کاهش تکرار کد و افزایش خوانایی، تعریف می‌شن. این بلوک‌ها می‌تونن داده‌ها رو به عنوان ورودی بگیرن، عملیات انجام بدن و نتایج رو برگردونن.

🔵تابع برای محاسبه دقت مدل (Accuracy): تابع زیر دقت مدل رو با مقایسه پیش‌بینی‌های انجام شده با برچسب‌های واقعی محاسبه می‌کنه.

def calculate_accuracy(predictions, labels):
    correct = sum(p == l for p, l in zip(predictions, labels))
    accuracy = correct / len(labels)
    return accuracy

# فرض کنید predictions و labels برچسب‌های پیش‌بینی شده و واقعی هستند.
accuracy = calculate_accuracy(predictions, labels)
print(f"Accuracy: {accuracy:.2%}")

🔵تابع برای پیش‌پردازش داده‌ها (Data Preprocessing): پیش‌پردازش یکی از مراحل اصلی در یادگیری ماشینه که شامل پاکسازی، نرمال‌سازی و تبدیل داده‌ها می‌شه. تابع زیر داده‌ها رو نرمال‌سازی می‌کنه تا مقیاس‌های یکسانی داشته باشن.

from sklearn.preprocessing import StandardScaler

def preprocess_data(data):
    scaler = StandardScaler()
    scaled_data = scaler.fit_transform(data)
    return scaled_data

# فرض کنید data داده‌های خام است.
scaled_data = preprocess_data(data)

🔵تابع برای ارزیابی مدل با استفاده از Cross-Validation: یک تکنیک ارزیابی که دقت مدل رو با تقسیم داده‌ها به چندین بخش و انجام آزمایش‌های متعدد اندازه‌گیری می‌کنه Cross-Validation هست.

from sklearn.model_selection import cross_val_score

def evaluate_model_with_cv(model, data, labels, cv=5):
    scores = cross_val_score(model, data, labels, cv=cv)
    return scores

# فرض کنید model مدل ماشین لرنینگ، data داده‌ها و labels برچسب‌ها هستند.
cv_scores = evaluate_model_with_cv(best_model, scaled_data, labels)
print(f"CV Scores: {cv_scores}")

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

🟣 تابع ()Any در پایتون

تابع ()any در پایتون برای بررسی اینکه آیا هر یک از عناصر داخل یک لیست یا Tuple برابر با True هست یا نه، استفاده می‌شه.

این تابع برای بررسی شرایط متعدد به صورت موازی بسیار مفیده و عملیات‌های محاسباتی پیچیده رو با استفاده از خطوط کد نسبتاً کم انجام میده.

این کد یک لیست از دشمنان رو نشون می‌ده که هر دشمن به صورت یک دیکشنری تعریف شده و دارای دو کلید type و health هست. اینجا تابع ()any برای تعیین اینکه آیا هنوز دشمنی با سلامتی بالاتر از صفر (یعنی هنوز زنده) وجود داره یا نه، استفاده می‌شه.

اگه حداقل یک دشمن با سلامتی بالاتر از صفر باشه، عبارت The battle is not over! چاپ می‌شه، که به این معنیه که مبارزه هنوز تموم نشده. اگر هیچ دشمن زنده‌ای وجود نداشته باشه (یعنی سلامتی همه صفر یا کمتر باشه)، عبارت No more enemies remain! چاپ می‌شه که نشون‌دهنده پایان مبارزه‌ست.

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍💻 آموزش Lambda Functions در پایتون

توابع Lambda در پایتون، توابعی هستن که به کمک کلیدواژه lambda تعریف می‌شن. این توابع به دلیل انعطاف‌پذیری و امکان نوشتن در یک خط، برای انجام عملیات‌های سریع بسیار کاربرد دارن.

این توابع می‌تونن هر تعداد پارامتر رو دریافت کنن اما تنها یک عبارت رو ارزیابی و مقدارش رو برمی‌گردونن. این عبارت به طور خودکار و بدون نیاز به استفاده از دستور return برگشت داده می‌شه.

