[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"post-data-python-baraye-hoosh-masnooi":3,"comments-27":57},{"post":4,"course":40,"related":41},{"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":37,"seoDesc":38,"createdAtIso":39,"updatedAtIso":39,"updatedDate":40},27,"python-baraye-hoosh-masnooi","آموزش پایتون برای هوش مصنوعی: چه چیزهایی لازم است و به چه ترتیبی یاد بگیریم؟","\n\u003Cp>اگر می‌خواهید وارد هوش مصنوعی شوید، تقریباً همه یک توصیه به شما می‌کنند: «پایتون یاد بگیر». ولی پایتون زبان بزرگی است و کسی نمی‌گوید کدام بخشش را و تا چه عمقی. نتیجه این است که خیلی‌ها ماه‌ها روی مباحثی وقت می‌گذارند که در هوش مصنوعی کمتر به کارشان می‌آید، یا برعکس، بدون پایه‌ی کافی سراغ مدل‌سازی می‌روند و گیر می‌کنند.\u003C\u002Fp>\n\n\u003Cp>این مقاله دقیق می‌گوید برای هوش مصنوعی چه چیزهایی از پایتون لازم است، کدام کتابخانه‌ها را به چه ترتیبی یاد بگیرید، و اولین مدل یادگیری ماشین با پایتون چه شکلی است.\u003C\u002Fp>\n\n\u003Ch2>چرا پایتون زبان اصلی هوش مصنوعی است؟\u003C\u002Fh2>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>کتابخانه‌ها:\u003C\u002Fstrong> تقریباً همه‌ی ابزارهای مهم هوش مصنوعی، از NumPy تا PyTorch، اول برای پایتون ساخته می‌شوند.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>سادگی:\u003C\u002Fstrong> کد پایتون به زبان انسان نزدیک است، پس تمرکز روی ایده‌ی هوش مصنوعی می‌ماند، نه روی پیچیدگی زبان.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>جامعه:\u003C\u002Fstrong> بیشتر آموزش‌ها، مقاله‌ها و جواب سوال‌ها در این حوزه با پایتون است.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>پشت صحنه، محاسبات سنگین این کتابخانه‌ها با زبان‌های سریع‌تری مثل C نوشته شده؛ پایتون زبانی است که شما با آن این قدرت را کنترل می‌کنید.\u003C\u002Fp>\n\n\u003Ch2>مرحله ۱: کدام بخش‌های پایتون لازم است؟\u003C\u002Fh2>\n\n\u003Cp>برای شروع هوش مصنوعی لازم نیست متخصص پایتون باشید. این‌ها کافی است:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>ضروری:\u003C\u002Fstrong> متغیر و انواع داده، شرط و حلقه، تابع، لیست و دیکشنری، کار با فایل.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>مهم:\u003C\u002Fstrong> list comprehension، نصب کتابخانه با pip، خواندن پیغام خطا.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>کافی است آشنا باشید:\u003C\u002Fstrong> کلاس و شی. کتابخانه‌های هوش مصنوعی کلاس‌محورند و باید بتوانید کد آن‌ها را بخوانید، حتی اگر خودتان کلاس پیچیده ننویسید.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>اگر از صفر شروع می‌کنید، \u003Ca href=\"\u002Flearning\u002Famoozesh-python-az-sefr\">نقشه‌ی راه پایتون از صفر\u003C\u002Fa> همین مباحث را در حدود دو ماه پوشش می‌دهد.