پیش‌نیازهای یادگیری ماشین

آیا واقعا برای شروع یادگیری ماشین به سیستم‌های گران‌قیمت، دکتری ریاضی و ۱۰۰ ساعت آموزش برنامه‌نویسی نیاز داریم؟ اگر در فضای مجازی چرخ زده باشید، احتمالا با لیست‌های دور و درازی مواجه شده‌اید که شما را از ورود به این حوزه می‌ترسانند. واقعیت این است که ورود به دنیای هوش مصنوعی و یادگیری ماشین (Machine Learning) آن‌قدرها که بزرگش می‌کنند، ترسناک نیست. این جمله را به پشتوانه بیش از ۱۰ سال تجربه در حوزه آموزش و تعامل با بسیاری از دانشجویان به شما می‌گویم. در این مقاله می‌خواهم خیلی شفاف و واقع‌بینانه به شما بگوییم که برای شروع یادگیری ماشین به چه چیزهایی نیاز دارید. همچنین، به تله‌های یادگیری که زمانتان را تلف می‌کنند هم اشاره می‌کنم.

مشاهده در آپارات      مشاهده در یوتوب

پیش‌نیازهای یادگیری ماشین

اگر بخواهم کل مسیر را خلاصه کنم، شما برای ورود به یادگیری ماشین به ۴ پیش‌نیاز اصلی نیاز دارید:

1. کامپیوتر یا لپ‌تاپ مناسب (سخت‌افزار)
2. مهارت‌های پایه‌ای کار با کامپیوتر (سواد دیجیتال)
3. کدنویسی و برنامه‌نویسی (ابزار پیاده‌سازی)
4. ریاضیات (منطق پشت مدل‌ها)

در ادامه این مقاله، تک‌تک این موارد را موشکافی می‌کنم. از دو مورد اول (سخت‌افزار و مهارت عمومی) سریع‌تر می‌گذرم، چون تکلیفشان روشن است؛ اما روی دو مورد آخر (کدنویسی و ریاضیات) که چالش اصلی خیلی از علاقه‌مندان است، مفصل و عمیق صحبت خواهم کرد.

کامپیوتر یا لپ‌تاپ مناسب برای یادگیری ماشین

برای ورود به یادگیری ماشین و حتی در مرحله آمادگی برای پیش‌نیازهای یادگیری ماشین به یک کامپیوتر یا لپ‌تاپ نیاز است. آیا با گوشی موبایل یا تبلت هم می‌توان یادگیری ماشین را شروع کرد؟ شاید به سختی بتوانید آموزش ببینید و کدهایی اجرا کنید؛ اما آن‌قدر چالش‌ها و محدودیت‌های فنی‌تان زیاد خواهد بود که احتمالا در همان هفته‌های اول خسته می‌شوید و این حوزه را کنار می‌گذارید. پس برای اینکه در ابتدای کار انرژی‌تان تلف نشود، بهتر هست به یک کامپیوتر یا لپ‌تاپ فکر کنید.

اما سوال مهم‌تر که بسیاری از افراد از ما می‌پرسند: آیا این لپ‌تاپ باید خیلی قوی و گران‌قیمت باشد؟ خیر! اصلا این‌طور نیست. برای شروع یادگیری ماشین و حتی کار کردن روی پروژه‌های اولیه، به هیچ عنوان به یک سیستم قدرتمند یا کارت‌های گرافیک نجومی نیاز ندارید. شما با یک سیستم معمولی هم می‌توانید کارتان را جلو ببرید. برای اینکه دید بهتری داشته باشید، مشخصات یک سیستم حداقلی و پیشنهادی برای شروع را در جدول زیر برایتان آورده‌ام:

نکته طلایی حتی اگر بعد از مدتی خواستید پروژه‌های سنگین‌تر یا یادگیری عمیق (Deep Learning) را شروع کنید، باز هم نیازی به خرید لپ‌تاپ گران‌قیمت ندارید. امروزه ابزارهای ابری رایگانی مثل Google Colab و Kaggle در اختیار شماست که کارت‌های گرافیک مناسب را بدون پرداخت یک ریال به شما ارائه می‌دهد.

