داده چیست و چه شکلی دارد

دفتر نمره

دفتر نمره‌ی معلم رو یادتونه؟ همه‌ی چیزی که یه مدل یادگیری ماشین لازم داره، شکل همونه.

فرض کنید می‌خوایم یه مدل از روی نمره‌ها حدس بزنه یه شاگرد آخر سال قبول می‌شه یا نه. چیزی که بهش می‌دیم، دقیقا همین دفتره: کلی شاگرد پارسال، با نمره‌هاشون و اینکه آخرش قبول شدن یا نه.

ردیف، ستون، جواب

این سه تا کلمه رو توی همه‌ی مسیر می‌بینید:

• هر ردیف یه نمونه‌ست. یه شاگرد، یه خونه، یه ایمیل.
• هر ستون یه ویژگیه. چیزی که مدل از هر نمونه می‌بینه: نمره‌ی ریاضی، متراژ خونه، کلمه‌های ایمیل.
• ستون آخر جوابه. چیزی که مدل باید یاد بگیره حدس بزنه: قبول یا رد، قیمت، هرزنامه یا نه. اسم دیگه‌ش «برچسب»ه.

به کل این جدول می‌گن دیتاست. فرق ویژگی و برچسب رو توی درس بعد بیشتر می‌بینیم. یه نکته هم مهمه: خیلی از مدل‌ها فقط عدد می‌فهمن. پس «سارا» و «قبول» هم آخرش باید عدد بشن.

عکس هم عدده

عکس که جدول نیست؟ چرا، هست. یه عکس سیاه‌وسفید رو خیلی بزرگ کنید: خونه‌خونه‌ست. به هر خونه می‌گن پیکسل، و هر پیکسل یه عدده: معمولا از ۰ برای سیاه تا ۲۵۵ برای سفید.

ما یه علامت «به‌علاوه» می‌بینیم؛ کامپیوتر فقط ۳۶ تا عدد. عکس رنگی هم همینه، فقط هر خونه سه تا عدد داره، یکی برای هر رنگ اصلی. این همه عدد، می‌شه ستون‌های جدول.

صدا هم عدده

صدا یه موجه. کامپیوتر خیلی تند، پشت سر هم، بلندی این موج رو اندازه می‌گیره و هر بار یه عدد می‌نویسه:

صدای یه سی‌دی موسیقی، توی هر ثانیه ۴۴٬۱۰۰ بار اندازه گرفته شده. یعنی یه ثانیه صدا، ده‌ها هزار تا عدده.

متن هم عدده

متن هم همین‌طور. ساده‌ترین راهش اینه که یه فهرست کلمه داشته باشیم و به هر کلمه یه شماره بدیم:

شماره‌ها خودشون معنی ندارن؛ فقط اسم کلمه‌ان. راه‌های بهتری هم هست که شماره‌ها معنی داشته باشن، و توی درس تبدیل متن و دسته به عدد می‌بینیم.

پس هر چی که باشه، جدول، عکس، صدا یا متن، برای مدل آخرش یه عالمه عدده. حالا بریم سراغ دو تا ستون مهم: ویژگی و برچسب. ویژگی و برچسب.