{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "73d419bc",
   "metadata": {},
   "source": [
    "# آرم گارد\n",
    "\n",
    "کارخانه‌ی صنعتی \"آرم گارد\" یکی از بزرگ‌ترین خطوط تولید خودکار را با ده‌ها بازوی رباتیک اداره می‌کند. این بازوها شبانه‌روز کار می‌کنند، قطعات را جابه‌جا می‌کنند و دقت خط تولید را تضمین می‌کنند.\n",
    "\n",
    "اما اخیراً تیم نگهداری با یک مشکل جدی روبه‌رو شده است.\n",
    "\n",
    "بازوها گاهی بدون هشدار قبلی از کار می‌افتند. یک موتور داغ می‌کند، یک واحد هیدرولیک فشار خود را از دست می‌دهد، و ناگهان کل خط تولید متوقف می‌شود. هر توقف ناگهانی یعنی ساعت‌ها بیکاری، هزینه‌ی تعمیر بالا و از دست رفتن سفارش‌های مشتری.\n",
    "\n",
    "برای یک اپراتور، یک خرابی شاید فقط چند ساعت تعمیر باشد؛ اما در مقیاس ده‌ها بازو و هزاران ساعت کارکرد، این مسئله به زیان‌های سنگین و کاهش اعتماد مشتریان تبدیل می‌شود.\n",
    "\n",
    "تیم فنی معتقد است سنسورهای نصب شده روی هر بازو، پیش از وقوع خرابی، نشانه‌هایی از خود بروز می‌دهند. دمای هسته کمی بالاتر می‌رود، لرزش بیشتر می‌شود، هماهنگی کنترلر افت می‌کند. مسئله فقط تشخیص خرابی نیست، بلکه پیش‌بینی آن قبل از وقوع است.\n",
    "\n",
    "اینجا جایی است که شما وارد می‌شوید.\n",
    "\n",
    "شما به عنوان متخصص یادگیری ماشین به پروژه‌ی \"آرم گارد\" دعوت شده‌اید. ماموریت شما ساختن مدلی است که با تکیه بر داده‌های سنسوری هر بازو، خرابی آن را پیش از وقوع پیش‌بینی کند.\n",
    "\n",
    "## ماموریت شما\n",
    "\n",
    "برای هر بازوی موجود در داده‌ی تست باید:\n",
    "\n",
    "- داده‌های سنسوری بازو را دریافت کنید.\n",
    "- الگوهای موجود در داده‌ی آموزش را یاد بگیرید.\n",
    "- وضعیت هر بازو را پیش‌بینی کنید: خراب (1) یا سالم (0).\n",
    "- پیش‌بینی‌ها را در فایل `submission.csv` ذخیره کنید.\n",
    "\n",
    "## فایل‌های داده\n",
    "\n",
    "داده‌هایی که برای دانلود در اختیار شما قرار گرفته، شامل دو پوشه است:\n",
    "\n",
    "| پوشه | توضیح |\n",
    "| :--- | :--- |\n",
    "| `train` | داده‌ی آموزش همراه با ستون هدف `failure` برای یادگیری مدل |\n",
    "| `test` | داده‌ی تست بدون ستون هدف که باید برای آن پیش‌بینی انجام دهید |\n",
    "\n",
    "هر ردیف داده، وضعیت سنسوری یک بازوی رباتیک را نمایش می‌دهد.\n",
    "\n",
    "| نام ستون | توضیح |\n",
    "| :--- | :--- |\n",
    "| `core_temp` | دمای هسته موتور (سانتی‌گراد) |\n",
    "| `hyd_pressure` | فشار هیدرولیک (PSI) |\n",
    "| `voltage_draw` | ولتاژ مصرفی (ولت) - مقدار نامی: 520 |\n",
    "| `sync_rate` | نرخ هماهنگی کنترلر (درصد، 0 تا 100) |\n",
    "| `coolant_level` | سطح مایع خنک‌کننده (لیتر) |\n",
    "| `vibration` | شدت لرزش (mm/s) |\n",
    "| `operating_hours`| ساعات کارکرد از آخرین سرویس |\n",
    "| `failure` | لیبل هدف: 1 = خرابی، 0 = سالم (فقط در داده‌ی آموزش) |\n",
    "\n",
    "## قوانین\n",
    "\n",
    "- مدل باید از صفر روی همین دیتاست آموزش ببیند. استفاده از مدل‌های از پیش آموزش دیده مجاز نیست.\n",
    "- کد باید تکرارپذیر باشد. مقدار `random_state` را تنظیم کنید.\n",
    "\n",
    "## ساختار خروجی\n",
    "\n",
    "فایل اصلی خروجی باید دقیقاً با نام زیر ساخته شود:\n",
    "\n",
    "```text\n",
    "submission.csv\n",
    "```\n",
    "\n",
    "این فایل باید شامل پیش‌بینی‌های مدل نهایی شما روی داده‌ی تست باشد.\n",
    "\n",
    "## نوت‌بوک\n",
    "\n",
    "راه حل شما باید در یک نوت‌بوک با نام زیر ارائه شود:\n",
    "\n",
    "```text\n",
    "notebook.ipynb\n",
    "```\n",
    "\n",
    "نوت‌بوک باید تمام مراحل کار را نگه دارد: بررسی داده، پاک‌سازی، مهندسی ویژگی، آموزش مدل و ارزیابی. هنگامی که نوت‌بوک با گزینه‌ی Run All اجرا می‌شود، باید بدون هیچ خطایی اجرا شده و در پایان، فایل ارسال (submission) را تولید کند.\n",