سواد دیجیتال: مهارت کار با کامپیوتر لازمه یادگیری ماشین

شاید بگویید: سجاد! این دیگر چه پیش‌نیازی است؟ چقدر عجیب! اما به عنوان کسی که سال‌هاست در این حوزه تدریس می‌کند، بارها با افرادی مواجه شده‌ام که علاقه‌مندی بالایی داشتند و حتی آموزش‌های تخصصی را تهیه کرده بودند، اما در مهارت‌های پایه‌ای کار با کامپیوتر به شدت ضعیف بودند. مثلا، نمی‌توانستند کارهایی مثل خرید آنلاین، فعال‌سازی دوره ثبت‌نامی، عضویت در گروه پشتیبانی و چنین کارهای معمولی را انجام دهند.

نداشتن مهارت مناسب کار با کامپیوتر تاسف‌آور نیست، اما باید بدانید که اگر چنین ضعفی دارید، حتما باید آن را تقویت کنید. یادم می‌آید در یک دانشگاه خوب، با یک دانشجوی تازه‌وارد مواجه شدم که سواد علمی خوبی داشت، اما هیچ‌گونه آشنایی و مهارتی در کار با کامپیوتر نداشت. صفر مطلق! اما بعد دو سال که او را دیدم، بسیار بسیار متحول شده بود و در سطح سایر افراد مهارت کامپیوتری داشت.

واقعیت این است که یادگیری ماشین یعنی کار مداوم با کامپیوتر، نرم‌افزارهای مختلف و کدنویسی. وقتی وارد این مسیر می‌شوید، به وفور با خطا (Error) و باگ مواجه خواهید شد. اگر مهارت‌های زیر را نداشته باشید، با دیدن هر ارور دچار تلاطم و استرس می‌شوید. انتظار می‌رود:

• بدانید آفیس و نرم‌افزارهای پایه چه هستند.
• نحوه نصب، حذف و مدیریت نرم‌افزارها را بلد باشید.
• مهم‌تر از همه: هنر سرچ کردن و یافتن راه‌حل ارورها در گوگل را بلد باشید.

بنابراین، اگر این پایه‌ها ضعیف باشد، در مراحل بعدی دچار مشکلات اساسی می‌شوید. پس نترسیدن از ارورها و داشتن روحیه جستجوگری، دومین پیش‌نیاز کلیدی شماست.

پیش‌نیاز کدنویسی برای یادگیری ماشین

به سومین و یکی از بحث‌برانگیزترین پیش‌نیازهای یادگیری ماشین یعنی کدنویسی رسیدیم. خیلی از افرادی که می‌خواهند وارد این حوزه شوند، تصور می‌کنند باید یک برنامه‌نویس همه‌فن‌حریف باشند. بیایید این موضوع را کاملا کالبدشکافی کنیم.

اهمیت پایتون در هوش مصنوعی، یادگیری ماشین و علم داده

بین زبان‌های برنامه‌نویسی مختلفی که در دنیا وجود دارد، در حال حاضر این پایتون (Python) است که در یادگیری ماشین حرف اول و آخر را می‌زند. سادگی سینتکس پایتون و جامعه آماری فوق‌العاده بزرگ آن باعث شده که به زبان استاندارد هوش مصنوعی تبدیل شود. پس به عنوان اولین قدم، انتخاب شما باید یادگیری پایتون باشد.

یادگیری کدنویسی در عصر چت‌بات‌ها و ایجنت‌ها

شاید بپرسید: در عصری که این‌همه چت‌بات و ایجنت هوشمند داریم که عین آب خوردن و حتی بهتر از حرفه‌ای‌ها کد می‌زنند، آیا باز هم باید خودمان وقت بگذاریم و برنامه‌نویسی یاد بگیریم؟ پاسخ من این هست: بله، قطعا لازم است! حداقل فایده‌اش این است که وقتی ابزار هوش مصنوعی برای شما کدی تولید کرد، شما باید منطق آن کد را بفهمید تا بتوانید آن را دیباگ و مدیریت کنید. شما نباید کارگر گوش‌به‌فرمان ابزارهای AI باشید، بلکه باید کارگردان و مدیر آن‌ها باشید؛ از آن‌ها کد بگیرید، بفهمید چه کار کرده‌اند و پروژه را هدایت کنید. نه اینکه آنها کد بنویسید و شما بدون فهمیدن کدها فقط آنها را کپی-پیست کنید.

