کدچ
برای ورود به هوش مصنوعی با پایتون، ابتدا برنامه‌ای بسازید که داده را درست بخواند، اعتبارسنجی کند و نتیجه‌ای قابل‌بررسی بدهد؛ سپس سراغ مدل بروید. مسیر کاربردی از مبانی برنامه‌نویسی به سازمان‌دهی کد، پردازش داده و ارزیابی مدل ساده می‌رسد. نصب تعداد زیادی کتابخانه جای این چهار مهارت را نمی‌گیرد.
این نقشهٔ راه با مسیر سه دورهٔ پایتون مقدماتی ۱، مقدماتی ۲ و پایتون پیشرفته با گرایش هوش مصنوعی آکادمی کدچ تنظیم شده است. در آموزش پایتون امیر محمد دهقان، کتاب، اسلاید و نمونه‌کد باید ابزار تمرین فعال باشند: ابتدا خروجی را حدس بزنید، بعد اجرا کنید و سرانجام یک شرط یا ورودی را تغییر دهید.
از کدام مرحله شروع کنیم؟
اگر هنوز برای نوشتن شرط، حلقه و کار با فهرست به رونویسی کامل نیاز دارید، از مقدماتی ۱ شروع کنید. معیار عبور این است که مسئله‌ای کوچک، مانند محاسبهٔ هزینهٔ سبد خرید، را به چند گام روشن تبدیل کنید و خطای ورودی را تشخیص دهید.
در مقدماتی ۲، هدف عملی را ساخت برنامه‌ای چندبخشی قرار دهید: تابعی که خروجی مشخص دارد، ساختار دادهٔ مناسب و کدی که بتوان مسیر اجرای آن را توضیح داد. آمادگی ورود به دورهٔ پیشرفته یعنی بتوانید تفاوت print و return، اثر تغییر فهرست مشترک و رفتار یک خطای موردانتظار را توضیح دهید؛ تماشای تمام ویدئوها به‌تنهایی این آمادگی را ثابت نمی‌کند.
در دورهٔ پیشرفته، شیءگرایی، فایل، MongoDB، NumPy، Pandas و Matplotlib به پروژهٔ داده و مدل ساده متصل می‌شوند. محدودهٔ این مسیر، پایه‌های داده و ارزیابی پیش‌بینی است. آموزش عمیق شبکه‌های عصبی، مدل‌های زبانی بزرگ و استقرار سامانهٔ تولیدی، مسیرهای تکمیلی جداگانه می‌خواهند.
هر ابزار پایتون را برای چه کاری یاد بگیریم؟
| ابزار | کاربرد در اولین پروژه | نشانهٔ آمادگی |
|---|---|---|
خود پایتون، pathlib و json |
منطق، مسیر فایل و گزارش ساخت‌یافته | اجرای برنامه بدون وابستگی به پوشهٔ جاری |
| NumPy | آرایه، محاسبهٔ عددی و مدل خطی ساده | توضیح شکل آرایه و محور محاسبه |
| Pandas | خواندن، انتخاب، پاک‌سازی و ادغام جدول | کنترل نوع و تعداد سطر قبل و بعد از عملیات |
| Matplotlib | نمودار داده و خطا | انتخاب نمودار، واحد و مقیاس مناسب |
| MongoDB | ذخیره و بازیابی سند در صورت نیاز | تعریف شناسهٔ یکتا و رفتار درج دوباره |
| scikit-learn | گسترش بعدی مدل‌سازی و Pipeline | تقسیم درست و ارزیابی بدون نشت |
برای پروژهٔ آموزشی کوچک می‌توان از CSV شروع کرد و بعد، اگر نیاز واقعی وجود داشت، لایهٔ ذخیره‌سازی را تغییر داد. NumPy ابزار آرایه‌های چندبعدی است و Pandas برای دادهٔ جدولی امکانات سطح بالاتری ارائه می‌کند؛ این دو معمولاً مکمل‌اند. راهنمای NumPy، معرفی ساختارهای Pandas
پروژهٔ پیشنهادی: گزارش و پیش‌بینی با قرارداد روشن
پروژهٔ نهایی دوره از دادهٔ آموزشی هنرجویان برای تمرین فرایند استفاده می‌کند. برای تمرین شخصی، دادهٔ ساختگی بسازید و از ابتدا مصنوعی‌بودن آن را در گزارش بنویسید. سؤال باید زمان داشته باشد: «با اطلاعات موجود پیش از ارزیابی، چه مقداری را می‌خواهیم پیش‌بینی کنیم؟»
کوچک‌ترین جزء مفید، اعتبارسنجی ورودی است. نمونهٔ زیر فقط از کتابخانهٔ استاندارد استفاده می‌کند و عمداً مدل هوش مصنوعی نیست؛ قراردادی را می‌سازد که مراحل بعد به آن تکیه می‌کنند.
