From 42cbe3eb5f25f908328f1c66805832c12c64706e Mon Sep 17 00:00:00 2001 From: dmaon Date: Thu, 14 Nov 2024 10:40:16 +0330 Subject: [PATCH] Improve structure of text --- content/~blog/birlug-stats-analysis.md | 8 ++++---- 1 file changed, 4 insertions(+), 4 deletions(-) diff --git a/content/~blog/birlug-stats-analysis.md b/content/~blog/birlug-stats-analysis.md index f6415d6..e724a82 100644 --- a/content/~blog/birlug-stats-analysis.md +++ b/content/~blog/birlug-stats-analysis.md @@ -13,7 +13,7 @@ darft: true ## ۱- مقدمه ما توی دنیایی زندگی می‌کنیم که پر از داده‌ است؛ هر جا که نگاه کنیم، داده‌ها در حال تولید شدن و ذخیره شدن هستند. هر بار که لپ‌تاپ رو روشن می‌کنیم یا توی خط فرمان دستوری رو اجرا می‌کنیم، داریم داده جدیدی تولید می‌کنیم. حتی می‌تونیم داده‌های مربوط به زندگی روزمره‌مون رو هم ثبت کنیم، مثلاً ساعت‌هایی که کار یا مطالعه می‌کنیم یا خرج و درآمدهایی که روزانه و هفتگی داریم. -این داده‌ها به‌تنهایی خیلی معنی ندارن، ولی وقتی تعداد زیادی ازشون رو جمع کنیم، می‌تونیم الگوهای مخفی رو کشف کنیم و از اون‌ها بینش‌هایی بگیریم که تو تصمیم‌گیری‌هامون تأثیر مثبت بذارن. به‌عنوان نمونه، در ادامه قراره از داده‌های لاگ استفاده کنیم تا ببینیم تحلیل داده چطوری می‌تونه به درک بهتر کمک کنه. این کار رو در سه بخش مختلف انجام می‌دیم که هرکدوم نمایانگر بخشی از تحلیل لاگ هست. فقط توجه داشته باشین که هدف این نوشته آموزش تحلیل داده‌ها نیست و فقط می‌خوایم تأثیرش رو نشون بدیم. +این داده‌ها به‌تنهایی خیلی معنی ندارن، ولی وقتی تعداد زیادی ازشون رو جمع کنیم، می‌تونیم الگوهای مخفی رو کشف کنیم و از اون‌ها بینش‌هایی بگیریم که تو تصمیم‌گیری‌هامون تأثیر مثبت بذارن. به‌عنوان نمونه، در ادامه قراره از داده‌های لاگ استفاده کنیم تا ببینیم تحلیل داده چطوری می‌تونه به درک بهتر کمک کنه. این کار رو در چند بخش مختلف انجام می‌دیم که هرکدوم نمایانگر بخشی از تحلیل لاگ هست. فقط توجه داشته باشین که هدف این نوشته آموزش تحلیل داده‌ها نیست و فقط می‌خوایم تأثیرش رو نشون بدیم. ## ۲- جمع‌آوری داده‌ها @@ -24,7 +24,7 @@ darft: true ### ۱-۲ مهندسی ویژگی (Feature Engineering) -مهندسی ویژگی بخش مهمی از تحلیل داده‌ است که مشخص می‌کنه کدوم ستون‌ها رو باید برای تحلیل انتخاب کنیم یا ویژگی جدیدی بسازیم. مثلاً ما از ستون تاریخ جلسات استفاده کردیم تا دو ویژگی جدید به اسم "روز" و "ماه" بسازیم و اینجوری بتونیم روند جلسات رو بر اساس ماه و سال بررسی کنیم. +مهندسی ویژگی بخش مهمی از تحلیل داده‌ است که مشخص می‌کنه کدوم ستون‌ها رو باید برای تحلیل انتخاب کنیم یا ویژگی جدیدی بسازیم. مثلاً ما از ستون تاریخ جلسات استفاده کردیم تا دو ویژگی جدید به اسم "روز" و "ماه" بسازیم و اینجوری میتونیم روند جلسات رو بر اساس ماه و سال بررسی کنیم. ## ۳- مصورسازی داده‌ها در قالب نمودارهای مختلف @@ -32,7 +32,7 @@ darft: true ### ۱-۳ شیت Seasons #sessions -این شیت تعداد جلسات رو بر اساس فصل‌های سال نمایش می‌ده. شکل ۲ نمونه‌ای از نمودار تعداد جلسات در فصل‌های مختلف سال رو نشون می‌ده. +این شیت تعداد جلسات رو بر اساس فصل‌های سال نمایش می‌ده. شکل زیر نمونه‌ای از نمودار تعداد جلسات در فصل‌های مختلف سال رو نشون می‌ده. ![تعداد جلسات](/blog/birlug-stats-analysis/Seasons-sessions.png) @@ -50,7 +50,7 @@ darft: true ### ۴-۳ شیت Subjects -شکل ۶ نموداری رو نشون می‌ده که بر اساس موضوعات برگزاری جلسات ایجاد شده. در این شیت، ویژگی‌ای به نام "پرطرفدار بودن موضوع" اضافه کردیم که تشخیص می‌ده آیا موضوعی محبوبیت بالایی بین مخاطبین داره یا نه. این شاخص هم تخمینی اولیه برای سنجش پرطرفدار بودن موضوع‌هاست. +شکل زیر نموداری رو نشون می‌ده که بر اساس موضوعات برگزاری جلسات ایجاد شده. در این شیت، ویژگی‌ای به نام "پرطرفدار بودن موضوع" اضافه کردیم که تشخیص می‌ده آیا موضوعی محبوبیت بالایی بین مخاطبین داره یا نه. این شاخص هم تخمینی اولیه برای سنجش پرطرفدار بودن موضوع‌هاست. ![موضوعات](/blog/birlug-stats-analysis/Subjects.png)