شما اینجایید
خانه > مطالب تگ شده با "آموزش پایتون"

زبان برنامه‌نویسی پایتون: راهنمای مفید (بخش دوم)

 

پایتون چگونه با سایر زبان‌های برنامه‌نویسی قیاس می‌شود؟

پایتون می‌تواند برای هر مورد کاربردی که هر زبان سطح بالای دیگری (C/C++، PHP، JavaScript و ... ) بکار می‌برد، استفاده شود. پیاده‌سازی برای میکروکنترلرهای مدرن وجود دارد، اگرچه CPU های قدیمی‌تر (6502، z80، m68k) نمی‌توانند از پایتون استفاده کنند. درحالی

هوش مصنوعی با پایتون – بخش هفتم – برنامه‌نویسی منطقی (قسمت سوم)

هوش مصنوعی با پایتون

   

بررسیِ اول بودنِ اعداد

با کمک برنامه‌نویسی منطقی، ما می‌توانیم اعداد اول را بین لیستی از اعداد پیدا کنیم و همچنین می‌توانیم اعداد اول را تولید کنیم. کد پایتون داده‌شده در زیر اعداد اول را از بین لیستی از اعداد پیدا خواهد کرد و همچنین 10 عدد اول تولید

هوش مصنوعی با پایتون – بخش هفتم – برنامه‌نویسی منطقی (قسمت دوم)

هوش مصنوعی با پایتون

   

مثال‌هایی از برنامه‌نویسی منطقی

در زیر مثال‌هایی آمده که می‌توان آن‌ها را با برنامه‌نویسی منطقی حل نمود.

   
  • تطبیق عبارات ریاضی

در حقیقت ما می‌توانیم مقادیر ناشناخته را در ریاضیات با استفاده از برنامه‌نویسی منطقی به شکل مؤثری بیابیم. کد پایتونی که در ادامه می‌آید به شما کمک خواهد

هوش مصنوعی با پایتون – بخش هفتم – برنامه‌نویسی منطقی (قسمت اول)

هوش مصنوعی با پایتون

   

در این بخش به برنامه‌نویسی منطقی و چگونگی کمک آن به هوش مصنوعی می‌پردازیم. ما پیش از می‌دانستیم که Logic یا منطق مطالعه اصول استدلال صحیح است یا به عبارت ساده مطالعه این است که چه چیز پس از چه چیز دیگری می‌آید. به‌عنوان‌مثال اگر دو جمله صحیح

هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون (قسمت دوم)

هوش مصنوعی با پایتون

     

اکنون می‌توان عملکرد رگرسیون خطی خود را به شرح زیر محاسبه کرد -

print("Performance of Linear regressor:")

print("Mean absolute error =", round(sm.mean_absolute_error(y_test, y_test_pred), 2))

print("Mean squared error =", round(sm.mean_squared_error(y_test, y_test_pred), 2))

print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2))

print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred),

2))

print("R2 score =",

هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون (قسمت اول)

هوش مصنوعی با پایتون

     

رگرسیون یکی از مهم‌ترین ابزارهای آماری و یادگیری ماشین است. اشتباه نیست اگر بگوییم یادگیری ماشین از رگرسیون شروع شد. رگرسیون ممکن است به‌عنوان یک روش پارامتری تعریف شود که به ما امکان تصمیم‌گیریِ مبتنی بر داده‌ها را می‌دهد یا به‌عبارت‌دیگر با یادگیری رابطه بین متغیرهای ورودی و

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت آخر)

هوش‌ مصنوعی با پایتون

کارایی یک طبقه‌بندی کننده

بعد از پیاده‌سازی الگوریتم یادگیری ماشین، باید دریابیم که مدل چقدر مؤثر است. معیارهای سنجش اثربخشی ممکن است مبتنی بر دیتاست و متریک باشند. برای ارزیابی الگوریتم‌های مختلف یادگیری ماشین، می‌توان از معیارهای کارایی مختلف استفاده کرد. به‌عنوان‌مثال فرض کنید اگر از یک طبقه‌بندی کننده

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت پنجم)

هوش‌ مصنوعی با پایتون

 

رگرسیون منطقی: طبقه‌بندی کننده درخت تصمیم‌گیری[1]

یک درخت تصمیم‌گیری درواقع یک فلوچارت درخت دودوئی است که در آن هر گره گروهی از مشاهدات را طبق برخی از متغیرهای ویژگی تقسیم می‌کند. در اینجا ما در حال ساخت طبقه‌بندی کننده درخت تصمیم‌گیری برای پیش‌بینی زن یا مرد بودن

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت چهارم)

هوش‌ مصنوعی با پایتون

   

ماشین‌های بردار پشتیبان (SVM[1])

ماشین بردار پشتیبان (SVM) در اصل یک الگوریتم یادگیری ماشین نظارت‌شده است که می‌تواند برای هر دو روش رگرسیون و طبقه‌بندی استفاده شود. مفهوم اصلی SVM ترسیم هر مورد داده به‌عنوان نقطه‌ای در فضای n بُعدی است به‌طوری‌که هر ویژگی مقدار یک مختصات

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت سوم)

هوش‌ مصنوعی با پایتون

 

با استفاده از موارد فوق می‌خواهیم یک مدل یادگیری ماشینِ Naïve Bayes بسازیم تا از اطلاعات تومور به‌منظور تشخیص خوش‌خیم یا بدخیم بودن آن استفاده شود. برای شروع باید ماژول sklearn را نصب کنیم. این کار را می‌توان با دستور زیر انجام داد:

Import Sklearn

 

حال باید

بالا