https://virgool.io/maths-4-lovers/feed یه ماشین/کامپیوتر بیارین اینجا بهش چیز میز بهش یاد بدیم. fa 2026-06-16 23:50:12 https://files.virgool.io/upload/publication/scwsxvqbuf9m/bcqv0c.jpeg https://virgool.io/maths-4-lovers https://virgool.io/maths-4-lovers/%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8Cneural-network%DA%86%DB%8C%D8%B3%D8%AA-ftmnanfuyokc بــه نــامــ خــداشبکه عصبی مصنوعی(Artificial neural network) یا به اختصار ANN چیست؟شبکه‌های عصبی که با نام‌های شبکه‌های عصبی مصنوعی (ANN) یا شبکه‌های عصبی شبیه‌سازی شده (SNN) شناخته می‌شوند، زیرمجموعه‌ای از یادگیری ماشین هستند. نام و ساختار آنها از مغز انسان الهام گرفته شده است و از روشی که نورون های مغز به یکدیگر سیگنال می دهند، تقلید می کند.شبکه‌های عصبی مصنوعی (ANN) از یک لایه گره تشکیل شده‌اند که شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی است. هر گره یا نورون مصنوعی به دیگری متصل می شود و دارای وزن و آستانه مرتبط است. اگر خروجی هر گره فردی بالاتر از مقدار آستانه مشخص شده باشد، آن گره فعال می شود و داده ها را به لایه بعدی شبکه ارسال می کند. در غیر این صورت، هیچ داده ای به لایه بعدی شبکه منتقل نمی شود.تعریف دکتر هچ نیلسن(Robert Hecht-Nielsen) درباره ی شبکه های عصبی:یک سیستم محاسباتی، که از تعدادی المان های پردازشی ساده و بهم متصل ساخته شده است که به وسیله پاسخ وضعیت دینامیکی به ورودی های خارجی، اطلاعات را پردازش می کند.تعریف لیپینگ یانگ:شبکه‌های عصبی شامل تعدادی نورون مصنوعی اند که اطلاعات را بین یکدیگر تبادل می‌کنند، و هر کدام دارای وزن هایی می باشند که بر پایه تجربه‌ی شبکه به وجود می ایند. نورون‌ها نقطه‌ی فعال‌سازیی دارند که اگر مجموع وزن و داده‌های ارسال شده به آن‌ها از آن نقطه عبور کنند، آن‌ها فعال می‌شوند. نورون‌هایی که فعال شده اند باعث یادگیری می‌شوند.تعریف دقیق در درباره سازوکار شبکه های عصبی مصنوعی:داخل تصویری که در بالا مشاهده کردید بیرونی ترین لایه، یعنی لایه آبی پررنگ لایه ورودی است. نورون واحد اصلی یک شبکه عصبی است. آنها ورودی را از یک منبع خارجی(یا گره های دیگر) دریافت می کنند. هر گره با گره دیگری از لایه بعدی متصل است و هر یک از این اتصالات وزن خاصی دارد. وزن‌ها بر اساس اهمیت نسبی آن در برابر سایر ورودی‌ها به نورون اختصاص داده می‌شوند. هنگامی که تمام مقادیر گره از لایه ورودی(همون آبی پر رنگ) ضرب می شوند و خلاصه می شوند، یک مقدار برای اولین لایه پنهان ایجاد می کند. بر اساس مقدار خلاصه شده، لایه طوسی دارای یک تابع "فعال سازی" از پیش تعریف شده است که تعیین می کند آیا این گره "فعال" خواهد شد یا نه و چقدر "فعال" خواهد بود، اگر گره فعال شود به لایه ی پنهان بعدی متنقل می شود و در نهایت به لایه ی خروجی می رود.برای مثال:مثلا شما میخواهید یک نودل درست کنید، در این حالت نورون ها خود نودل و ادویه ی آن هستند چون نقطه ی شروع فعالیت در شبکه عصبی هستند، و همینطور مقدار هر عنصر(نودل و ادویه) وزن هستند، وقتی دقت کنید،زمانی که این عنصر ها(به همراه وزن ها) را در قابلمه ریخته و همشان میزنید آن ها تغییر حالت میدهند و شکلشان عوض میشود، به خاطر همین میتوانیم بگوییم قابلمه، تابع فعال سازی این فعالیت است.