هوش مصنوعی با پایتون: دوره عملی تا ساخت مدل ساده 🤖🧠

هوش مصنوعی (Artificial Intelligence – AI) دیگر یک مفهوم علمی-تخیلی نیست؛ این تکنولوژی همین حالا در گوشی هوشمند شما، در سیستم‌های پیشنهادگر فیلم، در مسیریاب‌های GPS و در فیلترهای اسپم ایمیل شما حضور دارد. برای توسعه‌دهندگان، AI مرز بعدی نوآوری است و خوشبختانه، زبان برنامه‌نویسی پایتون (Python) به دلیل سادگی، خوانایی و اکوسیستم بی‌نظیر کتابخانه‌هایش، به زبان استاندارد و بلامنازع این حوزه تبدیل شده است. این مقاله، یک “دوره عملی فشرده” است که به شما نشان می‌دهد چگونه می‌توانید از دانش پایتون خود فراتر رفته و اولین مدل ساده هوش مصنوعی خود را بسازید.

AI، یادگیری ماشین (ML) و یادگیری عمیق (DL): تفاوت چیست؟ 🤔

قبل از شروع، باید این اصطلاحات را از هم تفکیک کنیم:

• هوش مصنوعی (AI): مفهوم گسترده و چتری است؛ هر سیستمی که بتواند رفتار هوشمندانه شبیه به انسان (تصمیم‌گیری، حل مسئله، درک زبان) را شبیه‌سازی کند.
• یادگیری ماشین (Machine Learning – ML):** این *روشی* برای دستیابی به AI است. به جای برنامه‌نویسی صریح قوانین (“اگر این شد، آن کار را بکن”)، ما به ماشین حجم زیادی *داده* می‌دهیم و الگوریتم‌ها یاد می‌گیرند که الگوها را *خودشان* کشف کنند. تمرکز ما در این مقاله بر ML است.
• یادگیری عمیق (Deep Learning – DL):** یک زیرشاخه بسیار پیشرفته از ML است که از شبکه‌های عصبی پیچیده (شبیه‌سازی ساختار مغز) برای حل مسائل بسیار پیچیده مانند تشخیص چهره یا ترجمه ماشینی استفاده می‌کند.

جعبه ابزار پایتون برای یادگیری ماشین (The ML Toolkit) 🛠️

برای شروع سفر ML با پایتون، شما به این سه‌گانه طلایی نیاز دارید:

1. NumPy:** برای کار با آرایه‌ها و ماتریس‌های عددی با سرعت بالا. (پایه و اساس همه چیز).
2. Pandas:** برای خواندن، پاکسازی، مدیریت و تحلیل داده‌های جدولی (مانند فایل‌های CSV یا Excel).
3. Scikit-learn (sklearn):** مهم‌ترین کتابخانه برای مبتدی‌ها. این کتابخانه شامل پیاده‌سازی ساده و کارآمد تمام الگوریتم‌های کلاسیک ML (مانند رگرسیون، دسته‌بندی) و ابزارهای آماده‌سازی داده است.

گام عملی اول: آماده‌سازی داده (Data Preparation)

مدل‌های ML با کد ساخته نمی‌شوند؛ آن‌ها با داده “تغذیه” می‌شوند. ۸۰٪ کار یک دانشمند داده، آماده‌سازی داده‌هاست.

گام عملی دوم: ساخت مدل ساده (رگرسیون خطی) 📈

بیایید ساده‌ترین مدل قابل فهم را بسازیم: رگرسیون خطی (Linear Regression).
هدف: پیش‌بینی یک عدد پیوسته (مانند قیمت خانه) بر اساس یک یا چند ویژگی (مانند متراژ). این مدل در واقع سعی می‌کند بهترین خطی را پیدا کند که از میان نقاط داده عبور می‌کند (همان معادله خط `y = mx + b` که در دبیرستان آموختیم).

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

# --- 1. Data Preparation ---
# (فرض کنید df از CSV خوانده شده)
# df = pd.read_csv('house_prices.csv')

# (داده‌های نمونه برای مثال)
data = {'Metraj': [100, 150, 120, 200, 80],
        'Gheymat': [1000, 1500, 1300, 2100, 900]}
df = pd.DataFrame(data)

# X (ویژگی‌ها) باید یک DataFrame 2D باشد, y (هدف) یک Series 1D
X = df[['Metraj']] 
y = df['Gheymat']

# 4. Train-Test Split (80% for training, 20% for testing)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# --- 2. Model Creation & Training ---
# ساخت مدل
model = LinearRegression()

# آموزش مدل با داده‌های آموزشی
# اینجاست که "یادگیری" اتفاق می‌افتد
model.fit(X_train, y_train)

print(f"مدل آموزش داده شد. (ضریب (m): {model.coef_}, عرض از مبدأ (b): {model.intercept_})")

# --- 3. Evaluation & Prediction ---
# پیش‌بینی بر روی داده‌های تست (داده‌هایی که مدل ندیده)
y_pred = model.predict(X_test)

# ارزیابی مدل
# r2_score نشان می‌دهد که مدل چقدر خوب داده‌ها را توصیف می‌کند (1 بهترین است)
print(f"امتیاز R2 (دقت مدل): {r2_score(y_test, y_pred):.2f}")

# --- 4. Using the model ---
# حالا از مدل آموزش‌دیده برای پیش‌بینی قیمت یک خانه ۱۷۰ متری استفاده می‌کنیم
new_house_metraj = np.array([[170]]) # ورودی باید 2D باشد
predicted_price = model.predict(new_house_metraj)

print(f"پیش‌بینی قیمت برای خانه ۱۷۰ متری: {predicted_price[0]:.0f} میلیون تومان")
        

گام بعدی: فراتر از رگرسیون

شما اولین مدل ML خود را ساختید! گام بعدی، یادگیری مدل‌های دیگر برای کارهای متفاوت است:

جمع‌بندی ✅

هوش مصنوعی و یادگیری ماشین جادو نیستند؛ آن‌ها فرآیندهای مهندسی مبتنی بر داده هستند. پایتون با کتابخانه‌هایی مانند Pandas و Scikit-learn، این فرآیندها را به شدت در دسترس قرار داده است. ساخت یک مدل ساده رگرسیون خطی، بهترین نقطه شروع برای درک چرخه حیات یک پروژه ML است: (۱) جمع‌آوری و پاکسازی داده، (۲) آموزش مدل، (۳) ارزیابی مدل و (۴) استفاده از آن برای پیش‌بینی. اینها همان مهارت‌های اساسی هستند که در دوره‌های آموزش پایتون پیشرفته در آموزشگاه البرز به صورت عملی و پروژه‌محور تدریس می‌شوند.