🔵توابع Lambda معمولاً همراه با توابع سطح بالاتر مثل ()filter و ()map و ()reduce استفاده می‌شن که به ما اجازه می‌دن تا عملیات‌های پیچیده‌تر رو بر روی داده‌ها اجرا کنیم.

numbers = range(-5, 5)
negative_numbers = list(filter(lambda x: x < 0, numbers))
print(negative_numbers)

🔜 [-5, -4, -3, -2, -1]

squared = list(map(lambda x: x ** 2, numbers))
print(squared)

🔜 [25, 16, 9, 4, 1, 0, 1, 4, 9, 16]

from functools import reduce
# یافتن حاصل ضرب تمام اعداد در یک لیست
product = reduce(lambda x, y: x * y, [1, 2, 3, 4, 5])
print(product)

🔜 120

🔵توابع Lambda می‌تونن برای ایجاد فانکشن‌های فوری، در مواردی که نیاز به تعریف کامل تابع نیست، استفاده شن. این کار برای نوشتن کد تمیز و مختصر مفیده.

def apply_function(func, value):
    return func(value)

result = apply_function(lambda x: x * x, 5)
print(result)

🔜 25

🔵توابع Lambda در مواردی مثل تعریف کلید‌های مرتب‌سازی یا به عنوان آرگومان برای توابع دیگه استفاده می‌شن.

names = ['David', 'Brian', 'Alice', 'Catherine']
sorted_names = sorted(names, key=lambda name: len(name))
print(sorted_names)

🔜 ['David', 'Brian', 'Alice', 'Catherine']

🔵این توابع می‌تونن برای مقایسه و مرتب‌سازی داده‌ها در ساختارهای داده‌ای پیچیده استفاده شن.

data = [(1, 'd'), (2, 'b'), (3, 'c'), (4, 'a')]
# برای مرتب‌سازی یک لیست از تاپل‌ها
sorted_data = sorted(data, key=lambda x: x[1])
print(sorted_data)

🔜 [(4, 'a'), (2, 'b'), (3, 'c'), (1, 'd')]

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

💡 یه توصیه‌ مهم برای نوشتن توابع لامبدا

زمان نوشتن توابع لامبدا در پایتون، یکی از کارهایی که نباید انجام داد، استفاده از عبارت‌های پیچیده یا انجام چندین عملیات در یک تابعه. توابع لامبدا باید ساده و خوانا باشن؛ چون برای تعریف مختصر در یک خط طراحی شدن. اگه لازمه که عملیات پیچیده‌تری انجام شه، بهتره که از توابع معمولی استفاده کنیم تا خوانایی و قابلیت نگهداری کد حفظ شه.

یه مثال برای یه لامبدا پیچیده که درکش سخته و بیش از حده:

complex_lambda = lambda x, y, z: x**2 + y**2 if x > y else (x + z) * (y - z)

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🏫 آموزش لیست‌های پیچیده (List Comprehension) در پایتون

لیست‌های پیچیده یکی از قابلیت‌های قدرتمند پایتون هستن که به شما اجازه می‌ده با استفاده از حلقه‌ها و شرط‌ها در یک خط کد، لیست‌های پیچیده‌تری نسبت به حلقه‌های معمولی تولید کنید. List Comprehensions همچنین می‌تونه به افزایش خوانایی و کارایی کد کمک کنه، مخصوصاً زمانی که با فیلترها و توابع سفارشی ترکیب می‌شن.

🔵یکی از کاربردهای لیست‌های پیچیده استفاده از شرط‌های متعدد برای فیلتر کردنه

# تولید لیستی از اعداد زوج که مجموعه‌ی ارقامشون به 3 بخش‌پذیره.
even_numbers_div_by_three = [x for x in range(2, 100, 2) if sum(int(digit) for digit in str(x)) % 3 == 0]
print(even_numbers_div_by_three)

🔜[6, 12, 18, 24, 30, 36, 42, 48, 54, 60, 66, 72, 78, 84, 90, 96]

🔵میشه از یک تابع داخل لیست‌های پیچیده استفاده کرد. توی این مثال، یک تابع برای شناسایی اعداد مربع کامل تعریف و بعد در List Comprehension استفاده شده.

def is_perfect_square(x):
# تعریف تابعی برای بررسی اینکه آیا یک عدد، مربع کامله یا نه.
    return x == int(x**0.5) ** 2

# تولید لیستی از اعدادی که مربع کامل هستن.
perfect_squares = [x for x in range(1, 31) if is_perfect_square(x)]
print(perfect_squares)

🔜[1, 4, 9, 16, 25]

🔵میشه از لیست‌های پیچیده برای پیش‌پردازش داده‌ها استفاده کرد. مثلا برای تبدیل سریع فرمت داده‌ها، تبدیل رشته‌ها به اعداد یا برعکس، استخراج ویژگی‌ها از متن، یا نرمال سازی داده‌ها کاربرد دارن.

dataset['numeric_column'] = [float(value) for value in dataset['text_column']]
# تبدیل ستونی از داده‌های متنی به مقادیر عددی