تاریخچه شبکه عصبی مصنوعیتاریخچه شبکه های عصبی احتمالاً در اواخر دهه 1800 با تلاش های علمی برای مطالعه فعالیت مغز انسان آغاز شد. در سال 1890، ویلیام جیمز اولین کار خود را در مورد الگوهای فعالیت مغز منتشر کرد. در سال 1943، مک کالوچ و پیتس مدلی از نورون را ایجاد کردند که امروزه هنوز در یک شبکه عصبی مصنوعی استفاده می شود.همچنین در سال 1969(یا طبق این مطلب 1951)، ماروین مینسکی اولین شبکه عصبی مصنوعی (ANN) را در حین کار در دانشگاه پرینستون ساخت.تاریخچه ی کامل یادگیری عمیق و شبکه عصبی از سال 1943 تا 2019یک شبکه عصبی مصنوعی(ANN) چگونه کار میکند؟یک شبکه عصبی مصنوعی(ANN) مشابه شبکه عصبی مغز انسان عمل می کند. یک نرون در یک شبکه عصبی مصنوعی(ANN) یک تابع ریاضی است که اطلاعات را بر اساس یک معماری خاص جمع آوری و طبقه بندی می کند. شبکه های عصبی مصنوعی(ANN) شبیه به روش های آماری مثل رگرسیون هستند.شباهت بین سلول های عصبی مغز و شبکه عصبی مصنوعییک شبکه عصبی حاوی لایه هایی از گره های به هم پیوسته است. هر گره به عنوان پرسپترون شناخته می شود و شبیه یک رگرسیون خطی چندگانه است. پرسپترون سیگنال تولید شده توسط یک رگرسیون خطی چندگانه را به یک تابع فعال سازی تغذیه می کند.انواع شبکه عصبی مصنوعی(ANN):پرسپترون(Perceptron)پرسپترون ابتدایی ترین و قدیمی ترین شکل شبکه های عصبی است. فقط از 1 نورون تشکیل شده است که ورودی را می گیرد و تابع فعال سازی را روی آن اعمال می کند تا یک خروجی باینری تولید کند. این شامل هیچ لایه پنهانی نیست و فقط می تواند برای کارهای طبقه بندی باینری استفاده شود.انواع پرسپترون(Perceptron):پرسپترون تک لایه، فقط می تواند الگوهای قابل جداسازی خطی را یاد بگیرد.پرسپترون های چند لایه(Multilayer perceptron) یا MLP، می توانند در مورد دو یا چند لایه که دارای قدرت پردازش بیشتری هستند یاد بگیرند. مثالی از پرسپترون چند لایه(MLP) با استفاده از کتابخانه ی scikit-learn در پایتون:در این مثال با استفاده از داده های آموزشی شبکه را آموزش میدهیم.داده های آموزشی:training_data_inputs = [[0,0],[1,1],[0,1],[1,0]] training_data_labels = [0,2,1,1]همینطور که مشاهده میکنید جمع هر لیست، برچسب آن در متغیر training_data_labels میشود.تمام کد ها:from sklearn.neural_network import MLPRegressor training_data_inputs = [[0,0],[1,1],[0,1],[1,0]] training_data_labels = [0,2,1,1] rgs = MLPRegressor(solver='lbfgs', alpha=1e-05,hidden_layer_sizes=(8,2),random_state=1) rgs.fit(training_data_inputs,training_data_labels)تست شبکه با استفاده از داده تست:rgs.predict([[1,0]])خروجی:شبکه های پیشخور(Feedforward) یا به اختصار FFشبکه های پیشخور(feedforward) مدل یادگیری عمیقی هستند که در آن ها اطلاعات در جهت رو به جلو حرکت میکنند؛به زبان قابل فهم تر، سیگنال در شبکه های پیشخور(FF) فقط در یک جهت از لایه ورودی، به لایه های پنهان و بعد به لایه خروجی حرکت می کند و داده های قبلی در حافظه ذخیره نمی شوند.FF networks شبکه های عصبی کانولوشنال(Convolutional neural networks) یا CNNشبکه های عصبی کانولوشنال(CNN) دسته ای از شبکه های عصبی عمیق(DNN) هستند که می توانند ویژگی های خاصی را از تصاویر شناسایی و طبقه بندی کنند و به طور گسترده برای تجزیه و تحلیل تصاویر بصری استفاده می شوند. کاربردهای آنها شامل تشخیص تصویر و ویدئو، طبقه بندی تصویر،بینایی کامپیوتر و پردازش زبان طبیعی(NLP) است.