Python for Data Science – Telegram
Python for Data Science
301 subscribers
128 photos
16 videos
12 files
61 links
اطلاعات مفید جهت یادگیری پایتون برای علم داده
Download Telegram
برای برگزاری دوره پایتون برای علم داده چه زمانی را مناسب‌تر می‌دانید؟

انتخاب چند گزینه مجاز است
Anonymous Poll
35%
اواخر اسفندماه ۹۸
30%
هفته اول فروردین ۹۹
33%
هفته سوم فروردین ۹۹
24%
هفته چهارم فروردین ۹۹
37%
هفته اول اردیبهشت ۹۹
🚨روند افزایش مبتلایان به ویروس کرونا در ایران بر اساس داده‌های اعلامی تا تاریخ ۹۸/۱۲/۱۲ در تصویر فوق نشان داده شده است.

🔺روند ابتلا و بهبود در روزهای آینده نیز ترسیم شده است.

🎯نکته: پیش‌بینی ما با آمار اعلام شده در امروز ۹۸/۱۲/۱۳ تطابق زیادی دارد...

🔎 @py4ds
🚨بکارگیری روش پیش‌بینی قبلی برای تخمین روند افزایش مبتلایان به ویروس کرونا در چین بر اساس داده‌های رسمی تا تاریخ ۲ مارس ۲۰۲۰

🔺روند ابتلا و بهبود در روزهای آینده نیز ترسیم شده است.

🎯نکته: تشابه الگوی فوق با الگوی بدست آمده از آمار ایران مشهود است.
🔎 @py4ds
🚨 آمار اعلام شده در امروز 98/12/14 خبر از کاهش نسبتا شدید روند شیوع ویروس کرونا در ایران می‌دهد.

🔺نکته‌ی خیلی مهم: سرعت بهبود بیماران نسبت به شیوع بسیار کم است و این موضوع ممکن است قربانیان این بیماری را افزایش دهد.
توسعه‌ی امکانات و تجهیزات پزشکی در جهت تسریع بهبود بیماران امری ضروری به نظر می‌رسد.

🔎 @py4ds
🎯 #ایتالیا
🇮🇹کشور ایتالیا دارای جمعیتی معادل ۶۰ میلیون نفر و مساحتی حدود ۳۰۰هزار کیلومتر مربع یعنی یک پنجم مساحت کل ایران است.

۴ روز قبل در تاریخ ۱۷ اسفند ۹۸ آمار منتشر شده توسط مراجع رسمی این کشور وقوع یک فاجعه را نشان می‌داد.

👨🏻‍💻مدل ما با تخمین داده‌های رسمی تا آن تاریخ، جمعیت مبتلای حدود ۲۵ هزار نفر را پیشبینی کرده بود. در آن تخمین ایتالیا هنوز در ابتدای راه شیوع بیماری قرار داشت؛ اما داده‌های روزهای بعدی این فاجعه را عمیق‌تر و شدیدتر نشان داد.

🚨داده‌های منتشر شده تا تاریخ ۲۰ اسفند خبر از شیوع وحشتناک #کرونا در این کشور داده است بطوریکه در تخمین ما داده امروز ۱۲۱۴۶ نفر(یعنی حدود ۲هزار نفر ابتلای جدید نسبت به روز قبل) را نشان داده بود.

🦠 آمار ۲۱ اسفند شیوع nCov-19 در کشور ایتالیا ۱۲۴۶۲ نفر مبتلا را می‌دهد. این یعنی سرعت شیوع این بیماری نسبت به تخمین مدل ما کمی بیشتر بوده و آمار کل مبتلایان آن ممکن است به ۵۰هزار نفر هم برسد!

✴️ در تخمین ما از داده‌های رسمی تا تاریخ ۲۰ اسفند، آمار کلی مبتلایان به این بیماری تا مرز ۴۴هزار نفر محاسبه شده است.

🔎 @py4ds
🔺بروزرسانی شیوع کرونا در #ایتالیا

در تخمین قبلی پیش‌بینی مدل ما تعداد ۱۲۱۴۶ نفر را نشان داده بود و انتهای نمودار تا حدود ۴۴ هزار نفر مبتلا را نشان می‌داد.

👨🏻‍💻در پیش‌بینی جدید که با داده‌های دیروز انجام شده، تعداد مبتلایان ایتالیا در امروز حدود ۱۴۴۰۰ نفر پیش‌بینی شده است. همچنین تعداد مبتلایان کلی این کشور تا حدود ۵۴ هزار نفر پیش‌بینی می‌شود.

