import { CodeBlock } from '@/components/CodeBlock';

مقدمه: قلب تپنده هوش مصنوعی

یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) دو مفهومی هستند که نیروی محرکه انقلاب هوش مصنوعی امروزی را تشکیل می‌دهają. از سیستم‌های توصیه‌گر نتفلیکس گرفته تا خودروهای خودران, همه و همه قدرت خود را از این دو حوزه می‌گیرند. این راهنما به شما کمک می‌کند تا به زبانی ساده, با مفاهیم, الگوریتم‌ها و پیاده‌سازی عملی این فناوری‌های شگفت‌انگیز آشنا شوید.

یادگیری ماشین چیست؟

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که به کامپیوترها اجازه می‌دهد بدون برنامه‌نویسی صریح, از داده‌ها یاد بگیرند و بهبود یابند.

انواع یادگیری ماشین

1. یادگیری نظارت‌شده (Supervised Learning): یادگیری با داده‌های برچسب‌دار (مانند تصاویر گربه‌ها که برچسب "گربه" دارند).
2. یادگیری بدون نظارت (Unsupervised Learning): کشف الگوها در داده‌های بدون برچسب (مانند گروه‌بندی مشتریان بر اساس رفتار خرید).
3. یادگیری تقویتی (Reinforcement Learning): یادگیری از طریق تعامل با محیط و دریافت پاداش یا جریمه (مانند آموزش یک ربات برای راه رفتن).

الگوریتم‌های کلیدی یادگیری ماشین

۱. رگرسیون خطی (Linear Regression)

کاربرد: پیش‌بینی مقادیر عددی (مانند قیمت خانه).

<CodeBlock language="python" text={` from sklearn.linear_model import LinearRegression

داده‌های آموزشی: متراژ خانه و قیمت

X = [[100], [150], [200], [250]] y = [500, 750, 1000, 1250]

model = LinearRegression() model.fit(X, y)

پیش‌بینی قیمت برای یک خانه ۱۸۰ متری

predicted_price = model.predict([[180]]) print(f"قیمت پیش‌بینی شده: {predicted_price[0]} میلیون تومان") `} />

۲. درخت تصمیم (Decision Tree)

کاربرد: طبقه‌بندی و تصمیم‌گیری.

<CodeBlock language="python" text={` from sklearn.tree import DecisionTreeClassifier

داده‌های آموزشی: آب و هوا و تصمیم برای بازی

ویژگی‌ها: [آفتابی (1) یا ابری (0)], [دما بالا (1) یا پایین (0)]