نحوه ی کارکرد شبکه عصبی کانولوشنال(CNN) شبکه های عصبی مکرر یا بازگشتی(Recurrent neural network) یا RNNشبکه عصبی بازگشتی (RNN) نوعی شبکه عصبی است که در آن خروجی مرحله قبل به عنوان ورودی به مرحله فعلی تغذیه می شود. برای مثلا در شبکه های عصبی (تغذیه رو به جلو)feed forward همه ورودی‌ها و خروجی‌ها مستقل از یکدیگر هستند، اما مثلا در NLP(پردازش زبان طبیعی) یا در کپشین نویسی عکس ها زمانی که لازم است کلمه بعدی یک جمله پیش‌بینی شود، کلمات قبلی مورد نیاز است و به خاطر همین، نیاز به یادآوری کلمات قبلی است.تفاوت شبکه های عصبی پیشخور یا تغذیه رو به جلو با شبکه های عصبی مکرر:انواع شبکه های عصبی مکرر:شبکه عصبی مکرر از نوع یک به یک یا one-to-one :از این نوع RNN ها برای حل مسائلی که کلا یه ورودی و یک خروجی دارند استفاده میشوند، برای مثال برای طبقه بندی عکس ها استفاده میشوند که فقط یک ورودی(خود عکس) و یک خروجی(نوع عکس) استفاده میشوند.one to oneشبکه عصبی مکرر از نوع یک به چند یا one-to-many :از این نوع شبکه های عصبی مکرر برای حل مسائلی که یک ورودی و دنباله ای از خروجی دارند استفاده میکنیمone to manyشبکه عصبی مکرر از نوع چند به یک یا many-to-one :در این شبکه ها برنامه باید با چند ورودی که دریافت میکند یک خروجی واحد را بدهدmany to oneشبکه های عصبی مکرر از نوع چند به چند:در این نوع از شبکه های عصبی مکرر سیستم باید با دنباله ای از ورودی هایی که میگیرد، دنباله ای از خروجی ها تولید کند، برای مثال در چت بات ها سیستم، دنباله ای از کلمات(جمله) را میگیرد و باید دنباله از کلمه ها(همون جمله ی پاسخ) را تولید کندmany to manyنظریه:همانطور که احتمالا میدانید اغلب نیمکره های مخ هستند که به ما توانایی حرف زدن و حل مسئله و حتی فکر کردن رو میدن، به خاطر همین اگر فرض کنیم که داخل مغز انسان و موجودات دیگر هم شبیه همین شبکه های عصبی وجود داره،من فکر میکنم توی نیمکره های مخ بیشتر RNN و LSTM وجود داره تا بقیه انواع، چون اگر دقت کنید توی این فعالیت ها(برای مثال ، حرف زدن) نیاز داره به اینکه با توجه به کلمات قبلی نتیجه بگیره و کلمه ی جدید رو بیان کنه، به خاطر همین من اینجوری فکر میکنمشبکه های عصبی LSTM یا Long Short Term Memory :شبکه‌های عصبی LSTM با افزودن یک سلول حافظه ویژه که می‌تواند اطلاعات را برای مدت طولانی ذخیره کند، مشکل ناپدید شدن گرادیان در RNN را حل می‌کند.تفاوت بین شبکه های عصبی مکرر و LSTMشبکه های LSTM چگونه کار میکنند؟ شبکه های LSTM از سه لایه برای اینکه کدام خروجی باید استفاده شود یا فراموش شود استفاده می کند. این سه لایه ها شامل لایه ورودی، لایه خروجی و لایه فراموشی هستند که هر کدام فعالیت منحصر به خودشون رو دارند:لایه ورودی:معلوم میکند که چه اطلاعاتی باید در حافظه بمانندلایه خروجی:اطلاعات های داده شده به لایه بعدی را کنترل می کند.لایه فراموشی:زمان فراموش کردن دیتا ها را کنترل میکند. انتشاراتی برای ماشین های در حال یادگیری Sepehr Mqp Tue, 18 Oct 2022 08:25:13 +0330 https://virgool.io/maths-4-lovers/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D8%AD%D8%AA-%D9%86%D8%B8%D8%A7%D8%B1%D8%AAsupervised-learning-%DA%86%DB%8C%D8%B3%D8%AA-rjki0rcqz6e1 بــه نـامــ خـدایادگیری تحت نظارت(Supervised Learning) چیست؟یادگیری تحت نظارت یا یادگیری نظارتی(Supervied Learning) الگوریتمی است که از داده‌های آموزشی برچسب‌گذاری شده یاد می‌گیرد تا به شما در پیش‌بینی نتایج برای داده‌های پیش‌بینی نشده کمک کند. در یادگیری تحت نظارت، ماشین را با استفاده از داده‌هایی که به درستی برچسب‌گذاری شده اند، آموزش می‌دهید. این به این معنی است که برخی از داده ها قبلاً با پاسخ های صحیح برچسب گذاری شده اند. می توان آن را با یادگیری در حضور سرپرست یا معلم مقایسه کرد.ساخت، مقیاس‌بندی، و استقرار مدل‌های ماشین لرنینگ با نظارت دقیق، به زمان و تخصص فنی تیمی از دانشمندان داده ماهر نیاز دارد.یادگیری تحت نظارت(Supervised Learning) چگونه کار میکند؟مفهوم یادگیری تحت نظارت در الگوریتم های یادگیری تحت نظارت، از داده های برچسب گذاری شده برای آموزش سیستم استفاده میشود؛برای مثال اگر برنامه ی شما برای تشخیص رنگ سفید از بقیه ی رنگ ها نوشته شده، دیتاست دارای رنگ های قرمز، آبی،مشکی،نارنجی و... است. که رنگ ها با لیبل های 0 و 1 برچسب گذاری شده اند(رنگ سفید ۱ و بقیه رنگ ها ۰) در این حالت سیستم برای خود تابعی میسازد(مدل سازی) و میتواند رنگ سفید را از بقیه رنگ ها تشخیص دهد.در یادگیری تحت نظارت(Supervised Learning) برای آموزش سیستم از داده ی آموزشی استفاده میشود، و برای تست سیستم از داده ی تست استفاده میشودانواع الگوریتم های یادگیری تحت نظارت(Supervised Learning) رگرسیون(Regression)تکنیک رگرسیون یک مقدار خروجی واحد را با استفاده از داده های آموزشی پیش بینی می کند.رگرسیون لجستیک(Logistic Regression)از روش رگرسیون لجستیک برای تخمین مقادیر گسسته بر اساس مجموعه ای از متغیرهای مستقل استفاده می شود. همانطور که احتمال را پیش بینی می کند، مقدار خروجی آن بین 0 و 1 قرار دارد.طبقه بندی(Classification)طبقه بندی به معنای گروه بندی خروجی در یک کلاس است. اگر الگوریتم سعی کند ورودی را به دو کلاس مجزا برچسب گذاری کند، طبقه بندی باینری نامیده می شود. انتخاب بین بیش از دو کلاس طبقه بندی چند کلاسه نامیده می شود.مدل بیزی ساده(Naive Bayesian Model)مدل ساده بیزی برای مجموعه داده های بزرگ استفاده میشود. این روش از نمودارهای غیر چرخه ای مستقیم با یک والدین و چند فرزند تشکیل شده است.مدل جنگل تصادفی(Random Forest Model)مدل جنگل تصادفی یک روش مجموعه ای است. با ساختن تعداد زیادی درخت تصمیم عمل می‌کند و طبقه‌بندی درختان منفرد را خروجی می‌دهد.شبکه عصبی(Neural Networks)می توان شبکه عصبی مصنوعی را یک مدل محاسباتی در نظر گرفت. که عملکرد آن، الهام گرفته از شبکه های عصبی بیولوژیکی موجود در مغز انسان است. که وظیفه پردازش اطلاعات را بر عهده دارند.تعریف دکتر هچ نیلسن(Robert Hecht-Nielsen) درباره ی شبکه های عصبی:یک سیستم محاسباتی که از تعدادی المان های پردازشی ساده و بهم متصل ساخته شده است که به وسیله پاسخ وضعیت دینامیکی به ورودی های خارجی، اطلاعات را پردازش می کند.ماشین های بردار پشتیبانی(Support Vector Machines) یا SVMالگوریتم یادگیری نظارت شده svm در بین مدل های یادگیری نظارت شده بسیار محبوب است زیرا می توان از آن برای طبقه بندی یا رگرسیون استفاده کرد. پیاده‌سازی مدل با فضاهای با ابعاد بالا به خوبی کار می‌کند، اما می‌توان آن را به طور موثر با مجموعه داده‌های کوچک نیز استفاده کرد.svm همچنین می تواند مشاهدات جدید را زمانی که الگوریتم بر روی یک مجموعه داده آموزش داده می شود، به طور موثر طبقه بندی کند.مثالی ساده برای مفهوم یادگیری تحت نظارت(Supervised Learning):در این مثال از الگوریتم رگرسیون(از نوع خطی) و کتابخانه ی scikit-learn استفاده می شود.داده ی آموزشی:فراخوانی دیتافریم با کتابخانه ی pandasمرحله ۱ - آموزش سیستم(با استفاده از داده های آموزشی):import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression df = pd.read_excel('df.csv') x = np.array(df['Pages']).reshape(-1,1) y = np.array(df['Price']).reshape(-1,1) model = LinearRegression() model.fit(x,y) plt.scatter(x,y, c = 'blue') plt.plot(x,model.predict(x), c = 'red') plt.title('Simple Linear Regression') plt.xlabel('Pages') plt.ylabel('Price') plt.grid()خروجی:خروجیدر این عکس نقطه های آبی داده های آموزشی هستند و خط قرمز مدل رگرسیون است. مرحله ۲ - تست سیستم(داده ی تست):پس از اینکه آموزش به ماشین به اتمام رسید، نوبت به امتحان گرفتن و تست سیستم است. در این مرحله دانشمندان داده دیتاستی تهیه می کنند که لیبل داده های آن مشخص است. اما تنها داده ها را بدون لیبل هایشان وارد سیستم می کنند تا بفهمند که سیستم تا چه حد قادر به ارائه خروجی صحیح است.در این مرحله با دادن ورودی(متغیر مستقل(x)) باید متغیر وابسته(y) را دریافت کنیم.حالا میتونید به جای 118(متغیر مستقل) عدد دیگه ای هم وارد کنید.مزایای یادگیری تحت نظارت(Supervised Learning)در زیر چند تا از مزایای یادگیری نظارتی آمده است با یادگیری نظارت شده، می توانید به راحتی داده ها را جمع آوری کنید یا یک خروجی داده از تجربه قبلی ایجاد کنید.یادگیری تحت نظارت به حل آسان مسائل محاسباتی در دنیای واقعی کمک می کند.با استفاده از تجربه، یادگیری تحت نظارت می تواند معیارهای عملکرد را نیز بهینه کند. معایب و چالش های یادگیری تحت نظارت(Supervised Learning):طبقه بندی بیگ دیتا ها ممکن است دشوار باشد.وقتی طبقه‌بندی کننده را آموزش می‌دهید، باید نمونه‌های خوب زیادی را از هر کلاس انتخاب کنید.آموزش برای یادگیری تحت نظارت زمان زیادی می برد.اگر حتی یکی از دیتا ها نادرست باشد میتواند نتایج نادرستی را به ما ارائه دهدزمانی که داده های تست با داده های آموزشی متفاوت است، احتمال دارد خروجی (متغیر وابسته(y))را اشتباه پیش بینی کنند. انتشاراتی برای ماشین های در حال یادگیری Sepehr Mqp Wed, 14 Sep 2022 15:50:47 +0430 https://virgool.io/maths-4-lovers/%D8%B1%DA%AF%D8%B1%D8%B3%DB%8C%D9%88%D9%86-%D8%AE%D8%B7%DB%8C-%D8%B3%D8%A7%D8%AF%D9%87-%D8%A8%D9%87-%D8%B2%D8%A8%D8%A7%D9%86-%D8%B3%D8%A7%D8%AF%D9%87-oa50lrghb62o به نام خدا سلام امیدوارم حالتون خوب باشهشاید باورتون نشه اما من درباره ی این مطلبی که میخوام بزارم سه روز مطالعه کردم که یه وقت چیز اشتباهی قرار ندم توی مطلب.