58702 - پروژه پایتون

---

شرح پروژه

علوم کامپیوتر. درس هوش مصنوعی پیشرفته

-

ﺁﻟﻮﺩﮔﯽ ﻫﻮﺍ ﯾﮑﯽ ﺍﺯ ﻣﻬﻢ ﺗﺮﯾﻦ ﭼﺎﻟﺶ ﻫﺎﯼ ﺯﯾﺴﺖ ﻣﺤﯿﻄﯽ ﺩﺭ ﺷﻬﺮﻫﺎﯼ ﺑﺰﺭﮒ ﺍﺳﺖ ﻭ ﺗﻮﺍﻧﺎﯾﯽ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺎﺧﺺ ﻫﺎﯼ ﮐﯿﻔﯿﺖ ﻫﻮﺍ ﻣﯽ ﺗﻮﺍﻧﺪ ﻧﻘﺶ ﻣﺆﺛﺮﯼ ﺩﺭ ﺗﺼﻤﯿﻢ ﮔﯿﺮﯼ ﻫﺎﯼ ﻣﺪﯾﺮﯾﺘﯽ ﻭ ﮐﺎﻫﺶ ﺍﺛﺮﺍﺕ ﻣﻨﻔﯽ ﺁﻥ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ. ﺩﺭ ﺍﯾﻦ ﭘﺮﻭﮊﻩ ﻗﺮﺍﺭ ﺍﺳﺖ ﺑﺎ ﺗﮑﯿﻪ ﺑﺮ ﺩﺍﺩﻩ ﻫﺎﯼ ﺗﺎﺭﯾﺨﯽ ﻭ ﻋﻮﺍﻣﻞ ﻣﺤﯿﻄﯽ، ﻣﺪﻟﯽ ﺑﺮﺍﯼ ﭘﯿﺶ ﺑﯿﻨﯽ ﻏﻠﻈﺖ ﯾﮑﯽ ﺍﺯ ﺁﻻﯾﻨﺪﻩ ﻫﺎﯼ ﻫﻮﺍ )ﻣﺎﻧﻨﺪ PM2.5 ﯾﺎ PM10( ﺩﺭ ﺑﺎﺯﻩ ﯼ ﺯﻣﺎﻧﯽ ﺁﯾﻨﺪﻩ ﻃﺮﺍﺣﯽ ﻭ ﭘﯿﺎﺩﻩ ﺳﺎﺯﯼ ﮐﻨﯿﺪ. ﺍﯾﻦ ﭘﺮﻭﮊﻩ ﯾﮏ ﺗﺠﺮﺑﻪ ﯼ ﮐﺎﻣﻞ ﻭ ﻋﻤﻠﯽ ﺍﺯ ﭼﺮﺧﻪ ﯼ ﯾﮏ ﻣﺴﺌﻠﻪ ﯼ ﯾﺎﺩﮔﯿﺮﯼ ﻣﺎﺷﯿﻦ ﺍﺳﺖ؛ ﺍﺯ ﺍﻧﺘﺨﺎﺏ ﻭ ﺷﻨﺎﺧﺖ ﺩﺍﺩﻩ ﺗﺎ ﭘﯿﺶ ﭘﺮﺩﺍﺯﺵ، ﻃﺮﺍﺣﯽ ﻣﺪﻝ، ﺁﻣﻮﺯﺵ، ﺍﺭﺯﯾﺎﺑﯽ ﻭ ﺩﺭ ﻧﻬﺎﯾﺖ ﺗﺤﻠﯿﻞ ﻭ ﺗﻔﺴﯿﺮ ﻧﺘﺎﯾﺞ. ﺍﻧﺘﻈﺎﺭ ﻣﯽ ﺭﻭﺩ ﺩﺭ ﻫﺮ ﻣﺮﺣﻠﻪ، ﺗﺼﻤﯿﻢ ﻫﺎﯾﯽ ﮐﻪ ﻣﯽ ﮔﯿﺮﯾﺪ ﺭﺍ ﺑﻪ ﺻﻮﺭﺕ ﻣﺴﺘﺪﻝ ﺗﻮﺿﯿﺢ ﺩﻫﯿﺪ؛ ﺁﻧﭽﻪ ﺍﻫﻤﯿﺖ ﺩﺍﺭﺩ ﺻﺮﻓﺎﹰ ﺭﺳﯿﺪﻥ ﺑﻪ ﯾﮏ ﻋﺪﺩ ﺧﻮﺏ ﻧﯿﺴﺖ، ﺑﻠﮑﻪ ﺩﺭﮎ ﺷﻤﺎ ﺍﺯ ﻓﺮﺍﯾﻨﺪ ﻭ ﺗﻮﺍﻧﺎﯾﯽ ﺗﺎﻥ ﺩﺭ ﺗﺤﻠﯿﻞ ﺁﻥ ﺍﺳﺖ. ﺩﺍﺩﻩ ﻫﺎ ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﯿﻔﯿﺖ ﻫﻮﺍ ﯾﮏ ﻣﺴﺌﻠﻪ ﯼ ﺳﺮﯼ ﺯﻣﺎﻧﯽ )Time Series( ﺍﺳﺖ؛ ﯾﻌﻨﯽ ﺩﺍﺩﻩ ﻫﺎ ﺩﺭ ﻃﻮﻝ ﺯﻣﺎﻥ ﺛﺒﺖ ﺷﺪﻩ ﺍﻧﺪ ﻭ ﺗﺮﺗﯿﺐ ﺁﻥ ﻫﺎ ﻣﻌﻨﺎﺩﺍﺭ ﺍﺳﺖ. ﺍﯾﻦ ﻣﻮﺿﻮﻉ ﺭﺍ ﺩﺭ ﺗﻤﺎﻡ ﻣﺮﺍﺣﻞ ﮐﺎﺭ، ﺑﻪ ﻭﯾﮋﻩ ﺩﺭ ﺗﻘﺴﯿﻢ ﺩﺍﺩﻩ ﻭ ﺳﺎﺧﺖ ﻭﺭﻭﺩﯼ ﻣﺪﻝ، ﺑﺎﯾﺪ ﺩﺭ ﻧﻈﺮ ﺩﺍﺷﺘﻪ ﺑﺎﺷﯿﺪ. ﺑﺮﺍﯼ ﺍﯾﻦ ﭘﺮﻭﮊﻩ ﯾﮏ ﺩﯾﺘﺎﺳﺖ ﻧﻤﻮﻧﻪ ﺩﺭ ﺍﺧﺘﯿﺎﺭ ﺷﻤﺎ ﻗﺮﺍﺭ ﻣﯽ ﮔﯿﺮﺩ: Beijing PM2.5 Dataset (UCI) :ﺪ. ﭘﺮﻭﮊﻩ ﺩﺭﺱ ﻫﻮﺵ ﻣﺼﻨﻮﻋﯽ ﭘﯿﺸﺮﻓﺘ ﻪﺁﻧﭽﻪ ﺑﺎﯾﺪ ﺍﻧﺠﺎﻡ ﺩﻫﯿﺪ (EDA) ﺗﺤﻠﯿﻞ ﺍﮐﺘﺸﺎﻓﯽ ﺩﺍﺩﻩ ﻫﺎﭘﯿﺶ ﺍﺯ ﻫﺮ ﮐﺎﺭﯼ ﻻﺯﻡ ﺍﺳﺖ ﺩﺍﺩﻩ ﺭﺍ ﺧﻮﺏ ﺑﺸﻨﺎﺳﯿﺪ. ﺩﺭ ﺍﯾﻦ ﺑﺨﺶ ﺩﯾﺘﺎﺳﺖ ﺭﺍ ﻣﻌﺮﻓﯽ ﮐﻨﯿﺪ، ﻭﯾﮋﮔﯽ ﻫﺎ ﻭ ﻣﺘﻐﯿﺮ ﻫﺪﻑ ﺭﺍ ﺗﻮﺿﯿﺢ ﺩﻫﯿﺪ ﻭ ﺑﻪ ﺳﺆﺍﻝ ﻫﺎﯾﯽ ﺍﺯ ﺍﯾﻦ ﺩﺳﺖ ﭘﺎﺳﺦ ﺩﻫﯿﺪ: ﺩﺍﺩﻩ ﭼﻨﺪ ﻧﻤﻮﻧﻪ ﺩﺍﺭﺩ؟ ﭼﻪ ﻣﻘﺪﺍﺭ ﺩﺍﺩﻩ ﯼ ﮔﻤﺸﺪﻩ )Missing( ﺩﺭ ﺁﻥ ﻭﺟﻮﺩ ﺩﺍﺭﺩ؟ ﺗﻮﺯﯾﻊ ﻭ ﺁﻣﺎﺭ ﺗﻮﺻﯿﻔﯽ ﻭﯾﮋﮔﯽ ﻫﺎ ﭼﮕﻮﻧﻪ ﺍﺳﺖ؟ ﺩﺭ ﺍﺩﺍﻣﻪ ﺑﺎ ﺭﺳﻢ ﻧﻤﻮﺩﺍﺭﻫﺎﯼ ﻣﻨﺎﺳﺐ، ﺭﻭﻧﺪ ﺯﻣﺎﻧﯽ ﺩﺍﺩﻩ ﻫﺎ ﻭ ﺭﺍﺑﻄﻪ ﯼ ﻣﯿﺎﻥ ﻭﯾﮋﮔﯽ ﻫﺎ ﻭ ﻣﺘﻐﯿﺮ ﻫﺪﻑ ﺭﺍ ﺑﺮﺭﺳﯽ ﮐﻨﯿﺪ. ﻫﺪﻑ ﺍﯾﻦ ﺍﺳﺖ ﮐﻪ ﭘﯿﺶ ﺍﺯ ﻣﺪﻝ ﺳﺎﺯﯼ، ﺷﻨﺎﺧﺘﯽ ﻭﺍﻗﻌﯽ ﺍﺯ ﺩﺍﺩﻩ ﺑﻪ ﺩﺳﺖ ﺁﻭﺭﯾﺪ ﻭ ﺑﺘﻮﺍﻧﯿﺪ ﺭﻓﺘﺎﺭ ﺁﻥ ﺭﺍ ﺗﻮﺻﯿﻒ ﮐﻨﯿﺪ. ﭘﯿﺶ ﭘﺮﺩﺍﺯﺵ ﺩﺍﺩﻩ ﻫﺎ ﺑﺮ ﺍﺳﺎﺱ ﺷﻨﺎﺧﺘﯽ ﮐﻪ ﺍﺯ ﺩﺍﺩﻩ ﭘﯿﺪﺍ ﮐﺮﺩﻩ ﺍﯾﺪ، ﺁﻥ ﺭﺍ ﺑﺮﺍﯼ ﻭﺭﻭﺩ ﺑﻪ ﻣﺪﻝ ﺁﻣﺎﺩﻩ ﮐﻨﯿﺪ. ﺍﯾﻦ ﻣﺮﺣﻠﻪ ﻣﻌﻤﻮﻻ ﺷﺎﻣﻞ ﻣﺪﯾﺮﯾﺖ ﺩﺍﺩﻩ ﻫﺎﯼ ﮔﻤﺸﺪﻩ، ﻧﺮﻣﺎﻝ ﺳﺎﺯﯼ ﯾﺎ ﺍﺳﺘﺎﻧﺪﺍﺭﺩﺳﺎﺯﯼ، ﻭ ﺗﺒﺪﯾﻞ ﺩﺍﺩﻩ ﺑﻪ ﻗﺎﻟﺐ ﻣﻨﺎﺳﺐ ﺑﺮﺍﯼ ﻣﺪﻝ ﺍﺳﺖ. ﺍﺯ ﺁﻧﺠﺎ ﮐﻪ ﺑﺎ ﺳﺮﯼ ﺯﻣﺎﻧﯽ ﮐﺎﺭ ﻣﯽ ﮐﻨﯿﺪ، ﺍﺣﺘﻤﺎﻻ ﻻﺯﻡ ﺍﺳﺖ ﺑﺎ ﺭﻭﺵ ﭘﻨﺠﺮﻩ ﯼ ﻟﻐﺰﺍﻥ )Sliding Window( ﺩﻧﺒﺎﻟﻪ ﻫﺎﯾﯽ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎﯼ ﮔﺬﺷﺘﻪ ﺑﺴﺎﺯﯾﺪ ﺗﺎ ﻣﺪﻝ ﺑﺘﻮﺍﻧﺪ ﺑﺮ ﺍﺳﺎﺱ ﺁﻥ ﻫﺎ ﻣﻘﺪﺍﺭ ﺁﯾﻨﺪﻩ ﺭﺍ ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ. ﺩﻭ ﻧﮑﺘﻪ ﯼ ﻣﻬﻢ ﺭﺍ ﺩﺭ ﺍﯾﻦ ﻣﺮﺣﻠﻪ ﺭﻋﺎﯾﺖ ﮐﻨﯿﺪ. ﻧﺨﺴﺖ ﺍﯾﻨﮑﻪ ﺗﻘﺴﯿﻢ ﺩﺍﺩﻩ ﺑﻪ ﺑﺨﺶ ﻫﺎﯼ validation ،train ﻭ test ﺑﺎﯾﺪ ﺑﺮ ﻣﺒﻨﺎﯼ ﺯﻣﺎﻥ ﺍﻧﺠﺎﻡ ﺷﻮﺩ، ﻧﻪ ﺑﻪ ﺻﻮﺭﺕ ﺗﺼﺎﺩﻓﯽ؛ ﺩﺭ ﻏﯿﺮ ﺍﯾﻦ ﺻﻮﺭﺕ ﺗﺮﺗﯿﺐ ﺯﻣﺎﻧﯽ ﺩﺍﺩﻩ ﺍﺯ ﺑﯿﻦ ﻣﯽ ﺭﻭﺩ ﻭ ﺍﺭﺯﯾﺎﺑﯽ ﺷﻤﺎ ﺑﯽ ﺍﻋﺘﺒﺎﺭ ﺧﻮﺍﻫﺪ ﺑﻮﺩ. ﺩﻭﻡ ﺍﯾﻨﮑﻪ ﺑﺮﺍﯼ ﺟﻠﻮﮔﯿﺮﯼ ﺍﺯ ﻧﺸﺖ ﺩﺍﺩﻩ )Data Leakage(، ﭘﺎﺭﺍﻣﺘﺮﻫﺎﯼ ﭘﯿﺶ ﭘﺮﺩﺍﺯﺵ ﻣﺎﻧﻨﺪ Scaler ﺭﺍ ﺗﻨﻬﺎ ﺭﻭﯼ ﺩﺍﺩﻩ ﯼ train ﺑﺮﺍﺯﺵ ﺩﻫﯿﺪ ﻭ ﺳﭙﺲ ﻫﻤﺎﻥ ﺭﺍ ﺭﻭﯼ validation ﻭ test ﺍﻋﻤﺎﻝ ﮐﻨﯿﺪ. ﺗﺼﻤﯿﻢ ﻫﺎﯾﯽ ﮐﻪ ﺩﺭ ﺍﯾﻦ ﺑﺨﺶ ﻣﯽ ﮔﯿﺮﯾﺪ ﺭﺍ ﺑﺎ ﺫﮐﺮ ﺩﻟﯿﻞ ﺗﻮﺿﯿﺢ ﺩﻫﯿﺪ. ﭘﯿﺎﺩﻩ ﺳﺎﺯﯼ ﻣﺪﻝ ﻫﺎ ﺩﺭ ﺍﯾﻦ ﭘﺮﻭﮊﻩ ﺑﺎﯾﺪ ﺩﺳﺖ ﮐﻢ ﺳﻪ ﻣﺪﻝ ﺭﺍ ﭘﯿﺎﺩﻩ ﺳﺎﺯﯼ ﻭ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﻣﻘﺎﯾﺴﻪ ﮐﻨﯿﺪ: ﻧﺨﺴﺖ ﯾﮏ ﻣﺪﻝ ﭘﺎﯾﻪ ﯼ ﺳﺎﺩﻩ )Baseline( ﮐﻪ ﻧﻘﺶ ﻣﻌﯿﺎﺭ ﻣﻘﺎﯾﺴﻪ ﺭﺍ ﺩﺍﺭﺩ؛ ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﭘﯿﺶ ﺑﯿﻨﯽ »ﻣﻘﺪﺍﺭ ﺑﻌﺪﯼ ﺑﺮﺍﺑﺮ ﺑﺎ ﻣﻘﺪﺍﺭ ﻓﻌﻠﯽ« )Naive Forecast( ﯾﺎ ﯾﮏ ﺭﮔﺮﺳﯿﻮﻥ ﺧﻄﯽ ﺳﺎﺩﻩ. ﺩﺍﺷﺘﻦ ﺍﯾﻦ ﻣﺪﻝ ﺑﻪ ﺷﻤﺎ ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ ﺗﺸﺨﯿﺺ ﺩﻫﯿﺪ ﮐﻪ ﻣﺪﻝ ﻫﺎﯼ ﭘﯿﭽﯿﺪﻩ ﺗﺮ ﻭﺍﻗﻌﺎﹰ ﺍﺭﺯﺵ ﺍﻓﺰﻭﺩﻩ ﺍﯼ ﺍﯾﺠﺎﺩ ﮐﺮﺩﻩ ﺍﻧﺪ ﯾﺎ ﻧﻪ. ،MLP ﺳﭙﺲ ﺩﻭ ﻣﺪﻝ ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎﺩﮔﯿﺮﯼ ﻋﻤﯿﻖ ﮐﻪ ﻋﻤﻠﮑﺮﺩﺷﺎﻥ ﺭﺍ ﺑﺎ ﻣﺪﻝ ﭘﺎﯾﻪ ﻭ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﻣﻘﺎﯾﺴﻪ ﻣﯽ ﮐﻨﯿﺪ. ﻣﻌﻤﺎﺭﯼ ﻫﺎﯾﯽ ﻣﺎﻧﻨﺪLSTM ،Simple RNN ﻭ GRU ﮔﺰﯾﻨﻪ ﻫﺎﯼ ﻣﻨﺎﺳﺒﯽ ﻫﺴﺘﻨﺪ.