🔵توی یادگیری ماشین، گاهی اوقات لازمه تا ویژگی‌های جدیدی از داده‌های موجود استخراج شن. با استفاده از List Comprehension میشه به سرعت ویژگی‌های جدیدی مثل طول رشته‌ها، تعداد کلمات، یا حتی پیچیدگی‌های آماری رو محاسبه کرد.

text_lengths = [len(text) for text in dataset['text_column']]
# محاسبه طول رشته‌ها برای یک ستون متنی

🔵در حوزه یادگیری عمیق، بعضی اوقات داده‌ها در دسته‌های مشخصی به نام Batch به مدل‌های آموزشی ارائه میشن. استفاده از List Comprehension به ما این امکان رو می‌ده که به راحتی و با دقت بالا، داده‌های بزرگ را به دسته‌های کوچک‌تر و مدیریت‌پذیر برای پردازش توسط مدل تقسیم کنیم.

batches = [data[i:i + 32] for i in range(0, len(data), 32)]
# تقسیم داده‌ها به بچ‌های 32 تایی

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

🟣 روشی کاربردی برای تبدیل لیست‌های چندبعدی به یک‌بعدی

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🏫 آموزش کلاس (Class) با کاربرد در دیتا ساینس و ماشین لرنینگ

کلاس یک طرح یا قالب کلی برای ایجاد شی‌ (Object) هست. شی‌ها نمونه‌هایی از کلاس‌ها هستن که دارای ویژگی‌ (Attribute) و رفتار (Method) هستن.

🔵کلاس‌ها به ما این امکان رو می‌دن که داده‌ها و توابعی که بهشون مرتبط هستن رو در یک محیط بسته سازماندهی کنیم و کد رو تمیزتر و قابل مدیریت‌تر می‌کنن. به عنوان مثال، فرض کنین می‌خوایم یک کلاس برای نمایندگی یک حساب بانکی ایجاد کنیم.

class BankAccount:
    def __init__(self):
        self.balance = 0

    def deposit(self, amount):
        self.balance += amount

    def get_balance(self):
        return self.balance

# استفاده از کلاس
account = BankAccount()# ساخت یک شی از کلاس
account.deposit(100) # اضافه کردن 100 واحد به موجودی
print(account.get_balance()) # دریافت موجودی حساب

🔵ارث‌بری در کلاس‌ها به ما این امکان رو می‌ده که مدل‌های ابتدایی ماشین لرنینگ رو بسازیم و بعد ازشون برای تولید مدل‌های پیچیده‌تر استفاده کنیم.

class BaseModel:
    def train(self, data):
# این متد باید در کلاس‌های وارث پیاده‌سازی شه، در غیر این صورت خطا رخ می‌ده.
        raise NotImplementedError("متد train پیاده‌سازی نشده است.")

class LinearRegression(BaseModel):
    def train(self, data):
# منطق آموزش برای رگرسیون خطی در اینجا پیاده‌سازی می‌شه
        pass

class DecisionTree(BaseModel):
    def train(self, data):
# منطق آموزش برای درخت تصمیم در اینجا پیاده‌سازی می‌شه
        pass

پارامتر self در پایتون به هر شی‌ای که داخل یک کلاس تعریف میشه اشاره داره و به متدهای کلاس می‌گه که کارهاشون رو روی همین شی‌ انجام بدن. یعنی وقتی شما یک متدی رو فراخوانی می‌کنین، self باعث می‌شه که متد بدونه داره روی کدوم شی کار می‌کنه.

🔵قابلیت Multiple Inheritance اجازه می‌ده تا کلاس‌هایی با ویژگی‌های متعدد تعریف شن، مثلاً یک مدل می‌تونه هم زمان قابلیت‌های آموزش و پیش‌بینی رو داشته باشه.

class Trainable:
    def train(self, data):
        print("Training with data.")

class Predictable:
    def predict(self, input_data):
        print("Predicting output.")

class RandomForest(Trainable, Predictable):
    def train(self, data):
# منطق آموزش خاص برای جنگل تصادفی (Random Forest) را پیاده‌سازی کنید
        pass

🔵 توی پایتون، وقتی می‌خوایم خروجی‌ای رو چاپ کنیم یا نگاهی به داده‌ها بندازیم، می‌تونیم از دو تابع خاص استفاده کنیم: __str__ و __repr__. این دو تا به ما کمک می‌کنن که وقتی یک شی از یک کلاس رو چاپ می‌کنیم، به جای حروف و ارقام نامفهوم، یه توضیح معنادار و مرتبط با اون شی ببینیم.