اما، صرفا یادگیری پایتون کافی نیست! فریم‌ورک یا کتابخانه هم لازم است…

فریم‌ورک‌های پایتون برای یادگیری ماشین

در یادگیری ماشین، خود زبان پایتون به تنهایی کافی نیست. ما در پایتون با مفهوم فریم‌ورک‌ها (Frameworks) یا کتابخانه‌ها سرکار داریم. فریم‌ورک‌ها دقیقا مثل افزونه‌ها (Extensions) در مرورگر کروم عمل می‌کنند؛ پایتون یک زبان پایه است و ما با این افزونه‌ها، آن را برای کارهای یادگیری ماشین تجهیز و متخصص می‌کنیم.

همان‌طور که در تصویر بالا مشاهده می‌کنید، فریم‌ورک‌های پایتونی برای هوش مصنوعی تنوع بالایی دارند و بر اساس نوع کاربردشان می‌توان به‌صورت زیر آنها را تقسیم‌بندی کرد:

• داده و پیش‌پردازش: در این دسته فریم‌ورک‌هایی قرار می‌گیرند که مخصوص کار با انواع داده در هوش مصنوعی هستند. مثلا، فریم‌ورک OpenCV مخصوص کسانی است که با تصویر، ویدئو و دوربین سرکار دارند و می‌خواهند این داده‌ها را وارد پایتون کنند. فریم‌ورک‌هایی مثل Wave برای تحلیل و آماده‌سازی فایل‌های صوتی (مثل MP3) به کار می‌روند. فریم‌ورک SpaCy پادشاه کار با متن و پردازش زبان طبیعی (NLP) است. پانداس (Pandas) فریم‌ورکی است که مخصوص داده‌های جدولی (فایل‌های CSV یا اکسل) طراحی شده است. یک نمونه دیتاست جدولی را در ادامه آوردام. در یادگیری ماشین، بخش زیادی از داده‌های شما به صورت جدول (دارای سطر به عنوان نمونه و ستون به عنوان ویژگی یا Feature) است. پانداس به شما کمک می‌کند این داده‌ها را لود کنید، وضعیت آن‌ها را تحلیل کنید (مثلا بفهمید میانگین سنی چقدر است) و کار پیش‌پردازش (مثل پر کردن خانه‌های خالی و بدون مقدار) را انجام دهید.
• مدل‌سازی یادگیری ماشین (Scikit-Learn): سلطان بی‌رقیب فریم‌ورک‌های یادگیری ماشین، سایکیت‌لرن است. تقریبا در تمام دوره‌های دانشگاهی و معتبر دنیا، برای آموزش مدل‌های سنتی ML از این کتابخانه استفاده می‌شود. (کتابخانه‌هایی مثل پایتورچ و تنسورفلو بیشتر مخصوص شبکه‌های عصبی و یادگیری عمیق هستند که زیرمجموعه ML محسوب می‌شوند).
• مصورسازی داده‌ها: فریم‌ورک‌هایی مثل Matplotlib و Seaborn به شما کمک می‌کنند انواع نمودارهای پراکندگی، میله‌ای، جعبه‌ای (Boxplot) و… را برای ارزیابی مدل و تحلیل داده رسم کنید.
• قلب تپنده یادگیری ماشین (NumPy): نامپای فریم‌ورکی است که در پشت صحنه تمام فریم‌ورک‌های بالا حضور دارد. از آنجا که داده‌ها و مدل‌ها در یادگیری ماشین در اصل ماتریس و بردار هستند، نامپای به عنوان موتور محرک ریاضی پایتون، وظیفه انجام عملیات روی این بردارها و ماتریس‌ها را بر عهده دارد.

