Python برای AI — از کجا شروع کنم؟

می‌خوای وارد دنیای AI بشی ولی نمی‌دونی از کجا شروع کنی؟ جواب کوتاه: Python. تقریباً ۹۰٪ پروژه‌های AI و Machine Learning با Python نوشته می‌شن. توی این مقاله، یه مسیر یادگیری کامل بهت می‌دم — از صفر مطلق تا جایی که بتونی اولین پروژه AI خودت رو بسازی.

چرا Python؟

قبل از اینکه شروع کنیم، بذار بگم چرا Python و نه زبان‌های دیگه:

۱. سادگی: Python یکی از ساده‌ترین زبان‌های برنامه‌نویسی هست. سینتکسش شبیه انگلیسی روزمره‌ست. مقایسه کن:

# Python
if age >= 18:
    print("بزرگسال")

// Java
if (age >= 18) {
    System.out.println("بزرگسال");
}

ببین Python چقدر تمیزتر و خواناتره.

۲. کتابخانه‌های عظیم: Python بزرگ‌ترین اکوسیستم کتابخانه‌های AI رو داره. NumPy, Pandas, Scikit-learn, PyTorch, TensorFlow, Hugging Face Transformers — همه با Python کار می‌کنن.

۳. جامعه بزرگ: میلیون‌ها توسعه‌دهنده Python کار می‌کنن. یعنی برای هر سؤالی، صدها جواب آماده توی Stack Overflow و GitHub هست.

۴. تقاضای بازار کار: بیشتر آگهی‌های استخدام حوزه AI، Python رو به عنوان مهارت ضروری می‌خوان.

مرحله ۱: نصب Python و آماده‌سازی محیط

اولین قدم نصب Pythone. پیشنهادم اینه:

نصب Python: از سایت رسمی python.org آخرین نسخه Python 3 رو دانلود کن. الان Python 3.12 آخرین نسخه پایداره.

نصب یه IDE: IDE محیطی هست که توش کد می‌نویسی. دو گزینه محبوب:

• VS Code: رایگان، سبک و قابل سفارشی‌سازی. برای مبتدی‌ها عالیه.
• PyCharm: قوی‌تر ولی سنگین‌تر. نسخه Community رایگانه.

Jupyter Notebook: برای یادگیری و آزمایش عالیه. می‌تونی کد رو تکه‌تکه اجرا کنی و نتیجه رو همون‌جا ببینی.

pip install jupyter
jupyter notebook

محیط مجازی: همیشه از virtual environment استفاده کن. اینطوری کتابخانه‌های هر پروژه جدا می‌مونن و تداخل پیدا نمی‌کنن.

python -m venv myenv
source myenv/bin/activate  # Linux/Mac
myenv\Scripts\activate     # Windows

مرحله ۲: پایه‌های Python

این مفاهیم رو باید خوب یاد بگیری:

متغیرها و نوع داده‌ها:

name = "علی"           # str - رشته
age = 25               # int - عدد صحیح
height = 1.75          # float - عدد اعشاری
is_student = True      # bool - بولین
scores = [18, 19, 20]  # list - لیست
info = {"name": "علی", "age": 25}  # dict - دیکشنری

شرط و حلقه:

# شرط
if score >= 17:
    print("قبول")
elif score >= 10:
    print("مشروط")
else:
    print("مردود")

# حلقه
for item in scores:
    print(item)

# حلقه با range
for i in range(10):
    print(i)

توابع:

def calculate_average(numbers):
    total = sum(numbers)
    count = len(numbers)
    return total / count

avg = calculate_average([18, 19, 20])
print(f"میانگین: {avg}")  # خروجی: میانگین: 19.0

کار با فایل:

# خواندن فایل
with open("data.txt", "r") as f:
    content = f.read()

# نوشتن فایل
with open("output.txt", "w") as f:
    f.write("سلام دنیا!")

چقدر وقت بذار؟ ۲ تا ۴ هفته، روزی ۱ تا ۲ ساعت. از سایت‌ها و دوره‌های آنلاین استفاده کن. W3Schools، Python.org و freeCodeCamp منابع خوبی هستن.

مرحله ۳: NumPy — ستون فقرات محاسبات

NumPy کتابخانه‌ای هست برای کار با آرایه‌های عددی. تقریباً همه کتابخانه‌های AI از NumPy استفاده می‌کنن.

import numpy as np

# ساخت آرایه
a = np.array([1, 2, 3, 4, 5])

# عملیات ریاضی روی کل آرایه
print(a * 2)        # [2, 4, 6, 8, 10]
print(a.mean())     # 3.0
print(a.std())      # 1.414...

