بتل کد Battle Codeدارد باز می‌شود…

جلسه‌ی 5: یادگیری با مثال Learning from Examples

بازی «حیوان را حدس بزن» می‌سازی که وقتی می‌بازد، حیوان تازه و سؤال تازه را یاد می‌گیرد و دفعه‌ی بعد بهتر حدس می‌زند.

در این جلسه یاد می‌گیری

درس

بازی ۲۰ سؤال را بلدی؟ یکی حیوانی در ذهنش دارد و تو با سؤال‌های بله/خیر حدس می‌زنی. امروز کامپیوتر حدس می‌زند، و مهم‌تر: وقتی می‌بازد، یاد می‌گیرد.

دانش را این‌طور نگه می‌داریم: هر حیوان یک مجموعه‌ی ویژگی دارد. سوال‌ها همان ویژگی‌ها هستند.

animals = {
    "cat": {"fur", "4 legs"},
    "parrot": {"feathers", "flies"},
    "fish": {"swims"},
}
print(animals["cat"])

با یک سؤال، حیوان‌هایی را که جور نیستند حذف می‌کنیم. اگر کاربر گفت «پر دارد: بله»، هر حیوانی که feathers ندارد کنار می‌رود.

candidates = list(animals)
answer = "yes"
feature = "feathers"
still = []
for a in candidates:
    has = feature in animals[a]
    if (answer == "yes") == has:
        still.append(a)
print(still)

وقتی فقط یک حیوان ماند (یا سؤال‌ها تمام شد)، حدس می‌زنیم. اگر درست بود، برنده‌ایم. اگر غلط بود، از کاربر می‌پرسیم: «چه حیوانی بود؟ و چه ویژگی‌ای دارد که حدس من ندارد؟» و آن را به دیکشنری اضافه می‌کنیم.

animals["eagle"] = animals["parrot"] | {"hunts"}
print(animals["eagle"])
print(len(animals), "animals known")

این دقیقاً روح یادگیری ماشین است: اشتباه کن → اصلاح کن → دفعه‌ی بعد بهتر باش. هر مثال تازه دانش را کمی تغییر می‌دهد. سیستم‌های بزرگ همین کار را با میلیون‌ها مثال می‌کنند.

⚠️ هشدار: ماشینی که از هر کسی یاد می‌گیرد، اگر کاربر دروغ بگوید دروغ را هم یاد می‌گیرد. در دنیای واقعی کسی باید داده‌ی آموزشی را بررسی کند. تو هم همیشه بپرس: «این هوش مصنوعی از چه کسی یاد گرفته؟»

مثال‌های این جلسه

چالش‌ها

  1. Animal Features (آسان)
  2. Who Has Feathers? (آسان)
  3. One Question (متوسط)
  4. Ask Until Sure (متوسط)
  5. Wrong? Then Learn! (سخت)
  6. Better Next Time (سخت)

بیشتر بخوان

← جلسه‌ی 4: پروژه: ربات پاسخ‌گوی مدرسه جلسه‌ی 6: نزدیک‌ترین همسایه →