معنی واژه ی رگرسیون چیه:واژه «رگرسیون» واژه‌ ای از زبان فرانسوی است و به معنی «برگشت» یا «پس‌گرایی» است؛ این واژه اولین بار توسط فرانسیس گالتون برای توصیف رابطه خطی بین قد فرزندان و والدین‌شان مورد استفاده قرار گرفت. به‌طور دقیق‌تر او از اصطلاح «برگشت (رگرسیون) به میانگین» برای توصیف این رابطه استفاده کرد.هدف ما از استفاده از رگرسیون چیست؟همونطور که میدونید ماشین لرنینگ یعنی بر اساس دیتا هایی که بهش میدیم یه نتیجه گیری بکنه و بر اساس اون دیتا ها تجربه به دست بیاره، که بعدا برای داده های دیگه ای که بهش میدن بتونه از اون تجربه ای که به دست اورده استفاده کنه.linear regressionشاید بد توضیح داده باشم، الان برات یه مثال میزنم:مثلا شما یه دسته دیتا هایی به برنامه دادید ، ولی دیتا هایی که بهش دادید کامل نیست، یادگیری ماشین میاد بر اساس همون دیتا های کمی که شما دادید و با استفاده از الگوریتم های مختلف(از جمله رگرسیون خطی) ازش نتیجه گیری میکنه، و با استفاده از همین تجربه دیتا هایی که شما بهش ندادید رو میابه.بدست آوردن همین تجربه با الگوریتم های مختلف ماشین لرنینگ انجام میشه، که پایه ترینشون همین رگرسیون خطی هستش.راستی بگم که این رگرسیون خطی نسبت به بقیه الگوریتم ها خیلی سادست.رگرسیون چیست؟رگرسیون یا ضریب همبستگی یه تکنیک آماریه که میتونیم با استفاده از اون یه متغیر رو از روی یک یا چند متغیر پیش بینی کنیم.توی رگرسیون خطی متغیری که از روی اون یکی متغیر پیش بینی میشه، متغیر وابسته یا Dependent نامیده میشه و متغیری که از روی اون پیش بینی انجام میگیره متغیر مستقل یا Independent نام دارهکه معمولا به ترتیب به صورت y و x نشون داده میشن(منظورم اینه که y یعنی متغیر وابسته و x متغیر مستقل هستش)اگر فقط یه متغیر مستقل وجود داشته باشه به این میگیم رگرسیون ساده(simple linear regression) و در غیر این صورت بهش میگیم رگرسیون چند گانه یا multiple linear regression.همینطور اگه به جای داشتن یه متغیر وابسته ،چند تا متغیر وابسته داشتیم بهش میگیم چند متغیره.یکم دقیق تر:بزار با یه مثال برات توضیح بدم:مثلا تو میخوای یه کتاب بخری، خب؟ قیمت این کتاب به چه چیز هایی بستگی داره؟، مثلا به تعداد صفحات و کیفیتش بستگی داره.اینجا متغیر مستقلمون کدوم میشه؟، قیمت کتاب یا تعداد صفحات؟، خب معلومه که تعداد صفحات، چرا؟ چون اون کتابی که تو میخوای بخری بر اساس تعداد صفحات، قیمتش تغییر میکنه.و کتاب هم میشه متغیر وابسته، چرا؟ چون اینجا x(تعداد صفحات) روی قیمت کتاب(y) تاثیر میزاره.و اینکه نوع رگرسیون ما رگرسیون ساده هتسش،چون یه متغیر مستقل و یه متغیر وابسته داریم.حالا یه نمودار براش رسم میکنیم(با استفاده از پایتون):به این داده هایی که بر اساس مثال بالایی هست نگاه کنید:page = [50,70,30,100,60]price = [20,40,15,50,25]خب همینطور که میبینید، این داده ها با هم به صورت ستونی قرار داده شدند، منظورم اینه که مثلا هر کتاب ۵۰ صفحه ای ۲۰ تومان می ارزه.ما در این مثال با این داده ها کار میکنیم، شما میتونید تغییرش بدید(اما پیشنهادم اینه که بعد از مطلب دستکاریش کنید).مرحله ۱ ، جای گذاری دیتا ها:کدی که برای جاگذاری دیتا ها استفاده کردم:#import the libreries import matplotlib.pyplot as plt import numpy as np #Data page = [50,70,30,100,60] price = [20,40,15,50,25] #plot the data plt.scatter(page, price, color='blue',marker = '+',lw = 3) plt.xlabel('Page') plt.ylabel('Price') b, a = np.polyfit(page,price,1) #grid the chart plt.grid(True)خروجی:جای گذاری داده ها بر روی نمودارتوضیح نمودار:همینطور که میبینید اطلاعاتی که ما به برنامه داده بودیم رو با استفاده از کد بالا روی نمودار نمایش دادیم.