Description in English

Weather Forecasting with Machine Learning

Introduction

This project focuses on weather forecasting using machine learning techniques. It includes data preprocessing, model training, and evaluation to predict weather parameters such as temperature and humidity.

Features

• Weather dataset processing and visualization.
• Implementation of multiple machine learning models.
• Performance evaluation of models using standard metrics.
• Notebooks available in both English and Persian.

Installation

Prerequisites

• Python 3.8+
• Jupyter Notebook
• Required dependencies from requirements.txt

Steps to Install

1. Clone the repository:

   git clone https://github.com/sorna-fast/Weather-forecasting-with-machine-learning.git

2. Navigate to the project directory:

   cd Weather-forecasting-with-machine-learning

3. Create and activate a virtual environment:

   python -m venv venv
   source venv/bin/activate  # On Windows: `venv\Scripts\activate`

4. Install dependencies:

   pip install -r requirements.txt

Usage

1. Open Jupyter Notebook:

   jupyter notebook

2. Run one of the available notebooks:
   • Weather_forecasting_with_machine_learning_in_English.ipynb
   • Weather_forecasting_with_machine_learning_in_Persian.ipynb

Project Structure

Weather-forecasting-with-machine-learning/
│── dataset.csv                # Weather dataset
│── Weather_forecasting_with_machine_learning_in_English.ipynb  # English notebook
│── Weather_forecasting_with_machine_learning_in_Persian.ipynb  # Persian notebook
│── requirements.txt           # Project dependencies
│── README.md                  # Project documentation

Models Used

• Linear Regression
• Random Forest Regressor
• Gradient Boosting

Results & Performance

The models are evaluated using Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). The best-performing model results are documented within the notebooks.

Optimizing the best learning model

Gradient Boosting Used for optimization via (Random Search) via scikit-learn library. Best parameters: {'subsample': 0.7, 'n_estimators': 100, 'min_samples_split': 5, 'min_samples_leaf': 6, 'max_features': None, 'max_depth': 4, 'loss': 'huber', 'learning_rate': 0.05} Test R²: 0.8604 train r2: 0.8658

License

This project is licensed under the MIT License.

Contact

For inquiries, reach out to: Email:(masudpythongit@gmail.com) 🔗 GitHub: sorna-fast

---

توضیحات فارسی

پیش‌بینی آب‌وهوا با یادگیری ماشین

مقدمه

این پروژه بر روی پیش‌بینی آب‌وهوا با استفاده از تکنیک‌های یادگیری ماشین تمرکز دارد. این پروژه شامل مراحل پیش‌پردازش داده، آموزش مدل و ارزیابی برای پیش‌بینی پارامترهای آب‌وهوایی مانند دما و رطوبت می‌شود.

ویژگی‌ها

• پردازش و تجسم داده‌های آب‌وهوایی
• پیاده‌سازی چندین مدل یادگیری ماشین
• ارزیابی عملکرد مدل‌ها با معیارهای استاندارد
• ارائه نوتبوک‌های آموزشی به دو زبان انگلیسی و فارسی

نصب و راه‌اندازی

پیش‌نیازها

• پایتون ۳.۸ یا بالاتر
• Jupyter Notebook
• نصب کتابخانه‌های مورد نیاز از فایل requirements.txt

مراحل نصب

۱. کلون کردن ریپوزیتوری:

git clone https://github.com/sorna-fast/Weather-forecasting-with-machine-learning.git  

۲. ورود به پوشه پروژه:

cd Weather-forecasting-with-machine-learning  

۳. ایجاد و فعال‌سازی محیط مجازی:

python -m venv venv  
source venv/bin/activate  # در ویندوز: `venv\Scripts\activate`  

۴. نصب کتابخانه‌های مورد نیاز:

pip install -r requirements.txt  

نحوه استفاده

۱. اجرای Jupyter Notebook:

jupyter notebook  

۲. اجرای یکی از نوتبوک‌های موجود:

• Weather_forecasting_with_machine_learning_in_English.ipynb
• Weather_forecasting_with_machine_learning_in_Persian.ipynb

ساختار پروژه

Weather-forecasting-with-machine-learning/
│── dataset.csv                # دیتاست آب‌وهوایی  
│── Weather_forecasting_with_machine_learning_in_English.ipynb  # نوتبوک انگلیسی  
│── Weather_forecasting_with_machine_learning_in_Persian.ipynb  # نوتبوک فارسی  
│── requirements.txt           # کتابخانه‌های مورد نیاز  
│── README.md                  # مستندات پروژه  

مدل‌های استفاده شده

• رگرسیون خطی (Linear Regression)
• رگرسیون جنگل تصادفی (Random Forest Regressor)
• گرادیان بوستینگ (Gradient Boosting)

نتایج و عملکرد

مدل‌ها با استفاده از میانگین خطای مطلق (MAE) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شده‌اند. نتایج بهترین مدل در داخل نوتبوک‌ها مستندسازی شده است.

بهینه سازی بهترین مدل یادگیری

Gradient Boosting برای بهینه سازی از طریق (Random Search) از طریق کتابخانه scikit-learn استفاده شده‌اند.
بهترین پارامترها: {'subsample': 0.7, 'n_estimators': 100, 'min_samples_split': 5, 'min_samples_leaf': 6, 'max_features': None, 'max_depth': 4, 'loss': 'huber', 'learning_rate': 0.05} Test R²: 0.8604 train r2: 0.8658

مجوز

این پروژه تحت مجوز MIT منتشر شده است.

ارتباط با توسعه‌دهنده

Email:(masudpythongit@gmail.com)(masudpythongit@gmail.com)

🔗 حساب گیتهاب: sorna-fast