جلسه ۱: مقدمه‌ی عملی یادگیری ماشین با Python

اهداف یادگیری

• تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق را توضیح دهید.

• مسئله را به‌صورت «داده → ویژگی → مدل → ارزیابی → استقرار» فریم‌بندی کنید.

• با یک مثال واقعی، یک مدل طبقه‌بندی ساده بسازید و ارزیابی کنید.

پیش‌نیازها

• آشنایی اولیه با Python و مفاهیم پایه آمار (میانگین، واریانس، دقت، دقت-بازخوانی).

• نصب Python 3.10+, کتابخانه‌های: numpy, pandas, scikit-learn, matplotlib.

نقشه راه جلسه (۹۰ دقیقه)

1. مفاهیم بنیادین (۱۵ دقیقه)

2. داده و مهندسی ویژگی (۱۵ دقیقه)

3. ساخت مدل طبقه‌بندی (۳۰ دقیقه)

4. ارزیابی و بهبود (۲۰ دقیقه)

5. تمرین و تکلیف (۱۰ دقیقه)

۱) مفاهیم بنیادین (خلاصه)

• AI: هر روشی که رفتاری هوشمندانه شبیه انسان تولید کند.

• ML: زیرمجموعه‌ای از AI که از داده الگو یاد می‌گیرد (بدون برنامه‌نویسی صریح قواعد).

• DL: زیرمجموعه‌ای از ML مبتنی بر شبکه‌های عصبی عمیق.

• انواع اصلی ML: نظارتی (طبقه‌بندی/رگرسیون)، بدون‌نظارتی (خوشه‌بندی/کاهش‌بُعد)، تقویتی.

۲) مسئله نمونه: تشخیص اسپم پیام‌های کوتاه

می‌خواهیم متنی مثل «برنده شدی! روی لینک کلیک کن…» را به دو برچسب spam/ham طبقه‌بندی کنیم.