<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Amarbayan Altangerel on Medium]]></title>
        <description><![CDATA[Stories by Amarbayan Altangerel on Medium]]></description>
        <link>https://medium.com/@weatheranchor_43165?source=rss-c574e0c000db------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*g3CgwUB7ZWDEVLxew3xpBA.jpeg</url>
            <title>Stories by Amarbayan Altangerel on Medium</title>
            <link>https://medium.com/@weatheranchor_43165?source=rss-c574e0c000db------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 12:55:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@weatheranchor_43165/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Улаанбаатар хотын байрны үнийг таамаглах нь]]></title>
            <link>https://medium.com/@weatheranchor_43165/%D1%83%D0%BB%D0%B0%D0%B0%D0%BD%D0%B1%D0%B0%D0%B0%D1%82%D0%B0%D1%80-%D1%85%D0%BE%D1%82%D1%8B%D0%BD-%D0%B1%D0%B0%D0%B9%D1%80%D0%BD%D1%8B-%D2%AF%D0%BD%D0%B8%D0%B9%D0%B3-%D1%82%D0%B0%D0%B0%D0%BC%D0%B0%D0%B3%D0%BB%D0%B0%D1%85-%D0%BD%D1%8C-b152ccc474d5?source=rss-c574e0c000db------2</link>
            <guid isPermaLink="false">https://medium.com/p/b152ccc474d5</guid>
            <category><![CDATA[ulaanbaatar]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[house-prices]]></category>
            <dc:creator><![CDATA[Amarbayan Altangerel]]></dc:creator>
            <pubDate>Sun, 21 Apr 2019 11:19:57 GMT</pubDate>
            <atom:updated>2019-04-21T11:28:57.015Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t30YmRX___nWekZFtM0wZQ.png" /><figcaption>credits to <a href="https://www.behance.net/gallery/50949781/Ulaanbaatar-illustration-inspired-by-Romain-Trystram">Erdenebat Nyamsuren</a></figcaption></figure><h3>Улаанбаатар хотын орон сууцны үнийг таамаглах нь</h3><h4>Энэхүү төслөөр бид, Улаанбаатар хотын байрны метер квадратын үнийг таамаглах модел боловсруулан веб апп хийх болно. <a href="https://ub-house-price-prediction.herokuapp.com/">Web Application</a></h4><p>Юуны өмнө зарим нэгэн мэргэжлийн хэллэгүүдийг Монгол хэлнээ буулгаж, ойлголтыг гаргахад үнэхээр бэрх байх тул Англи хувилбарыг уншвал арай илүү ойлгомжтой байх боломжтой шүү ;)</p><p>Сүүлийн үеийн орон сууцнуудын мэдээллийг харцгаая. Монгол улсын нийт орон сууцны барилгуудын ихэнхи нь Улаанбаатар хотод төвлөрсөн байх ба 2015 онд хамгийн ихдээ хүрч 1.6 триллион төгрөгний үнэтэй байрнууд баригджээ. Дараагийн жилүүдэд эрчимтэй уналтад орж Улаанбаатар хотын байрнууд 2015 оныхоосоо 44 хувиар буурчээ. Бид үүнийг хараад бага эрэлтээс болж нийлүүлэлт багассан ба хэдий эрэлт их байв ч нийлүүлэлт багассаны учир байрны үнэ ихэссэн байна хэмээн дүгнэж болно. Энэхүү шалтгааны улмаас байр худалдаалагчид үнээ ихэсгэх болсон уу? эсвэл өөр тодорхойгүй эдийн засгийн хүчин зүйл нөлөөлсөн үү? эсвэл худалдаалагчид байрны чанарт анхаарах болсон уу?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8IIjsltlLFRSB2J-YyF2qg.png" /></figure><p>Энэхүү таамаглах веб апп хийх болсон зорилго минь худалдагч болон худалдан авагч 2 талуудыг үнийн тал дээрээ ухаалаг хандаасай гэсэндээ юм. Ихэнхи тохиолдолд худалдагч нь үнээ байрны байрлал “А эсвэл Б зэрэглэл” дээр тулгуурлан үнийн саналаа тавьдаг ба энэхүү “А зэрэглэлийн бүсийг” чухам яаж хэмжсэн болон хэн хэмжсэн талаар баримт хараахан байхгүй байх ажээ. Би худалдагчдыг ядахдаа ойр орчмынхоо гэмт хэргийн байдал, сургууль болон цэцэрлэгийн тоо зэрэг дээр тулгуурлан үнээ санал болгодог болгохыг хүссэн. Нөгөө талдаа, худалдан авагчид олон байрлалд өөрийн хүссэн өрөөний тоо болон метер квадратаа оруулаад боломжит байрлалууд дээрх үнийн саналыг авч болохуйц ямар нэгэн газар эсвэл вебсайт байхгүй байгаа нь үнэхээр харамсалтай. Хэдийгээр онлайн худалдааны вебсайт “Үнэгүй.мн” байгаа боловч, энэ нь зөвхөн тодорхой хэрэглэгчдийн оруулсан мэдээллүүд байх бөгөөд худалдан авагчдад үнэхээр том хязгаар болж байгаа юм. Энэхүү асуудлыг бага ч болов шийдэж хоёр талуудад тус хүргэх нь миний зорилго ба энэхүү нийтлэлээрээ би энэ веб апп-г хэрхэн хийсэн талаар чухал хэсгүүдийг дурдах болно.</p><h4>Эхлээд бид таамаглах моделоо хэрхэн ашиглагдах, хэр хэрэгцээтэй талаар асуух хэрэгтэй.</h4><p>Энэ төслийг худалдагч болон худалдан авагчдыг байрны метер квадратын үнэ нь хороолол, орчин тойрны газрууд (сургууль, цэцэрлэг), хотын төвөөс хэр хол болох, амьдрах орчин нь хэр аюул байгатай болох зэрэг нь нөлөөлж байгааг ойлгуулахын тулд юм. Эдгээр хүчин зүйлс нь байрны үнэд маш ихээр нөлөөлөх боловч, зарим хүчин зүйлс болох баригдсан он, цонхны тоо, наран талруугаа харсан эсэх зэрэг оролцоогүй болно. Тэгэхээр бидний модел нь байрны үнэ болон орчин тойрныг нь сонирхсон хэн бүхэнд тус болохуйц модел юм.</p><blockquote>Чухал зүйлсийг дурдахад: Бид 3863 мөр 2018 оны 12 сарын 25-с 2019 оны 2 сарын 25н хүртэлх датаг (он сар өдөр, гарчиг, өрөөний тоо, үнэ, байрлал, дүүрэг) зэргийг Үнэгүй.мн-с scrape хийж авсан.