    "\n",
    "## نحوه‌ی ارسال\n",
    "\n",
    "خروجی نهایی خود را در قالب یک فایل ZIP ارسال کنید که شامل نوت‌بوک شماست:\n",
    "\n",
    "```text\n",
    "submission.zip\n",
    "├── notebook.ipynb\n",
    "└── submission.csv\n",
    "```\n",
    "\n",
    "## معیار ارزیابی\n",
    "\n",
    "عملکرد مدل شما بر اساس توانایی پیش‌بینی درست برچسب خرابی روی داده‌ی تست ارزیابی می‌شود.\n",
    "\n",
    "در طول مسابقه، برای جلوگیری از اورفیت، ارزیابی تنها روی 30% از داده‌ی تست انجام می‌شود و امتیاز موقت شما بر همین اساس نمایش داده می‌شود. در پایان مسابقه، پاسخ‌های ارسالی روی 100% داده‌ی تست داوری خواهند شد و امتیاز نهایی از این ارزیابی کامل به دست می‌آید. \n",
    "\n",
    "با توجه به ماهیت مسئله (نگهداری پیش‌بینانه) و اهمیت بسیار بالای از دست ندادن خرابی‌ها (False Negatives) نسبت به هشدارهای کاذب (False Positives)، معیار ارزیابی نهایی **F2-Score** است. این معیار وزن بیشتری (دو برابر) به `Recall` نسبت به `Precision` می‌دهد:\n",
    "\n",
    "$$F_2 = 5 \\times \\frac{Precision \\times Recall}{(4 \\times Precision) + Recall}$$\n",
    "\n",
    "امتیاز نهایی شما برابر است با:\n",
    "\n",
    "$$Score = 100 \\times F_2$$\n",
    "\n",
    "فراموش نکنید که استانداردهای کارخانه‌ی \"آرم گارد\" برای حفظ امنیت و پایداری خط تولید بسیار بالاست. برای اینکه راه حل شما در عمل قابل اعتماد ارزیابی شود و بتوانید از این ماموریت امتیازی کسب کنید، عملکرد نهایی مدل شما (امتیاز $F_2$) باید حداقل از مرز 70 عبور کند. عملکردهای پایین‌تر از این آستانه، پاسخگوی نیازهای حساس خط تولید نبوده و امتیازی در پی نخواهند داشت."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "35886edf",
   "metadata": {},
   "source": [
    "## کد های شما"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c63d03f6",
   "metadata": {},
   "outputs": [],
   "source": [
    "# your code ..."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "6ac4fdae",
   "metadata": {},
   "source": [
    "## ساخت فایل نهایی برای آپلود در کوئرا"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "a0255d22",
   "metadata": {},
   "outputs": [],
   "source": [
    "import zipfile\n",
    "import os\n",
    "\n",
    "if not os.path.exists(os.path.join(os.getcwd(), 'notebook.ipynb')):\n",
    "    %notebook -e notebook.ipynb\n",
    "\n",
    "def create_submission_zip(zip_name=\"submission.zip\", notebook_name=\"notebook.ipynb\", sub_dir=\".\"):\n",
    "    print(f\"Creating {zip_name} ...\")\n",
    "    compression = zipfile.ZIP_DEFLATED\n",
    "    \n",
    "    with zipfile.ZipFile(zip_name, mode=\"w\", compression=compression) as zf:\n",
    "        if os.path.exists(notebook_name):\n",
    "            zf.write(notebook_name, arcname=notebook_name)\n",
    "            print(f\"Added: {notebook_name}\")\n",
    "        else:\n",
    "            raise FileNotFoundError(f\"Error: '{notebook_name}' not found! Process aborted.\")\n",
    "\n",
    "        csv_path = os.path.join(sub_dir, 'submission.csv')\n",
    "        \n",
    "        if os.path.exists(csv_path) and os.path.isfile(csv_path):\n",
    "            zf.write(csv_path, arcname='submission.csv')\n",
    "            print(f\"Added: {csv_path}\")\n",
    "        else:\n",
    "            raise FileNotFoundError(f\"Error: 'submission.csv' not found exactly in '{sub_dir}'! Process aborted.\")\n",
    "            \n",
    "    print(f\"\\nSuccessfully created {zip_name}\")\n",
    "\n",
    "create_submission_zip()\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.10.11"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}