https://virgool.ir/feed/@datalkمن علی عربشاهی هستم و سعی می کنم هر چیزی که برای ورود به دنیای دیتا ساینس به شما کمک کنه رو در اینجا باهاتون به اشتراک بزارم.fa2026-11-11 23:33:52https://files.virgool.ir/upload/users/736038/avatar/rHZ30l.jpeghttps://virgool.ir/@datalkhttps://virgool.ir/@datalk/دوره-جامع-یادگیری-ماشین-جلسه-سومچرا-از-یادگیری-ماشین-استفاده-می-کنیم-nbwp0gny1farچرا از یادگیری ماشین استفاده می کنیم؟بیان تصور کنیم اصلا یادگیری ماشینی وجود نداره. حالا می خوایم برنامه ای بسازیم که بتونه ایمیل های اسپم رو تشخیص بده.1) قدم اول باید ببینیم ایمیل های اسپم چه شکلی هستن و از چه الگویی پیروی می کنن. احتمالا بعضی کلمات خاص رو (مانند تخفیف، باورنکردنی، رایگان، خارق العاده!) در محتوای اکثر اون ها مشاهده می کنین. شایدم بتونیم الگوهای دیگه ای رو در سایر قسمت ها (عنوان ایمیل ، اسم فرستنده و ...) مشاهده کنیم.2) در قدم بعدی الگوریتمی رو طراحی و پیاده سازی می کنیم که بیاد و این الگو ها رو شناسایی کنه و در صورت مشاهده ی تعداد مشخصی از اون ها ایمیل رو به عنوان اسپم تشخیص بده.3) مراحل اول و دوم را آن قدر تکرار می کنیم تا این نرم افزار که بیشترین پیشبینی صحیح رو بهمون ارائه بده.خیلی ساده اگه بخوایم بگیم،خب حالا تونستیم با رویکرد سنتی یه برنامه ای رو طراحی کنیم. قطعا چنین برنامه ای متشکل هست از تعداد زیادی قانون و شروط مختلف و پیاده سازی کد هاش هم احتمالا کار راحتی نبوده .در مقابل چنین رویکردی ، برنامه ی تشخیص ایمیل اسپم به روش یادگیری ماشین اولا خودش به صورت خودکار یاد میگیره که چه الگوهایی می تونه نشون از اسپم بودن ایمیل ها داشته باشه و دوما هم این که با چند تا خط کد به راحتی اجرا می شه و این قابلیت خیلی به چشم ما آدمای تنبل میاد. درسته؟ مثل این میمونه که ازیه تپه بالا برین اما آخرش خودتون رو بالای کوه ببینین!حالا فرض کنین فرستانندگانه! ایمیل های اسپم متوجه می شن که شما کلمه "تخفیف" رو در لیست سیاه خودتون گذاشتین. اونا به راحتی می تونن این کلمه رو به "تخقیف" تغییر بدن. در جواب شما باید کلمه های جدید رو به لیستتون اضافه کنین و این چرخه مدام تکرار می شه. اما در مقابل رویکرد یادگیری ماشین بدون نیاز به این که شما کاری انجام بدین و صرفا با مشاهده داده های مربوط به رفتار کاربران، این الگو ها به صورت خودکار انجام میشه.جای دیگری که ماشن لرنینگ می تونه بیشتر بدرخشه، مسائلی هست بیش از حد برای برنامه نویسی پیچیده هستند و یا حتی اصلا هنوز الگوریتمی برای حل اون ها در دنیای برنامه نویسی طراحی نشده. برای مثال ، تشخیص صدا یا تصاویر رو در نظر بگیرین. در دنیایی از اصوات و تصاویر استفاده از رویکرد های سنتی قطعا میتونه بسیار پیچیده و زمان بر و حتی برخی اوقات ناممکن باشه.و در آخر یادگیری ماشین در بعضی موارد می تونه باعث یادگیری انسان ها بشه! همون برنامه ی تشخیص اسپم رو در نظر بگیرین. ماشین لرنینگ می تونه در انتها لیستی از همه ی کلماتی رو بهتون بده که نشون دهنده ی اسپم بودن ایمیل ها باشه .بنابرین نه تنها ماشنمون میتونه یاد بگیره بلکه بهمون یاد هم بده!در جلسه ی بعد به کاربرد هایی دیگر از ماشین لرنینگ بپردازیم.تا اون موقع مراقب خودتون باشین ?datalk _ ورود به دنیای دیتا ساینسdatalk _ ورود به دنیای دیتا ساینسFri, 14 May 2021 23:22:07 +0430https://virgool.ir/@datalk/دوره-جامع-یادگیری-ماشین-جلسه-اول-تعریف-یادگیری-ماشین-vsoiiv6ds1gpتعریف دقیق یادگیری ماشین چیست؟خیلی ساده اگه بخوایم بگیم، یادگیری ماشین در واقع علم یا هنر برنامه نویسی کامپیوتر هاست طوری که بتونن از دیتا ها یاد بگیرند. تعریف های رسمی تر دیگری هم وجود داره که از قدیمی ترینشون میشه به تعریف زیر از آرتور ساموئل (1957) اشاره کرد:ایجاد این توانایی در ماشین ها که بتوانند بدون این که به طور صریح و خاص برای هر موضوعی برنامه نویسی شوند، یاد بگیرند.یه تعریف نسبتا جدید تر و به زبون خودمونی، مهندسی طوور تر! هم از تام میچل!! (1997) به شرح زیر موجود هست.کامپیوتری که یاد بگیرد از تجربه ای (Experience) با احترام گذاشتن به بعضی نقش های از پیش تعری شده (Task) و با در نظر گرفتن بعضی شاخص های عملکردی (Performance measure) . به طوری که آن کامپیتور از آن تجربه یاد بگیرد و بر اساس آن نقش ها عمل کند و بر اساس آن شاخص ها عملکردش ارزیابی شود. ?machine learning انصافا تعریف سنگینی بود! حالا سعی می کنیم یکم بیشتر بازش کنیم:به عنوان مثال همون برنامه ی اسپم بودن یا نبودن ایمیل رو در نظر بگیریم. این برنامه یا سیستم یادگیری ماشینه که ما به اون مثال های زیادی از ایمیل های اسپم یا غیر اسپم ارایه میدیم(که احتمالا توسط کاربران نشانه گذاری شدند). سیستم سعی می کنه از این داده ها یاد بگیره. اصطلاحا به این داده ها که مدل سعی می کنه از اونا یاد بگیره، (Training Set) می گن و از هر کدوم اون داده ها به عنوان (Training instance ) یا (Sample) یاد میشه.خب پس تا اینجا ماشین از تجربه ای (Experience) یاد گرفت. حالا بر اساس اون یادگیری ، ماشین باید بتونه نقش هایی رو بر روی داده های جدید تشخیص بده (Task) و این تشخیص اش رو بر اساس شاخص هایی ارزیابی کنه (Performance measure) تا بتونه بر اساس این شاخص عملکرد خودش رو بهتر و بهتر کنه. احتمالا میتونین حدس بزنین که این شاخص ها برای داده های مختلف می تونه متفاوت باشه اما کلیات کار همیشه همینه.پس حتما الان می تونین بگین که کپی کردن کل دیتابیس ویکیپدیا بر روی کامپیوتر تون نمی تونه به معنی این باشه که سیستم شما الان هوشمند شده و در اون یادگیری ماشین اتقاق افتاده. برای این که نه می تونه چیزی یاد بگیره و نه می تونه یادگیریش رو بهبود ببخشه. به همین راحتی!خبر خوب این که شما الان یکی از جامع ترین تعریف ها از ماشین لرنینگ رو بلد شدین و احتمالا در مصاحبه کاریتون شروع خیلی خوبی خواهین داشت ?به امید خدا در جلسه ی بعدی به این می پردازیم که اصلا چرا از یادگیری ماشین استفاده می کنیم؟ چرا نیاز به سیستمی داریم که بتونه یاد بگیره! مگه ما خودمون همه چی رو بلد نیستیم؟ یا مگه از سال ها پیش برنامه نویسای خفنی نبودن که کامپیوتر ها رو وادار می کردن کار های خارق العاده انجام بدن؟ پس اصلا چرا ماشین لرنینگ؟با ما همراه باشدdatalk _ ورود به دنیای دیتا ساینسdatalk _ ورود به دنیای دیتا ساینسThu, 13 May 2021 20:24:15 +0430https://virgool.ir/@datalk/دوره-جامع-یادگیری-ماشین-جلسه-اول-مقدمه-eibkyyl3vrfsسلام دوستانبه امید خدا سعی می کنیم بر اساس این منبع ارزشمند و بسیار کامل یعنی کتاب:(Hands_On_Machine_Learning_with_Scikit_Learn,_Keras,_and_TensorFlow)قدم به قدم با هم جلو بریم و امیدواریم بتونیم سهمی هرچند اندک در یادگیری شما در این حوزه داشته باشیم. آهسته آهسته پیش می ریم اما تلاشمون این هست که تا انتهای کتاب همراه شما باشیم. برای دسترسی به محتوای کامل این دوره میتونین به وبسایت خودتون (datalk.ir) هم یه سری بزنین.به امید موفقیت همه شما بزرگوارانماشین لرنینگ چی هست؟!معمولا اولین چیزی که به ذهنمون میرسه یه ربات خفنه که همه کار میکنه یا فیلم خاطره انگیز ترمیناتور! اما واقیت اینه که این داستان لزوما اینقدر هم چیزه فانتزی یی نیست. در واقع از خیلی وقت پیش هممون به نوعی باهاش سروکار داشتیم.. شاید جز اولین های ماشین لرنینگی اسپم ایمیل (یه سری به قسمت اسپم ایمیلتون بزنین) بوده و اثرش رو میلیون ها ادم تو زندگیشون دیدن و البته هنوزم دارن می بینن. وقتی می رین تو گوگل و سرچی می کنین و به راحتی از کلماتی که بهتون پیشنهاد می ده و یا از غلط های املایی که براتون تصییح می کنه استفاده می کنید و خیلی موارد دیگه..میبینید شاید لزوما صحبت از اسکای نت نباشه (نگین که فیلم های ترمیناتورو ندیدین) اما از نظر تکنیکی همه این ها جز ماشین لرنینگ محسوب می شون.اما سر و ته ماشین لرنینگ واقعا کجاست ؟!معنی واقعی این یادگیری که میگیم دقیقا چیه؟ مثلا اگر من یک کپی از ویکیپدیا بگیرم و اون رو در کامپیوترم بریزم، این معنیش اینه که کامپیوترم یاد گرفته؟ یا واقعا باهوش تر شده ؟ در پارت اول ما از این دوره ما یاد میگیرم که ماشین لرنینگ چی هست و اصلا چه کاربردی داره یا اینکه چرا ازش استفاده می کنیم.بعدش قبل از این که وارد جزییات یادگیری ماشین بشیم، سعی می کنیم یه شمای کلی از انواع و اقسام دسته بندی های اون بشیم. تقسیم بندی هایی مثل :supervised versus unsupervised learning, online versus batch learning, instance-base versus model-based learningکه در ماشین لرنینگ وجود داره می پردازیم. بعد به چالش هایی که معممولا بهش ممکنه بربخورین می پردازیمو این که چجوری میتونین یادگیریتونو بهتر کنید؟اینم بگم که مفاهیمی که در این فصل ارایه می شه شاید تا حدی پایه ای باشه اما هر دیتا ساینسی باید اونا رو از ته قلبش بلد باشه ! پس در جلسات بعدی با ما همراه باشین .datalk _ ورود به دنیای دیتا ساینسdatalk _ ورود به دنیای دیتا ساینسWed, 12 May 2021 13:58:25 +0430