💡 با نگاه کردن به این جدول، می‌توان فهمید که محبوب‌ترین رنگ ماشین سفید است و قدیمی‌ترین ماشین ۱۷ سال دارد. اما آیا می‌توانیم پیش‌بینی کنیم که یک ماشین AutoPass دارد یا نه؟ 🤯

این همان کاری است که یادگیری ماشین انجام می‌دهد! تحلیل داده‌ها و پیش‌بینی نتایج! 🚀

در یادگیری ماشین، معمولا با مجموعه‌های داده بسیار بزرگ سروکار داریم، اما در این آموزش سعی می‌کنیم همه چیز را ساده و قابل‌فهم نگه داریم.

🏷️ انواع داده‌ها در یادگیری ماشین

برای اینکه بتوانیم داده‌ها را تحلیل کنیم، باید بدانیم که با چه نوع داده‌هایی سروکار داریم. داده‌ها را می‌توان به سه دسته اصلی تقسیم کرد:

1️⃣ داده‌های عددی (Numerical Data)

• این نوع داده‌ها عدد هستند و خودشان به دو دسته تقسیم می‌شوند:
  ✅ داده‌های گسسته (Discrete Data): داده‌هایی که تعداد مشخص و محدود دارند، مثلا تعداد ماشین‌هایی که از یک خیابان عبور می‌کنند.
  ✅ داده‌های پیوسته (Continuous Data): داده‌هایی که می‌توانند هر مقداری داشته باشند، مثلا قیمت یک محصول یا قد افراد.

2️⃣ داده‌های دسته‌بندی‌شده (Categorical Data)

• داده‌هایی که نمی‌توان مقدار آن‌ها را با هم مقایسه کرد، مثلا رنگ یک ماشین یا پاسخ بله/خیر.

3️⃣ داده‌های ترتیبی (Ordinal Data)

• این داده‌ها مانند داده‌های دسته‌بندی‌شده هستند، اما ترتیب دارند. مثلا نمرات مدرسه: A بهتر از B است، B بهتر از C و …

💡 دانستن نوع داده‌ها به ما کمک می‌کند که روش تحلیل مناسب را انتخاب کنیم!

در ادامه، یاد می‌گیریم که چطور از آمار و روش‌های تحلیل داده استفاده کنیم تا بتوانیم الگوها را کشف کرده و با یادگیری ماشین پیش‌بینی‌های دقیق‌تری انجام دهیم! 🚀🔥