class KMeans:
    def __init__(self, n_clusters):
        self.n_clusters = n_clusters

    def __str__(self):
        return f"KMeans(n_clusters={self.n_clusters})"

مثلاً، توی یک کلاس به نام KMeans که برای دسته‌بندی داده‌ها به چند گروه استفاده می‌شه، ما می‌تونیم __str__ رو تعریف کنیم تا وقتی یک شی از این کلاس رو چاپ می‌کنیم، به ما بگه که این کلاس داره با چندتا گروه از داده‌ها کار می‌کنه. این کار می‌تونه به خصوص وقتی داریم دیباگ می‌کنیم و می‌خواهیم سریع بفهمیم شی‌هایی که باهاشون کار می‌کنیم چه خصوصیاتی دارن، خیلی مفید باشه.

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🏫 آموزش تبدیل نوع داده (Casting) در پایتون

به فرآیند تبدیل یک نوع یک داده به نوع دیگه، Casting گفته می‌شه. این مهارت برای تحلیل داده‌ها و برنامه‌نویسی موثر بسیار مهمه.

🔵یکی از مفاهیم پایه‌ای در casting، تبدیل متغیرهای ساده مثل رشته‌ها به اعداد و برعکسه. اما در سطح پیشرفته، باید بتونیم انواع داده‌های پیچیده‌تر مثل لیست‌ها، دیکشنری‌ها، و حتی اشیاء سفارشی رو cast کنیم.

num_str = "123"
# تبدیل رشته به عدد صحیح
num_int = int(num_str)
print(num_int)  # 123

# تبدیل عدد صحیح به رشته
num_int = 123
num_str = str(num_int)
print(num_str)  # '123'

# تبدیل لیستی از رشته‌ها به لیستی از اعداد صحیح
str_list = ["1", "2", "3"]
int_list = [int(x) for x in str_list]
print(int_list)  # [1, 2, 3]

🔵یکی از روش‌های پیشرفته در تبدیل نوع داده، استفاده از سازنده (Constructor) کلاس برای تغییر دیکشنری به یک شیء در پایتونه.

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

# تبدیل دیکشنری به شی‌ء
person_info = {"name": "Ali", "age": 30}
person = Person(**person_info)
print(person.name)

🔜Ali

🔵همچنین می‌تونیم انواع مجموعه‌ها رو بهم تبدیل کنیم. برای مثال، تبدیل یک لیست به مجموعه برای حذف مقادیر تکراری و بعد تبدیل مجددش به لیست.

duplicate_list = [1, 2, 2, 3, 4, 4, 4]
unique_list = list(set(duplicate_list))
print(unique_list)

🔜[1, 2, 3, 4]

🔵برای تبدیل انواع داده‌ها در تحلیل‌های پیشرفته، می‌توانیم از کتابخانه Pandas استفاده کنیم که امکان تغییر نوع داده‌های ستون‌های یک دیتافریم را ممکن می‌کنه. این فرآیند تبدیل، یک جزء کلیدی در casting داده‌ها در پایتونه.

import pandas as pd

# ایجاد یک دیتافریم ساده
df = pd.DataFrame({
    'A': ['1', '2', '3'],
    'B': ['4.5', '5.5', '6.5'],
    'C': ['true', 'false', 'true']
})

# تبدیل انواع داده‌ای ستون‌ها
df['A'] = df['A'].astype(int)
df['B'] = df['B'].astype(float)
df['C'] = df['C'].map({'true': True, 'false': False})

print(df.dtypes)

🔜A int64
B float64
C bool
dtype: object

#Programming
#Python

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵آموزش حلقه While در پایتون
👉🔗 https://t.iss.one/data_ml/34

🔵آموزش شرط‌ها (If Conditions) در پایتون
👉🔗 https://t.iss.one/data_ml/39

🔵آموزش تابع (Function) به صورت کاربردی در ماشین لرنینگ
👉🔗 https://t.iss.one/data_ml/42

🔵آموزش Lambda Functions در پایتون
👉🔗 https://t.iss.one/data_ml/45

🔵آموزش لیست‌های پیچیده (List Comprehension) در پایتون
👉🔗 https://t.iss.one/data_ml/48

🔵آموزش کلاس (Class) با کاربرد در دیتا ساینس و ماشین لرنینگ
👉🔗 https://t.iss.one/data_ml/51