🔎 @py4ds
image_2020-03-13_17-35-41.png
96.6 KB
📊 نمره مدیریت کنترل شیوع
این محاسبات توسط دوست خوبم آقای حسنی انجام شده است.

📝نمره مدیریت کنترل شیوع یک پارامتر(خودساخته) تعریف شده بر اساس فرمول زیر است:
S1 = Population/Area
S2 = Recovered/Deaths
S3 = Confirmed
MSOC = S1 * S2^2 / S3

🔺در این رتبه بندی محور عمودی به صورت لگاریتمی در نظر گرفته شده است.

🔺از سمت چپ ۶ میله‌ی اول مربوط به استان‌های مهم منطقه‌ Mainland چین بجز استان Hubei و Shandong (که دارای بیشترین ابتلا در تمام دنیا بوده‌اند) رسم شده است.
🔺میله‌ی هفتم مربوط به کل کشور چین است که به دلیل شیوع گسترده در استان‌های مختلف امتیاز پایینی کسب کرده است. در میله‌ی هشتم و نهم و دهم به ترتیب امتیاز کشور خودمان، ایتالیا و کره جنوبی رسم شده که ضعیف بودن مدیریت در کشور خودمان و ایتالیا به خوبی در آن ملاحظه می‌گردد.

🔎 @py4ds
Python for Data Science
image_2020-03-13_17-35-41.png
🔺این امتیاز بر اساس نسبت جمعیتی هر کشور/استان، نسبت افراد بهبودیافته به فوت شده و نسبت معکوس افراد مبتلا تعریف شده است.

💡برای فهم بهتر این فرمول مثال زیر را در نظر بگیرید:
اگر کشور A و B جمعیت و مساحت برابر داشته باشند و کشور A با تعداد مبتلا/فوتی کمتر یا بیمار بهبودیافته بیشتر نسبت به کشور B باشد، کشور A امتیاز بیشتری خواهد داشت.
🎯این یعنی مدیریت در جلوگیری از شیوع بیماری در کشور A بهتر صورت پذیرفته است.
🔎 @py4ds
🚨 منتظر تحلیل داده‌های شیوع کرونا در کشور خودمان باشید

✴️کانال پایتون برای علم داده را به دوستان خود معرفی کنید:
🔎 @py4ds
#خارج_از_بحث
🎯 معنای واقعی عبارت «کاری شد کارستان!» اینه!
از بین ۶۷هزار مبتلای استان Hubei بیش از ۵۰هزار نفر بهبود پیدا کردن!
هنوز آمار ابتلای کشور ایتالیا به یک سوم یک استان چین هم نرسیده و درخواست پزشک و پرستار از خارج از کشور کردن!

💡کاش آقای جهانگیری کمی کلاهش رو بذاره
بالاتر!
Forwarded from Python for Data Science
🚨 منتظر تحلیل داده‌های شیوع کرونا در کشور خودمان باشید

✴️کانال پایتون برای علم داده را به دوستان خود معرفی کنید:
🔎 @py4ds
Python for Data Science
🚨روند افزایش مبتلایان به ویروس کرونا در ایران بر اساس داده‌های اعلامی تا تاریخ ۹۸/۱۲/۱۲ در تصویر فوق نشان داده شده است. 🔺روند ابتلا و بهبود در روزهای آینده نیز ترسیم شده است. 🎯نکته: پیش‌بینی ما با آمار اعلام شده در امروز ۹۸/۱۲/۱۳ تطابق زیادی دارد... 🔎
💡ده روز قبل وقتی این نمودار(ریپلای) را با کمتر از ۲هزار مبتلا رسم کرده بودم انتهای آن چیزی نزدیک به ۱۰هزار مبتلا را نشان می‌داد اما از انتشار آن خودداری کردم...

🔺داده‌های اعلامی امروز شیوع کرونا در ایران نیز به اندازه ده روز قبل نگران کننده است....

🚨برای مشاهده‌ی میزان شیوع کرونا در شهر و محله‌ی خود به سایت زیر مراجعه کنید:
https://corona.research.ac.ir/suspects

🔎 @py4ds
🚨🚨🚨 نرخ مرگ و میر یا Mortality Rate
MR = Deaths/Confirmed
#ایران 🇮🇷

📊یکی از پارامترهای مشخص برای برآورد شیوع بیماری در علم اپیدمیولوژی نرخ مرگ و میر است.

