https://virgool.ir/feed/@thirtynaیه برنامه‌نویس علاقه‌مند به توسعه AIfa2026-11-11 06:24:37https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@thirtynahttps://virgool.ir/@thirtyna/یادگیری-ماشین-چیست-هنر-حل-مسائل-پیچیده-prjscwn3wfxcهوش مصنوعی شاخه ای از علوم کامپیوتر است که کامپیوتر(ماشین، سیستم) را قادر می‌سازد کارهایی که نیازمند هوش انسانی هست را انجام دهند.هوش مصنوعی خود دارای زیر شاخه های فراوانی‌ست:سیستم های خبره، قانون محور، یادگیری ماشینبرای مثال قبل از اینکه یادگیری ماشین پا به میدان بگذارد، مهندسان و برنامه‌نویس ها فقط از سیستم های قانون محور برای حل مسائل استفاده میکردن. در سیستم های قانون محور به این صورت است که در شرایط خاص، عمل خاصی انجام شود.ساده ترین حالتش استفاده از همان حالت های شرطی if/else است:if input().lower() == "hello": print("hello! How are you?")این سیستم‌ها ساده و قابل درک هستن، ولی مشکلی اساسی دارن:دنیای واقعی پیچیده است! و نوشتن تمام قوانین تقریباً غیرممکن! مثلاً اگه بخواهی سیستم تشخیص چهره بسازی، نمی‌تونی با قوانین ساده بگی "اگر بینی این شکلی بود و چشم اونجوری بود، آنگاه این شخص، سیناست:))" چون تنوع ویژگی‌ها خیلی خیلی زیاده!و اینجاست که روش جدیدی متولد میشه با نام: یادگیری ماشین!یادگیری ماشیندر یادگیری ماشین اجازه میدهیم خود سیستم با دیدن داده‌ها، قوانین رو یاد بگیره. یعنی یک تغییر پارادایم بزرگ:دیگه سیستم به‌جای پیروی از قانون هایی که ما می‌نویسیم، با الگوریتم های مشخص از داده ها یاد می‌گیرد.حالا اینکه چطور کامپیوتر از داده ها یاد بگیره بحث مفصلیه...الگوریتم های مختلفی برای اینکار وجود داره که فعلا زیاد واردش نمیشیم مثل درخت تصمیم، رگرسیون خطی، ماشین بردار پشتیبان، شبکه عصبی، k نزدیک ترین همسایه و...بعدا کامل درباره این الگوریتم ها صحبت میکنیم. فعلا بیشتر خود یادگیری ماشین و نحوه ایجاد مدل ها رو بررسی کنیم. در حل مسائل معمولا با یکی از دو نوع زیر مواجه هستیم:🔹 مسئله مستقیم: ما ورودی و قوانین سیستم رو داریم و می‌خوایم خروجی رو حساب کنیم. مثلاً در فیزیک، اگر موقعیت و سرعت اولیه یک توپ و نیروی وارد شده بهش رو بدونیم، می‌تونیم مسیر حرکتش رو با استفاده از قوانین نیوتن محاسبه کنیم.مثال:y = 2x+3خب با این فرمول میتونیم راحت خروجی رو محاسبه کنیم، برای مثال اگر x=5:y=2×5+3=13🔹 مسئله معکوس، ما خروجی رو داریم، ورودی هایی که به اون خروجی منتهی شدند را هم داریم، اما می‌خوایم بفهمیم با چه فرمولی این ورودی‌ها باعث تولید اون خروجی شدن.مثال:فرض کنید کلی داده ورودی و خروجی داریم و دنبال رابطه بینشون هستیم.x=2y=4_ _ _x=3y=9_ _ _x=4y=16خب از این داده های بالا می‌تونیم یه فرمولی کشف کنیم، اینکه:y=x²خب حالا فرض کنید این 👆 یک مسئله معکوسه و ما می‌خوایم ببینیم که چجوری می‌تونیم از x به y برسیم؟ فقط هم همین یک نمونه داده رو داریم!خب با توجه به این دیتا من چندتا فرمول به دست میارم: y = 2x+2y = 3xy = 4x-2y = x² + 2...و هر کسی هم میتونه یه فرمول دیگه برای این مسئله ارائه بده 🙂پس مسائل معکوس فقط یک جواب ندارن و ممکنه به چندین جواب برای یک مسئله برسیم. اما حالا این یکی رو ببینید: چند نمونه داده ی دیگه به همون اضافه کردم...حالا آیا میتونیم از تمام اون فرمول هایی که بالاتر به دست آوردیم استفاده کنیم؟ خیراز بین فرمول هایی که بالا نوشتیم الان فقط این درسته:y = 2x + 2باز هم این مسئله جواب های زیادی داره اما تعداد جواب ها خیلی محدود تر شده، چون دیگه فقط یک نمونه داده نداریم.پس در یک مسئله معکوس هرچه تعداد نمونه داده ها بیشتر بشه، تعداد جواب های اون مسئله کمتر و محدودتر و دقیق تر میشه.خب حالا اینا چه ربطی به هوش مصنوعی و یادگیری ماشین دارن؟ 🤨مسائل معکوس دقیقا مسائل یادگیری ماشین هستن:)یعنی ماشین از داده ها یاد می‌گیره و الگو های پنهان رو شناسایی میکنه. و بعد با الگو هایی که کشف کرده به تشخیص یا پیش‌بینی موارد مختلف می‌پردازد.چه زمانی از یادگیری ماشین استفاده میکنیم؟زمانی که حجم داده مناسبی داریم(متناسب با سختی مسئله)داده هایمان دارای الگو باشندبا ریاضیات نتوانیم الگو ها را پیدا کنیممراحل ایجاد یک مدل یادگیری ماشین به این صورت هست: ۱. جمع آوری داده (Data collection)۲. پیش پردازش داده (Data preprocessing)۳. انتخاب ویژگی Feuture engineering۴. انتخاب مدل Model selection۵. آموزش مدل(یادگیری مدل از داده) Training۶. استفاده از مدل inferenceدر آینده همه رو بیشتر توضیح خواهم داد:)30na30naMon, 21 Jul 2025 08:53:45 +0330https://virgool.ir/@thirtyna/شروع-مسیر-یادگیری-هوش-مصنوعی-pafgtbfsfhjsسلام! اولین پستمه :)تصمیم گرفتم از این به بعد چیزهایی که یاد گرفتم یا در مسیر یادگیری یاد میگیرم رو اینجا منتشر کنم تا همه استفاده کننموضوعات اصلی‌ که قراره اینجا درباره‌شون صحبت کنیم ایناست:هوش مصنوعییادگیری ماشین و یادگیری عمیقپردازش زبان طبیعی، تصویر، و صداو هرچیزی که توی این مسیر یاد می‌گیرمدر حقیقت خودم هم در مسیر یادگیری‌ هستم و پس سعی می‌کنم هرچی یاد می‌گیرم رو با شما به اشتراک بذارم 💕مخاطب این نوشته‌ها کیه؟ببین اگه دنبال اینی که چجوری با GPT کار کنی یا با هوش مصنوعی عکس بسازی یا چجوری با صدای فلان سلبریتی آهنگ بسازی احتمالاً اینجا جای خوبی برات نیست 😅اما علاقه‌مندی که خودت یه توسعه‌دهنده AI باشی و خودت مدل بسازی و آموزشش بدی و ارزیابی‌ کنی، منم همین مسیر رو میرم، دوست داشتی همراهمون باش، دوست نداشتی هم هر جا که هستی ایشالله موفق باشی❤️چه سبکی می‌نویسم؟دوست ندارم الگوریتم‌ها رو سطحی و بدون درک عمیق توضیح بدم. برعکس، علاقه دارم تا جایی که ممکنه ریاضیات، منطق، و حتی اثبات‌های پشت مفاهیم رو هم بگم، اصلا دست خودم نیست متاسفانه:)دلم نمی‌خواد فقط چندتا تابع از sklearn یا pytorch رو بدون اینکه دقیقا بدونم داره چه اتفاقی میفته صدا بزنم.پس قاعدتا نیاز به ریاضیات قوی داره :) ولی هراس نداشته باشيد حلش می‌کنیم...پیش نیازهابرای دنبال کردن مطالب بهتره:یه آشنایی مقدماتی با پایتون داشته باشیبا کتابخونه‌هایی مثل NumPy و Pandas آشنا باشیو البته با ریاضیات پایه مثل:تابعتوابع نمایی و لگاریتممشتقانتگرالتوابع چند متغیرهدنباله و سریکه ریاضیات پایه هستن آشنا باشیو منم فقط از ریاضیات زیر بخش هایی که در هوش مصنوعی و یادگیری ماشین مورد استفاده هستن و واقعاً کاربرد دارن رو سعی میکنم پوشش بدم:جبر خطیبهینه‌سازیآمار و احتمالفعلاً همین. اگر خوندی و دوست داشتی، خوشحال می‌شم این مسیر رو باهم پیش بریم:)انشالله یه مسیر جذاب و آموزنده رو داشته باشیم🥰30na30naSun, 20 Jul 2025 18:48:06 +0330