یادداشت های یک دیتاساینتیست: یادگیری ماشین آن طور که در دنیای واقعی کار می کند
اگر بخواهم خلاصه بگویم، دلیل اینکه امروز بیشتر پروژه های دیتاساینس و یادگیری ماشین با پایتون انجام می شوند، یک چیز است: اکوسیستم.
نه خود زبان به تنهایی، نه یک کتابخانه خاص، بلکه مجموعه ای از ابزارهایی که کنار هم کار می کنند و از تحقیق تا محصول نهایی همراهت هستند.
در این درس می خواهیم دقیق و به زبان ساده ببینیم این اکوسیستم چیست، چرا شکل گرفته و امروز در عمل چطور باید از آن استفاده کرد.
پایتون یک زبان برنامه نویسی عمومی (General Purpose Programming Language) است.
یعنی فقط برای تحلیل داده یا یادگیری ماشین ساخته نشده، اما دقیقاً همین ویژگی باعث قدرتش شده است.
چند دلیل اصلی محبوبیت پایتون در یادگیری ماشین:
خوانایی بالا و سینتکس ساده
مناسب برای کار تعاملی و آزمایش سریع (Prototyping)
قابل استفاده هم در تحقیق و هم در محیط عملیاتی (Production)
جامعه کاربری بسیار بزرگ و فعال
برخلاف ابزارهایی مثل Matlab یا حتی R، با پایتون لازم نیست وقتی کارت جدی شد، زبانت را عوض کنی.
همان کدی که برای تحلیل اولیه می نویسی، می تواند پایه سیستم واقعی شود.
وقتی از اکوسیستم SciPy صحبت می کنیم، منظورمان یک کتابخانه واحد نیست.
بلکه مجموعه ای از ابزارهاست که هر کدام نقش مشخصی دارند و کنار هم کار می کنند.
مهم ترین اجزای این اکوسیستم برای یادگیری ماشین:
پایه همه چیز است.
تقریباً تمام داده هایی که وارد الگوریتم های یادگیری ماشین می شوند، در نهایت به آرایه های NumPy تبدیل می شوند.
ابزار اصلی کار با داده های جدولی (Tabular Data).
لود کردن CSV، بررسی داده، فیلتر کردن، خلاصه آماری و تمیزکاری اولیه معمولاً با Pandas انجام می شود.
کتابخانه اصلی رسم نمودار.
برای دیدن الگوها، توزیع داده و خطاها، Visualization هنوز هم یکی از مهم ترین ابزارهاست.
به زبان ساده:
Pandas برای فهم داده
NumPy برای محاسبه
Matplotlib برای دیدن
کتابخانه scikit-learn جایی است که یادگیری ماشین در پایتون عملاً اتفاق می افتد.
