المنهج الدراسي الدرس 85 من 250 · نماذج تعلم الآلة الأولى الخاصة بك
نماذج تعلم الآلة الأولى الخاصة بك

النموذج الذهني لتعلم الآلة

تعلم الآلة يبدو غامضا، لكن الفكرة الأساسية بسيطة: بدلا من كتابة القواعد بنفسك، تعرض على البرنامج الكثير من الأمثلة وتتركه يجد القواعد. كل شيء تقريبا في هذه الوحدة يعتمد على ثلاث أفكار.

الميزات والتسميات

يتم تقسيم المثال إلى جزئين.

الميزات هي ما تعرفه مسبقا (حجم المنزل، عدد غرف النوم). التسمية هي ما تريد التنبؤ به (سعره). وفقا للتقليد الطويل، تسمى الميزات X (جدول، حرف كبير) وتسمى التسمية y (عمود واحد، حرف صغير).

      X (features)          y (label)
  size_sqft  bedrooms        price_k
     650        1              220
     800        2              265
    1200        3              410

التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف

  • Supervised learning يحتوي على تسميات. أنت تعرف الإجابة الصحيحة لكل مثال تدريب، لذا يتعلم النموذج ربط X بـ y. التنبؤ بالسعر، أو فرز البريد الإلكتروني إلى بريد مزعج أو غير مزعج، هي مهام تعلم تحت الإشراف.
  • Unsupervised التعلم لا يحتوي على تسميات. لديك فقط X وتطلب من النموذج إيجاد هيكل، مثل تجميع العملاء المتشابهين. هذه الوحدة بالكامل هي supervised.

نمط fit / predict

كل نموذج في scikit-learn يستخدم نفس الفعلين. سترى هذا الشكل مرارا وتكرارا:

model = SomeModel()
model.fit(X, y)          # learn from examples
model.predict(X_new)     # guess labels for new rows

هذا هو الطقس الكامل. الجزء الصعب ليس الـ API أبدا، بل هو اختيار الميزات الجيدة وقياس مدى أداء النموذج بصدق، وهو ما يركز عليه باقي هذا النموذج التعليمي.

في هذا التمرين لن تقوم بتدريب أي شيء بعد. ستقوم فقط بالخطوة الأولى غير البراقة ولكنها أساسية وهي أخذ جدول صغير وتقسيمه إلى X و y.

دورك

يتم إعطاء DataFrame صغير للسكن df مع الأعمدة size_sqft و bedrooms و price_k. قم بتعيين feature_cols = ["size_sqft", "bedrooms"]، وأنشئ X = df[feature_cols] (عمودي الإدخال فقط) و y = df["price_k"] (التسمية). ثم قم بتعيين n_features إلى عدد أعمدة الميزات و n_samples إلى عدد الصفوف.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.