که x ما همون تعداد صفحات و y همون قیمت کتاب هست.مرحله ۲ ،رسم خط رگرسیون:کد هایی که برای رسم خط رگرسیون استفاده شده(به علاوه کد های قبلی):import matplotlib.pyplot as plt import numpy as np page = [50,70,30,100,60] price = [20,40,15,50,25] plt.scatter(page, price, color='blue',marker = '+',lw = 3) plt.xlabel('Page') plt.ylabel('Price') b, a = np.polyfit(page,price,1) line = np.linspace(0,max(page) or max(price)) plt.plot(line,a+b*line,color = 'red',lw = 3) plt.grid(True)خروجی:رسم خط رگرسیوننتیجه گیری از کد ها و نمودار ها:الان شما میتونید اثراتی از یادگیری ماشین رو از روی نمودار مرحله ی دوم ببینیدهمینطور که میبیند خط رگرسیون میاد و خطی رسم میکنه که نقاط کمترین فاصله رو نسبت به خط داشته باشناین فاصله هایی که میبینید که بین نقاط و خط رگرسیون هست واریانس یا انحراف معیار نام داره.خب الان این نموداری که کشیدیم به چه دردی میخوره؟همونطور که توی بخش هدف ما از استفاده از رگرسیون چیست گفتم یادگیری ماشین، میاد و بر اساس اطلاعات کمی که ما بهش دادیم یاد میگیره که چجوری برای دیتا های بعدی باید کار کنه، اینجا هم همون اتفاق افتاده.مثلا، من دیتایی برای کتاب ۸۰ صفحه ای به برنامه ندادم، اما شما میتونید این رو با استفاده از رگرسیون خطی پیش بینی کنید. چطوری؟ : اول باید روی محور x یا همون Page نقطه ی مورد نظر خودت رو پیدا کنی، مثلا من 80 رو در نظر میگیرم. حالا به صورت عمودی میای بالا تا به خط رگرسیون برسی، وقتی که به خط رسیدی همون رو به صورت افقی و از روی همون درجاتی که برای برنامه در نظر گرفتم به سمت چپ میای تا به محور y یا همون Price میرسی، حالا عددی رو که بهش رسیدی رو بخون.حالا فهمیدی رگرسیون خطی چی کار میکنه!؟رگرسیون خطی یه الگوریتم یادگیری ماشینه، که میتونیم با استفاده از اون و دیتا هایی که بهش دادیم ، داده هایی رو که بهش ندادیم رو پیش بینی کنیم.مثلا الان من توی داده هایی که به برنامه ام داده بودم ، داده ای به کتاب ۸۰ صفحه ای اختصاص نداده بودم.ولی تونستم با استفاده از داده های قبلی ای که داده بودم ، خط رگرسیون رو رسم کنم و بتونم با استفاده از اون قیمت یه کتاب ۸۰ صفحه ای رو پیدا کنم.شما میتونید هر داده ای رو که بهش نداده بودید(البته توی بازه ای که بهش دادید) رو پیدا کنید.نتیجه گیری مطلب:امروز با هم توی این مطلب یه الگوریتم باحال و کاربردی ماشین لرنینگ رو یاد گرفتیمالبته زیاد وارد بخش فرمولش نشدم ، که به نظرم برای کسانی که میخوان برای هوش مصنوعی این الگوریتم رو یاد بگیرن مناسب باشه.اولی معنی واژه ی رگرسیون رو متوجه شدیمبعدش کاربرد رگرسیون رو فهمیدیمبعد خود رگرسیون رو درک کردیم و یه مثال ازش زدیمو بعد هم با پایتون مثالی از رگرسیون خطی رو حل کردیم و در آخر مفهوم کلی رگرسیون خطی رو متوجه شدیم.امیدوارم از این مطلب خوشتون اومده باشه و مفهوم رگرسیون خطی رو متوجه شده باشید.تا مطلب بعدی خدانگهدار انتشاراتی برای ماشین های در حال یادگیری Sepehr Mqp Mon, 08 Aug 2022 17:26:35 +0430