\u003C\u002Fp>\n\n\u003Ch2>مرحله ۲: کتابخانه‌های داده\u003C\u002Fh2>\n\n\u003Cp>هوش مصنوعی یعنی کار با داده، و قبل از هر مدلی باید بتوانید داده را بخوانید، تمیز کنید و ببینید. سه کتابخانه، به همین ترتیب:\u003C\u002Fp>\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>کتابخانه\u003C\u002Fth>\u003Cth>کاربرد\u003C\u002Fth>\u003Cth>چرا مهم است\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\u003Ctd>NumPy\u003C\u002Ftd>\u003Ctd>کار با آرایه و محاسبات عددی\u003C\u002Ftd>\u003Ctd>پایه‌ی تقریباً همه‌ی کتابخانه‌های دیگر است\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Pandas\u003C\u002Ftd>\u003Ctd>خواندن و تمیز کردن داده‌های جدولی\u003C\u002Ftd>\u003Ctd>بیشتر وقت یک پروژه‌ی واقعی صرف همین مرحله می‌شود\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Matplotlib\u003C\u002Ftd>\u003Ctd>رسم نمودار\u003C\u002Ftd>\u003Ctd>قبل از مدل‌سازی باید داده را ببینید\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Cp>یک نمونه از کار با Pandas:\u003C\u002Fp>\n\n\u003Cpre>\u003Ccode>import pandas as pd\n\ndata = pd.DataFrame({\n    \"city\": [\"Tehran\", \"Shiraz\", \"Tehran\", \"Tabriz\"],\n    \"price\": [120, 80, 150, 90],\n})\n\nprint(data[\"price\"].mean())\nprint(data.groupby(\"city\")[\"price\"].mean())\u003C\u002Fcode>\u003C\u002Fpre>\n\n\u003Cp>در پروژه‌های واقعی، داده معمولاً از یک فایل CSV یا اکسل با \u003Ccode>pd.read_csv\u003C\u002Fcode> خوانده می‌شود.\u003C\u002Fp>\n\n\u003Ch2>مرحله ۳: یادگیری ماشین با scikit-learn\u003C\u002Fh2>\n\n\u003Cp>scikit-learn بهترین کتابخانه برای شروع یادگیری ماشین است: الگوریتم‌های اصلی را با یک رابط ساده و یکسان در اختیارتان می‌گذارد. اولین مدل شما می‌تواند این باشد؛ مدلی که از روی اندازه‌ی گلبرگ‌ها، نوع گل را تشخیص می‌دهد:\u003C\u002Fp>\n\n\u003Cpre>\u003Ccode>from sklearn.datasets import load_iris\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\n\nX, y = load_iris(return_X_y=True)\nX_train, X_test, y_train, y_test = train_test_split(\n    X, y, test_size=0.2, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", model.score(X_test, y_test))\u003C\u002Fcode>\u003C\u002Fpre>\n\n\u003Cp>این چند خط همه‌ی مراحل اصلی یادگیری ماشین را دارد: داده را به دو بخش آموزش و آزمون تقسیم می‌کند، مدل را روی بخش آموزش آموزش می‌دهد و دقتش را روی داده‌ای می‌سنجد که قبلاً ندیده. این جداسازی مهم‌ترین قاعده‌ی کل حوزه است: مدل را هرگز با همان داده‌ای که از آن یاد گرفته نسنجید.\u003C\u002Fp>\n\n\u003Ch2>مرحله ۴: یادگیری عمیق با PyTorch یا TensorFlow\u003C\u002Fh2>\n\n\u003Cp>برای کار با تصویر، صدا و متن و ساختن شبکه‌های عصبی، سراغ یکی از این دو بروید. هر دو قدرتمندند؛ PyTorch در پژوهش و آموزش‌های جدید رایج‌تر شده و TensorFlow در بسیاری از محیط‌های صنعتی استفاده می‌شود. \u003Cstrong>فقط یکی را انتخاب کنید\u003C\u002Fstrong>؛ مفاهیم بین این دو قابل انتقال است.\u003C\u002Fp>\n\n\u003Cp>تفاوت یادگیری ماشین و یادگیری عمیق را \u003Ca href=\"\u002Flearning\u002Ftafavot-hoosh-masnooi-machine-learning-deep-learning\">در این مقاله\u003C\u002Fa> توضیح داده‌ایم.\u003C\u002Fp>\n\n\u003Ch2>مسیر دیگر: ساختن برنامه با مدل‌های آماده\u003C\u002Fh2>\n\n\u003Cp>لازم نیست حتماً مدل را از صفر بسازید. امروز بخش بزرگی از کارهای هوش مصنوعی، ساختن برنامه روی مدل‌های زبانی آماده است: پایتون به API یک مدل وصل می‌شود و مثلاً چت‌بات پشتیبانی، خلاصه‌ساز اسناد یا دستیار جستجو در اطلاعات یک شرکت می‌سازید. این مسیر ریاضی کمتری می‌خواهد و به پایتون خوب، کار با API و آشنایی با مفاهیمی مثل پرامپت و RAG نیاز دارد. برای این اصطلاح‌ها \u003Ca href=\"\u002Flearning\u002Fhoosh-masnooi-chist\">مقاله‌ی هوش مصنوعی چیست\u003C\u002Fa> را ببینید.