پردازش داده و یادگیری ماشین با پایتون

پردازش داده و یادگیری ماشین با پایتون

 ابزارهایی مانند NumPy، Pandas، Matplotlib، Seaborn و Scikit-learn برای تحلیل و پردازش داده و پیاده‌سازی مدل‌های یادگیری ماشین استفاده می‌شوند. اگر شما هم به دنیای داده و هوش مصنوعی علاقه‌مند هستید، این راهنما به شما کمک خواهد کرد تا مفاهیم کلیدی را یاد بگیرید.

معرفی کتابخانه‌های NumPy و Pandas

NumPy چیست؟

NumPy (Numerical Python) یکی از مهم‌ترین کتابخانه‌های پایتون برای کار با داده‌های عددی و ماتریسی است. برخی از ویژگی‌های اصلی آن شامل:

• آرایه‌های چندبعدی پرسرعت


• عملیات ریاضی و آماری پیشرفته


• توابع برداری و ماتریسی

نصب و استفاده از NumPy

import numpy as np


# ایجاد آرایه

arr = np.array([1, 2, 3, 4, 5])
print(arr)

Pandas چیست؟

Pandas یک ابزار قدرتمند برای پردازش و تجزیه و تحلیل داده‌ها در پایتون است. این کتابخانه برای خواندن، پردازش و دستکاری داده‌ها به‌خصوص در قالب DataFrame و Series به کار می‌رود.

نصب و استفاده از Pandas

import pandas as pd
# ایجاد DataFrame
data = {'نام': ['علی', 'رضا', 'سارا'], 'سن': [25, 30, 22]}
df = pd.DataFrame(data)
print(df)

مصورسازی داده با Matplotlib و Seaborn

Matplotlib یک کتابخانه‌ی قدرتمند برای رسم انواع نمودارهای دو بعدی در پایتون است. این ابزار به شما کمک می‌کند داده‌های خود را به‌صورت گرافیکی نمایش دهید.

مثال ساده از Matplotlib

import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [10, 15, 7, 12, 20]
plt.plot(x, y, marker='o')
plt.xlabel("X محور")
plt.ylabel("Y محور")
plt.title("نمودار خطی")
plt.show()

Seaborn چیست؟

Seaborn بر پایه‌ی Matplotlib ساخته شده و امکانات بصری بیشتری برای رسم نمودارها دارد. این کتابخانه برای مصورسازی پیشرفته داده‌ها و ایجاد نمودارهای زیبا استفاده می‌شود.

مثال از Seaborn

import seaborn as sns
import pandas as pd
df = pd.DataFrame({'گروه': ['A', 'B', 'C', 'D'], 'مقدار': [20, 35, 30, 35]})
sns.barplot(x='گروه', y='مقدار', data=df)
plt.title("نمودار ستونی")
plt.show()

مقدمه‌ای بر یادگیری ماشین با Scikit-learn

Scikit-learn چیست؟

Scikit-learn یکی از مهم‌ترین کتابخانه‌های یادگیری ماشین در پایتون است. این ابزار شامل الگوریتم‌های مختلفی برای طبقه‌بندی (Classification)، رگرسیون (Regression)، خوشه‌بندی (Clustering) و بسیاری دیگر است.

مثال از یادگیری ماشین با Scikit-learn

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np
# ایجاد داده نمونه
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])
# تقسیم داده به آموزش و تست
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# ایجاد مدل و آموزش
model = LinearRegression()
model.fit(X_train, y_train)
# پیش‌بینی
predictions = model.predict(X_test)
# ارزیابی مدل
mse = mean_squared_error(y_test, predictions)
print("Mean Squared Error:", mse)

جمع‌بندی

در این مقاله، با NumPy، Pandas، Matplotlib، Seaborn و Scikit-learn آشنا شدیم. این ابزارها به شما کمک می‌کنند داده‌ها را تحلیل و پردازش کرده و مدل‌های یادگیری ماشین را اجرا کنید. در مقالات بعدی به بررسی تکنیک‌های پیشرفته‌تر یادگیری ماشین خواهیم پرداخت.