شاید با دیدن این لیست طولانی وحشت کنید و بپرسید آیا باید همه این‌ها را به صورت جامع یاد بگیریم تا بعد بتوانیم وارد یادگیری ماشین شویم؟ پاسخ قاطعانه خیر است. فریم‌ورک‌های پیش‌نیاز یادگیری ماشین مواردی است که در تصویر زیر مشخص کرده‌ام:

• نامپای (Numpy)
• مت‌پلات (Matplotlib)
• پانداس (Pandas)

سایر فریم‌ورک‌ها را به مرور زمان خواهید آموخت. به‌عنوان کتابخانه Scikit-Learn را حین آموزش یادگیری ماشین خواهید آموخت. بعضی‌ها را هم شاید اصلا نیاز نداشته باشید و هیچ‌وقت سراغ یادگیری آنها نروید.

بازهم ممکن است بگویید: وای اینها خیلی زیاد است. همین ابتدا باید پایتون + سه فریم‌ورک یاد بگیرم تا بتوانم وارد یادگیری ماشین شوم؟ بله، اما نیاز نیست آنقدر بزرگش کنید. درادامه، فرمول 15 ساعته هوسم را برای جمع‌کردن پیش‌نیاز برنامه‌نویسی در سطح حداقلی ارائه می‌دهم.

فرمول 15 ساعته هوسم برای آموزش پایتون در یادگیری ماشین

با 15 ساعت آموزش با بودجه‌بندی زیر، می‌توانید خود را در بخش کدنویسی پایتون و فریم‌ورک‌های پیش‌نیاز یادگیری آماده کنید:

• ۱۰ ساعت آموزش پایتون مقدماتی: یادگیری مفاهیم پایه‌ای شامل: تعریف متغیرها، ساختارهای داده (لیست، دیکشنری، رشته)، حلقه‌ها (Loops)، توابع (Functions) و کلاس‌ها (توابع شی‌گرایی در حد آشنایی اولیه). برای این بخش می‌توانید مجموعه آموزش پایتون رایگان ما را در وبلاگ هوسم بخوانید.
• ۵ ساعت آموزش فریم‌ورک‌های پایه (NumPy, Pandas, Matplotlib): در حد اینکه بدانید چطور بردار و ماتریس تعریف کنید و روی آن عملیات ریاضی انجام دهید، یک داده جدولی مثل فایل csv را لود کنید، یکی دو کار پایه‌ای رویش انجام دهید، مفهوم سریز (Series) و دیتا فریم را بفهمید و چند نمودار ساده رسم کنید.

این مقاله را حتما بخوانید

آموزش پایتون رایگان

←

نکته مهم ابزارهایی مثل گیت (Git)، لینوکس و داکر (Docker) برای شروع یادگیری ماشین به هیچ عنوان نیاز نیستند! این موارد کار را برای یک فرد تازه‌کار سخت می‌کنند. بگذارید وقتی در مسیر یادگیری ماشین پیشرفت کردید و خودتان ضرورتشان را حس کردید، سراغشان بروید.

اما برویم سراغ مهم‌ترین بخش توضیحات تا به اینجای کار! این بخش را دقیق بخوانید و حتما حتما به آن عمل کنید…

تمرین؛ راز پنهان موفقیت در کدنویسی پایتون

دیدن آموزش به تنهایی از شما متخصص نمی‌سازد. همان‌طور که با فیلم دیدن کسی بازیگر نمی‌شود. باید آستین‌ها را بالا بزنی و وارد گود شوی. در طول سال‌ها تجربه مشاوره‌ام در پروژه‌های دانشگاهی ارشد و دکترا، بالای ۸۰ تا ۹۰ درصد دانشجوهایی که درخواست مشاوره آنها را رد می‌کردم، به خاطر ضعف در کدنویسی بود. با وجود اینکه دوره‌های مختلف پایتون را گذرانده بودند، توانایی نوشتن کد یک جدول ضرب ساده را نداشتند! چند سالی هست که دیگر مشاوره قبول نمی‌کنم و یکی از دلایلش همین ضعف کدنویسی است. چون، کم‌کم حین مشاوره، از سمت مشاور به سمت کدنویس و دیباگر می‌رسیدم. مثلا، فرد پشت سیستم می‌نشست و شروع به کدنویسی می‌کرد، بلافاصله با دیدن هر خطایی، یک اسکرین‌شات می‌گرفت و برای من در تلگرام یا واتسپ می‌فرستاد. طوری که می‌توانستم بفهمم او امروز چه ساعتی کارش را شروع کرده و تا چه ساعتی کار کرده! راهکار فقط و فقط تمرین زیاد است.

بارها شده دانشجویان مشکلات خود را با من مطرح کرده‌اند و انتظار یک راهکار خاص و خفن داشتند؛ اما جواب من این بود که تو ضعف کدنویسی داری و نمی‌توانی خوب کد بزنی. برو به مدت یک ماه روزی دو ساعت کدنویسی تمرین کن! بعضی‌ها عمل می‌کردند، اما از رفتار بعضی‌ها هم متوجه می‌شدم که پیشنهادم را جدی نگرفته‌اند و فکر می‌کنند مشکلشان با یک دوره گران‌قیمت یا راهکارهای فضایی قابل حل است.

برای اینکه درگیر هزینه‌های سنگین نشوید، منابع زیر را برای تمرین عملی به شما پیشنهاد می‌کنم:

• ریپوزیتوری رایگان گیت‌هاب هوسم (Python for AI): ما در هوسم کل نوتبوک‌های دوره جامع پایتون خود را به صورت کاملا رایگان در گیت‌هاب قرار داده‌ایم. در این ریپو برای تک‌تک جلسات (از متغیرها تا کلاس‌ها) تمرین‌های متنوع، تمپلیت‌های خالی برای کدنویسی شما، تمرین‌های ستاره‌دار پیشرفته، راهنما و پاسخ کامل قرار گرفته است. واقعا حیف است که ساده از کنار این ریپو بگذرید. چند نفر روی این پروژه کار کرده‌اند تا شکل و ساختار منظم و موثری داشته باشد.
• سایت‌های تمرینی بین‌المللی: پلتفرم‌هایی مثل Exercism و HackerRank بستر فوق‌العاده‌ای برای تمرین از سطح بسیار ساده (Hello World) تا سطح سخت دارند.

ترفند رزومه‌سازی در این سایت‌های تمرینی یک اکانت معتبر با نام خودتان بسازید و تمرین‌ها را حل کنید تا امتیاز جمع کنید. بعدا قرار دادن لینک این اکانت در رزومه‌تان، یک امتیاز مثبت برای شماست و به کارفرما نشان می‌دهد شما فردی منظم، مستمر و اهل چالش هستید.

تذکر در ترفند بالا تاکید کردم که یک اکانت معتبر با نام خودتان بسازید. متوجه نمی‌شوم چرا بعضی‌ها اسم‌های عجیب و غریب که حتی بعدا خودشان یادشان می‌رود، انتخاب می‌کنند. یک ایمیل با آیدی برگرفته از نام و خانوادگی داشته باشید؛ اکانت‌های درسی و کاری با اسم‌های درست و مناسبی داشته باشید. اخیرا، یک وبینار رایگان برای نقشه راه هوش مصنوعی 2026 برگزار کردیم. یکی از مخاطبان، نامش را “به خودم مربوطه” گذاشته بود. درعین حال بسیار فعال بود و تا آخر جلسه هم حضور داشت. من واقعا از دیدن چنین نام‌هایی ناراحت می‌شوم. اما از این ناراحتی هم بگذریم، به این فکر کنید که شاید بعد از جلسه بخواهید با مدرس صحبتی داشته باشید و با او ارتباط برقرار کنید. آیا با یک اسم نامناسب می‌توان به فرد مقابل حس خوبی منتقل کرد؟

ریاضیات مورد نیاز یادگیری ماشین

به چهارمین و شاید ترسناک‌ترین پیش‌نیاز از نظر خیلی‌ها، یعنی ریاضیات رسیدیم. واقعیت این است که یادگیری ماشین بدون ریاضیات غیرممکن است، اما نکته امیدبخش اینجاست که شما نیازی به دکتری ریاضی ندارید! بیایید ببینیم اصلا چه مباحثی از ریاضی در این حوزه کاربرد دارند و چقدر باید برای آن‌ها وقت بگذاریم.

سه ضلع مثلث ریاضیات در هوش مصنوعی

ما در یادگیری ماشین به طور کلی با ۳ مبحث اصلی از ریاضیات سروکار داریم که منطق مدل‌ها را می‌سازند:

• جبر خطی (Linear Algebra): از آنجا که تمام داده‌ها و مدل‌ها در دنیای یادگیری ماشین در حقیقت ماتریس و بردار هستند، جبر خطی اهمیت پیدا می‌کند. جبر خطی علمی است که به ما یاد می‌دهد چطور با این بردارها و ماتریس‌ها کار کنیم و عملیات ریاضی را روی آن‌ها جلو ببریم.
• حساب دیفرانسیل (Calculus): یکی از کارهای اصلی ما در یادگیری ماشین، بهینه‌سازی مدل و کم کردن خطای آن است. ابزاری که این کار را برای ما انجام می‌دهد «مشتق‌گیری» است؛ بنابراین از حساب دیفرانسیل، مبحث مشتق حداقل چیزی است که در یادگیری ماشین نیاز داریم.
• آمار و احتمال (Probability & Statistics): ما در یادگیری ماشین با مدل‌سازی و عدم قطعیت‌ها کار داریم. علاوه بر این، وقتی داده‌ای را وارد فضای کدنویسی می‌کنید، برای تحلیل‌های اولیه (مثل حساب کردن میانگین، توزیع داده‌ها و رسم نمودار) به شدت به مفاهیم آمار نیاز پیدا خواهید کرد.

آیا نیاز به دوره تخصصی ریاضی برای هوش مصنوعی هست؟

اگر بخواهید برای این ۳ مبحث دوره‌های جامع و دانشگاهی بگذرانید، باید بالای ۵۰ تا ۱۰۰ ساعت زمان بگذارید. این کار در ابتدای مسیر پتانسیل این را دارد که شما را کاملا فرسوده و از یادگیری ماشین زده کند. پیشنهاد من این است که با توجه به پس‌زمینه تحصیلی‌تان، یکی از دو سطح زیر را انتخاب کنید:

• سطح عالی (فارغ‌التحصیلان مهندسی و علوم پایه): اگر در دانشگاه رشته‌های مهندسی (برق، کامپیوتر، مکانیک، عمران و…) یا علوم پایه (ریاضی و فیزیک) خوانده‌اید و ریاضی ۱، ریاضی ۲، معادلات دیفرانسیل و آمار و احتمال را گذرانده‌اید، اوضاعتان عالی است! شما همین الان بیشتر از نیاز اولیه ریاضی بلدید؛ پس وقتتان را تلف نکنید و مستقیم سراغ یادگیری ماشین بروید.
• سطح کافی (ریاضیات دوره متوسطه): اگر دیپلم دارید یا پس‌زمینه ریاضی ندارید، ریاضیات دبیرستان (مثل ریاضی ۱، حسابان ۱ و ۲ و هندسه 3) تقریبا برای شروع کافی است. اگر یادتان نمی‌آید یا فراموش کرده‌اید یا اصلا نخوانده‌اید، حتما نگاهی به این کتاب‌ها بیندازید. خواندن این کتاب‌های ۸۰ تا ۱۲۰ صفحه‌ای اصلا کار سختی نیست و ارزشش را دارد که برای فهمیدن صحبت‌های مدرس در دوره‌های یادگیری ماشین، یک‌بار برای همیشه مرورشان کنید. آنقدر هم کتاب‌های کمک آموزشی و دوره‌های ویدئویی برای این کتاب‌ها وجود دارد که واقعا یادگیری را برای شما آسان می‌کند. ما در هوسم مخاطبان زیر 18 سالی داشتیم که برای یادگیری دروس هوش مصنوعی خیلی جلوتر از مدرسه، ریاضیات را یاد گرفته‌اند. مثلا، در 15 سالگی مشتق را بلد بودند.

