یادداشت های یک دیتاساینتیست: یادگیری ماشین آن طور که در دنیای واقعی کار می کند
اگر تجربه برنامه نویسی داشته باشی، پایتون برایت یک زبان عجیب و غریب نیست. من بارها دیده ام کسی که قبلا با C# یا Java یا حتی JavaScript کار کرده، با چند جلسه تمرین ساده، خیلی راحت وارد پایتون می شود. نکته اینجاست: برای شروع یادگیری ماشین لازم نیست یک پایتون کار حرفه ای باشی. فقط باید چند ویژگی کلیدی زبان را بلد باشی تا همان چیزی که از قبل می دانی را سریع منتقل کنی.
هدف این درس در این سری مقاله دقیقا همین است: یک مرور سریع اما کاربردی روی پایتون و سه ابزار اصلی که در یادگیری ماشین مدام با آنها سر و کار داری: نامپای (NumPy)، مت پلات لیب (Matplotlib)، و پانداس (Pandas).
بعد از این درس باید بتوانی:
در کدهای پایتون راحت حرکت کنی و سینتکس را گم نکنی.
آن قدر NumPy و Matplotlib و Pandas را بلد باشی که اسکریپت های یادگیری ماشین را بخوانی و بنویسی.
یک پایه بسازی که بعدا روی آن، کارهای جدی تر یادگیری ماشین را راحت تر یاد بگیری.
اگر از قبل کمی پایتون می دانی، این درس برایت مثل یک یادآوری دوستانه است. اگر هم تازه می خواهی شروع کنی، اینجا دقیقا همان جایی است که باید با خیال راحت قدم اول را برداری.
وقتی تازه وارد پایتون می شوی، لازم نیست همه چیز را یکجا یاد بگیری. برای اینکه بتوانی کد را بخوانی و بفهمی، همین چهار موضوع کافی است:
انتساب (Assignment)
کنترل جریان (Flow Control)
ساختارهای داده (Data Structures)
توابع (Functions)
ما هر کدام را با مثال های کوچک و مستقل جلو می بریم. پیشنهاد من این است که همین مثال ها را واقعا تایپ کنی و اجرا کنی. با دیدن خروجی، موضوع در ذهن می نشیند.
یک نکته خیلی مهم: در پایتون فاصله گذاری معنی دارد. یعنی اگر جای فاصله ها اشتباه شود، برنامه یا اجرا نمی شود یا کار دیگری می کند. از همان اول این را جدی بگیر.
اگر برنامه نویسی بلدی، انتساب و نوع داده برایت غریبه نیست. ولی در پایتون چند چیز به شکل ساده تر انجام می شود.
# Define a sample text sample_text = "hello world" # Print the first character print(sample_text[0]) # Print the length of the text print(len(sample_text)) # Print the full text print(sample_text)
# Define a floating-point number numeric_value = 123.1 # Print the current numeric value print(numeric_value) # Re-assign an integer value numeric_value = 10 # Print the updated numeric value print(numeric_value)
# Define boolean values is_ready = True is_finished = False # Print both boolean values print(is_ready, is_finished)
# Assign three values in one line first_num, second_num, third_num = 1, 2, 3 # Print the unpacked values print(first_num, second_num, third_num)
# Define a variable with no value yet missing_value = None # Print the None value print(missing_value)
سه نوع کنترل جریان را در شروع لازم داری:
شرط ها
حلقه for
حلقه while
# Define a test value speed_value = 99 # Check the value using conditions if speed_value == 99: # Print when the value matches 99 print("That is fast") elif speed_value > 200: # Print when the value is too large print("That is too fast") else: # Print for all other cases print("That is safe")
# Loop from 0 to 9 for index in range(10): # Print the current index print(index)
# Start the counter at zero counter = 0 # Keep looping while counter is less than 10 while counter < 10: # Print the current counter print(counter) # Increase counter by 1 counter += 1
سه ساختار داده که بیشترین استفاده را دارند:
تاپل (Tuple)
لیست (List)
دیکشنری (Dictionary)
# Define an immutable tuple fixed_numbers = (1, 2, 3) # Print the tuple print(fixed_numbers)
# Define a mutable list number_list = [1, 2, 3] # Print the first element (index 0) print("Zeroth Value:", number_list[0]) # Add a new value to the list number_list.append(4) # Print the updated list length print("List Length:", len(number_list)) # Loop through each item in the list for item in number_list: # Print the current item print(item)
# Define a dictionary (key-value pairs) value_map = {"a": 1, "b": 2, "c": 3} # Print the value for key "a" print("A value:", value_map["a"]) # Update the value for key "a" value_map["a"] = 11 # Print the updated value for key "a" print("A value:", value_map["a"]) # Print all keys print("Keys:", list(value_map.keys())) # Print all values print("Values:", list(value_map.values())) # Loop through keys and print each value for key in value_map.keys(): # Print the value for the current key print(value_map[key])
# Define a function that sums two numbers def sum_two_numbers(first_value, second_value): # Return the sum result return first_value + second_value # Call the function with sample inputs sum_result = sum_two_numbers(1, 3) # Print the returned result print(sum_result)
NumPy ستون فقرات محاسبات عددی در اکوسیستم SciPy است. مهم ترین مفهوم در NumPy، آرایه چندبعدی یا ndarray است.