import json
import math
def validate_rows(rows):
seen = set()
for row in rows:
student_id = row.get("student_id")
hours = row.get("hours")
if not isinstance(student_id, str) or not student_id.strip():
raise ValueError("student_id must be a non-empty string")
if student_id in seen:
raise ValueError("Duplicate student_id")
if type(hours) not in (int, float) or not math.isfinite(hours) or hours < 0:
raise ValueError("hours must be finite and non-negative")
seen.add(student_id)
return {"rows": len(rows), "unique_students": len(seen), "synthetic": True}
rows = [{"student_id": "001", "hours": 3.5},
{"student_id": "002", "hours": 0}]
report = validate_rows(rows)
assert report["rows"] == report["unique_students"] == 2
assert rows[0]["student_id"] == "001"
print(json.dumps(report, ensure_ascii=False))
صفرهای ابتدایی شناسه حفظ می‌شوند و مقدار صفر برای ساعت تمرین معتبر است؛ گمشده‌بودن با صفر یکی نیست. در این نمونه، مقدار Boolean به‌عنوان ساعت پذیرفته نمی‌شود. محدودهٔ بالای ساعت و سیاست فاصله‌های شناسه باید متناسب با تعریف پروژه اضافه شوند.
چه خروجی‌ای پروژه را قابل‌ارائه می‌کند؟
پس از اعتبارسنجی، تقسیم آموزش و آزمون را ثبت کنید؛ پیش‌پردازش را فقط از آموزش بیاموزید؛ یک خط مبنا و مدل ساده بسازید؛ سپس خطا و نمودارهای تشخیصی را گزارش کنید. خروجی مناسب شامل دادهٔ پاک، پیش‌بینی همراه شناسه، معیارها، وضعیت پیش‌پردازش و راهنمای اجرای مجدد است. در پروژهٔ دوره، ثبت نسخه‌ها، seed و مشخصات ورودی نیز به بازتولید کمک می‌کند.
برای تمرین، یک ورودی تکراری، یک مقدار گمشده و یک ساعت منفی به نمونه اضافه کنید و سیاست هرکدام را بنویسید. بعد مشخص کنید مسئلهٔ شما واقعاً به مدل نیاز دارد یا یک گزارش ساده پاسخ آن را می‌دهد. در کامنت بگویید اکنون در کدام مرحله‌اید و کوچک‌ترین پروژه‌ای که می‌توانید بدون رونویسی بسازید چیست؛ با همین شواهد می‌توان گام بعدی یادگیری را دقیق‌تر انتخاب کرد.
منابع و ادامهٔ یادگیری
این آموزش بر پایهٔ پایتون پیشرفته با گرایش هوش مصنوعی آکادمی کدچ، پایتون مقدماتی ۱: مبانی، شرط، حلقه و فهرست؛ پایتون مقدماتی ۲: تابع، ماژول، JSON، مدیریت خطا و پروژهٔ پایانی؛ پایتون پیشرفته: راهنمای مطالعه و پیش‌نیازها، مسیر ۲۰ جلسه و پروژهٔ نهایی، و مثال‌های بازنویسی‌شده برای این مقاله تدوین شده است.
برای ادامهٔ تمرین، دوره‌های آموزش پایتون آکادمی کدچ را ببینید. در بخش دیدگاه همین مقاله می‌توانید پرسش و نمونهٔ کوچک کد خود را مطرح کنید.
گفت‌وگو دربارهٔ این مطلب
هنوز دیدگاهی منتشر نشده است.
برای ثبت دیدگاه وارد حساب کاربری شوید.
