بتل کد Battle Codeدارد باز می‌شود…

جلسه‌ی 8: پروژه: پیش‌بینی نمره Project: Grade Predictor

یک پیش‌بینی‌کننده‌ی نمره می‌سازی: از داده‌ی ساعت‌های درس و نمره، بهترین خط را یاد می‌گیرد، نمره‌ی تازه را پیش‌بینی می‌کند و درباره‌ی اعتمادش صادق است.

در این جلسه یاد می‌گیری

درس

پروژه‌ی این جلسه: برنامه‌ای که از داده‌ی دانش‌آموزان قبلی یاد می‌گیرد و می‌گوید با x ساعت درس، چه نمره‌ای می‌گیری. چهار قدم: داده → آموزش → پیش‌بینی → هشدار.

قدم اول داده است. در دنیای واقعی داده به شکل جدول می‌آید (لیست دیکشنری). ما جفت‌های (ساعت، نمره) لازم داریم؛ پس آن را تبدیل می‌کنیم.

students = [{"name": "Sara", "hours": 3, "grade": 15}, {"name": "Ali", "hours": 1, "grade": 11}]
data = []
for s in students:
    data.append((s["hours"], s["grade"]))
print(data)

قدم دوم آموزش است: همان جست‌وجوی a و b از جلسه‌ی پیش، این بار داخل یک تابع train(data) که بهترین (a, b) را برمی‌گرداند. a را با گام ۰٫۵ امتحان می‌کنیم تا دقیق‌تر شود.

def train(data):
    best, best_err = (0, 0), error(0, 0, data)
    for a2 in range(0, 11):        # a = 0, 0.5, 1, ... 5
        a = a2 / 2
        for b in range(0, 21):
            e = error(a, b, data)
            if e < best_err:
                best_err, best = e, (a, b)
    return best

قدم سوم پیش‌بینی برای کاربر: ساعت را با input می‌گیریم و خروجی خط را round می‌کنیم. چون نمره نمی‌تواند زیر ۰ یا بالای ۲۰ باشد، آن را با min و max محدود می‌کنیم.

guess = round(a * 7 + b)
guess = max(0, min(20, guess))
print(guess)

⚠️ قدم چهارم صداقت است. مدلی که فقط ساعت‌های ۱ تا ۵ را دیده، درباره‌ی ۱۲ ساعت هیچ نمی‌داند. پس اگر ورودی بیرون از بازه‌ی داده بود، هشدار می‌دهیم: warning: outside my data. هوش مصنوعی‌های واقعی هم باید بگویند کجا مطمئن نیستند، ولی اغلب این کار را نمی‌کنند!

مثال‌های این جلسه

چالش‌ها

  1. Step 1: Make the Pairs (آسان)
  2. Step 2: Train (متوسط)
  3. Step 3: Predict (متوسط)
  4. Step 4: Be Honest (سخت)

بیشتر بخوان

← جلسه‌ی 7: خط را پیدا کن جلسه‌ی 9: شبکه‌ی عصبی با دست →