import numpy as np # Define a Python list python_list = [1, 2, 3] # Convert the list to a NumPy array numpy_array = np.array(python_list) # Print the NumPy array print(numpy_array) # Print the shape of the array print(numpy_array.shape)
import numpy as np # Define a nested list (2D data) two_dimensional_list = [[1, 2, 3], [3, 4, 5]] # Convert the nested list to a NumPy 2D array matrix_array = np.array(two_dimensional_list) # Print the full matrix print(matrix_array) # Print the matrix shape (rows, cols) print(matrix_array.shape) # Print the first row print("First row:", matrix_array[0]) # Print the last row print("Last row:", matrix_array[-1]) # Print a specific element (row 0, col 2) print("Specific row and col:", matrix_array[0, 2]) # Print the entire third column print("Whole col:", matrix_array[:, 2])
import numpy as np # Define the first array left_array = np.array([2, 2, 2]) # Define the second array right_array = np.array([3, 3, 3]) # Add arrays element-wise print("Addition:", left_array + right_array) # Multiply arrays element-wise print("Multiplication:", left_array * right_array)
اینجا همان جایی است که من همیشه روی آن تاکید می کنم: Matplotlib را سرسری نگیر. چون خیلی از خطاهای تحلیل، با یک نمودار ساده مشخص می شوند. چاپ کردن عددها به تنهایی کافی نیست. باید داده را ببینی.
روش کار معمول با Matplotlib معمولا این شکلی است:
یک تابع رسم را روی داده صدا می زنی (مثل plot یا scatter)
چند تابع برای تنظیم ویژگی ها می زنی (مثل برچسب محور)
در آخر نمودار را نمایش می دهی (show)
import matplotlib.pyplot as plt import numpy as np # Define 1D data for the line plot line_values = np.array([1, 2, 3]) # Create the line plot plt.plot(line_values) # Label the x-axis plt.xlabel("some x axis") # Label the y-axis plt.ylabel("some y axis") # Show the plot window plt.show()
import matplotlib.pyplot as plt import numpy as np # Define x values x_values = np.array([1, 2, 3]) # Define y values y_values = np.array([2, 4, 6]) # Create the scatter plot plt.scatter(x_values, y_values) # Label the x-axis plt.xlabel("some x axis") # Label the y-axis plt.ylabel("some y axis") # Show the plot window plt.show()
Pandas ابزار اصلی کار با داده های جدولی است. دو مفهوم کلیدی:
سری (Series)
دیتافریم (DataFrame)
import numpy as np import pandas as pd # Define 1D data series_values = np.array([1, 2, 3]) # Define row labels row_labels = ["a", "b", "c"] # Create a Pandas Series with labels labeled_series = pd.Series(series_values, index=row_labels) # Print the full series print(labeled_series) # Access the first value by position print(labeled_series[0]) # Access the value by label print(labeled_series["a"])
import numpy as np import pandas as pd # Define 2D data table_values = np.array([[1, 2, 3], [4, 5, 6]]) # Define row labels row_labels = ["a", "b"] # Define column labels column_labels = ["one", "two", "three"] # Create a DataFrame with row and column labels data_table = pd.DataFrame(table_values, index=row_labels, columns=column_labels) # Print the full DataFrame print(data_table) # Access one column using bracket notation print("method 1:") print(data_table["one"]) # Access one column using dot notation print("method 2:") print(data_table.one)
در این درس، کلی زمین را پوشش دادیم، اما همه چیز حساب شده بود:
با سینتکس پایه پایتون آشنا شدی (انتساب، شرط، حلقه، ساختارهای داده، تابع)
یاد گرفتی NumPy چطور داده عددی را شکل می دهد و با آن محاسبه می کند
Matplotlib را جدی دیدی و دو نوع نمودار مهم را ساختی
و فهمیدی Pandas چطور داده جدولی را به شکل Series و DataFrame مدیریت می کند
اگر همین بخش ها را خوب تمرین کنی، از این به بعد وقتی یک اسکریپت یادگیری ماشین می بینی، حس نمی کنی یک متن ناشناخته جلوی تو گذاشته اند.
در درس بعدی، وارد یک بخش کاملا کاربردی می شویم: بارگذاری مجموعه داده های استاندارد یادگیری ماشین در پایتون. یعنی همان چیزی که در پروژه های واقعی همیشه نقطه شروع است: داده را چطور سریع و درست وارد کنیم و آماده تحلیل کنیم.
