1199۲۵   ـ   پایتون

---

شرح پروژه

import matplotlib.pyplot as plt

from sklearn.tree import DecisionTreeClassifier, plot_tree

# ۱. تعریف مجموعه داده پروژه‌های IT

data = {

    'حمایت_مدیریت': ['زیاد', 'زیاد', 'کم', 'زیاد', 'کم', 'کم', 'زیاد', 'کم', 'زیاد', 'کم'],

    'آمادگی_فرهنگی': ['آماده', 'مقاوم', 'آماده', 'مقاوم', 'مقاوم', 'آماده', 'آماده', 'مقاوم', 'آماده', 'آماده'],

    'بودجه': ['کافی', 'کافی', 'کافی', 'محدود', 'محدود', 'محدود', 'محدود', 'کافی', 'کافی', 'محدود'],

    'پیچیدگی_فنی': ['بالا', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'بالا'],

    'نتیجه': ['موفق', 'موفق', 'موفق', 'ناموفق', 'ناموفق', 'ناموفق', 'موفق', 'ناموفق', 'موفق', 'ناموفق']

}

df = pd.DataFrame(data)

# ۲. تبدیل متن‌ها به عدد (چون الگوریتم‌های یادگیری ماشین با عدد کار می‌کنند)

# تبدیل متغیرهای ورودی

mapping = {

    'حمایت_مدیریت': {'کم': 0, 'زیاد': 1},

    'آمادگی_فرهنگی': {'مقاوم': 0, 'آماده': 1},

    'بودجه': {'محدود': 0, 'کافی': 1},

    'پیچیدگی_فنی': {'پایین': 0, 'بالا': 1},

    'نتیجه': {'ناموفق': 0, 'موفق': 1}

}

df_encoded = df.copy()

for col in mapping:

    df_encoded[col] = df_encoded[col].map(mapping[col])

X = df_encoded[['حمایت_مدیریت', 'آمادگی_فرهنگی', 'بودجه', 'پیچیدگی_فنی']]

y = df_encoded['نتیجه']

# ۳. آموزش مدل درخت تصمیم با معیار آنتروپی (Entropy)

# پارامتر max_depth=3 از پیچیده شدن بیهوده درخت جلوگیری می‌کند

model = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=42)

model.fit(X, y)

# ۴. ترسیم نمودار درخت تصمیم

plt.figure(figsize=(12, 7))

plot_tree(

    model, 

    feature_names=['Management Support', 'Culture', 'Budget', 'Complexity'], 

    class_names=['Failed', 'Successful'], 

    filled=True, 

    rounded=True

)

plt.title("IT Project Decision Tree")

plt.show()

# ۵. پیش‌بینی نمونه جدید (بخش ج تمرین)

# ویژگی‌های پروژه فرضی: حمایت=زیاد(1)، آمادگی=مقاوم(0)، بودجه=کافی(1)، پیچیدگی=پایین(0)

new_project = [[1, 0, 1, 0]]

prediction = model.predict(new_project)

print("پیش‌بینی برای پروژه جدید:", "موفق" if prediction[0] == 1 else "ناموفق")

کد تمرین فقط اجرا کنید و یاد بگیرید

یک ویدئو کوتاه از اجرا تهیه کنید و برام بفرستید مهلت تا پایان روز سه شنبه

انشالله همه دوستان در سلامت باشند. تمرین ساده است ویدئوهای آموزشی رو هم قرار میدهم. نیازی به حضور در کلاس نبود. مجموعه داده هست. کد پایتون هم هست شما فقط باید در محیط برای این مجموعه داده آن را اجرا کنید. در ادامه دو ویدئو آموزشی درخت تصمیم (موضوع جلسه ای که غائب بودید) قرار میدهم.

https://faradars.org/videos/decision-trees-in-machine-learning-fvtgs3069

https://www.aparat.com/v/zgzu2b0

یدونه هم فیلم خواست تازه ی فیلم ساده انجام بدین فوقش صدا بخواد متنو میفرستین میخونم میزارم روش

تمرین استاد زیبا ارزانی هم این بود که روابط باینری و کاردینالی رو هر کدوم در یه نمونه رابطه ۱:۱ , ۱:m ,n:n 

رسم کنیم و جدول 

جمعا میشه شیش رابطه

: ۱:۱

: ۱:n

: M:N

: اینا که سه تا هستن

: برای باینری از هر کدوم

: برای کاردینالی هم از هر کدوم

یکیش هم اینه

📎 فایل‌های پروژه در ادامه پیام ارسال شده است.

مهارت ها و تخصص های مورد نیاز

---

---