همان طور که احتمالا آشنایی دارید، زبان برنامه نویسی پایتون، یکی از بهترین زبانها برای پیادهسازی الگوریتمهای یادگیری ماشین است. پیادهسازی الگوریتمهای یادگیری ماشین تنها با استفاده از پایتون، بسیار وقتگیر و همچنین از نظر عملکردی غیربهینه است؛ برای آن که سرعت کدنویسی خود را بالا ببریم و همچنین عملکرد کد سریعتر شود، میتوان از کتابخانه های یادگیری ماشین در پایتون استفاده کرد. این کتابخانهها، برای کارهای مختلفی و توسط بهترین برنامهنویسان و شرکتهای نرمافزاری توسعه داده شدهاند. در ادامه به معرفی چند کتابخانه یادگیری ماشین در پایتون میپردازیم که کاربرد بسیار زیادی دارند.
یادگیری ماشین در پایتون
همان طور که از اسمش پیداست، ماشین لرنینگ شاخهای از علوم کامپیوتر است که در آن سعی میکنیم توانایی یادگیری را در ماشین (کامپیوتر) پیادهسازی کنیم؛ به این ترتیب یک کامپیوتر میتواند با دیدن یک سری الگوها، آن الگو را یاد بگیرد و در تشخیص موارد بعدی، موثر عمل کند. البته اگر بخواهیم یادگیری ماشین را دقیقتر تعریف کنیم، باید بگوییم: یادگیری ماشین یک حوزه مطالعاتی است که به کامپیوترها امکان یادگیری را میدهد بدون آن که نیاز باشد به شکل صریح و واضح کدنویسی شوند.
زبان برنامه نویسی پایتون، محبوبترین زبان برای پیادهسازی الگوریتمهای یادگیری ماشین است. یکی از دلایل محبوبیت زبان پایتون در یادگیری ماشین، وجود کتابخانههای بسیار زیاد برای انجام کارهای گوناگون در ماشین لرنینگ است. اگر با زبان پایتون آشنایی ندارید، میتوانید دوره آموزش مقدماتی پایتون را ببینید تا با ابزارهای مورد نیاز آشنا شوید. همچنین میتوانید مطلب فریمورکهای پایتون در هوش مصنوعی را مشاهده کنید. در ویدیو زیر به طور خلاصه، کتابخانههای numpy و pandas و matplotlib را آموزش دادهایم: (این ویدیو، یکی از ویدیوهای مجموعه خوانش گروهی کتابهای هوش مصنوعی است)
برای دانلود فایل کدها و دیتاست مورد استفاده در این کارگاه، فرم زیر را پر کنید:
کتابخانه numpy برای انجام اعمال مختلف جبری و ماتریسی یادگیری ماشین
نامپای یک کتابخانه بسیار معروف پایتون برای پردازش ماتریسهای بزرگ و آرایههای چندبعدی است. انجام محاسبات مختلف مورد نیاز در ماشین لرنینگ با استفاده از کتابخانه numpy، به راحتی امکانپذیر است. برای آشنایی کاملتر با کتابخانه نامپای، به آموزش مقدماتی کتابخانه numpy مراجعه کنید. یک نمونه کد نامپای:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
import numpy as np # Creating two arrays of rank 2 x = np.array([[1, 2], [3, 4]]) y = np.array([[5, 6], [7, 8]]) # Creating two arrays of rank 1 v = np.array([9, 10]) w = np.array([11, 12]) # Inner product of vectors print(np.dot(v, w), "\n") # Matrix and Vector product print(np.dot(x, v), "\n") # Matrix and matrix product print(np.dot(x, y)) |
کتابخانه pandas برای کار با دیتاستها یادگیری ماشین
پانداس یک کتابخانه یادگیری ماشین در پایتون برای انجام امور مربوط به آنالیز دیتا است. pandas به طور مستقیم به یادگیری ماشین مربوط نمیشود؛ اما ما برای آن که بتوانیم مدل یادگیری ماشین خود را train کنیم، باید پیش پردازش دادههای موجود در دیتاست را با استفاده از پانداس انجام دهیم. یک نمونه کد پانداس:
1 2 3 4 5 6 7 8 9 10 |
# importing pandas as pd import pandas as pd data = {"country": ["Brazil", "Russia", "India", "China", "South Africa"], "capital": ["Brasilia", "Moscow", "New Dehli", "Beijing", "Pretoria"], "area": [8.516, 17.10, 3.286, 9.597, 1.221], "population": [200.4, 143.5, 1252, 1357, 52.98] } data_table = pd.DataFrame(data) print(data_table) |
کتابخانه matplotlib برای مصورسازی دادهها
matplotlib، محبوبترین کتابخانه پایتون برای مصورسازی دادههاست. این کتابخانه نیز مانند پانداس به طور مستقیم ربطی به ماشین لرنینگ ندارد؛ اما برای آن که حس درستتری نسبت به کدها و دیتاستها داشته باشیم، باید نمودار آنها را با استفاده از کتابخانه matplotlib رسم کنیم. یک نمونه کد matplotlib:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
# importing the necessary packages and modules import matplotlib.pyplot as plt import numpy as np # Prepare the data x = np.linspace(, 10, 100) # Plot the data plt.plot(x, x, label ='linear') # Add a legend plt.legend() # Show the plot plt.show() |
کتابخانه scikit-learn؛ پیادهسازی انواع الگوریتمهای یادگیری ماشین در کمترین زمان
این ابزار، یکی از معروفترین کتابخانههای یادگیری ماشین است. کتابخانه Scikit Learn، در روشهای یادگیری ماشینی بدون ناظر کاربرد فراوانی دارد. برای شروع کار در حوزهی یادگیری ماشینی، Scikit-learn، تا زمانی که نیاز به انجام محاسبات بسیار پیچیده ندارید، ابزار بینظیر و کاملا مناسبی است.
منبع: GEEKSFORGEEKS
سلام راستش انتظار این جور تبلیغ ها رو نداشتم مثل لاغری اسان و غیره فکر نمیکنم هم مخاطبین خیلی روش کلیک کنن:)))
سلام دوست عزیز ممنون از توجه شما
نکته شما نکته درستیه و ما تمام تلاشمون رو میکنیم که تبلیغات رو مرتبط به محتوای سایت کنیم. اگر در چند روز آینده موفق به اصلاح نشیم، این نوع از تبلیغ متوقف میشه
ممنون. توضیحاتتون عالی بود. میخوام فیلم رو هم ببینم