📌 آموزش SVM – پارت ۴ (پایانی): پروژه‌ی کامل طبقه‌بندی داده‌ها با SVM🚀

حالا که با مفاهیم و پیاده‌سازی SVM آشنا شدیم، وقتشه که یه پروژه‌ی واقعی و کامل انجام بدیم تا یادگیری‌مون تثبیت بشه!😍



🔹 هدف پروژه: طبقه‌بندی داده‌ها با SVM
🎯 مسئله:
🔹 ما یک مجموعه داده شامل ویژگی‌های مختلف از نمونه‌هایی داریم و می‌خوایم یک مدل SVM بسازیم که نمونه‌های جدید رو پیش‌بینی کنه.

📌 مراحل انجام پروژه:
✅ بارگذاری مجموعه داده
✅ پیش‌پردازش داده‌ها
✅ ساخت مدل SVM و آموزش آن
✅ ارزیابی مدل
✅ تست روی داده‌ی جدید



🔹 ۱. وارد کردن کتابخانه‌های موردنیاز

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report

🔹 ۲. بارگذاری و آماده‌سازی داده‌ها
برای این پروژه از مجموعه داده‌ی Wine Dataset استفاده می‌کنیم که شامل اطلاعاتی درباره‌ی سه نوع مختلف از شراب هست! 🍷

# بارگذاری مجموعه داده
wine = datasets.load_wine()

# دریافت ویژگی‌ها (X) و برچسب‌ها (y)
X = wine.data
y = wine.target

# تقسیم داده‌ها به مجموعه‌ی آموزش و تست (80% آموزش، 20% تست)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

✅ داده‌ها رو آماده کردیم، بریم سراغ مرحله‌ی بعدی! 🚀



🔹 ۳. ساخت مدل SVM و آموزش آن
حالا مدل SVM با کرنل RBF رو می‌سازیم و روی داده‌های آموزش، فیت (Fit) می‌کنیم:

# ساخت مدل SVM با کرنل RBF
svm_model = SVC(kernel='rbf', C=1.0, gamma='scale')

# آموزش مدل
svm_model.fit(X_train, y_train)

✅ مدل ما الان ساخته شد و آموزش دید! 😍 حالا باید عملکردش رو تست کنیم.



🔹 ۴. پیش‌بینی و ارزیابی مدل
حالا با داده‌های تستی، پیش‌بینی انجام می‌دیم و دقت مدل رو بررسی می‌کنیم:

# پیش‌بینی روی داده‌های تست
y_pred = svm_model.predict(X_test)

# محاسبه دقت مدل
accuracy = accuracy_score(y_test, y_pred)
print(f"🔹 دقت مدل: {accuracy:.2f}")

# نمایش گزارش طبقه‌بندی
print("📊 گزارش مدل:")
print(classification_report(y_test, y_pred))

✅ اگر دقت بالای ۹۰٪ بود، یعنی مدل خیلی خوب عمل کرده! 🎯



🔹 ۵. تست مدل روی داده‌ی جدید
حالا یه داده‌ی جدید به مدل می‌دیم تا ببینیم چطور پیش‌بینی می‌کنه:

# انتخاب یک نمونه تصادفی از مجموعه تست
sample = X_test[5].reshape(1, -1)

# پیش‌بینی کلاس آن
predicted_class = svm_model.predict(sample)
print(f"🔹 کلاس پیش‌بینی‌شده: {predicted_class[0]}")

✅ مدل ما به‌درستی نمونه‌ی جدید رو دسته‌بندی کرد! 🎉


📌 نتیجه‌گیری
🎯 در این پروژه یاد گرفتیم که چطور با استفاده از SVM یک مسئله‌ی واقعی طبقه‌بندی رو حل کنیم.
🎯 نحوه‌ی استفاده از کرنل‌های مختلف و ارزیابی مدل رو بررسی کردیم.
🎯 مدل رو روی یک نمونه‌ی جدید تست کردیم و عملکردش رو مشاهده کردیم.



📌 آموزش SVM به پایان رسید! 🚀 حالا میریم سراغ پیاده‌سازی دستی این الگوریتم🎯

🛠️ ادامه دارد…

#SVM #ماشین_بردار_پشتیبان #یادگیری_ماشین #طبقه‌بندی #هوش_مصنوعی

پارت ۳: نصب و اجرای BitNet 💻🐧

خب دوستان، وقتشه که دست‌به‌کار بشیم و BitNet رو روی سیستم خودمون اجرا کنیم. خوشبختانه چون این مدل خیلی سبک طراحی شده، روی لپ‌تاپ‌های معمولی هم جواب می‌ده.




🔹 ۱. دانلود سورس BitNet
BitNet به‌صورت متن‌باز در گیت‌هاب مایکروسافت منتشر شده. برای دانلود کافیه وارد لینک زیر بشید:
👉 BitNet در GitHub

یا با دستور زیر (روی لینوکس یا ترمینال ویندوز) کل پروژه رو بگیرید:

git clone https://github.com/microsoft/BitNet.git




🔹 ۲. نصب پیش‌نیازها
داخل پوشه پروژه برید:

cd BitNet

سپس کتابخانه‌های لازم پایتون رو نصب کنید:

pip install -r requirements.txt



🔹 ۳. اجرای مدل روی ویندوز 🪟

اول مطمئن بشید که پایتون و گیت روی سیستمتون نصبه.

بعد از نصب پیش‌نیازها، می‌تونید یک تست ساده اجرا کنید:


python run.py --prompt "سلام بیت‌نت!"

این دستور یک پاسخ متنی از مدل تولید می‌کنه. 🎉



🔹 ۴. اجرای مدل روی لینوکس 🐧
تقریباً شبیه ویندوزه، فقط ترمینال لینوکس رو باز کنید و دستورات بالا رو وارد کنید.
اگر خواستید مدل سریع‌تر اجرا بشه، می‌تونید از GPU استفاده کنید (در صورتی که کارت گرافیک NVIDIA داشته باشید):

python run.py --prompt "Hello BitNet!" --device cuda




🔹 ۵. نکته مهم

اگه لپ‌تاپ یا سیستم شما خیلی قوی نیست، نگران نباشید. BitNet دقیقاً برای همین ساخته شده که روی سخت‌افزارهای ساده هم اجرا بشه.

اگر موقع نصب خطا گرفتید، مطمئن بشید نسخه پایتون شما ۳.۸ به بالا باشه.




✅ حالا شما روی سیستم خودتون یک هوش مصنوعی سبک، سریع و متن‌باز دارید که می‌تونید برای یادگیری، تست پروژه‌ها یا حتی توسعه شخصی استفاده کنید.