[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"post-data-machine-learning-az-koja-shoroo-konam":3,"comments-9":48},{"post":4,"course":31,"related":32},{"id":5,"slug":6,"title":7,"content":8,"excerpt":9,"category":10,"date":11,"readTime":12,"wordCount":13,"image":14,"author":15,"authorRole":16,"authorImg":17,"reviewedBy":18,"tags":19,"relatedCourseSlug":21,"categoryKey":22,"summaryPoints":23,"faq":27,"seoTitle":28,"seoDesc":29,"createdAtIso":30,"updatedAtIso":30,"updatedDate":31},9,"machine-learning-az-koja-shoroo-konam","ماشین لرنینگ از کجا شروع کنم؟ پیش‌نیازهای واقعی و نقشه راه","\n\u003Cp>دو ترس رایج آدم‌ها را از ورود به ماشین لرنینگ عقب نگه می‌دارد: «ریاضی‌ام ضعیف است» و «باید مدرک دانشگاهی داشته باشم». این مقاله درباره‌ی این است که کدام‌یک از این ترس‌ها واقعی است و کدام نیست.\u003C\u002Fp>\n\n\u003Ch2>پیش‌نیاز واقعی چیست؟\u003C\u002Fh2>\n\n\u003Ch3>۱. پایتون — غیرقابل مذاکره\u003C\u002Fh3>\n\n\u003Cp>این تنها پیش‌نیازی است که هیچ راه دور زدنی ندارد. ولی خبر خوب: به تسلط کامل نیاز ندارید. اگر این‌ها را بلد باشید کافی است:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>متغیر، شرط، حلقه و تابع\u003C\u002Fli>\n  \u003Cli>کار با لیست و دیکشنری\u003C\u002Fli>\n  \u003Cli>خواندن و نوشتن فایل\u003C\u002Fli>\n  \u003Cli>نصب کتابخانه و ایمپورت کردنش\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>شی‌گرایی و مفاهیم پیشرفته‌تر لازم نیست — بعداً در مسیر و به‌مرور یاد می‌گیرید. اگر هنوز پایتون بلد نیستید، از \u003Ca href=\"\u002Fcourses\u002Fpython-basics\">دوره‌ی پایتون مقدماتی\u003C\u002Fa> شروع کنید؛ ماشین لرنینگ بدون پایتون مثل خواندن کتاب بدون دانستن الفباست.\u003C\u002Fp>\n\n\u003Ch3>۲. ریاضیات — اینجا بیشترین اغراق وجود دارد\u003C\u002Fh3>\n\n\u003Cp>این بخش بیشترین آدم را می‌ترساند و بیشترین اغراق در آن است. حقیقت بستگی دارد به اینکه می‌خواهید \u003Cem>از\u003C\u002Fem> ماشین لرنینگ استفاده کنید یا الگوریتم \u003Cem>بسازید\u003C\u002Fem>.\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>برای استفاده و ساختن مدل‌های کاربردی\u003C\u002Fstrong> — که کار ۹۰ درصد آگهی‌های استخدام است — این حد کافی است:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>میانگین، میانه و انحراف معیار\u003C\u002Fli>\n  \u003Cli>مفهوم احتمال در حد پایه\u003C\u002Fli>\n  \u003Cli>درک شهودی از اینکه «شیب» یعنی چه\u003C\u002Fli>\n  \u003Cli>خواندن یک نمودار و فهمیدن رابطه‌ی بین دو متغیر\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\u003Cstrong>برای پژوهش و ساختن الگوریتم جدید\u003C\u002Fstrong>، بله — جبر خطی، حساب دیفرانسیل و آمار استنباطی در سطح جدی لازم است. ولی این مسیر دانشگاهی است و احتمالاً هدف شما نیست.