# ماتریس
matrix = np.array([[1, 2], [3, 4]])
print(matrix.shape)  # (2, 2)

# ضرب ماتریسی
result = np.dot(matrix, matrix)
print(result)  # [[ 7, 10], [15, 22]]

چرا NumPy مهمه؟ چون AI اساساً ریاضی هست. شبکه‌های عصبی، ماتریس‌ها و محاسبات برداری همه‌شون با NumPy انجام می‌شن. سرعت NumPy هم خیلی بیشتر از لیست‌های معمولی Python هست (تا ۱۰۰ برابر سریع‌تر).

چقدر وقت بذار؟ ۱ هفته. عملیات آرایه‌ای، indexing، slicing، reshape و broadcasting رو یاد بگیر.

مرحله ۴: Pandas — مدیریت داده

Pandas برای کار با داده‌های جدولی (مثل Excel یا CSV) هست.

import pandas as pd

# خواندن فایل CSV
df = pd.read_csv("customers.csv")

# دیدن اطلاعات کلی
print(df.shape)        # تعداد سطر و ستون
print(df.head())       # ۵ سطر اول
print(df.describe())   # آمار توصیفی

# فیلتر کردن
young_customers = df[df["age"] < 30]

# گروه‌بندی
avg_by_city = df.groupby("city")["salary"].mean()

# ساخت ستون جدید
df["salary_monthly"] = df["salary_annual"] / 12

چرا مهمه؟ قبل از اینکه AI رو آموزش بدی، باید داده‌ها رو آماده کنی: بخونیشون، تمیز کنیشون، تحلیلشون کنی و تبدیلشون کنی. همه این کارها با Pandas انجام می‌شه.

چقدر وقت بذار؟ ۱ تا ۲ هفته. خواندن فایل، فیلتر، گروه‌بندی، merge و تمیز کردن داده رو یاد بگیر.

مرحله ۵: Matplotlib — مصورسازی داده

دیدن داده به صورت نمودار خیلی مهمه. Matplotlib ابزار اصلی رسم نمودار توی Python هست.

import matplotlib.pyplot as plt

# نمودار خطی
plt.plot([1, 2, 3, 4], [10, 20, 25, 30])
plt.xlabel("ماه")
plt.ylabel("فروش")
plt.title("روند فروش")
plt.show()

# نمودار میله‌ای
categories = ["A", "B", "C"]
values = [23, 45, 12]
plt.bar(categories, values)
plt.show()

# هیستوگرام
data = np.random.randn(1000)
plt.hist(data, bins=30)
plt.show()

چقدر وقت بذار؟ ۳ تا ۵ روز. نمودارهای خطی، میله‌ای، پراکندگی و هیستوگرام رو یاد بگیر. Seaborn هم به عنوان لایه بالاتر Matplotlib یاد بگیر که نمودارهای زیباتری تولید می‌کنه.

مرحله ۶: Scikit-learn — Machine Learning کلاسیک

حالا رسیدیم به بخش هیجان‌انگیز. Scikit-learn کتابخانه اصلی Machine Learning کلاسیکه.

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# فرض کن X داده‌ها و y لیبل‌ها هستن
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# ساخت و آموزش مدل
model = RandomForestClassifier()
model.fit(X_train, y_train)

# پیش‌بینی و ارزیابی
predictions = model.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
print(f"دقت: {accuracy:.2%}")

ببین چقدر ساده‌ست! با ۱۰ خط کد، یه مدل ML ساختی، آموزش دادی و ارزیابی کردی.

الگوریتم‌هایی که باید یاد بگیری:

• Linear Regression — پیش‌بینی مقدار عددی
• Logistic Regression — طبقه‌بندی دو کلاسه
• Decision Tree — تصمیم‌گیری درختی
• Random Forest — ترکیب درخت‌های تصمیم
• K-Means — خوشه‌بندی

چقدر وقت بذار؟ ۳ تا ۴ هفته. هر الگوریتم رو با یه دیتاست واقعی امتحان کن.

مرحله ۷: Transformers — ورود به دنیای LLM

حالا می‌رسیم به بخشی که همه منتظرشن: کار با مدل‌های زبانی بزرگ.

کتابخانه Transformers از Hugging Face بهت اجازه می‌ده با هزاران مدل AI از پیش آموزش‌دیده کار کنی.

from transformers import pipeline

# تحلیل احساس
sentiment = pipeline("sentiment-analysis")
result = sentiment("I love this product!")
print(result)
# [{"label": "POSITIVE", "score": 0.9998}]

# خلاصه‌سازی
summarizer = pipeline("summarization")
summary = summarizer("Long text here...", max_length=50)

# پاسخ به سؤال
qa = pipeline("question-answering")
answer = qa(question="Python چیه؟",
            context="Python یه زبان برنامه‌نویسیه که...")

با سه خط کد، داری از مدل‌هایی استفاده می‌کنی که ماه‌ها آموزش دیدن.

چقدر وقت بذار؟ ۲ تا ۳ هفته. با pipeline شروع کن، بعد برو سراغ load کردن مدل‌های خاص و fine-tuning ساده.

مرحله ۸: API مدل‌های تجاری

علاوه بر مدل‌های اوپن‌سورس، می‌تونی از APIهای مدل‌های تجاری هم استفاده کنی.

OpenAI API:

from openai import OpenAI

client = OpenAI(api_key="your-api-key")

response = client.chat.completions.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "تو یه مشاور فنی هستی."},
        {"role": "user", "content": "بهترین دیتابیس برای AI چیه؟"}
    ]
)

print(response.choices[0].message.content)

Anthropic API:

import anthropic

client = anthropic.Anthropic(api_key="your-api-key")

message = client.messages.create(
    model="claude-opus-4-6",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Python رو معرفی کن."}
    ]
)

print(message.content[0].text)

اولین پروژه عملی: چت‌بات ساده

بهترین راه یادگیری، ساختن یه پروژه واقعیه. بذار یه چت‌بات ساده بسازیم:

from openai import OpenAI

client = OpenAI(api_key="your-api-key")

def chatbot():
    messages = [
        {"role": "system",
         "content": "تو یه دستیار مفید هستی که به فارسی جواب می‌دی."}
    ]

    print("چت‌بات آماده‌ست! (برای خروج بنویس: خروج)")

    while True:
        user_input = input("تو: ")
        if user_input == "خروج":
            break

        messages.append({"role": "user", "content": user_input})

        response = client.chat.completions.create(
            model="gpt-4",
            messages=messages
        )

        assistant_msg = response.choices[0].message.content
        messages.append({"role": "assistant", "content": assistant_msg})
        print(f"بات: {assistant_msg}")

chatbot()

این چت‌بات تاریخچه مکالمه رو نگه می‌داره، فارسی جواب می‌ده و با هر پیام context بیشتری داره.

مسیر یادگیری خلاصه

بذار کل مسیر رو جمع‌بندی کنم:

1. هفته ۱-۴: پایه‌های Python (متغیر، شرط، حلقه، تابع، فایل)
2. هفته ۵: NumPy (آرایه، ماتریس، محاسبات برداری)
3. هفته ۶-۷: Pandas (خواندن داده، فیلتر، گروه‌بندی، تمیزکاری)
4. هفته ۸: Matplotlib/Seaborn (نمودار و مصورسازی)
5. هفته ۹-۱۲: Scikit-learn (الگوریتم‌های ML کلاسیک)
6. هفته ۱۳-۱۵: Transformers + API (کار با مدل‌های زبانی)
7. هفته ۱۶: پروژه عملی

یعنی توی ۴ ماه، با روزی ۱-۲ ساعت تمرین، می‌تونی از صفر به یه سطح عملی برسی.

منابع یادگیری پیشنهادی

رایگان:

• Python.org — مستندات رسمی
• freeCodeCamp — دوره‌های رایگان ویدئویی
• Kaggle Learn — دوره‌های کوتاه و عملی
• fast.ai — دوره عملی Deep Learning

پولی:

• Coursera: Machine Learning Specialization (Andrew Ng)
• Udemy: دوره‌های متنوع با قیمت مناسب

تمرین:

• Kaggle — مسابقات و دیتاست‌های واقعی
• LeetCode — تمرین الگوریتم
• HackerRank — چالش‌های برنامه‌نویسی

نکات نهایی

۱. هر روز کد بزن. حتی ۳۰ دقیقه. مداومت مهم‌تر از شدته.

۲. پروژه بساز. فقط خوندن کافی نیست. هر مفهومی رو با یه پروژه کوچیک تمرین کن.

۳. از AI برای یادگیری AI استفاده کن. وقتی جایی گیر کردی، از ChatGPT یا Claude بپرس. این ابزارها بهترین معلم برنامه‌نویسی هستن.

۴. از اشتباه نترس. همه برنامه‌نویس‌ها ارور می‌گیرن. هر ارور یه فرصت یادگیریه.

۵. عجله نکن. AI یه حوزه عمیقه. نمی‌شه توی یه هفته همه چیز رو یاد گرفت. ولی با مداومت، قطعاً می‌رسی.

Python زبان AI هست. اگه می‌خوای توی این حوزه فعالیت کنی — چه به عنوان محقق، چه توسعه‌دهنده، چه حتی کاربر حرفه‌ای — یادگیری Python بهترین سرمایه‌گذاریه که می‌تونی روی خودت بکنی. و بهترین زمان برای شروع، همین الانه.