-

.(Keras ﯾﺎ PyTorch ﻣﺎﻧﻨﺪ) ﺑﺮﺍﯼ ﭘﯿﺎﺩﻩ ﺳﺎﺯﯼ ﻣﯽ ﺗﻮﺍﻧﯿﺪ ﺍﺯ ﻫﺮ ﻓﺮﯾﻢ ﻭﺭﮎ ﯾﺎﺩﮔﯿﺮﯼ ﻋﻤﯿﻘﯽ ﮐﻪ ﺑﺎ ﺁﻥ ﺭﺍﺣﺖ ﺗﺮﯾﺪ ﺍﺳﺘﻔﺎﺩﻩ ﮐﻨﯿﺪ ﭘﺮﻭﮊﻩ ﺩﺭﺱ ﻫﻮﺵ ﻣﺼﻨﻮﻋﯽ ﭘﯿﺸﺮﻓﺘ ﻪﺁﻣﻮﺯﺵ ﻭ ﺗﻨﻈﯿﻢ ﻣﺪﻝ ﺑﺮﺍﯼ ﻫﺮ ﻣﺪﻝ، ﺟﺰﺋﯿﺎﺕ ﻃﺮﺍﺣﯽ ﻭ ﺁﻣﻮﺯﺵ ﺭﺍ ﺩﺭ ﮔﺰﺍﺭﺵ ﻣﺴﺘﻨﺪ ﮐﻨﯿﺪ؛ ﻣﻮﺍﺭﺩﯼ ﻣﺎﻧﻨﺪ ﺳﺎﺧﺘﺎﺭ ﮐﻠﯽ ﻣﺪﻝ، ﺗﻌﺪﺍﺩ ﻻﯾﻪ ﻫﺎ ﻭ ﻧﻮﺭﻭﻥ ﻫﺎ، ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ )Loss(، ﺑﻬﯿﻨﻪ ﺳﺎﺯ )Optimizer(، ﺗﻌﺪﺍﺩ epoch، ﺍﻧﺪﺍﺯﻩ ﯼ batch ﻭ ﺩﺭ ﺻﻮﺭﺕ ﺍﺳﺘﻔﺎﺩﻩ، ﺭﻭﺵ ﻫﺎﯼ ﻣﻘﺎﺑﻠﻪ ﺑﺎ ﺑﯿﺶ ﺑﺮﺍﺯﺵ )Overfitting( ﻣﺎﻧﻨﺪ Dropout ﯾﺎ Early Stopping. ﻫﺪﻑ ﺍﯾﻦ ﺍﺳﺖ ﮐﻪ ﺧﻮﺍﻧﻨﺪﻩ ﯼ ﮔﺰﺍﺭﺵ ﺑﺘﻮﺍﻧﺪ ﻓﺮﺍﯾﻨﺪ ﺁﻣﻮﺯﺵ ﺷﻤﺎ ﺭﺍ ﺩﻧﺒﺎﻝ ﮐﻨﺪ ﻭ ﺩﺭ ﺻﻮﺭﺕ ﻟﺰﻭﻡ ﺁﻥ ﺭﺍ ﺑﺎﺯﺗﻮﻟﯿﺪ ﮐﻨﺪ. ﺍﺭﺯﯾﺎﺑﯽ ﻭ ﻣﻘﺎﯾﺴﻪ ﻋﻤﻠﮑﺮﺩ ﻣﺪﻝ ﻫﺎ ﺭﺍ ﺑﺎ ﺩﺳﺖ ﮐﻢ ﺳﻪ ﻣﻌﯿﺎﺭ ﺍﺭﺯﯾﺎﺑﯽ ﻣﻨﺎﺳﺐ ﺑﺴﻨﺠﯿﺪ؛ ﻣﻌﯿﺎﺭﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ MAPE ،RMSE ،MAE ﻭ R² Score ﺑﺮﺍﯼ ﺍﯾﻦ ﻣﺴﺌﻠﻪ ﻣﺘﺪﺍﻭﻝ ﺍﻧﺪ. ﻧﺘﺎﯾﺞ ﻫﺮ ﺳﻪ ﻣﺪﻝ )ﺷﺎﻣﻞ ﻣﺪﻝ ﭘﺎﯾﻪ( ﺭﺍ ﺩﺭ ﮐﻨﺎﺭ ﻫﻢ ﻭ ﺗﺮﺟﯿﺤﺎﹰ ﺩﺭ ﻗﺎﻟﺐ ﯾﮏ ﺟﺪﻭﻝ ﺍﺭﺍﺋﻪ ﮐﻨﯿﺪ ﺗﺎ ﻣﻘﺎﯾﺴﻪ ﺁﺳﺎﻥ ﺑﺎﺷﺪ. ﻋﻼﻭﻩ ﺑﺮ ﺍﻋﺪﺍﺩ، ﻧﻤﻮﺩﺍﺭ ﻣﻘﺎﺩﯾﺮ ﻭﺍﻗﻌﯽ ﺩﺭ ﺑﺮﺍﺑﺮ ﻣﻘﺎﺩﯾﺮ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪﻩ ﺭﺍ ﺭﺳﻢ ﮐﻨﯿﺪ؛ ﺍﯾﻦ ﻧﻤﻮﺩﺍﺭ ﺍﻏﻠﺐ ﻧﮑﺎﺗﯽ ﺭﺍ ﺁﺷﮑﺎﺭ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺩﺭ ﻣﻌﯿﺎﺭﻫﺎﯼ ﻋﺪﺩﯼ ﺩﯾﺪﻩ ﻧﻤﯽ ﺷﻮﻧﺪ. ﺩﺭ ﭘﺎﯾﺎﻥ، ﻧﻘﺎﻁ ﻗﻮﺕ ﻭ ﺿﻌﻒ ﻫﺮ ﻣﺪﻝ ﺭﺍ ﺗﺤﻠﯿﻞ ﮐﻨﯿﺪ. ﺗﺤﻠﯿﻞ ﻧﻬﺎﯾﯽ ﺩﺭ ﺑﺨﺶ ﭘﺎﯾﺎﻧﯽ ﮔﺰﺍﺭﺵ، ﺟﻤﻊ ﺑﻨﺪﯼ ﺧﻮﺩ ﺭﺍ ﺍﺭﺍﺋﻪ ﺩﻫﯿﺪ ﻭ ﺑﻪ ﺍﯾﻦ ﭘﺮﺳﺶ ﻫﺎ ﭘﺎﺳﺦ ﺩﻫﯿﺪ: ﮐﺪﺍﻡ ﻣﺪﻝ ﺑﻬﺘﺮﯾﻦ ﻋﻤﻠﮑﺮﺩ ﺭﺍ ﺩﺍﺷﺖ ﻭ ﭼﺮﺍ؟ ﭼﻪ ﻋﻮﺍﻣﻠﯽ ﺑﺮ ﮐﯿﻔﯿﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﺍﺛﺮﮔﺬﺍﺭ ﺑﻮﺩﻧﺪ؟ ﻣﻬﻢ ﺗﺮﯾﻦ ﭼﺎﻟﺶ ﻫﺎﯾﯽ ﮐﻪ ﺩﺭ ﺍﯾﻦ ﭘﺮﻭﮊﻩ ﺑﺎ ﺁﻥ ﻫﺎ ﺭﻭﺑﻪ ﺭﻭ ﺷﺪﯾﺪ ﭼﻪ ﺑﻮﺩﻧﺪ ﻭ ﭼﮕﻮﻧﻪ ﺑﺎ ﺁﻥ ﻫﺎ ﮐﻨﺎﺭ ﺁﻣﺪﯾﺪ؟ ﻭ ﺍﮔﺮ ﻗﺮﺍﺭ ﺑﻮﺩ ﺍﯾﻦ ﮐﺎﺭ ﺭﺍ ﺍﺩﺍﻣﻪ ﺩﻫﯿﺪ، ﭼﻪ ﺑﻬﺒﻮﺩﻫﺎﯾﯽ ﺑﻪ ﺫﻫﻨﺘﺎﻥ ﻣﯽ ﺭﺳﺪ؟ ﺧﺮﻭﺟﯽ ﻫﺎﯼ ﻣﻮﺭﺩ ﻧﯿﺎﺯ ﺩﺭ ﭘﺎﯾﺎﻥ ﺑﺎﯾﺪ ﺳﻪ ﻣﻮﺭﺩ ﺯﯾﺮ ﺭﺍ ﺗﺤﻮﯾﻞ ﺩﻫﯿﺪ: • ﮔﺰﺍﺭﺵ ﻧﻬﺎﯾﯽ )PDF(: ﮔﺰﺍﺭﺷﯽ ﻣﻨﺴﺠﻢ ﮐﻪ ﺧﻮﺍﻧﻨﺪﻩ ﺭﺍ ﺍﺯ ﺍﺑﺘﺪﺍﯼ ﻣﺴﺌﻠﻪ ﺗﺎ ﻧﺘﯿﺠﻪ ﮔﯿﺮﯼ ﻫﻤﺮﺍﻫﯽ ﮐﻨﺪ. ﺳﺎﺧﺘﺎﺭ ﭘﯿﺸﻨﻬﺎﺩﯼ ﮔﺰﺍﺭﺵ ﺑﻪ ﺍﯾﻦ ﺻﻮﺭﺕ ﺍﺳﺖ: ﻣﻘﺪﻣﻪ ﻭ ﺑﯿﺎﻥ ﻣﺴﺌﻠﻪ، ﻣﻌﺮﻓﯽ ﺩﯾﺘﺎﺳﺖ، ﺗﺤﻠﯿﻞ ﺍﮐﺘﺸﺎﻓﯽ ﺩﺍﺩﻩ ﻫﺎ، ﭘﯿﺶ ﭘﺮﺩﺍﺯﺵ، ﻣﻌﻤﺎﺭﯼ ﻭ ﺁﻣﻮﺯﺵ ﻣﺪﻝ ﻫﺎ، ﻧﺘﺎﯾﺞ ﻭ ﺍﺭﺯﯾﺎﺑﯽ، ﺗﺤﻠﯿﻞ ﻭ ﺑﺤﺚ، ﻧﺘﯿﺠﻪ ﮔﯿﺮﯼ ﻭ ﺩﺭ ﻧﻬﺎﯾﺖ ﻓﻬﺮﺳﺖ ﻣﻨﺎﺑﻊ. • ﮐﺪ ﭘﺮﻭﮊﻩ: ﮐﺪ ﺑﺎﯾﺪ ﻣﺮﺗﺐ، ﺧﻮﺍﻧﺎ ﻭ ﺩﺍﺭﺍﯼ ﺗﻮﺿﯿﺤﺎﺕ ﮐﺎﻓﯽ ﺑﺎﺷﺪ ﻭ ﺑﻪ ﮔﻮﻧﻪ ﺍﯼ ﺳﺎﺯﻣﺎﻥ ﺩﻫﯽ ﺷﺪﻩ ﺑﺎﺷﺪ ﮐﻪ ﺍﺟﺮﺍﯼ ﺁﻥ ﺑﺮﺍﯼ ﺩﯾﮕﺮﺍﻥ ﺳﺎﺩﻩ ﺑﺎﺷﺪ. ﻣﻄﻤﺌﻦ ﺷﻮﯾﺪ ﮐﺪ ﺷﻤﺎ ﺑﻪ ﺩﺭﺳﺘﯽ ﻭ ﺑﺪﻭﻥ ﺧﻄﺎ ﺍﺟﺮﺍ ﻣﯽ ﺷﻮﺩ. ﭘﺮﻭﮊﻩ ﺩﺭﺱ ﻫﻮﺵ ﻣﺼﻨﻮﻋﯽ ﭘﯿﺸﺮﻓﺘ ﻪ• ﻓﺎﯾﻞ ﺭﺍﻫﻨﻤﺎﯼ ﺍﺟﺮﺍ )README(: ﻓﺎﯾﻠﯽ ﮐﻪ ﺩﺭ ﺁﻥ ﻧﺤﻮﻩ ﯼ ﺍﺟﺮﺍﯼ ﭘﺮﻭﮊﻩ، ﮐﺘﺎﺑﺨﺎﻧﻪ ﻫﺎﯼ ﻣﻮﺭﺩ ﻧﯿﺎﺯ، ﻣﺸﺨﺼﺎﺕ ﺩﯾﺘﺎﺳﺖ ﺍﺳﺘﻔﺎﺩﻩ ﺷﺪﻩ ﻭ ﺗﻮﺿﯿﺢ ﻣﺨﺘﺼﺮﯼ ﺍﺯ ﺳﺎﺧﺘﺎﺭ ﭘﻮﺷﻪ ﻫﺎ ﺭﺍ ﺷﺮﺡ ﺩﻫﯿﺪ ﺗﺎ ﻫﺮ ﮐﺴﯽ ﺑﺘﻮﺍﻧﺪ ﭘﺮﻭﮊﻩ ﺭﺍ ﺍﺟﺮﺍ ﮐﻨﺪ. ﻧﮑﺎﺕ ﺍﺟﺮﺍﯾﯽ ﻭ ﺗﺤﻮﯾﻞ ﺍﯾﻦ ﭘﺮﻭﮊﻩ ﺑﻪ ﺻﻮﺭﺕ ﺍﻧﻔﺮﺍﺩﯼ ﺍﻧﺠﺎﻡ ﻣﯽ ﺷﻮﺩ ﻭ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺯﺑﺎﻥ Python ﺍﻟﺰﺍﻣﯽ ﺍﺳﺖ. ﺗﻤﺎﻡ ﻓﺎﯾﻞ ﻫﺎﯼ ﭘﺮﻭﮊﻩ ﺭﺍ ﺩﺭ ﯾﮏ ﻓﺎﯾﻞ ﻓﺸﺮﺩﻩ ﺑﺎ ﻗﺎﻟﺐ ﻧﺎﻡ ﮔﺬﺍﺭﯼ ﺯﯾﺮ ﮔﺮﺩ ﺁﻭﺭﯼ ﮐﻨﯿﺪ ﻭ ﺩﺭ ﺳﺎﻣﺎﻧﻪ ﮐﻮﺭﺳﺰ ﺑﺎﺭﮔﺬﺍﺭﯼ ﮐﻨﯿﺪ: StudentNumber-AAI.zipﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻣﻨﺎﺑﻊ ﺍﯾﻨﺘﺮﻧﺘﯽ ﯾﺎ ﮐﺪﻫﺎﯼ ﺁﻣﺎﺩﻩ ﺗﻨﻬﺎ ﺩﺭ ﺻﻮﺭﺗﯽ ﻣﺠﺎﺯ ﺍﺳﺖ ﮐﻪ ﺁﻥ ﻫﺎ ﺭﺍ ﺑﻪ ﺭﻭﺷﻨﯽ ﺩﺭ ﮔﺰﺍﺭﺵ ﺫﮐﺮ ﮐﻨﯿﺪ. ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﺑﺰﺍﺭﻫﺎﯼ ﻫﻮﺵ ﻣﺼﻨﻮﻋﯽ )ﻣﺎﻧﻨﺪ ﻣﺪﻝ ﻫﺎﯼ ﺯﺑﺎﻧﯽ( ﻣﻤﻨﻮﻉ ﺍﺳﺖ. ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﮐﺎﺭ ﺩﯾﮕﺮﺍﻥ ﺑﺪﻭﻥ ﺫﮐﺮ ﻣﻨﺒﻊ، ﺗﺨﻠﻒ ﺁﻣﻮﺯﺷﯽ ﻣﺤﺴﻮﺏ ﻣﯽ ﺷﻮﺩ. ﺁﻧﭽﻪ ﺍﻫﻤﯿﺖ ﺩﺍﺭﺩ ﺍﯾﻦ ﺍﺳﺖ ﮐﻪ ﻓﺮﺍﯾﻨﺪ ﺭﺍ ﺧﻮﺩﺗﺎﻥ ﺩﺭﮎ ﮐﺮﺩﻩ ﻭ ﺍﻧﺠﺎﻡ ﺩﺍﺩﻩ ﺑﺎﺷﯿﺪ

مهارت ها و تخصص های مورد نیاز

---

---