🖤از نظر بنده عواملی مانند بیماری‌های واگیردار که باعث از دست رفتن عزیزان و نزدیکان‌مان شود می‌تواند دردناک‌تر از بقیه باشد؛ چرا که با بیمار شدن یکی از اعضای خانواده ممکن است اعضای دیگر نیز دچار بیماری شده و جان خود را از دست بدهند. این عذاب وجدان علاوه بر غم از دست دادن عزیزشان تا پایان عمر برای آنها باقی خواهد ماند...

🔺در مدلسازی رشد نرخ مرگ و میر امیدوار بودم این الگو با تابع درجه اول(و شیب هرچه کمتر) قابل مدل کردن باشد، این الگو تا چند روز قبل بخوبی جواب میداد و نرخ مرگ و میر کلی به صورت روزانه در حال کاهش بود. متاسفانه از روز ۱۸ اسفند این الگوی کاهشی تغییر کرده و تا دیروز به صورت افزایشی در حال رشد است.

💡در بروزرسانی این الگو با کمی خطا به صورت درجه دوم قابل مدل‌سازی است که جای نگرانی بسیار زیادی دارد.
نمودار فوق خبر از رشد نرخ مرگ و میر مبتلایان تا ۶ درصد در تاریخ ۳ فروردین می‌دهد.
مراقب باشید!

🔎 @py4ds
#خارج_از_بحث

با وضعیت فعلی فکر می‌کنم مسمومیت با الکل و همچنین چهارشنبه‌سوزی بیشتر باعث تلفات بشه تا ویروس Covid-19 !
Python for Data Science
🚨🚨🚨 نرخ مرگ و میر یا Mortality Rate MR = Deaths/Confirmed #ایران 🇮🇷 📊یکی از پارامترهای مشخص برای برآورد شیوع بیماری در علم اپیدمیولوژی نرخ مرگ و میر است. 🖤از نظر بنده عواملی مانند بیماری‌های واگیردار که باعث از دست رفتن عزیزان و نزدیکان‌مان شود می‌تواند…
🚨 افزایش زودهنگام نرخ مرگ و میر در ایران
طبق داده‌های اعلامی دیروز، کشور ما ۵ روز زودتر از پیش‌بینی فوق به نرخ مرگ و میر ۶.۱% رسیده است.

🔺الگوهای تشکیل شده خبر از نرخ مرگ و میر حدود ۸-۱۰ درصد می‌دهد...

🔎 @py4ds
🚨 تخمین شیوع ویروس COVID-19 در #ایران 🇮🇷

✴️ سیر افزایش روزانه‌ی مبتلایان چندروزی‌ست که بین ۱۰۰۰ تا ۱۴۰۰ در حال نوسان بوده است.

🔺اگرچه پیش‌بینی وضعیت آینده با الگوی ایجاد شده و نیز نزدیکی ایام نوروز امری دشوار به نظر می‌رسد اما مطابق الگوی فوق در دو روز اخیر، در صورت رعایت قرنطینه‌ی خانگی می‌توان شاهد کاهش ابتلائات روزانه و کنترل بیماری بود.

📊در صورت ادامه‌ی روند فعلی(۷٪ خطا) انتظار می‌رود در
سوم فروردین ۹۹ شاهد
🔸۲۲هزار نفر مبتلای تجمعی(بنفش رنگ)
🔸حدود ۶۳۰۰ نفر بیمار بهبود یافته(سبز رنگ)
🔸حدود ۱۴هزار بیمار موجود با احتمال انتقال بیماری به دیگران (زرد رنگ)
🔸حدود ۱۷۰۰ فوت
باشیم.

#درخانه_بمانیم!
🔎 @py4ds
🚨 تخمین روند شیوع COVID-19 در کشور #ایتالیا 🇮🇹

🔺 روند شیوع بیماری در ایتالیا در نمودار روزانه در حال نزدیک‌شدن به قله(یعنی بیشترین ابتلائات روزانه) است. طبق مدل بدست آمده، ایتالیا حوالی روزهای ۲-۴ فروردین به نقطه‌ی اوج شیوع بیماری خواهد رسید. کشور ایتالیا در روزهای اخیر حدود ۳۵۰۰ بیمار در روز را تجربه کرده و پیش‌بینی می‌شود این تعداد به حدود ۴۳۰۰ بیمار در روز نیز برسد.

📊تخمین فعلی جمعا چیزی حدود ۱۰۰هزار بیمار را در ایتالیا پیش‌بینی کرده است. کشور #اسپانیا 🇪🇸 نیز وضعیتی مشابه با ایتالیا داشته و تعداد بیماران آن طی ۳ روز اخیر دوبرابر شده است.

🔎 @py4ds