</blockquote><p>Энэ төслөөр бидний хийх зүйлс:</p><ul><li>Try different predictive models with pre-processing</li><li>Хамгийн сайн моделын параметэрүүдыг өөрчилөн сайжруулах</li><li><a href="https://plot.ly/products/dash/"><strong>Plotly dash</strong></a> application хийх</li></ul><h4>Дата цэвэрлэгээ</h4><ul><li>Бүх тоо биш болон хязгааргүй өгөгдлүүдийг устгах</li><li>Хэд давсан болон хэт байж болохгүй өгөгдлүүдийг устгах</li><li>Метер квадратын хэт давсан утгууд нь 99дэх хувийг авж харахад хамгийн ихдээ метер квадрат нь 500 байж болохыг ойлгосон. Тиймээс 500-с том метер квадраттай бүх байрнуудыг хассан. Мөн хамгийн ихэд анхаарлаа хандуулсан шиг хамгийн багад анхаарлаа хандуулах хэрэгтэй жишээ нь 16 метэр квадраттай 1 өрөө байр байж болохуйц ба түүнээс доошхуудыг хассан.</li></ul><p>Цэвэрлэхийн өмнө ба дараа</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/402/1*mz9EVKc2Gd0VsoescDaSGQ.png" /></figure><p>Бид үүнээс зарим хэрэглэгчид байж боломгүй өндөр үнийн саналуудыг оруулсан ба энэ нь бүхэл дата сэт-г нормал тархалттай биш болгож байгаа юм.</p><h4>Цэвэрлэснийхээ дараа бид шинэ хүчин зүйл эсвэл бидний зорилго болох квадрат метрийн үнийг гаргаж авна</h4><p>Зарим хэрэглэгчид үнээ оруулахдаа метер квадратын үнийг оруулсан эсвэл бүхэл үнийг оруулсан нь холилдсон ба маш том зангилаа болгосон байв. Гэхдээ бид үүнийг цэвэрлэх хэрэгтэй</p><h4>Харин одоо бид үндсэн дата сэтээ нэмэлт хүчин зүйлс болох: хотын төвөөс байр хүртэлх зай, сургууль цэцэрлэгийн тоо зэргийг нэгтгэх хэрэгтэй</h4><ul><li>dis_horoo гэх нэмэлт хүчин зүйлийг бусад дата сэтүүдтэй нэгтгэхэд амар болгохын тулд хийсэн жишээ нь: Чингэлтэй, 1 гэх мэт</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/437/1*KKimZ10c0NeZHCWfQDJVvA.png" /></figure><p>Дата сэтүүдийг нэгтгэсний дараах корреляци heat map</p><p>Үүнээс харахад зарим хүчин зүйлсүүд үнэхээр сул хамааралтай байх ба бид олон тооны хүчин зүйлс нь үнийг тодорхойлдгийг санах хэрэгтэй!</p><blockquote>Бид өөр өөр таамаглах моделуудын параметеруудыг өөрчлөхгүйгээр туршиж үзнэ</blockquote><blockquote>Mean Absolute Error нь таамагласан утгууд үнэн дата утгуудаас хэр хол байгааг харуулна</blockquote><blockquote>Root Mean Squared Error нь хамгийн сайн нийцэлтэй зурвасаас хэр хол тарсан байгааг харуулна</blockquote><blockquote>R squared нь бидний зорилгын хэдэн хувийг таамаглалын хүчин зүйлсүүд хэр оновчтой хариулт өгч байгааг харуулна</blockquote><blockquote>Accuracy нь таамаглалын утга үнэн утгатай хэр ойр байгааг харуулна</blockquote><h3>Эхний модел нь Linear Regression</h3><ul><li>Linear Regression нь олон тооны хүчин зүйлсүүдийн харилцан холбоог судлан, дүгнэхэд хэрэглэгддэг ба сайн үзүүлэлттэй таамаглалын модел юм</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*C5CzIEnjCmcxVPC8GLAtzw.png" /></figure><ul><li>3–4 сая төгрөгний хооронд орших хэд хэдэн таамаглалууд үнэн утгаас хэт давсан байх ба бид сайн ажигласаар байх хэрэгтэй</li><li>Таамаглалууд хамгийн нийцэлттэй зурвасаас 350мянгаар хол байх ба R squared нь 40 хувь ба бид үүнийг зайлшгүй сайжруулах хэрэгтэй</li><li>Accuracy нь сайн байсан ч илүү сайжирч болно</li></ul><h3>Second model we will try is Random Forest Regressor</h3><ul><li>Random Forest Regressor нь олон тооны моднуудыг зэрэг сургах ба класс (зүйл ангиар ялгах) эсвэл дундаж таамаглал (тоогоор хариулах) 2 үндсэн хэрэгцээтэй</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/406/1*S43YvJND-h-f_FBN3Q38iQ.png" /></figure><ul><li>Таамаглалууд сайжирсаар байх ба энэ удаад өмнө нь 3–4 саяын хооронд хэт давсан байсан утгууд хамгийн сайн нийцэлтэй зурвастай ойртсон байгааг харж болно</li><li>Mean Absolute Error and RMSE хоёр ойролцоогоор 50 мянгаар багассан ба accuracy оновчтой байдал нь 0.5 хувиар ихэссэн нь сайн хэрэг юм</li></ul><h3>Гурав дах модел нь Xgboost</h3><ul><li>Xgboost нь eXtreme gradient boosting гэсний товчлол ба decision trees-н сайжруулсан хувилбар гэж хэлж болох ба тооцооллын хурд болон үзүүлэлтүүд дээр анхаардаг</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/408/1*g6I6EFjy5O-wpM_l3uolZw.png" /></figure><ul><li>Mean Absolute Error and RMSE хоёул буурсан нь модел илүү бага алдаа гаргаж байгааг илтгэж байна</li><li>R squared нь бараг л 10 хувиар өссөн ба decision trees манай төслийн өгөгдлүүдэд илүү сайн ажиллаж байгааг харуулж байна</li><li>Accuracy оновчтой байдал нь 1 хувиар өсчээ</li></ul><h3>Моделуудын дүгнэлт</h3><ul><li>Эхний хоёр моделуудын үр дүн сүүлийнхийгээ бодвол арай муу байсан. Mean absolute error and root mean squared errors нь 300 мянгын зөрүүтэй байх боловч r-squared болон accuracy нь маш ойролцоо байгаа нь эдгээр моделууд бүгд сайн үзүүлэлт гаргасныг харуулж байна.</li><li>Хамгийн сайн үзүүлэлт үзүүлсэн моделоор Xgboost Regressor шалгарсан боловч энэ модел бидний хүссэн зүйлсийг шууд өгч чадахгүй.</li></ul><blockquote>Өмнөх моделууд бидэнд 4–5 саяын хоорондох байрнуудад оновчтой хариулт өгөх нь багас ч байсныг эргүүлэн санах хэрэгтэй ба их тоон дээр илүү том алдаатай хариултыг хэрэглэгчид өгөх нь асуудалтай. Тиймээс бид арай өөр модел хэрэглэх хэрэгтэй ба энэ модел нь бидэнд үнийн хязгааруудыг өгч чадагуйц байх хэрэгтэй ба хамгийн тоймлосон хариултуудыг өгөх зорилготой байх болно.