\u003C\u002Fp>\n\n\u003Ch2>ابزار کار: Jupyter Notebook\u003C\u002Fh2>\n\n\u003Cp>بیشتر کارهای داده و هوش مصنوعی در Jupyter Notebook انجام می‌شود: کد را تکه‌تکه اجرا می‌کنید و نتیجه‌ی هر مرحله، از جدول تا نمودار، همان‌جا نمایش داده می‌شود. برای یادگیری، این بهترین محیط است.\u003C\u002Fp>\n\n\u003Ch2>چقدر ریاضی لازم است؟\u003C\u002Fh2>\n\n\u003Cp>برای استفاده از کتابخانه‌ها و ساختن اولین مدل‌ها، ریاضی دبیرستان کافی است. برای فهمیدن عمیق الگوریتم‌ها و کار حرفه‌ای، آمار و احتمال، جبر خطی و کمی حسابان لازم می‌شود. خبر خوب اینکه این‌ها را می‌شود هم‌زمان با کار عملی یاد گرفت. جزئیاتش در \u003Ca href=\"\u002Flearning\u002Fmachine-learning-az-koja-shoroo-konam\">مقاله‌ی ماشین لرنینگ از کجا شروع کنم\u003C\u002Fa> آمده.\u003C\u002Fp>\n\n\u003Ch2>نقشه‌ی زمانی پیشنهادی\u003C\u002Fh2>\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>مرحله\u003C\u002Fth>\u003Cth>زمان تقریبی\u003C\u002Fth>\u003Cth>خروجی\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\u003Ctd>پایه‌ی پایتون\u003C\u002Ftd>\u003Ctd>۲ ماه\u003C\u002Ftd>\u003Ctd>چند پروژه‌ی کوچک\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>NumPy، Pandas، Matplotlib\u003C\u002Ftd>\u003Ctd>۱ ماه\u003C\u002Ftd>\u003Ctd>تحلیل یک داده‌ی واقعی با نمودار\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>یادگیری ماشین با scikit-learn\u003C\u002Ftd>\u003Ctd>۲ تا ۳ ماه\u003C\u002Ftd>\u003Ctd>دو سه پروژه مثل پیش‌بینی قیمت یا تشخیص اسپم\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>یادگیری عمیق\u003C\u002Ftd>\u003Ctd>از اینجا به بعد\u003C\u002Ftd>\u003Ctd>پروژه‌ی تصویر یا متن\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Cp>این زمان‌ها برای کسی است که روزی یکی دو ساعت وقت می‌گذارد و مهم‌تر از سرعت، این است که هیچ مرحله‌ای را بدون پروژه رد نکنید.\u003C\u002Fp>\n\n\u003Ch2>سوالات رایج\u003C\u002Fh2>\n\n\u003Cp>\u003Cstrong>«می‌شود مستقیم از یادگیری ماشین شروع کنم و پایتون را در مسیر یاد بگیرم؟»\u003C\u002Fstrong>\u003Cbr>\nممکن است، ولی معمولاً کندتر می‌شود. کسی که پایتون را بلد نیست، نمی‌داند خطا از کد اوست یا از مدل، و وقت زیادی سر مشکلات ساده‌ی زبان هدر می‌دهد.\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>«کامپیوتر قوی لازم دارم؟»\u003C\u002Fstrong>\u003Cbr>\nبرای یادگیری و پروژه‌های یادگیری ماشین کلاسیک، نه؛ یک لپ‌تاپ معمولی کافی است. برای یادگیری عمیق روی داده‌های بزرگ، کارت گرافیک مناسب یا سرویس‌های ابری لازم می‌شود.\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>«بازار کار هوش مصنوعی در ایران چطور است؟»\u003C\u002Fstrong>\u003Cbr>\nتقاضا برای کسی که بتواند داده را تحلیل کند و مدل بسازد، در حال رشد است، ولی کارفرماها پروژه‌ی واقعی می‌خواهند، نه مدرک. \u003Ca href=\"\u002Flearning\u002Fhoghoogh-barnamenevis-iran\">مقاله‌ی حقوق برنامه‌نویس در ایران\u003C\u002Fa> را هم ببینید.