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
- میتوانی داده را از دیکشنریها به جفتهای
(x, y)تبدیل کنی. - میتوانی مدل خطی را آموزش بدهی و با آن پیشبینی کنی.
- میتوانی پیشبینی را به بازهی معقول (۰ تا ۲۰) محدود کنی و هشدار بدهی.
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 bestقدم 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
- مثال حلقه for (هوش مصنوعی با پایتون): for s in students: — پروژه: پیشبینی نمره
- مثال تابع (هوش مصنوعی با پایتون): def train(data):
- مثال متغیر (هوش مصنوعی با پایتون): guess = round(a * 7 + b)
چالشها
- Step 1: Make the Pairs (آسان)
- Step 2: Train (متوسط)
- Step 3: Predict (متوسط)
- Step 4: Be Honest (سخت)