</blockquote><h4>Тэгэхээр одоо яах вэ ? Үнийн хязгаарууд ?</h4><p>Бид таамаглалуудын хэсгүүдийг (quantiles) өгч чадах моделыг хэрэглэнэ. Ингэхдээ бид 2.5–97.5дах хэсгүүд (quantiles) хэтэрхий том учир зарим хүмүүс моделд эргэлзэж эхлэх нь зайлшгүй хэрэг. Тиймээс бид доод хязгаар 25дах, дундаж 50дах болон дээд хязгаар 75дах хэсгүүдийг ашиглах болно.</p><h4>Бид Random Forest Quantile Regressor-г ашиглах ба үүний параметеруудыг хамгийн сайн болгохын тулд RandomizedSearchCV-г ашиглана яагаад гэвэл GridSearchCV нь хэтэрхий удаан болон нөөц ашиглах хэмжээ их юм.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*LSX8Q9M7kXMqPNXgVKwBTA.png" /></figure><h3>Сүүлийн моделын дүгнэлт</h3><ul><li>Улаан гурвалжин дээд хязгаар, цэнхэр дугуй нь дундаж, ногоон гурвалжин нь доод хязгаар</li><li>R squared болон accuracy нь өмнөх моделуудаасаа илүү дээшилсэн ба таамаглал гаргах нь яг л бидний хүссэнээр (25th percentile, 50th percentile, and 75th percentile) гарна</li><li>Модел нь үнэтэй газруудад илүү их алдаа гаргасаар байх боловч хямд газруудад илүү оновчтой байгааг ажиглаж болно. Гэвч энэ удаад бид үнийн хязгааруудыг өгч байгаа учраас хэрэглэсэн хүмүүст илүү хүртээмжтэй мэдээлэл болон санагдах нь тодорхой.</li></ul><h4>Бид бараг л энэ төслийг дуусгачихлаа гэвч нэг асуулт үлдсэн нь “Хэрхэн веб апп хийх вэ?”</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1K15JXddO3a5m21kWy0ZRQ.png" /></figure><p>Бид бараг л энэ төслийг дуусгачихлаа гэвч нэг асуулт үлдсэн нь “Хэрхэн веб апп хийх вэ?”<br>Би plotly-н <a href="https://plot.ly/products/dash/">dash</a> (маш гайхалтай дүрсжүүлэлтийн package) ба python болон бусад хэл дээр ажиллаж болохуйц юм. Тэгэхээр ажиллах хэлбэр нь нэгэн төрлийн dashboard ба flask дээр ажилладаг package ба server эсвэл static html file-р хадгалах боломжтой. Үүнийг хийхэд бүр тулсан мэдлэгтэй вэб хөгжүүлэгч байх шаардлагагүй зөвхөн html болон css-н жаахан мэдлэгтэй байхад л амархан хийж чадна.</p><p>Миний хийсэн арга бол эхлээд өөрийн local machine дээрээ туршиж үзсний дараагаар heroku (үнэгүй веб хостин)-г хэрэглэн тэндээ байршуулсан мөн интернетэд маш олон <a href="https://dash.plot.ly/deployment">заавар зөвлөмжүүд</a> байгаа ба та ч гэсэн өөрөө нэгийг хийхэд тун амархан байх болно.</p><p>Хэрэв та энэ хүртэл уншиж дуусгасан бол танд маш их баярлалаа. Монгол хэлрүү зарим хэллэгүүд болон ойлголтуудыг хөрвүүлэхэд тун хэцүү байсан учир үг утга зүйн алдаа маш их байгааг та анзаарсан байх. Тиймээс <a href="https://medium.com/@weatheranchor_43165/predicting-ulaanbaatars-apartment-price-c3dcccbaee57">Англи хэл дээрх хувилбарыг</a> унших нь илүү зохимжтой тул энийг уншина уу.</p><h4><a href="https://ub-house-price-prediction.herokuapp.com/">Web Application</a></h4><p>You can find the work <a href="https://github.com/WeatherAnchor/ub_apartment_price_prediction">here</a><br>Find me here: <a href="https://www.facebook.com/weather.amarbayan">Facebook,</a> <a href="https://www.instagram.com/weather.lftn">Instagram</a> &amp; <a href="https://www.linkedin.com/in/amarbayan-altangerel/">LinkedIn</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b152ccc474d5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Predicting Ulaanbaatar’s apartment price]]></title>
            <link>https://medium.com/@weatheranchor_43165/predicting-ulaanbaatars-apartment-price-c3dcccbaee57?source=rss-c574e0c000db------2</link>
            <guid isPermaLink="false">https://medium.com/p/c3dcccbaee57</guid>
            <category><![CDATA[ulaanbaatar]]></category>
            <category><![CDATA[house-prices]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Amarbayan Altangerel]]></dc:creator>
            <pubDate>Sun, 21 Apr 2019 11:16:35 GMT</pubDate>
            <atom:updated>2019-04-21T14:15:46.268Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t30YmRX___nWekZFtM0wZQ.png" /><figcaption>credits to <a href="https://www.behance.net/gallery/50949781/Ulaanbaatar-illustration-inspired-by-Romain-Trystram">Erdenebat Nyamsuren</a></figcaption></figure><h4>In this project we will create a prediction model to predict Ulaanbaatar city’s house price by per square meter. <a href="https://ub-house-price-prediction.herokuapp.com/">Web Application here</a></h4><p>Let’s look at some recent data to understand the overview of the residential building industry. Majority of the residential buildings are from Ulaanbaatar the capital city of Mongolia and as we can see that peak of the industry was in 2015 and 1.6 trillion tugriks worth of residential buildings were finished. In subsequent years the supply of residential buildings has decreased dramatically by 44 percent in Ulaanbaatar. We may also say that supply has decreased due to a very low demand and other unknown economical factors which results in residential buildings price increase. Is this the reason why sellers are offering high price without considering other factors ? or Is there any other important factors such as crime rate, number of schools and kindergartens, and distance from city center ?