#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🐍🤖 قسمت 12: اولین مدل Classification با scikit-learn

در قسمت قبل فهمیدیم Classification یعنی قرار دادن داده‌ها در دسته‌های مشخص.

حالا وقتشه اولین مدل دسته‌بندی خودمون رو با پایتون بسازیم! 🚀

💡 برای این کار از کتابخانه معروف scikit-learn استفاده می‌کنیم.

📌 فرض کنید می‌خواهیم مدلی بسازیم که بتواند دو نوع داده را از هم تشخیص دهد.

مراحل کار ما این است:

1️⃣ داده‌ها را آماده می‌کنیم.
2️⃣ داده‌ها را به بخش آموزش و آزمایش تقسیم می‌کنیم.
3️⃣ یک مدل Classification انتخاب می‌کنیم.
4️⃣ مدل را با داده‌های آموزشی آموزش می‌دهیم.
5️⃣ مدل را با داده‌های جدید آزمایش می‌کنیم.

💻 یک نمونه بسیار ساده:

from sklearn.tree import DecisionTreeClassifier

model = DecisionTreeClassifier()

🌳 اینجا از مدلی به نام Decision Tree استفاده کردیم.

درخت تصمیم مثل یک مسیر پرسش و پاسخ عمل می‌کند.

مثلاً برای تشخیص یک حیوان:

❓ آیا حیوان مو دارد؟
⬇️
❓ آیا چهار پا دارد؟
⬇️
🐶 سگ

البته در پروژه‌های واقعی، این تصمیم‌ها بر اساس داده‌ها و ویژگی‌های عددی انجام می‌شوند.

🤯 نکته جالب اینجاست که ما قوانین تشخیص را خودمان یکی‌یکی ننوشته‌ایم؛ مدل با استفاده از داده‌های آموزشی، الگوهای لازم را یاد می‌گیرد.

🎯 در قسمت بعدی، همین مدل را با داده واقعی آموزش می‌دهیم و اولین پیش‌بینی خودمان را انجام می‌دهیم.

👀 قسمت بعدی:
«آموزش مدل با داده‌های واقعی و گرفتن اولین پیش‌بینی 🚀»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI