Post#چالش_پایتون_در_هوش_مصنوعی

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۱۲: پروژه عملی پردازش داده 📑 سلام دوستان! 👋 تو این قسمت می‌خوایم همه چیزهایی که تو فاز ۲ یاد گرفتیم (NumPy، Pandas، Matplotlib) رو ترکیب کنیم و یک پروژه کامل انجام بدیم. 🎯 --- 🎓 پروژه: تحلیل نمرات یک کلاس ۱. آماده‌سازی داده‌ها فرض کنید یک فایل CSV به اسم grades.csv داریم: نام,ریاضی,فیزیک,شیمی علی,18,17,16 سارا,20,19,18 نیما,15,14,13 رضا,19,20,18 --- ۲. خواندن داده‌ها با Pandas import pandas as pd df = pd.read_csv("grades.csv") print(df) --- ۳. پاک‌سازی داده‌ها مثلاً اگر مقادیر گمشده باشه، پرشون می‌کنیم: df = df.fillna(df.mean(numeric_only=True)) --- ۴. محاسبه معدل هر دانش‌آموز df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1) print(df) --- ۵. تحلیل داده‌ها * پیدا کردن بالاترین و پایین‌ترین معدل: print("بیشترین معدل:", df["معدل"].max()) print("کمترین معدل:", df["معدل"].min()) * میانگین کل کلاس: print("میانگین کلاس:", df["معدل"].mean()) --- ۶. تجسم داده‌ها با Matplotlib import matplotlib.pyplot as plt plt.bar(df["نام"], df["معدل"], color="orange") plt.title("معدل دانش‌آموزان کلاس 📊") plt.ylabel("معدل") plt.show() 📌 خروجی: نمودار ستونی معدل هر دانش‌آموز --- ۷. نتیجه‌گیری * یاد گرفتیم داده‌ها رو بخونیم، پاک‌سازی کنیم، تحلیل کنیم و تجسم کنیم ✅ * این‌ها پایه‌ی اصلی کارهای هوش مصنوعی و یادگیری ماشین هستن. 🤖 * در فاز بعدی می‌ریم سراغ مبانی یادگیری ماشین (Machine Learning) ✨ --- 👀 قسمت بعدی (شروع فاز ۳): مقدمه‌ای بر یادگیری ماشین 🤖 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge