پروژه پایتون#python سلام Fash...:ﺁﻟﻮﺩﮔﯽ ﻫﻮﺍ ﯾﮑﯽ ﺍﺯ ﻣﻬﻢ ﺗﺮﯾﻦ ﭼﺎﻟﺶ ﻫﺎﯼ ﺯﯾﺴﺖ ﻣﺤﯿﻄﯽ ﺩﺭ ﺷﻬﺮﻫﺎﯼ ﺑﺰﺭﮒ ﺍﺳﺖ…

پروژه پایتون#python سلام Fash...:ﺁﻟﻮﺩﮔﯽ ﻫﻮﺍ ﯾﮑﯽ ﺍﺯ ﻣﻬﻢ ﺗﺮﯾﻦ ﭼﺎﻟﺶ ﻫﺎﯼ ﺯﯾﺴﺖ ﻣﺤﯿﻄﯽ ﺩﺭ ﺷﻬﺮﻫﺎﯼ ﺑﺰﺭﮒ ﺍﺳﺖ ﻭ ﺗﻮﺍﻧﺎﯾﯽ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺎﺧﺺ ﻫﺎﯼ ﮐﯿﻔﯿﺖ ﻫﻮﺍ ﻣﯽ ﺗﻮﺍﻧﺪﻧﻘﺶ ﻣﺆﺛﺮﯼ ﺩﺭ ﺗﺼﻤﯿﻢ ﮔﯿﺮﯼ ﻫﺎﯼ ﻣﺪﯾﺮﯾﺘﯽ ﻭ ﮐﺎﻫﺶ ﺍﺛﺮﺍﺕ ﻣﻨﻔﯽ ﺁﻥ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ. ﺩﺭ ﺍﯾﻦ ﭘﺮﻭﮊﻩ ﻗﺮﺍﺭ ﺍﺳﺖ ﺑﺎ ﺗﮑﯿﻪ ﺑﺮ ﺩﺍﺩﻩ ﻫﺎﯼ ﺗﺎﺭﯾﺨﯽﻭ ﻋﻮﺍﻣﻞ ﻣﺤﯿﻄﯽ، ﻣﺪﻟﯽ ﺑﺮﺍﯼ ﭘﯿﺶ ﺑﯿﻨﯽ ﻏﻠﻈﺖ ﯾﮑﯽ ﺍﺯ ﺁﻻﯾﻨﺪﻩ ﻫﺎﯼ ﻫﻮﺍ )ﻣﺎﻧﻨﺪ PM2.5 ﯾﺎ PM10( ﺩﺭ ﺑﺎﺯﻩ ﯼ ﺯﻣﺎﻧﯽ ﺁﯾﻨﺪﻩ ﻃﺮﺍﺣﯽ ﻭﭘﯿﺎﺩﻩ 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، ﻃﺮﺍﺣﯽﻣﺪﻝ، ﺁﻣﻮﺯﺵ، ﺍﺭﺯﯾﺎﺑﯽ ﻭ ﺩﺭ ﻧﻬﺎﯾﺖ ﺗﺤﻠﯿﻞ ﻭ ﺗﻔﺴﯿﺮ ﻧﺘﺎﯾﺞ. ﺍﻧﺘﻈﺎﺭ ﻣﯽ ﺭﻭﺩ ﺩﺭ ﻫﺮ ﻣﺮﺣﻠﻪ، ﺗﺼﻤﯿﻢ ﻫﺎﯾﯽ ﮐﻪ ﻣﯽ ﮔﯿﺮﯾﺪ ﺭﺍ ﺑﻪ ﺻﻮﺭﺕ ﻣﺴﺘﺪﻝﺗﻮﺿﯿﺢ ﺩﻫﯿﺪ؛ ﺁﻧﭽﻪ ﺍﻫﻤﯿﺖ ﺩﺍﺭﺩ ﺻﺮﻓﺎﹰ ﺭﺳﯿﺪﻥ ﺑﻪ ﯾﮏ ﻋﺪﺩ ﺧﻮﺏ ﻧﯿﺴﺖ، ﺑﻠﮑﻪ ﺩﺭﮎ ﺷﻤﺎ ﺍﺯ ﻓﺮﺍﯾﻨﺪ ﻭ ﺗﻮﺍﻧﺎﯾﯽ ﺗﺎﻥ ﺩﺭ ﺗﺤﻠﯿﻞ ﺁﻥ ﺍﺳﺖ.ﺩﺍﺩﻩ ﻫﺎﭘﯿﺶ ﺑﯿﻨﯽ ﮐﯿﻔﯿﺖ ﻫﻮﺍ ﯾﮏ ﻣﺴﺌﻠﻪ ﯼ ﺳﺮﯼ ﺯﻣﺎﻧﯽ )Time Series( ﺍﺳﺖ؛ ﯾﻌﻨﯽ ﺩﺍﺩﻩ ﻫﺎ ﺩﺭ ﻃﻮﻝ ﺯﻣﺎﻥ ﺛﺒﺖ ﺷﺪﻩ ﺍﻧﺪ ﻭ ﺗﺮﺗﯿﺐ ﺁﻥ ﻫﺎﻣﻌﻨﺎﺩﺍﺭ 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 ﭘﯿﺸﺮﻓﺘﻪﺁﻧﭽﻪ 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 ﺩﻫﯿﺪﻭ ﺑﻪ ﺳﺆﺍﻝ ﻫﺎﯾﯽ ﺍﺯ ﺍﯾﻦ ﺩﺳﺖ ﭘﺎﺳﺦ ﺩﻫﯿﺪ: ﺩﺍﺩﻩ ﭼﻨﺪ ﻧﻤﻮﻧﻪ ﺩﺍﺭﺩ؟ ﭼﻪ ﻣﻘﺪﺍﺭ ﺩﺍﺩﻩ ﯼ ﮔﻤﺸﺪﻩ )Missing( ﺩﺭ ﺁﻥ ﻭﺟﻮﺩ ﺩﺍﺭﺩ؟ ﺗﻮﺯﯾﻊ ﻭ ﺁﻣﺎﺭﺗﻮﺻﯿﻔﯽ 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 ﮐﻪﭘﯿﺶ ﺍﺯ ﻣﺪﻝ ﺳﺎﺯﯼ، ﺷﻨﺎﺧﺘﯽ ﻭﺍﻗﻌﯽ ﺍﺯ ﺩﺍﺩﻩ ﺑﻪ ﺩﺳﺖ ﺁﻭﺭﯾﺪ ﻭ ﺑﺘﻮﺍﻧﯿﺪ ﺭﻓﺘﺎﺭ ﺁﻥ ﺭﺍ ﺗﻮﺻﯿﻒ ﮐﻨﯿﺪ.ﭘﯿﺶ ﭘﺮﺩﺍﺯﺵ ﺩﺍﺩﻩ ﻫﺎﺑﺮ 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 ﻻﺯﻡﺍﺳﺖ ﺑﺎ ﺭﻭﺵ ﭘﻨﺠﺮﻩ ﯼ ﻟﻐﺰﺍﻥ )Sliding Window( ﺩﻧﺒﺎﻟﻪ ﻫﺎﯾﯽ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎﯼ ﮔﺬﺷﺘﻪ ﺑﺴﺎﺯﯾﺪ ﺗﺎ ﻣﺪﻝ ﺑﺘﻮﺍﻧﺪ ﺑﺮ ﺍﺳﺎﺱ ﺁﻥ ﻫﺎ ﻣﻘﺪﺍﺭ ﺁﯾﻨﺪﻩﺭﺍ 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 ﺯﻣﺎﻥﺍﻧﺠﺎﻡ ﺷﻮﺩ، ﻧﻪ ﺑﻪ ﺻﻮﺭﺕ ﺗﺼﺎﺩﻓﯽ؛ ﺩﺭ ﻏﯿﺮ ﺍﯾﻦ ﺻﻮﺭﺕ ﺗﺮﺗﯿﺐ ﺯﻣﺎﻧﯽ ﺩﺍﺩﻩ ﺍﺯ ﺑﯿﻦ ﻣﯽ ﺭﻭﺩ ﻭ ﺍﺭﺯﯾﺎﺑﯽ ﺷﻤﺎ ﺑﯽ ﺍﻋﺘﺒﺎﺭ ﺧﻮﺍﻫﺪ ﺑﻮﺩ. ﺩﻭﻡ ﺍﯾﻨﮑﻪﺑﺮﺍﯼ ﺟﻠﻮﮔﯿﺮﯼ ﺍﺯ ﻧﺸﺖ ﺩﺍﺩﻩ )Data Leakage(، ﭘﺎﺭﺍﻣﺘﺮﻫﺎﯼ ﭘﯿﺶ ﭘﺮﺩﺍﺯﺵ ﻣﺎﻧﻨﺪ Scaler ﺭﺍ ﺗﻨﻬﺎ ﺭﻭﯼ ﺩﺍﺩﻩ ﯼ train ﺑﺮﺍﺯﺵ ﺩﻫﯿﺪ ﻭﺳﭙﺲ 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 ﻫﺎﺩﺭ 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 ﻭﺍﻗﻌﺎﹰﺍﺭﺯﺵ 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 ﺳﺎ... توسط خریدار: فاطمه اولادیاطلاعات بیشتر:parscoders.com/project/609441/%D9%BE%D8%B…