شما اینجایید
خانه > مطالب تگ شده با "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

زبان برنامه‌نویسی پایتون: راهنمای مفید (بخش اول)

زبان پایتون

 

با بیش از 8.2 میلیون برنامه‌نویس که از پایتون استفاده می‌کنند، محبوبیت این زبان برنامه‌نویسی را نمی‌توان انکار کرد. از زمان انتشار اولین نسخه در سال 1990، پایتون حمایت‌های عمومی در آکادمی کسب‌وکار را به‌دست آورده که در هوش‌مصنوعی و یادگیری ماشین بسیار مورد استفاده قرار می‌گیرد و

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

هوش مصنوعی با پایتون

 

حل پازل (معما)

از برنامه‌نویسی منطقی می‌توان برای حل مسائل زیادی مانند معمای 8 یا پازل 8 ، پازل Zebra، سودوکو، مسئله n وزیر و غیره استفاده نمود. در اینجا ما از انواع مطرح‌شده برای پازل Zebra نمونه‌ای در نظر می‌گیریم که در ادامه می‌بینید. عبارت انگلیسی زیر را

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 سوم)

هوش مصنوعی با پایتون

   

حالا باید یک شیء رگرسیون خطی ایجاد کنیم.

reg_linear_mul = linear_model.LinearRegression()

 

شیء ایجاد شده را با نمونه‌های آموزشی train می‌کنیم.

reg_linear_mul.fit(X_train, y_train)

 

حالا درنهایت ما باید عمل پیش‌بینی را با استفاده از داده‌های تست انجام دهیم.

y_test_pred = reg_linear_mul.predict(X_test)

print("Performance of Linear regressor:")

print("Mean absolute error

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

بالا