🔵آموزش تبدیل نوع داده (Casting) در پایتون
👉🔗 https://t.iss.one/data_ml/54

🔺 کوئیز

🔵حلقه while
👉🔗 https://t.iss.one/data_ml/37

🔵استفاده از if برای فیلتر کردن داده‌ها
👉🔗 https://t.iss.one/data_ml/40

🔵تابع
👉🔗 https://t.iss.one/data_ml/43

🔵تابع Lambda
👉🔗 https://t.iss.one/data_ml/46

🔵لیست‌های پیچیده
👉🔗 https://t.iss.one/data_ml/49

🔵کلاس
👉🔗 https://t.iss.one/data_ml/52

🔵تبدیل نوع داده
👉🔗 https://t.iss.one/data_ml/55

🔺 نکات

🔵کاربرد Divide and Conquer در Tuning مدل‌های یادگیری ماشین
👉🔗 https://t.iss.one/data_ml/38

🔵یه توصیه‌ مهم برای نوشتن شرط if
👉🔗 https://t.iss.one/data_ml/41

🔵تابع ()Any در پایتون
👉🔗 https://t.iss.one/data_ml/44

🔵یه توصیه‌ مهم برای نوشتن توابع لامبدا
👉🔗 https://t.iss.one/data_ml/47

🔵روشی کاربردی برای تبدیل لیست‌های چندبعدی به یک‌بعدی
👉🔗 https://t.iss.one/data_ml/50

🔵بهینه‌سازی دسترسی به داده‌های کلاس‌ در پایتون
👉🔗 https://t.iss.one/data_ml/53

#Weekend

👩‍🎓 برنامه آموزشی هفته: رگرسیون (Regression)

🟠شنبه: تعریف و انواع رگرسیون

🔵یک‌شنبه: کاربردها

🟢دوشنبه: تابع هزینه

🔴سه‌شنبه: روش‌های بهینه سازی

🟠چهارشنبه: معیار ارزیابی

🔵پنج‌شنبه: مدل‌های Sklearn

🟢جمعه: جمع بندی

#Data_science
#Machine_Learning
#Regression

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🏫 تعریف و انواع رگرسیون (Regression)

رگرسیون یک تکنیک آماریه که برای مدل‌سازی رابطه بین یک متغیر وابسته (Dependent Variable) و یک یا چند متغیر مستقل (Independent Variable) استفاده میشه.

به عبارت دیگه، رگرسیون سعی می‌کنه رابطه بین مقادیر متغیر وابسته و مستقل را به‌صورت یک تابع ریاضی بیان کنه. در یادگیری ماشین، رگرسیون یکی از مهم‌ترین تکنیک‌های یادگیری با ناظر (Supervised Learning) هست.

انواع رگرسیون

🔵رگرسیون خطی ساده (Simple Linear Regression): ساده‌ترین نوع رگرسیونه که در اون فقط یک متغیر مستقل وجود داره. رگرسیون خطی ساده از یک خط مستقیم برای مدل‌سازی رابطه بین متغیر وابسته و مستقل استفاده می‌کنه.

🔵رگرسیون خطی چندگانه (Multiple Linear Regression): در این نوع رگرسیون، بیشتر از یک متغیر مستقل وجود داره. رگرسیون خطی چندگانه از یک معادله خطی برای مدل‌سازی رابطه بین متغیر وابسته و مقادیر متغیرهای مستقل استفاده می‌کنه.

🔵رگرسیون لجستیک (Logistic Regression): برای پیش‌بینی احتمال وقوع یک رویداد با استفاده از یک یا چند متغیر مستقل به کار می‌ره. این روش عمدتاً زمانی استفاده می‌شه که متغیر وابسته دارای ماهیت دوگانه یا گسسته باشه، مثل بله/خیر یا موفق/ناموفق.

رگرسیون کاربردهای گسترده‌ای مثل پیش‌بینی قیمت‌ها، پیش‌بینی فروش، پیش‌بینی جرم، پیش‌بینی بیماری و... در یادگیری ماشین و دیتا ساینس داره.

مثال: فرض کنید یک شرکت تولیدکننده کفش می‌خواد مقدار فروش کفش‌هاش رو در سال آینده پیش‌بینی کنه. این شرکت می‌تونه از رگرسیون خطی ساده برای این کار استفاده کنه.

توی این مثال، متغیر وابسته فروش و متغیر مستقل هزینه تبلیغات هست. شرکت می‌تونه از داده‌های فروش و هزینه تبلیغاتش در سال‌های گذشته برای آموزش مدل رگرسیون استفاده کنه. بعد از آموزش مدل، شرکت می‌تونه ازش برای پیش‌بینی مقدار فروش کفش‌ها در سال آینده استفاده کنه.

#Data_science
#Machine_Learning
#Regression

@Data_ML | دیتاساینس و ماشین‌ لرنینگ