# فصل ۰۱ — یادگیری ماشین یعنی چه

<div dir="rtl">

# فصل ۰۱ — یادگیری ماشین یعنی چه

## در این فصل چه یاد می‌گیری

تا اینجا همیشه دربارهٔ **گذشته** حرف زدی: این داده چه می‌گوید. حالا سؤال عوض می‌شود — **آیا می‌توانی چیزی را که ندیده‌ای پیش‌بینی کنی؟** یک لپ‌تاپِ تازه با این مشخصات، چند قیمت می‌خورد؟ در این فصل هیچ کدی نمی‌نویسی که مدل بسازد؛ به‌جایش دقیقاً می‌فهمی یادگیری ماشین چیست، با چه چیزی فرق دارد، و چهار کلمه‌ای را یاد می‌گیری که تا آخرِ این دوره و کلِ ژرفا هر روز به‌کارشان می‌بری.

![یک ماشینِ برش‌خورده که از یک طرف جدولی از نمونه‌ها می‌گیرد و از طرفِ دیگر یک قالبِ ساخته‌شده بیرون می‌دهد](/lesson-assets/t3-s01-what-is-ml/prompt/01-image-rules-vs-examples.png)

آخر این فصل می‌توانی:

- بگویی یادگیری ماشین دقیقاً با برنامه‌نویسیِ معمولی چه فرقی دارد
- `feature` و `label` را در هر مسئله‌ای تشخیص بدهی
- تفاوتِ `supervised` و `unsupervised` را بگویی
- تفاوتِ `regression` و `classification` را بگویی
- بگویی چرا «مدل خوب است» بدونِ یک عدد، یک جملهٔ بی‌معناست

## قبل از شروع

**از ترمِ ۲:** جدولِ تمیز، `groupby`، همبستگی، و مهم‌تر از همه: قانونِ «اول داده را ببین».

**سلولِ راه‌اندازی:** همان `laptops_clean.csv` ترمِ ۲.

> 📓 **نوت‌بوک:** [نوت‌بوک این فصل را در Colab باز کن](/notebooks/sarnakh/term-3-machine-learning/session-01-what-is-ml.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

## ۱. تفاوت با برنامه‌نویسیِ معمولی

در همهٔ کدهایی که تا اینجا نوشتی، الگو یکی بود: **تو قاعده را می‌نوشتی، کامپیوتر روی داده اجرایش می‌کرد.**

</div>

```python
def is_expensive(price):
    """قاعده را «من» نوشتم: هر چیزی بالای ۳۰ میلیون گران است."""
    return price > 30_000_000

print(is_expensive(45_000_000))
print(is_expensive(12_000_000))
```

<div dir="rtl">

</div>

```text
True
False
```

<div dir="rtl">

آن عددِ ۳۰ میلیون را **من** انتخاب کردم. کامپیوتر فقط اجرایش کرد.

یادگیری ماشین جهتش برعکس است: **تو نمونه می‌دهی، کامپیوتر قاعده را پیدا می‌کند.**

</div>

| | برنامه‌نویسیِ معمولی | یادگیری ماشین |
|---|---|---|
| ورودیِ تو | قاعده + داده | داده + **جوابِ درست** |
| خروجی | جواب | **قاعده** (مدل) |
| کِی به‌کار می‌آید | قاعده را می‌دانی | قاعده را نمی‌دانی، ولی نمونه داری |

<div dir="rtl">

و همین‌جا اولین قضاوتِ حرفه‌ای را یاد می‌گیری: **اگر قاعده را می‌دانی، مدل نساز.** برای «آیا این عدد از ۳۰ میلیون بیشتر است؟» یک `if` بنویس. یادگیری ماشین وقتی به‌کار می‌آید که قاعده را نمی‌دانی و **نوشتنش هم شدنی نیست** — مثلاً «قیمتِ منصفانهٔ این لپ‌تاپ چقدر است؟» که به ده‌ها عامل و برهم‌کنششان بستگی دارد.

> 💡 **نکته:** بخشِ بزرگی از پروژه‌های شکست‌خوردهٔ یادگیری ماشین مسائلی بوده‌اند که یک قاعدهٔ ساده حلشان می‌کرد. **مدل، پیچیدگی اضافه می‌کند و باید هزینه‌اش را با دقتِ بیشتر پس بدهد.** این سؤال را همیشه اول بپرس.

## ۲. `feature` و `label`

</div>

```python
import pandas as pd

df = pd.read_csv("laptops_clean.csv")

features = df[["year", "ram_gb"]]
label = df["price"]

print("شکل features:", features.shape)
print("شکل label:", label.shape)
print(features.head(3))
```

<div dir="rtl">

</div>

```text
شکل features: (238, 2)
شکل label: (238,)
   year  ram_gb
0  2021    32.0
1  2019    16.0
2  2024     8.0
```

<div dir="rtl">

دو کلمهٔ کلیدیِ کلِ این حوزه:

- **`feature`** — چیزی که **می‌دانی** و به مدل می‌دهی. اینجا سال و حافظه. هر ستونی که ورودیِ مدل است، یک `feature` است.
- **`label`** — چیزی که **می‌خواهی پیش‌بینی کنی**. اینجا قیمت. به آن `target` هم می‌گویند.

و یک قراردادِ نامی که در همهٔ کدهای دنیا می‌بینی: مجموعهٔ featureها را `X` می‌نامند (بزرگ، چون جدول است) و labelها را `y` (کوچک، چون یک ستون است). این قرارداد از ریاضی می‌آید و در کلِ `scikit-learn` و PyTorch یکسان است.

**شکل‌ها را نگاه کن:** `X` دوبعدی است `(238, 2)` و `y` تک‌بعدی `(238,)`. **هر دو باید تعدادِ ردیفِ یکسان داشته باشند** — این اولین چیزی است که وقتی خطا گرفتی باید چک کنی.

> 🌱 **ریشه‌اش کجاست:** یک مدل در واقع یک **تابع** است: چند ورودی می‌گیرد و یک خروجی می‌دهد. تفاوتش با تابع‌های فصلِ ۷ ترمِ ۱ فقط این است که کسی بدنه‌اش را ننوشته — از داده ساخته شده. [ریشه، ترم ۴ فصل ۱ — تابع: ماشینِ ورودی-خروجی](/courses/risheh/lessons/term-4-functions/session-01-function-machine) همین ایده را از پایه می‌سازد.

**قبل از ادامه، جواب بده:** می‌خواهی پیش‌بینی کنی یک مشتری اشتراکش را تمدید می‌کند یا نه. `feature` و `label` کدام‌اند؟ جواب: `label` همان «تمدید کرد یا نه» است — چیزی که می‌خواهی حدس بزنی. `feature`ها هر چیزی است که **قبل از** آن لحظه می‌دانی: مدتِ عضویت، تعدادِ ورود در ماهِ گذشته، مبلغِ پرداختی. **و هر چیزی که فقط بعد از تمدید معلوم می‌شود، feature نیست** — استفاده از آن، همان اشتباهی است که فصلِ ۴ کاملاً به آن اختصاص دارد.

## ۳. دو نوعِ اصلیِ مسئله

</div>

```python
df["is_expensive"] = df["price"] > df["price"].median()

print("پیش‌بینی خودِ قیمت (regression):", df["price"].head(3).tolist())
print("پیش‌بینی گران/ارزان (classification):", df["is_expensive"].head(3).tolist())
print(df["is_expensive"].value_counts().to_dict())
```

<div dir="rtl">

</div>

```text
پیش‌بینی خودِ قیمت (regression): [58500000, 23400000, 54200000]
پیش‌بینی گران/ارزان (classification): [True, False, True]
{True: 119, False: 119}
```

<div dir="rtl">

- **`regression`** — وقتی `label` یک **عدد پیوسته** است: قیمت، دما، مدتِ تحویل.
- **`classification`** — وقتی `label` یک **دسته** است: گران/ارزان، اسپم/غیراسپم، کدام‌یک از پنج برند.

**همان داده می‌تواند هر دو باشد** — به سؤالت بستگی دارد، نه به داده. اینجا از روی همان ستونِ قیمت یک ستونِ دسته‌ای ساختیم.