این کتابخانه:
روی SciPy ساخته شده
الگوریتم های طبقه بندی (Classification)، رگرسیون (Regression)، خوشه بندی (Clustering) و بیشتر را دارد
ابزار ارزیابی مدل (Evaluation)
پیش پردازش داده (Preprocessing)
و تنظیم پارامترها (Hyperparameter Tuning) را فراهم می کند
مزیت مهم scikit-learn این است که:
API آن یکدست و قابل پیش بینی است
یادگیری یک الگوریتم، یادگیری بقیه را خیلی راحت تر می کند
کاملاً متن باز (Open Source) و مناسب استفاده تجاری است
Python Ecosystem for Machine Learning ------------------------------------- +-------------------------------------------------------------------+ | Python (Language) | | general-purpose | scripting | notebooks | production services | +-------------------------------+-----------------------------------+ | v +-------------------------------------------------------------------+ | SciPy Stack (Core Ecosystem) | | | | +-----------+ +-----------+ +-------------+ | | | NumPy | | Pandas | | Matplotlib | | | | arrays | | tabular | | plotting | | | | vectorize | | ETL/EDA | | charts | | | +-----------+ +-----------+ +-------------+ | | \ | / | | \ | / | | v v v | | +-------------------------------+ | | | Data in a common form | | | | arrays + dataframes + plots | | | +-------------------------------+ | +-------------------------------------------------------------------+ | v +-------------------------------------------------------------------+ | scikit-learn (ML Toolkit) | | | | +----------------+ +---------------------+ +--------------+ | | | Preprocessing | | Model Training | | Evaluation | | | | scaling/enc |-->| fit/predict |-->| metrics/CV | | | | impute/split | | classification | | test harness | | | +----------------+ | regression | +--------------+ | | | | clustering | | | | v +---------------------+ v | | +----------------+ | +------------------+ | | | Pipelines |<-----------+----------->| Tuning/Ensembles | | | | repeatable | | grid/random/Bayes| | | | reproducible | | RF/GB/Stacking | | | +----------------+ +------------------+ | +-------------------------------------------------------------------+ | v +-------------------------------------------------------------------+ | Your Workflow (End-to-End) | | | | 1) Define Problem (Problem Definition) | | 2) Analyze Data (Data Analysis / EDA) | | 3) Prepare Data (Data Preparation) | | 4) Evaluate Models (Algorithm Evaluation) | | 5) Improve Results (Model Improvement) | | 6) Deliver/Use Model (Deployment / Inference) | | | +-------------------------------------------------------------------+ | v +-------------------------------------------------------------------+ | Environment Setup (Modern) | | | | Python 3.10+ | venv/conda | pip install ... | versions | | | +-------------------------------------------------------------------+
بیایید صادق باشیم:
دیگر Python 2 سال هاست مرده است.
امروز اگر وارد این حوزه می شوی، فقط و فقط با Python 3 جلو می رویم.
در حال حاضر:
Python 3.10 یا 3.11 کاملاً مناسب است
اگر تازه کار هستی، آخرین نسخه پایدار Python 3 انتخاب خوبی است
بررسی نسخه نصب شده:
# Check Python version import sys print(sys.version)
یکی از عادت های حرفه ای که از همین اول باید یاد بگیری:
برای هر پروژه، یک محیط جدا.
python -m venv .venv or python3 -m venv .venv source .venv/bin/activate # On macOS / Linux
یا در ویندوز:
.venv\Scripts\activate
بعد از فعال کردن محیط مجازی:
pip install numpy pandas matplotlib scikit-learn
بررسی نصب:
# Check installed versions import numpy import pandas import matplotlib import sklearn print(numpy.__version__) print(pandas.__version__) print(matplotlib.__version__) print(sklearn.__version__)
کامنت ها عمداً ساده اند؛ هدف فهمیدن کاربرد است، نه نمایش پیچیدگی.
اگر با نصب دستی راحت نیستی، Anaconda هنوز هم یک گزینه قابل قبول است.
مزایا:
همه چیز آماده
مناسب شروع سریع
معایب:
سنگین تر از pip + venv
گاهی بیش از حد ابزار نصب می کند
اگر تازه کار هستی یا روی سیستم شخصی کار می کنی، Anaconda بد نیست.
اگر پروژه واقعی و قابل کنترل می خواهی، pip و محیط مجازی انتخاب حرفه ای تری است.
در این درس دیدیم:
چرا پایتون (Python) به زبان اصلی یادگیری ماشین تبدیل شده
اکوسیستم SciPy شامل چه ابزارهایی است و هرکدام چه نقشی دارند
scikit-learn چرا هسته یادگیری ماشین کلاسیک است
و امروز در سال ۲۰۲۶ چطور باید این اکوسیستم را نصب و آماده کرد
در درس بعدی، وارد کار عملی می شویم:
یک مرور سریع و کاربردی روی Python و SciPy
فقط آن چیزهایی که برای شروع پروژه یادگیری ماشین واقعاً لازم است، نه بیشتر.