\u003C\u002Fp>\n\n\u003Cblockquote>مثل رانندگی است: برای رانندگی لازم نیست بدانید موتور احتراق داخلی چطور کار می‌کند. برای طراحی موتور، بله — لازم است.\u003C\u002Fblockquote>\n\n\u003Cp>توصیه‌ی عملی: \u003Cstrong>ریاضی را از قبل و جداگانه نخوانید.\u003C\u002Fstrong> شروع کنید، و هر جا به مفهومی برخوردید که نمی‌فهمید، همان موقع سراغش بروید. یادگیری در لحظه‌ی نیاز، چند برابر مؤثرتر و ماندگارتر است.\u003C\u002Fp>\n\n\u003Ch3>۳. مدرک دانشگاهی — لازم نیست\u003C\u002Fh3>\n\n\u003Cp>در ایران و در سطح بین‌المللی، برای نقش‌های کاربردی، \u003Cstrong>پورتفولیو از مدرک مهم‌تر است.\u003C\u002Fstrong> کسی که سه پروژه‌ی واقعی و مستند دارد، در مصاحبه جلوتر از کسی است که مدرک دارد و پروژه ندارد.\u003C\u002Fp>\n\n\u003Cp>استثنا: نقش‌های پژوهشی در مراکز تحقیقاتی و بعضی شرکت‌های بزرگ که همچنان مدرک را فیلتر اولیه قرار می‌دهند.\u003C\u002Fp>\n\n\u003Ch2>نقشه راه: چهار مرحله\u003C\u002Fh2>\n\n\u003Ch3>مرحله ۱ — پایتون و کار با داده\u003C\u002Fh3>\n\u003Cp>بعد از پایتون پایه، دو کتابخانه یاد بگیرید: \u003Cstrong>Pandas\u003C\u002Fstrong> برای کار با داده‌های جدولی و \u003Cstrong>Matplotlib\u003C\u002Fstrong> برای رسم نمودار. این مرحله را دست کم نگیرید؛ در پروژه‌های واقعی بخش بزرگی از وقت صرف تمیز کردن و فهمیدن داده می‌شود، نه آموزش مدل.\u003C\u002Fp>\n\n\u003Ch3>مرحله ۲ — اولین مدل\u003C\u002Fh3>\n\u003Cp>با کتابخانه‌ی \u003Cstrong>Scikit-learn\u003C\u002Fstrong> یک مدل رگرسیون ساده بسازید. هدف این مرحله دقت بالا نیست؛ این است که چرخه‌ی کامل را لمس کنید: داده را بخوان، تمیز کن، تقسیم کن، مدل را آموزش بده، ارزیابی کن.\u003C\u002Fp>\n\n\u003Cp>وقتی این چرخه را یک بار از ابتدا تا انتها رفتید، بقیه‌ی الگوریتم‌ها فقط تغییر یک قطعه از همین چرخه‌اند.\u003C\u002Fp>\n\n\u003Ch3>مرحله ۳ — ارزیابی و فهم خطا\u003C\u002Fh3>\n\u003Cp>این مرحله‌ای است که تازه‌کارها رد می‌کنند و بعداً گران تمام می‌شود. باید بفهمید:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>چرا دقت ۹۹ درصد گاهی یعنی مدل شما بی‌فایده است (وقتی داده نامتوازن باشد)\u003C\u002Fli>\n  \u003Cli>بیش‌برازش یعنی چه و چطور تشخیصش بدهید\u003C\u002Fli>\n  \u003Cli>چرا نباید مدل را روی همان داده‌ای که با آن آموزش دیده ارزیابی کنید\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>مرحله ۴ — پروژه‌ی واقعی با داده‌ی کثیف\u003C\u002Fh3>\n\u003Cp>داده‌های تمرینی آموزشی همیشه تمیزند. داده‌ی واقعی نیست: مقدار گم‌شده دارد، فرمت‌ها ناهماهنگ‌اند و ستون‌ها اسم عجیب دارند. تا با یک دیتاست واقعاً به‌هم‌ریخته کار نکرده باشید، آماده‌ی کار حرفه‌ای نیستید.\u003C\u002Fp>\n\n\u003Ch2>چقدر طول می‌کشد؟