> ✅ **چک کن:** دو دستهٔ `True` و `False` باید دقیقاً برابر باشند (۱۱۹ و ۱۱۹). اگر نابرابر شدند، یعنی به‌جای `median` از عددِ ثابتی به‌عنوان مرز استفاده کرده‌ای.

توجه کن دو دسته دقیقاً ۱۱۹ و ۱۱۹ شدند، چون مرز را روی **میانه** گذاشتیم. این تصادفی نیست و در فصلِ ۶ می‌بینی چرا این انتخاب مهم است.

## ۴. `supervised` و `unsupervised`

آنچه تا اینجا گفتیم **`supervised`** است: برای هر ردیفِ آموزشی، جوابِ درست را داری. مدل از روی جفت‌های «ورودی ← جوابِ درست» یاد می‌گیرد.

**`unsupervised`** یعنی جوابِ درستی در کار نیست. فقط داده داری و می‌پرسی «چه ساختاری در این هست؟» — مثلاً «این ۲۳۸ آگهی به چند دستهٔ طبیعی تقسیم می‌شوند؟» بدونِ اینکه از قبل دسته‌ها را تعریف کرده باشی.

</div>

| | `supervised` | `unsupervised` |
|---|---|---|
| داده | `X` و `y` | فقط `X` |
| سؤال | «`y` این ردیفِ تازه چیست؟» | «چه ساختاری در `X` هست؟» |
| نمونه | پیش‌بینیِ قیمت، تشخیصِ اسپم | خوشه‌بندیِ مشتری، کاهشِ بُعد |
| ارزیابی | **ساده**: جوابِ درست را داری | **سخت**: معیارِ قطعی نداری |

<div dir="rtl">

کلِ این ترم `supervised` است، به یک دلیلِ صریح: **وقتی جوابِ درست را داری، می‌توانی صادقانه اندازه بگیری.** و اندازه‌گیریِ صادقانه نخِ کلِ این دوره است.

## ۵. چرا «مدل خوب است» یک جملهٔ بی‌معناست

فرض کن مدلی ساختی و می‌گویی «خوب کار می‌کند». پنج سؤال بلافاصله می‌آید:

1. **چقدر خوب؟** یک عدد بده.
2. **با چه معیاری؟** میانگینِ خطا؟ درصدِ درست؟ کدام؟
3. **روی کدام داده؟** همان که با آن ساختی، یا داده‌ای که ندیده؟
4. **در برابرِ چه چیزی؟** بهتر از حدسِ ساده؟ چقدر بهتر؟
5. **چقدر پایدار؟** اگر داده کمی فرق کند، همان نتیجه را می‌دهد؟

هر پنج تا در فصل‌های بعدی جوابِ دقیق می‌گیرند. ولی همین حالا باید بدانی که **این پنج سؤال، خودِ کار هستند** — نه یک بازبینیِ آخرِ کار. سه فصلِ بعد به‌ترتیب همین‌ها را می‌سازند: فصلِ ۲ اولین مدل، فصلِ ۳ خطِ پایه (سؤالِ ۴)، و فصلِ ۴ سؤالِ ۳ که مهم‌ترینشان است.

> 📏 **اندازه بگیر:** سه قانونِ ثابتِ این دوره را دوباره بخوان، چون از این فصل به بعد هر سه هر روز به‌کار می‌آیند: **«اول داده را ببین» — «اول یک خطِ پایه بساز» — «روی چیزی که مدل ندیده امتحان کن».** ترمِ ۲ کاملاً دربارهٔ قانونِ اول بود. فصلِ ۳ قانونِ دوم است و فصلِ ۴ قانونِ سوم. **اگر فقط همین سه را از این دوره ببری، از خیلی از کسانی که مدل می‌سازند جلوتری.**

## ۶. یک خطای واقعی: شکلِ `X` اشتباه

</div>

```python-broken
from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(df["year"], df["price"])
```

<div dir="rtl">

</div>

```text
ValueError: Expected a 2-dimensional container but got <class 'pandas.Series'>
instead. Pass a DataFrame containing a single row (i.e. single sample) or a
single column (i.e. single feature) instead.
```

<div dir="rtl">

`df["year"]` با یک کروشه یک `Series` می‌دهد — تک‌بعدی. ولی `scikit-learn` همیشه `X` را **دوبعدی** می‌خواهد، حتی وقتی فقط یک `feature` داری، چون طراحی‌اش این است که `X` جدول باشد.

