پیش بینی قیمت خانه در تهران با استفاده از داده های دیوار

• مدت ورکشاپ: یک جلسه آنلاین | مدت: 2 جلسه 4 ساعته
• مخاطب دوره: افراد آشنا و علاقمند به اجرا و پیاده سازی مسائل متنوع دیتاساینس و هوش مصنوعی
• مباحث پیش نیاز: آشنایی با برنامه نویسی پایتون و کتابخانه های علم داده
• مدرس دوره: سهیل تهرانی پور
• دسترسی دائمی به فایل رکورد شده جلسات و مستندات ورکشاپ
• زمان اجرا: جلسه اول: جمعه 3 شهریور ساعت 10 الی 14 | جلسه دوم: جمعه 3 شهریور ساعت 16 الی 20

شاید یکی از اصلی ترین چالش های ما به عنوان دیتاساینتیست کار با داده های واقعی جهت حل مسایل نزدیک به صنعت می باشد. پیش بینی قیمت به ویژه قیمت خانه می تواند یکی از این مسایل باشد که شاید همه ما به گونه ای درگیر آن بوده ایم. برای این موضوع، قیمت خانه ها در تهران را انتخاب کردیم که با استفاده از داده های موجود در وبسایت دیوار، پیش خواهیم رفت. این مساله با توجه به چالش های مختلفی که در مرحله قبل از ساخت مدل دارد، جذاب است و به شما ایده های خوبی خواهد داد تا با داده های نزدیک به داده های واقعی و موجود در فضای کاری واقعی، باتجربه تر کار کنید. در نهایت ما مدل های مختلفی با استفاده از الگوریتم های موجود برای رگرسیون را اعمال خواهیم کرد، از ابزارهای جذابی مانند Pycaret استفاده میکنیم که سرعت و دقت ما را در این پروژه بالاتر ببرد و درنهایت با استفاده از Streamlit که یکی از کتابخانه های پایتون برای ساخت Web Application است پیش خواهیم رفت تا محصول نهایی خودمان را در قابل اپلیکیشن تحت وب اصطلاحاً Deploy کنیم و ویترین جذابی به عنوان رزومه کاری داشته باشیم. با شرکت در این کارگاه، به دنیای جذاب و پویای داده‌های واقعی و پروژه‌های مبتنی بر آن پا خواهید گذاشت و به دستاوردهای ارزشمند زیر دست خواهید یافت:

• • آشنایی عمیق با فرآیند تجزیه و تحلیل داده‌های واقعی و اهمیت انتخاب داده‌های مناسب
  • تجربه کار با داده‌های واقعی تهران از منابع معتبر
  • توانایی ایجاد و ارزیابی مدل‌های پیش‌بینی با دقت بالا
  • ایجاد تجربه کامل از پیش‌بینی و رگرسیون در دیتاساینس
  • پیاده‌سازی اپلیکیشن تحت وب با استفاده از Streamlit به عنوان نمایشگر نهایی محصول

سرفصل های ورکشاپ

• • معرفی چالش‌ها و اهمیت پیش‌بینی قیمت خانه‌ها
  • جمع‌آوری و پردازش داده‌های واقعی از وبسایت دیوار
  • ساخت و ارزیابی مدل‌های رگرسیون با استفاده از ابزارهای پیشرفته
  • بکارگیری ابزار Pycaret جهت افزایش سرعت و دقت در پیاده سازی
  • پیاده‌سازی و نمایش محصول نهایی با استفاده از Streamlit

به‌اشتراک‌گذاری دانش و تجربیات با همراهان دیگر و ایجاد شبکه‌ای از دیتاساینتیست‌ها نیز از دیگر مزایای این کارگاه خواهد بود.