\u003C\u002Fh2>\n\n\u003Cp>با فرض روزی یک تا دو ساعت مداوم و با پایتونِ از قبل بلد:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>۱ تا ۲ ماه:\u003C\u002Fstrong> می‌فهمید ماشین لرنینگ چطور کار می‌کند و مدل ساده می‌سازید.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>۳ تا ۵ ماه:\u003C\u002Fstrong> می‌توانید یک پروژه‌ی کامل را از داده‌ی خام تا مدل ارزیابی‌شده ببرید.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>۸ تا ۱۲ ماه:\u003C\u002Fstrong> بازه‌ی واقع‌بینانه برای آمادگی مصاحبه‌ی جونیور، با پورتفولیو.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>اگر پایتون بلد نیستید، سه تا چهار ماه به ابتدای این جدول اضافه کنید.\u003C\u002Fp>\n\n\u003Ch2>سه اشتباه که وقت زیادی هدر می‌دهد\u003C\u002Fh2>\n\n\u003Col>\n  \u003Cli>\u003Cstrong>خواندن کامل ریاضیات قبل از شروع.\u003C\u002Fstrong> معمولاً به این ختم می‌شود که شش ماه ریاضی می‌خوانید، خسته می‌شوید و هیچ‌وقت به خود ماشین لرنینگ نمی‌رسید.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>شروع از دیپ لرنینگ.\u003C\u002Fstrong> جذاب‌تر به نظر می‌رسد ولی بدون درک پایه، فقط کد آماده را اجرا می‌کنید. \u003Ca href=\"\u002Flearning\u002Ftafavot-hoosh-masnooi-machine-learning-deep-learning\">تفاوت این دو را اینجا توضیح داده‌ایم\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>جمع کردن دوره بدون ساختن.\u003C\u002Fstrong> ده دوره‌ی نیمه‌تمام ارزشش از یک پروژه‌ی کامل کمتر است. این همان «دام آموزش» است.\u003C\u002Fli>\n\u003C\u002Fol>\n\n\u003Ch2>چه پروژه‌هایی برای پورتفولیو بسازم؟\u003C\u002Fh2>\n\n\u003Cp>این سوال بعد از مرحله‌ی دوم مطرح می‌شود و جواب اشتباهش وقت زیادی هدر می‌دهد. سه اصل:\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>پروژه‌های تکراری آموزشی را در پورتفولیو نگذارید.\u003C\u002Fstrong> پیش‌بینی بقای تایتانیک و تشخیص گل زنبق را هر کسی که یک دوره دیده ساخته. اینها برای یادگیری عالی‌اند ولی در پورتفولیو چیزی درباره‌ی شما نمی‌گویند.\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>دنبال داده‌ی محلی بگردید.\u003C\u002Fstrong> پروژه‌ای روی داده‌ی بازار ایران — قیمت مسکن یک شهر، داده‌ی ترافیک، آمار عمومی منتشرشده — هم متمایز است هم نشان می‌دهد می‌توانید با داده‌ی تمیزنشده کار کنید. همین تفاوت، در مصاحبه حرف برای گفتن می‌سازد.\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>مسئله را از زندگی خودتان بردارید.\u003C\u002Fstrong> چیزی که واقعاً برایتان سوال است: کدام عامل روی مصرف برق خانه‌تان اثر دارد؟ آیا می‌شود از روی الگوی خرید، ماه پرهزینه را پیش‌بینی کرد؟ پروژه‌ای که خودتان مسئله‌اش را می‌فهمید، بهتر تعریف و بهتر دفاع می‌شود.\u003C\u002Fp>\n\n\u003Cp>و نکته‌ی تعیین‌کننده: \u003Cstrong>هر پروژه باید یک توضیح کوتاه داشته باشد\u003C\u002Fstrong> — مسئله چه بود، چه روش‌هایی را امتحان کردید، چرا این را انتخاب کردید، نتیجه چقدر خوب بود و کجا ضعف دارد. اعتراف به محدودیت مدل، نشانه‌ی بلوغ است نه ضعف؛ و در مصاحبه دقیقاً همین را می‌سنجند.\u003C\u002Fp>\n\n\u003Ch2>منابع رایگان: کجا خوب‌اند و کجا کم می‌آورند\u003C\u002Fh2>\n\n\u003Cp>منابع رایگان فارسی و انگلیسی در این حوزه فراوان و اغلب باکیفیت‌اند. صادقانه: برای یادگیری \u003Cem>مفاهیم\u003C\u002Fem> کاملاً کافی‌اند و کسی که نظم دارد می‌تواند تماماً با آن‌ها جلو برود.\u003C\u002Fp>\n\n\u003Cp>جایی که کم می‌آورند سه نقطه است:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>ترتیب.\u003C\u002Fstrong> ده منبع خوب که ترتیب درستی بینشان نیست، سردرگمی می‌سازد. بخش زیادی از انرژی صرف تصمیم‌گیری درباره‌ی «بعدی چه ببینم» می‌شود، نه یادگیری.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>بازخورد روی کد خودتان.\u003C\u002Fstrong> ویدیو نمی‌تواند به شما بگوید چرا رویکردتان در این مسئله‌ی خاص غلط است. این تنها چیزی است که با هیچ منبع ضبط‌شده‌ای جایگزین نمی‌شود.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>تشخیص اینکه کِی آماده‌اید.\u003C\u002Fstrong> خودآموزها معمولاً یا خیلی زود فکر می‌کنند آماده‌اند یا خیلی دیر — و هر دو هزینه دارد.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\n\n\u003Cp>منابع رایگان فارسی و انگلیسی زیادی وجود دارد و بسیاری‌شان کیفیت خوبی دارند. اگر نظم شخصی بالایی دارید، کاملاً با آن‌ها می‌شود جلو رفت.\u003C\u002Fp>\n\n\u003Cp>مزیت واقعی یک دوره‌ی ساختاریافته محتوایش نیست — محتوا همه‌جا هست. دو چیز است: \u003Cstrong>ترتیب درست مطالب\u003C\u002Fstrong> که جلوی سردرگمی را می‌گیرد، و \u003Cstrong>کسی که کد شما را ببیند\u003C\u002Fstrong> و بگوید کجا اشتباه فکر کرده‌اید. این دومی را هیچ ویدیوی ضبط‌شده‌ای نمی‌دهد.\u003C\u002Fp>\n\n\u003Cp>\u003Ca href=\"\u002Fcourses\u002Fmachine-learning\">دوره‌ی ماشین لرنینگ داناورس\u003C\u002Fa> دقیقاً بر همین چهار مرحله چیده شده و با پروژه‌ی پایانی روی داده‌ی واقعی تمام می‌شود. اگر هنوز پایتون ندارید، \u003Ca href=\"\u002Fcourses\u002Fpython-basics\">پایتون مقدماتی\u003C\u002Fa> نقطه‌ی شروع درست است.\u003C\u002Fp>\n\n\u003Cp>و اگر هنوز مطمئن نیستید این مسیر با شیوه‌ی فکر کردن شما می‌خواند، \u003Ca href=\"\u002Ftalent\">آزمون استعدادیابی رایگان\u003C\u002Fa> بُعد «تحلیل داده» را در نیمرخ شما می‌سنجد — دو دقیقه وقت می‌گیرد و ممکن است ماه‌ها صرفه‌جویی کند.\u003C\u002Fp>\n  \n\n\u003Ch2>مطالعه‌ی بیشتر\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>\u003Ca href=\"\u002Flearning\u002Famoozesh-python-az-sefr\">آموزش پایتون از صفر\u003C\u002Fa>: اگر هنوز پایتون بلد نیستید، اولین قدم مسیر ماشین لرنینگ همین است.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"\u002Flearning\u002Fhoosh-masnooi-chist\">هوش مصنوعی چیست؟\u003C\u002Fa>: توضیح ساده‌ی مفاهیم پایه و معنی اصطلاح‌هایی مثل LLM، توکن و توهم.\u003C\u002Fli>\n\u003C\u002Ful>","دو ترس رایج آدم‌ها را از ورود به ماشین لرنینگ عقب نگه می‌دارد: «ریاضی‌ام ضعیف است» و «باید مدرک دانشگاهی داشته باشم». این مقاله درباره‌ی این است که کدام‌یک از این ترس‌ها واقعی است ...","هوش مصنوعی","۳ مهر ۱۴۰۵","۶ دقیقه",1177,"\u002Fimages\u002Fblog\u002Fmachine-learning-az-koja-shoroo-konam.jpg","تیم تولید محتوای داناورس","مدرس و کارشناس آکادمی","\u002Fimages\u002Flogo-light.png","مهدی خزاعی",[10,20],"داناورس","machine-learning","ai",[24,25,26],"تنها پیش‌نیاز غیرقابل‌دور زدن ماشین لرنینگ پایتون است و تسلط کامل لازم نیست؛ متغیر، شرط، حلقه و تابع کافی است.","نقشه‌ی راه با پایتون و کار با داده (Pandas و Matplotlib) شروع می‌شود؛ با روزی یک تا دو ساعت، در ۱ تا ۲ ماه مدل ساده می‌سازید و در ۳ تا ۵ ماه یک پروژه‌ی کامل.","دو اشتباه پرهزینه: خواندن کامل ریاضیات قبل از شروع و شروع از دیپ لرنینگ؛ در پورتفولیو هم پروژه‌های تکراری آموزشی مثل پیش‌بینی بقای تایتانیک نگذارید.",[],"ماشین لرنینگ از کجا شروع کنم؟ پیش‌نیازها و نقشه راه","پیش‌نیازهای واقعی ماشین لرنینگ: چقدر ریاضی لازم است، مدرک دانشگاهی ضروری است یا نه، نقشه راه چهار مرحله‌ای و اینکه چقدر طول می‌کشد.","2026-09-25T17:50:53.598761+00:00",null,[33,38,43],{"path":34,"title":35,"desc":36,"image":37},"\u002Flearning\u002Fpython-baraye-hoosh-masnooi","آموزش پایتون برای هوش مصنوعی: چه چیزهایی لازم است و به چه ترتیبی یاد بگیریم؟","برای هوش مصنوعی چه چیزهایی از پایتون لازم است؟ کتابخانه‌های NumPy، Pandas و scikit-learn به ترتیب، اولین مدل یادگیری ماشین با کد، ریاضی لازم و نقشه‌ی زمانی.","\u002Fimages\u002Fblog\u002Fpython-baraye-hoosh-masnooi.jpg",{"path":39,"title":40,"desc":41,"image":42},"\u002Flearning\u002Ftafavot-hoosh-masnooi-machine-learning-deep-learning","تفاوت هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ به زبان ساده","رابطه‌ی هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ با مثال ملموس: کدام زیرمجموعه‌ی کدام است، هرکدام کجا به کار می‌آید و کدام را اول یاد بگیریم.","\u002Fimages\u002Fblog\u002Ftafavot-hoosh-masnooi-machine-learning-deep-learning.jpg",{"path":44,"title":45,"desc":46,"image":47},"\u002Flearning\u002Fdore-hoosh-masnooi","دوره هوش مصنوعی: کدام دوره برای شما مناسب است؟ راهنمای انتخاب برای کاربران، برنامه‌نویس‌ها و نوجوانان","راهنمای انتخاب دوره هوش مصنوعی: تفاوت دوره کاربردی و تخصصی، سرفصل‌ها، پیش‌نیاز، دوره‌های رایگان معتبر، ارزش مدرک، هزینه و نشانه‌های دوره‌ی نامناسب.","\u002Fimages\u002Fblog\u002Fdore-hoosh-masnooi.jpg",[]]