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YqH5rx_-9nYKhhdfR5oSuw.png" /><figcaption>data from <a href="http://1212.mn/tables.aspx?tbl_id=DT_NSO_0902_009V1&amp;13999001_select_all=0&amp;13999001SingleSelect=_T1&amp;SOUM_select_all=0&amp;SOUMSingleSelect=_511_0&amp;YearY_select_all=1&amp;YearYSingleSelect=&amp;viewtype=areachart">1212.mn</a></figcaption></figure><p>The reason I wanted to make this predictive web application is to encourage both apartment seller and buyer to be reasonable on their prices. Most of the time sellers would offer prices depending mostly on the apartment location such as city center, city “A or B” area and there is no clear term for city “A” center and how it is measured. I wanted sellers to account crime rate in the location, how many schools and kindergartens are available in that specific area. On the other hand, buyers should be able to know apartment prices in different places and there is no place or a web site that shows apartment prices in different places using user inputs such as number of rooms and square meter. Even if there is an e-commerce website like Unegui.mn it can only show places that sellers intended to sell which is a limited resource. Creating web application that can help both parties was my goal and I will walk through important steps creating this web application.</p><h4>Where should we look for our data?</h4><p>This was a big problem when we initially decided to implement our idea and there was no place but Unegui.mn to get main dataset. Unegui.mn is an online store that sells variety of commodity, job offers, and most importantly there are sale and rent of apartments. When people entering apartment listing into it there are couple of features that they must fill (location, district, price, number of rooms) and couple of features are optional(year built, number of windows and balcony, direct sunlight, children play ground, garage and etc). After acquiring our main data set we need find our other data sets such as number of kindergartens and schools, distance from city center and crime rate. Some of data sets have manually acquired such as distance from city center (using google maps on each location) and number of kindergartens and schools, and crime rate from public data sets.</p><blockquote>Important things to note here is that we have scraped 3863 rows from 2018–12–25 to 2019–02–25 data from <a href="https://www.unegui.mn/l-hdlh/l-hdlh-zarna/oron-suuts-zarna/">Unegui.mn</a> with features: <br><strong>date- </strong>the date of a listing entered, <br><strong>title</strong>- a user generated text referring to a listing,<br><strong>rooms</strong>- number of rooms of apartment, <br><strong>price</strong>- full price or a square meter price of an apartment,<br><strong>location</strong>- user can only choose from about 50 different locations available,<br><strong>district</strong>- district of an apartment.</blockquote><p>First 5 rows of a main data frame</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/610/1*3EQRWe0U2lCQ4LwVgI4ltg.png" /></figure><h4>Firstly, we should ask how this model can be used and how useful it is if we have a model ?</h4><p>We started this project to help house sellers and potential buyers to have a general understanding of apartment’s square meter price estimation based on the khoroolol (district), surrounding places (schools and kindergartens), distance from city center and how safe the living area is. These features have significant impact on house prices even though some features like built year of the house, number of windows, direct sunlight have high impact. Our model is useful for anyone who is interested in house prices and the surrounding area information because there is no easy way to access all these information at once.</p><p>Goals in this project are:</p><ul><li>Try different predictive models</li><li>Tune the best model’s hyper-parameters</li><li>Make <a href="https://plot.ly/products/dash/"><strong>plotly dash</strong></a> application</li></ul><h4>Data cleaning</h4><ul><li>Found every nan or infinite values and removed them. Out of 3863 rows only 2941 were valid values.</li><li>Square meter outliers can be calculated by taking the 99th percentile and by looking at values larger than 99th percentile we can see people entered absurd amounts such as 1.7 million square meters. And it is reasonable to think that normal apartment maximum could be 500 square meters at maximum.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/371/1*KrydTq6XDzTvQOZwG93vqA.png" /></figure><ul><li>Not only removing larger values but we also need take care of smaller values which is 16sqmtr 1 room apartment and everything less than that should be removed.</li><li>Humans make mistake! and we thought that when people inserting their place to Unegui.mn some of them put whole price and some of them put square meter price which is a big mess</li></ul><p>This is before and after data cleaning</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/402/1*mz9EVKc2Gd0VsoescDaSGQ.png" /></figure><p>You can clearly see that some people entered a huge amount of price offer and it is diluting our main data set. Removing them helps us to keep normal distributed data.</p><h4>After data cleaning we need to create a new feature which is our prediction target: price per square meter</h4><ul><li>To get the price per square meter we simply divide total price by number of rooms</li></ul><h4>Now we need to merge main data frame with our additional feature: distance from city center, number of schools each district, number of kindergartens each district</h4><ul><li>Creating another feature called dis_horoo combination of district + horoo e.g: Чингэлтэй, 1 in order to easily merge multiple data frames without column name conflicts</li><li>In the process of merging data sets we found out that some locations’ number of schools and kindergartens or distance from city center was not found on the internet or certain location is too far from city center or amount of data is too little to use. So we decided to only use specific districts: “Баянзүрх, Хан-Уул, Баянгол, Сүхбаатар, Чингэлтэй” and omitting “Сонгино Хайрхан, Налайх, Багахангай, Багануур”</li></ul><p>After merging all the data sets into one big data frame</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/609/1*JxfD0SNtnL08zhC408pz8w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/437/1*KKimZ10c0NeZHCWfQDJVvA.png" /></figure><p>After merging all the data frames, main data frame’s correlation heat map</p><p>Here we can see some individual weak correlations and we have to remember that multiple variables are what determines price!</p><blockquote>We will try three different predictive models without hyper parameter tuning</blockquote><blockquote>Mean Absolute Error shows how far residuals are from actual data points in absolute number meaning no negative.</blockquote><blockquote>Root Mean Squared Error shows us how spread our residuals are from the best fitted line</blockquote><blockquote>R squared shows us what percentage of our target variable can be explained by the other variables</blockquote><blockquote>Accuracy shows us how close we are to the true value and this is what we will focus on since this is calculated by using (100-Mean Absolute Percentage Error). Simply more accurate it is, less error it makes.</blockquote><h3>First model we will try is Linear Regression</h3><ul><li>Linear Regression is used to study and summarize the relationship between multiple quantitative variables and of course it is a very common and well performing predictive model</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*C5CzIEnjCmcxVPC8GLAtzw.png" /></figure><ul><li>Multiple points in top around 3-4 million tugriks have gone wildly far from the true value and that is a problem we need to keep an eye on</li><li>83 percent accuracy is decent but can get better</li></ul><h3>Second model we will try is Random Forest Regressor</h3><ul><li>Random Forest Regressor operates by constructing a multiple decision trees at training time and outputting the class that is the mode of the classes (classification) or mean prediction (regression) of the individual trees</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/406/1*S43YvJND-h-f_FBN3Q38iQ.png" /></figure><ul><li>Metrics are getting better and this time what in top outliers have gone closer to the best fitted line</li><li>Accuracy has increased by almost 1 percent</li></ul><h3>Third model we will try is Xgboost</h3><ul><li>Xgboost is short for eXtreme gradient boosting, a better vesion of decision trees and is focused on computational speed and performance</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/408/1*g6I6EFjy5O-wpM_l3uolZw.png" /></figure><ul><li>Notice R squared jumped by almost 10 percent and it is a good sign that decision trees are working out</li><li>Accuracy increased by 1 percent again. No wonder because this is a boosted trees working.</li></ul><h3>Models evaluation</h3><ul><li>First two models’ results are really different from others. Mean absolute error and root mean squared errors have about 30,000 price difference even though the r-squared and the accuracy are almost same.</li><li>The best performing model among them is Xgboost Regressor and even though the high r-squared, and accuracy none of the models can give us the output we wanted directly in our hand.</li></ul><blockquote>Remember that previous models were struggling to give accurate prediction on expensive places around 4–5 million and that is a problem if we give such highly deviated number for a user. That is the reason why we need to take another approach and try different model. The model does not include factors that most people consider when buying apartment such as quality of the apartment, age of the apartment, direct sunlight, and economic ups and downs. So there is going to be some variability or inconsistency in our model and thus giving out a general price range is recommended.</blockquote><h4>So what do we do now ? Price range ?</h4><p>We will use a model that can output prediction quantiles. We should be aware that giving out 2.5th to 97.5th is such a high variance that it would not be useful. So we will give 25th (lower), 50th (middle), and 75th (upper) price range.</p><blockquote>Our objective in this project is to select a best model that can give us price range between 25th and 75th prediction interval. So we have to use Random Forest Quantile Regressor from <a href="https://github.com/scikit-garden/scikit-garden">scikit-garden</a> and it gives us the exact result we want. Random Forest Quantile Regressor takes two arguments 1: input data and 2: quantile.</blockquote><h4>We will be using Random Forest Quantile Regressor and tuning its hyper parameters using RandomizedSearchCV because GridSearchCV will be computationally expensive</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*LSX8Q9M7kXMqPNXgVKwBTA.png" /></figure><h3>Final Model Evaluation</h3><ul><li>R squared and accuracy is both relatively higher than the previous models and the output is what we wanted (25th percentile, 50th percentile, and 75th percentile)</li><li>Model performs better in the lower price range</li><li>Observing the graph we can see that there is clear linear trend and red triangle is the upper prediction interval, blue dot is the mid interval, and green triangles are lower prediction interval</li><li>Once again the struggle in the price 4–5 million stays but this time we are giving out a price range that makes sense to people</li><li>In the end this model is what we wanted, it gives us the lower prediction interval, mid prediction interval, upper prediction interval and we can also change the interval to much higher like 2.5th to 97.5th if the model gets more accurate.</li><li>In short, we cleaned data sets and after cleaning and merging, the remaining data set rows were only 1966 out of 3866. So almost half of the data were not useful and even this amount of data can perform highly accurate, we can conclude that our model’s performance will increase if useful data set size increases.</li></ul><h4>We are almost done with the project but one thing left “How did I make my web application ?”</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1K15JXddO3a5m21kWy0ZRQ.png" /></figure><p>I used <a href="https://plot.ly/products/dash/">Dash</a> from <a href="https://plot.ly/">Plotly</a>, it is a visualization package that is available in python and it can generate both static html graphs file or a beautiful dashboards on a live server. So it means that our web application is some sort of dashboard that is working on flask. You don’t have to be an expert to deploy your model in a dash plotly, you just need to learn a few scripts and it is a good idea to have a basic knowledge of html and css styling.</p><p>After creating dashboard in my local machine, I have deployed in heroku (free web hosting) and there are lots of <a href="https://dash.plot.ly/deployment">tutorial</a> out there if you want to make one for your self.</p><h4><a href="https://ub-house-price-prediction.herokuapp.com/">Web Application here</a></h4><h4><a href="https://medium.com/@weatheranchor_43165/%D1%83%D0%BB%D0%B0%D0%B0%D0%BD%D0%B1%D0%B0%D0%B0%D1%82%D0%B0%D1%80-%D1%85%D0%BE%D1%82%D1%8B%D0%BD-%D0%B1%D0%B0%D0%B9%D1%80%D0%BD%D1%8B-%D2%AF%D0%BD%D0%B8%D0%B9%D0%B3-%D1%82%D0%B0%D0%B0%D0%BC%D0%B0%D0%B3%D0%BB%D0%B0%D1%85-%D0%BD%D1%8C-b152ccc474d5"><strong>Mongolian version here</strong></a></h4><p>You can find the work <a href="https://github.com/WeatherAnchor/ub_apartment_price_prediction">here</a><br>Find me here: <a href="https://www.facebook.com/weather.amarbayan">Facebook,</a> <a href="https://www.instagram.com/weather.lftn">Instagram</a> &amp; <a href="https://www.linkedin.com/in/amarbayan-altangerel/">LinkedIn</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c3dcccbaee57" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Game of Thrones network анализ]]></title>
            <link>https://medium.com/@weatheranchor_43165/game-of-thrones-network-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7-52b69e13377a?source=rss-c574e0c000db------2</link>
            <guid isPermaLink="false">https://medium.com/p/52b69e13377a</guid>
            <category><![CDATA[game-of-thrones-mongolia]]></category>
            <category><![CDATA[network-analysis-mongolia]]></category>
            <category><![CDATA[network]]></category>
            <dc:creator><![CDATA[Amarbayan Altangerel]]></dc:creator>
            <pubDate>Wed, 10 Apr 2019 13:15:21 GMT</pubDate>
            <atom:updated>2019-04-10T13:15:21.608Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sZ8ArSOQUspkSlsYY_pT8Q.png" /></figure><p>Маш олон үзэгчтэй HBO телевизийн цуврал болох “Хаан Сэнтийний тоглоом” нь олон тооны гол дүрүүд болон туслах дүрүүдтэй ба зураг авалтууд нь ч гэсэн тухайн дүрүүд дээрээ тулгуурлан авагддаг гэдгийг үзэгч бид сайн мэднэ. Энэ олон тооны гол дүрүүдийн чухам хэн нь хамгийн чухал дүр болох хамгийн нөлөөтэй дүр болохыг дараах анализаараа гаргахыг зорилоо.</p><h4>Хэр олон тооны хүмүүсийг таних вэ?</h4><p>Цувралын туршид хамгийн чухал дүр хэн болох, хэр олон тооны хүнтэй холбоо сүлбээтэй байдгийг мэдэхийн тулд “Degree centrality” хэмээх network алгоритмыг ашиглана. Энэ нь тухайн дүрийн бүх таньдаг дүрүүдийн тоог боломжит бүх танилуудын тоонд хуваан харьцуулсан оноо өгдөг нетворкинг алгоритм юм.</p><blockquote>Дараах графикуудыг харахдаа босоо тэнхлэгийн утга(оноо)-г юу болохыг нэг их анхаараад хэрэггүй яагаад гэвэл бид хэн нь хэнээсээ илүү чухал бас нөлөөтэй дүр вэ гэдгийг 7 бүлгүүдийн өгөгдлүүд дээр харьцуулан дүгнэнэ.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*iBS7_mYRjDEY3QU7UYPcLw.png" /></figure><ul><li>Цувралын маань хамгийн гол x-factor болох Jon Snow багаас эхэлсэн боловч сүүлийн бүлгүүдэд түүнтэй тулгарсан адал явдлууд олон тооны хамтрагчдыг өөрийн эгнээндээ нэгтгэхэд тусалжээ гэдгийг маш сайн харж болно.</li><li>Jon-с дутахааргүй нэгэн дүр бол мэдээж алдарт луугын эх урт нэрт Daenerys Targaryen мөн л асар их адал явдалтай учирч Tyrion-г хүртэл өөртөө нэгтгэснийг бодоход түүний танилын хүрээ тэлэх нь зүйн хэрэг бизээ.</li><li>За мэдээж удаах байранд Tyrion Lannister хорыг хутгагч, цэцэн цэлмэг, дунджаас доош өндөрт маань орлоо. Тэрээр бусад дүрүүдийг бодоход анхнаасаа л хамгийн их танилтай байсаар ирсэн ба 5, 6, 7-р бүлэгт тэргүүн байраа алджээ. Удаах байруудад Cersei, Davos, Sansa оржээ.</li><li>Хамгийн сонирхолтой нь та бидний төсөөлөөчгүй Brienne of Tarth 8-р байранд болон Hound 9-р байранд орсон байх ажээ. Магадгүй бидний мэдэхгүй үйл явдлууд болсон, болсон ч бид анхаарч сайн анзаараагүй байж болох юм.</li></ul><h4>Хүрээлэлдээ амин судас буюу ихэнх мэдээлэл түүгээр дамжин өнгөрдөг ба өөрийн хүрээллээ сайн хадгалдаг дүрүүдийг олцгооё!</h4><p>Үүнийг олохын тулд “Betweenness centrality” алгоритмыг ашиглах бөгөөд дээр дурдсан шиг алгоритмын үндсэн ажиллах зарчим нь хоёр талыг холбож буй дүр нь мэдээллийг хоёр талд хүргэж байгаа учир илүү их эрх мэдэлтэй болж байгаа юм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*Er_WiKr9bmNG7ur7xGt2Dw.png" /></figure><p>За энд чухам юу болж байгааг Jon Snow л мэдэх буйзаа :p</p><ul><li>Тэгэхээр энэ удаад Jon Snow дахиад л хамгийн тууштайгаар хүмүүстэй холбоо тогтоож багаас эхэлсэн ч 7р бүлэгт хамгийн их мэдээлэл дамжин өнгөрөх дүр болсон байх аж</li><li>Хамгийн том тэлэлтийг ажиглавал 5-р бүлэгт Cersei бусдаасаа хол илүү мэдээлэлтэй эрх мэдэлтэй дүр байсан боловч түүний гэм нүгэл ил гарч улмаар холбоо муутай болж огцом уруудсаныг мартаагүй биз!</li><li>Мөн л ижил хэмжээний тэлэлтийг 6-р бүлэгт Sansa харуулсныг эргэн дурсвал тэрээр Jon-ы Ramsey Bolton-той хийсэн хүч тэнцвэргүй тулаанд, Jon ялагдал амсахын алдад Little Finger-ээс тусламж гуйн тэрхүү тулаандаа ялалт байгуулдаг шүүдээ. Улмаар Sansa үнэхээр л мэдээлэл, холбоотон сайтай, эрх мэдэлтэй гэдгээ бусдад тод харуулсан.</li><li>Манай цувралын даруу, төлөв гэвч зоригтой үедээ зоригтой, эелдэг сайхан сэтгэлт мөн ухаалаг дүр болох Samwell Tarly 4р байранд Tyrion-с чухал хүн болсон байхыг харахад үнэхээр таатай байна.</li></ul><h4>Хэрвээ чи олон тооны чухал хүмүүстэй холбоотой бол чи ч гэсэн чухал хүн!</h4><p>Энэ удаад дүрүүдийн хэр олон чухал хүмүүсийг таньдаг болохыг “Eigenvector centrality” алгоритмыг ашиглан мэднэ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*PfdVIt8ycrSqtUCMQ7aaVw.png" /></figure><p>За ахиад л Jon Snow . Jon ер нь хамгийн чухал дүр юм бишүү?</p><ul><li>Энэ удаад бидний хэдийн мэдэх дүрүүдийг түр орхин анхаарлаа Varys-д хандуулцгаая. Яагаад ч юм, ямар нэг байдлаар гэнэт гарч ирэн чухам хэний талд байгаа нь мэдэгддэгүй дүрүүдийн нэг бол Varys гэдэгтэй санал нийлэх биз. Тэрээр цувралын эхний дөрвөн бүлэгт олон тооны чухал хүмүүсийг танидаг байсан боловч энэ тоо нь 5, 6р бүлэгт зогссон байх юм. Магадгүй энэ нь Daenerys-тэй нэгдэж бас удаачгүй орхин явсанаар эхэлсэн юм болов уу?</li><li>Өндрөөс унах амархан. Tyrion 4 бүлгүүдийн туршид чухал хүмүүсийн танилын тоогоороо тэргүүлсээр ирсэн ч 5-р бүлэгт хэлс хэргээсээ төрсөн эцгээ хүртэл хөнөөн амь гаран Daenerystei нэгдэхээр явахдаа тэрээр маш олон тооны хүрээллүүдээ алдсан хэдий ч дараагийн бүлэгт эргэн ирэлт хийж чухал хүмүүсийн хүрээллээ тэлж эхэлсэн.</li></ul><h4>Хэр олон чухал уулзалт болон тохиолууд тухайн дүрд учирсан бэ?</h4><p>Үүнийг олохын тулд Google компаны хамгийн анхны хайлтын алгоритм болох “Pagerank”-г ашиглана. Энэхүү алгоритм нь хүрээлэлд байх тухайн дүр нь хэдий олон удаа, хэр олон хүнтэй, хичнээн тооны чухал хүмүүстэй харилцаж өөрийн байр суурийг олсон бэ гэдгийг харуулахад туслах болно. Нэрнээс нь харахад л зорилго нь ойлгомжтой энэхүү алгоритмыг Google компани болон бусад компаниудад ашиглагддаг хайлтын илэрцүүдийг хамгийн чухалаас нь чухал бус хүртэл дараалалд оруулдан алгоритм юм</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*X3mMxx2DodWuvpTj3u2X6g.png" /></figure><p>Хэн нэгэн байр сууриа алдаж байгаа бололтой! Энэ бол мэдээж Cersei</p><ul><li>Хамгийн чухал дүрүүдийн нэгээр явж байсан Cersei нь цувралын дундаас сүүл хэсгүүдэд хүчээ эрс алдаж хатан хааны титмээ хүртэл алдаж, хоригдож, хаан болсон хүүгээ эцэст нь амиа хорлоход хүргэж, өөрөө хатан болсноор эрх мэдэл нь ихссэнийг үзэгч та сайн санаж байгаа байх</li><li>Харин Sansa Stark нь одоогоор Winterfell-н зүй ёсны залгамжлагч гэгдэж байгаа ч тэрний түүх хамгийн хэцүү, яргалал, бие болон сэтгэлийн өвчтинг тэвчин гарч одоогийн байр сууриндаа хүрсэнийг хүн бүр мэдэж байгаа байх</li><li>За тэгэхээр үзэгчид маань бяцхан Arya бидний нүдэн дээр дайчин эсвэл чадварлаг алуурчин болж өшөөгөө авч байгааг харахад таатай байсан гэдэгт эргэлзэхгүй байна</li></ul><h4>Заримдаа тооноос илүү чанар чухал байдаг (quality &gt; quantity)</h4><p>Олон тооны дүрүүдтэй холбоо тогтоосон, чухал хүмүүсийг таних нь заримдаа хэрэггүй ч байж мэднэ гэдгийг цуврал маань бидэнд сайн ойлгуулсныг санаж байгаа байх. Тиймээс энэ удаад дүрийн хэр олон хүмүүстэй дотно ба холбоо тогтооход ойрхон зэргээр дүгнэх “Closeness centrality” алгоритмыг ашиглах болно. Энэ нь тухайн дүрийг график дээр авч үзвэл бусад дүрүүдээс хамгийн багадаа хэр зайтай байгааг тооцоолоон нийлбэр гаргаж дүгнэлт гаргадаг алгоритм юм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*LVEmYABJqFCaSGaxPv_Fgw.png" /></figure><p>Энэ удаад эхний 10 дүрүүд үнэхээр ойролцоо дүнг үзүүлжээ</p><ul><li>Үүнээс дүгнэлт хийхийг хүсвэл Jon хамгийн их дотно танилуудтай болж байна</li><li>Хамгийн сонирхолтой нь Theon болон Hound. Theon цувралын сүүлээр Bolton-ы бутчаас зугтааж Sansa-г аварч эгчтэйгээ нэгдэж, Daenerysd Jon 2-т тусалж байх зуураа дотно танилуудтай болсон байна.</li><li>Гэвч Hound-г хэрхэн дотно танилуудтай болсоныг ухраан бодож үзвэл 5, 6р бүлэгт тайван амьдралаар амьдрахыг хүсч байсан хэдий ч талаар болж буцаад өшөө авагч алуурчин болон явахдаа хуучин танилуудтайга нийлэн White walker-уудыг агнахыг хүсч Жон-той нэгдсэнээр тэрний дотно танилын хүрээ тэлсэнээс зайлахгүй</li></ul><h4>Энэ бүх холбоо хүрээлэл бидэнд хэн чухал дүр вэ гэдгийг хэлж өгч чадахгүй бол дэлгэцэнд гарсан хугацаагаар нь харцгаая</h4><p>Логикоор бодвол ихэнхи кинон дээр гол дүрүүдийнхээ адал явдалыг хамгийн их харуулдаг шүүдээ тэр дүр нь ч хамгийн сонирхолтой гол зангилаа нь болж таардаг. Тиймээс дараах хүснэгтийг харцгаая!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/385/1*dX9GjmuJwLETi3h9ty3GTA.png" /></figure><ul><li>Эхний 30 байранд орсон дүрүүдийг харахад Tyrion хамгийн олон ангид мөн хамгийн их буюу 4 цаг 53 минутаар илт илүүрхэн дэлгэцэнд гарсан нь гайхах зүйл биш билээ</li><li>Arya болон Sansa, эгч дүүс мөн л гайхалтай их хугацааг дэлгэцэнд гаргажээ</li><li>Сонирхолтой дүрүүдээс дурдвал Eddard Stark хэдийгээр цувралын эхэн хэсэгт амиа алддаг хэдий ч дэлгэцэнд гарсан хугацаагаараа 11-р байранд оржээ учир юу вэ гэвэл Bran өөрийн хүчээрээ өнгөрснийг харан Jon-ы тухай үнэнийг мэддэг хэсгүүд дээр Eddard-н залуу насны дүр олон үзэгддэг шүүдээ</li><li>За тэгээд сайн харвал аль хэдийнээ амиа алдсан хэд хэдэн дүрүүд энэхүү жагсаалтанд багтсан ба тэдний байрлал доошлох нь зүйн хэрэг бизээ жишээ нь: 10-р байранд байх Petyr Baelish болон Eddard Stark-н байр доошилж Brienne дээшлэх өндөр магадлалтай</li></ul><h4>Дүгнэлт</h4><p>Tyrion Lannister бол яалтчгүй бусдаасаа хамгийн чухал хорыг хутгагч дүр бөгөөд одоогоор Jon болон Daenerys-д тусалж, Jaime-тэй ч сайн холбоотой, дэлгэцэнд гарсан болон ангийн тоогоороо ч маш өндөр үзүүлэлттэй байсан учир миний хувьд хамгийн чухал дүрээр Tyrion-г сонгож байна. Мэдээж тэрээр сүүлийн бүлэгт Night King-тэй хийх тулаанд шууд утгаараа тус хүргэж, дайны төлөвлөгөө гаргаж чадахгүй ч бусад талаараа жишээ нь: боломжит холбоотнуудтай хэлэлцээр хийж цэргийн тоогоо нэмж болох юм. Гэхдээ үнэхээр л энэ удаагийн бүлэгт болох дайнд хамгийн чухал дүрүүд нь гарцаагүй Jon болон Daenerys яагаад гэвэл тэдэнд 2 ч луу байгаа шүүдээ. Мөн тэд нэгнийгээ цусан холбоотой ах дүү гэдгээ хүртэл мэдээгүй, мэдсэний дараах үйл явдал гэсээр тэдний тухай гаргах хугацаа уртсах нь тодорхой билээ. Хэрэв ах дүү гэдгээ мэдвэл тэд 2-лаа нэг нэг луугаа удирдан тулаандаа орж болно. Цувралын гол дүр, чухал дүрүүдийг олоход үнэхээр хэцүү ба яг энэ хамгийн чухал дүр тиймээс ийшээ анхаар гэж ганцхан анализ хийн дүгнэхэд бэрх учир үзэгч танд сонголтыг үлдээе.</p><p>You can find the work <a href="https://github.com/WeatherAnchor/got_network_analysis">here</a><br>Find me here: <a href="https://www.facebook.com/weather.amarbayan">Facebook,</a> <a href="https://www.instagram.com/weather.lftn">Instagram</a> &amp; <a href="https://www.linkedin.com/in/amarbayan-altangerel/">Linkedin</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=52b69e13377a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>