\u003C\u002Fp>\n\n\u003Ch2>جمع‌بندی\u003C\u002Fh2>\n\n\u003Cp>برای هوش مصنوعی به همه‌ی پایتون نیاز ندارید؛ به پایه‌ی محکم، سه کتابخانه‌ی داده و بعد scikit-learn نیاز دارید. به همین ترتیب جلو بروید، برای هر مرحله پروژه بسازید و یادگیری عمیق را برای وقتی نگه دارید که یادگیری ماشین کلاسیک را واقعاً فهمیده‌اید.\u003C\u002Fp>\n\n\u003Cp>\u003Ca href=\"\u002Fcourses\u002Fmachine-learning\">دوره‌ی ماشین لرنینگ داناورس\u003C\u002Fa> دقیقاً از همین نقطه شروع می‌کند: ریاضیات و آمار پایه، پیش‌پردازش داده، الگوریتم‌های یادگیری نظارت‌شده و بدون نظارت، و پروژه‌های واقعی مثل پیش‌بینی قیمت و تشخیص اسپم. اگر هنوز پایتون بلد نیستید، از \u003Ca href=\"\u002Fcourses\u002Fpython-basics\">دوره‌ی پایتون مقدماتی\u003C\u002Fa> شروع کنید.\u003C\u002Fp>\n  ","اگر می‌خواهید وارد هوش مصنوعی شوید، تقریباً همه یک توصیه به شما می‌کنند: «پایتون یاد بگیر». ولی پایتون زبان بزرگی است و کسی نمی‌گوید کدام بخشش را و تا چه عمقی. نتیجه این است که خیل...","هوش مصنوعی","۷ مهر ۱۴۰۵","۵ دقیقه",1029,"\u002Fimages\u002Fblog\u002Fpython-baraye-hoosh-masnooi.jpg","تیم تولید محتوای داناورس","مدرس و کارشناس آکادمی","\u002Fimages\u002Flogo-light.png","مهدی خزاعی",[10,20],"داناورس","machine-learning","ai",[24,25,26],"برای هوش مصنوعی همه‌ی پایتون لازم نیست: متغیر، شرط، حلقه، تابع، لیست و دیکشنری و کار با فایل کافی است و بعد سه کتابخانه‌ی NumPy، Pandas و Matplotlib.","ترتیب پیشنهادی با روزی یکی دو ساعت: پایه‌ی پایتون حدود ۲ ماه، کتابخانه‌های داده ۱ ماه، یادگیری ماشین با scikit-learn ۲ تا ۳ ماه و بعد یادگیری عمیق با PyTorch یا TensorFlow.","برای ساختن اولین مدل‌ها ریاضی دبیرستان کافی است؛ مسیر دیگر، ساختن برنامه روی مدل‌های زبانی آماده از طریق API است.",[28,31,34],{"q":29,"a":30},"می‌شود مستقیم از یادگیری ماشین شروع کنم و پایتون را در مسیر یاد بگیرم؟","ممکن است، ولی معمولاً کندتر می‌شود. کسی که پایتون را بلد نیست، نمی‌داند خطا از کد اوست یا از مدل، و وقت زیادی سر مشکلات ساده‌ی زبان هدر می‌دهد.",{"q":32,"a":33},"کامپیوتر قوی لازم دارم؟","برای یادگیری و پروژه‌های یادگیری ماشین کلاسیک، نه؛ یک لپ‌تاپ معمولی کافی است. برای یادگیری عمیق روی داده‌های بزرگ، کارت گرافیک مناسب یا سرویس‌های ابری لازم می‌شود.",{"q":35,"a":36},"بازار کار هوش مصنوعی در ایران چطور است؟","تقاضا برای کسی که بتواند داده را تحلیل کند و مدل بسازد، در حال رشد است، ولی کارفرماها پروژه‌ی واقعی می‌خواهند، نه مدرک. مقاله‌ی حقوق برنامه‌نویس در ایران را هم ببینید.","آموزش پایتون برای هوش مصنوعی: از پایه تا یادگیری ماشین","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.","2026-09-29T17:09:19.063908+00:00",null,[42,47,52],{"path":43,"title":44,"desc":45,"image":46},"\u002Flearning\u002Fmachine-learning-az-koja-shoroo-konam","ماشین لرنینگ از کجا شروع کنم؟ پیش‌نیازهای واقعی 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.","\u002Fimages\u002Fblog\u002Fmachine-learning-az-koja-shoroo-konam.jpg",{"path":48,"title":49,"desc":50,"image":51},"\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":53,"title":54,"desc":55,"image":56},"\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",[]]