راهِ درست، دو کروشه: `df[["year"]]`. همان تفاوتِ `Series` و `DataFrame` از ترمِ ۲ فصلِ ۳ — که حالا معلوم شد چرا مهم بود.

> 🔧 **اگر کار نکرد:** این خانوادهٔ خطا یکی از پرتکرارترین‌های `scikit-learn` است و متنِ دقیقش به نسخه بستگی دارد: برای یک `Series` پیامِ بالا را می‌گیری و برای یک آرایهٔ `numpy`ِ تک‌بعدی پیامِ قدیمی‌ترِ `Expected 2D array, got 1D array instead` را. **هر دو یک چیز می‌گویند و یک راهِ حل دارند: یک کروشهٔ دیگر اضافه کن** (یا برای آرایه، `reshape(-1, 1)`). عادت کن قبل از هر `fit`، `X.shape` را چاپ کنی — باید دو عدد داشته باشد.

> 🤖 **از دستیارت بپرس:** «سه مسئلهٔ واقعی نام ببر که به‌نظر مناسبِ یادگیری ماشین می‌آیند ولی در واقع با یک قاعدهٔ ساده بهتر حل می‌شوند.» جوابش را با معیارِ بخشِ ۱ بسنج. این سؤال عمداً برعکسِ چیزی است که معمولاً می‌پرسند — و تشخیصِ اینکه کِی **نباید** مدل ساخت، به‌اندازهٔ ساختنش مهارت است.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| feature | فیچِر | ستونی که به مدل می‌دهی؛ چیزی که می‌دانی |
| label / target | لِیبِل / تارگت | چیزی که می‌خواهی پیش‌بینی کنی |
| X / y | ایکس / وای | قراردادِ جهانی: جدولِ featureها / ستونِ label |
| regression | رگرسیون | پیش‌بینیِ یک عددِ پیوسته |
| classification | کلَسیفیکیشِن | پیش‌بینیِ یک دسته |
| supervised / unsupervised | سوپروایزد / آن‌سوپروایزد | با جوابِ درست / بدونِ جوابِ درست |

<div dir="rtl">

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: در برنامه‌نویسیِ معمولی چه چیزی ورودی است و چه چیزی خروجی، و در یادگیری ماشین چطور؟

**تمرینِ اجباری:** سه مسئلهٔ واقعی از زندگی یا کارِ خودت بنویس و برای هرکدام مشخص کن: `label` چیست، سه تا `feature` چه می‌توانند باشند، `regression` است یا `classification`، و آیا اصلاً یادگیری ماشین لازم دارد یا یک قاعدهٔ ساده کافی است.

**تمرینِ ستاره‌دار ⭐:** یکی از همان سه مسئله را بردار و فهرستی بنویس از چیزهایی که **نباید** `feature` باشند — یعنی اطلاعاتی که فقط **بعد از** وقوعِ `label` در دسترس‌اند. مثال: برای پیش‌بینیِ «مشتری تمدید می‌کند؟»، «تاریخِ تمدید» یک feature نیست. هر چند مورد که پیدا کنی، در فصلِ ۴ می‌فهمی چرا این فهرست ارزشمندترین کاری است که در ابتدای هر پروژه می‌شود کرد.

## در فصل بعد

حالا واژه‌ها را داری. فصلِ بعد اولین مدلِ واقعی‌ات را می‌سازی — در سه خط کد — و اولین پیش‌بینی‌ات را می‌گیری. و بلافاصله می‌بینی که آن سه خط، آسان‌ترین بخشِ ماجراست: کارِ اصلی آن‌جاست که بپرسی این عددی که مدل داد، اصلاً خوب است یا نه.

</div>

---
Source: https://yaadestan.com/courses/sarnakh/lessons/t3/s01-what-is-ml (یادستان, Yaadestan)