پیشنهاد ویژه خوشبختانه امروزه ما یکسری ابزار آموزشی داریم که حتی فراتر از دوره‌های ویدیویی و کتاب‌های کمک‌آموزشی هستند. یکی از بهترین ابزارهای یادگیری در دنیا، سایت Brilliant است. این سایت ریاضیات را به صورت تعاملی و همراه با بازی و شهود به شما یاد می‌دهد؛ مثلا با موس نمودارها را جابه‌جا می‌کنید و تغییرات فرمول را زنده می‌بینید.

داستان واقعی چند سال پیش یکی از دانشجویان من که کدنویس بسیار ماهری بود، می‌گقت: من از ریاضی هیچی نمی‌دانستم. حتی نمی‌دانستم که Y=X نیم‌ساز ناحیه اول و سوم است. چند دوره یادگیری ماشین دیدم، اما عمق ماجرا را درک نمی‌کردم. یکی از آنها که اتفاقا معروف هم هست، فقط می‌گفت این مدل را روی این داده فیت می‌کنیم. من همش می‌گفتم که این فیت کردن یعنی چی آخه؟ تا اینکه دوره یادگیری ماشین هوسم را پیدا کردم. وقتی شروع کردم، دیدم مدرس خوب درس می‌دهد اما ریاضی زیاد دارد و من نمی‌توانم با مدرس همراه شوم. رفتم و با سایت brilliant ریاضی را در سطح خوبی یاد گرفتم… بعدا، به من گفت که دوره ۱۲۸ ساعته یادگیری ماشین ما را ۴-۵ بار تماشا کرد و هنوز هم هر وقت بیکار می‌شود به عنوان مرجع نگاهش می‌کند! پس ضعف ریاضی، بن‌بست مسیر نیست؛ راهکار دارد.

یادگیری ماشین بدون پیش‌نیاز ریاضی و کدنویسی!

در پایان، شاید بپرسید: سجاد، من فعلا نه ریاضی بلدم نه کدنویسی و راستش دوست هم ندارم همین اول کار بروم یادشان بگیرم؛ آیا راهی هست که بدون این‌ها، اول طعم کیک یادگیری ماشین را بچشم و بعد تصمیم بگیرم؟ پاسخ این است: بله، کاملا ممکن است! اگر از کدنویسی یا ریاضی می‌ترسید، نباید اجازه دهید این ترس مانع شروع شما شود. خیلی اوقات وقتی پایداری به خرج دهید، این ترس‌ها در طول مسیر می‌ریزند. شما می‌توانید در ابتدا بدون درگیر شدن با جزئیات سخت ریاضی و برنامه‌نویسی، وارد این حوزه شوید، مزه‌اش را بچشید و اگر ارتباط گرفتید، آن‌وقت بر اساس احساس نیاز، بروید و آن مباحث را یاد بگیرید.

من دقیقا به خاطر همین دغدغه، یک ویدئو و مقاله جداگانه آماده کرده‌ام و در آنجا راهکارهایی را گفته‌ام که چطور بدون ریاضی و کدنویسی قوی، خیلی راحت‌تر وارد دنیای یادگیری ماشین شوید. پیشنهاد می‌کنم حتما آن مطلب را هم دنبال کنید.

خب به پایان رسدیم؛ خسته نباشید! اکنون که با ۴ پیش‌نیاز واقعی و بدون تعارف یادگیری ماشین آشنا شدید، برای من در بخش کامنت‌ها بنویسید: بزرگ‌ترین چالش یا ترس شما برای شروع این مسیر چیست؟ ریاضیات یا کدنویسی پایتون؟ زیر همین پست با هم گفتگو می‌کنیم.