پیاده سازی پروژه محور شبکه عصبی مصنوعی با پایتون

موسسه پایا پروژه به عنوان متصدی انجام پروژه های برنامه نویسی شبکه عصبی پایتون وظیفه ی خود می داند که در راستای آموزش  شبکه عصبی گام های موثری را بردارد. با توجه به اینکه یک دوره آموزشی شبکه عصبی با پایتون مستلزم تمرین و تلاش بسیار است. اما این موسسه تلاش می کند سهم کوچکی در جهت یادگیری شما داشته باشد.

3-  کد های پیاده‌سازی شبکه عصبی

 در بخش 2  ابتدا پروژه مورد نظر شرح داده شد و جزئیات مسئله دسته‌بندی نیز مفصل بیان شد.  پون این بخش ادامه بخش قبل است اگر  در مورد مسئله و فرضیات آن سوالی داشتید پیشنهاد می‌شود بخش 2 را مطالعه کنید. در ادامه به پیاده سازی  شبکه عصبی در پایتون پرداخته می‌شود.

3-1-فراخوانی فایل اکسل دادگان

 همانطور که قبل گفته شد در این پروژه از برنامه vscode  که به  anaconda وصل شده استفاده برای کد نویسی استفاده می‌شود. پس وقتی فایل جدید را باز می کنید برای اینکه vscode  کد شمارا شناسایی کند ابتدا باید فایل را با پسورد (name.py)  ذخیره کنید. ابتدای هر برنامه پایتون باید کتابخانه های مورد نظر فراخوانی شوند تا در صورت استفاده از توابع مفسر پایتون بتواند به آن‌ها  مراجعه کند.

نکته: در صورت استفاده از بسته آناکوندا به هنگام اجرا کد مفسر پایتونی را که به کوندا وصل است انتخاب کنید

اگر pandas در سیستم نصب نبود بعد از اجزای کد خطا می دهد پس در powershell خط زیر را می نویسیم

Conda install pandas

نکته: من در سیستم خود در همان پوشه برنامه فایل دادگان را با نام stu_inf ذخیره

تا این مرحله از کار دادگان فراخوانی شده اند اما هنوز نمی‌توان با آن‌ها کار کرد چون از نوع Dataframe هستند .برای اینکه بتوان دادهای مورد نظر را پردازش کرد باید آنها را به آرایه های عددی numpy تبدیل کنیم این کار را با کد زیر انجام می‌دهیم.

3-2-مشخص کردن ورودی و خروجی

بعد از این حال نوبت به جداسازی داده هاست باید ویژگی ها که همان پارامتر‌های ورودی شبکه عصبی هستند را مشخص کنیم. کد زیر این کار را انجام می‌دهد

در این کد همه سطرهای آرایه data  که اطلاعات مربوط به همه دانشجویان می‌باشد و ستون‌های 0 تا 10 انتخاب می‌شوند. دقت داشته باشید که در این دستور کران پایین درنظر گرفته می‌شود اما کران بالا یعنی ستون 10 در محاسبات در نظر گرفته نمی‌شود.

برای خروجی شبکه ستون 10 را برای تمام سطرها را انتخاب می کنیم.

3-3-بهم ریختن ترتیب داده ها

اگر داده ها مرتب باشند برای اینکه شبکه فقط روی دیتا های آخر fit نشود بهتر است که  آن ها را بهم ریخته یا اصطلاحا آن‌ها را shuffle کنیم.

 این دستور در واقع یک لیست نامرتب یا تصادفی از اعداد 1 تا  تعداد طول داده ایجاد می کند. و با یک حلقه  دو آرایه دیگر که با ترتیب تصادفی  از دیتا هستند تولید می کند و در آخر این دو آرایه را به آرایه‌های numpy تبدیل می‌کند.