در این مطلب، ویدئو متعادل کردن دادههای دنباله RNN – یادگیری عمیق با پایتون، تنسورفلو و کراس ص.10 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,010 –> 00:00:03,000
چه اتفاقی در حال رخ دادن است و
2
00:00:03,000 –> 00:00:04,560
به یک یادگیری عمیق دیگر با
3
00:00:04,560 –> 00:00:07,560
تنسورفلو پایتون و ویدیوی آموزشی کارا در
4
00:00:07,560 –> 00:00:08,910
این ویدیو خوش آمدید، ما به ساختن
5
00:00:08,910 –> 00:00:12,170
روی شبکه عصبی مکرر پیشبینیکننده حرکت قیمت ارز دیجیتال آینده
6
00:00:12,170 –> 00:00:16,020
7
00:00:16,020 –> 00:00:19,500
خود ادامه
8
00:00:19,500 –> 00:00:21,990
میدهیم. قبل از پردازش
9
00:00:21,990 –> 00:00:24,029
، دادههای متوالی را ساختهایم و دادههای
10
00:00:24,029 –> 00:00:27,240
اعتبار سنجی خود را جدا
11
00:00:27,240 –> 00:00:31,260
کردهایم، دادهها را در اینجا نرمال کردهایم، دادهها را در اینجا
12
00:00:31,260 –> 00:00:34,230
13
00:00:34,230 –> 00:00:36,960
14
00:00:36,960 –> 00:00:39,870
مقیاسبندی کردیم. همانطور که ما سلول داریم، اگر
15
00:00:39,870 –> 00:00:41,960
شما سلول های بیشتری دارید، اگر مانند
16
00:00:41,960 –> 00:00:47,190
52% خرید و 50 سلول می خواهند، 52% خرید می کنند و
17
00:00:47,190 –> 00:00:49,440
فرض کنید 48 درصد سلول داریم، مطمئن شوید
18
00:00:49,440 –> 00:00:52,770
که اگر
19
00:00:52,770 –> 00:00:54,390
شما داده های مشابهی دارید، به صد عدد می رسد. احتمالاً خوب است،
20
00:00:54,390 –> 00:00:55,829
احتمالاً باید نگران متعادل کردن
21
00:00:55,829 –> 00:00:57,660
آن باشید، اما اگر چیزی بیشتر
22
00:00:57,660 –> 00:00:59,760
از تقسیم 60/40 یا حتی
23
00:00:59,760 –> 00:01:02,070
فاحشتر دارید، واقعاً مهم است که
24
00:01:02,070 –> 00:01:04,170
مجموعه دادههای خود را متعادل کنید و مسلماً
25
00:01:04,170 –> 00:01:05,880
اگر فقط
26
00:01:05,880 –> 00:01:07,979
آن را متعادل کنید، همیشه بهتر خواهد بود. ب زیرا اگر مدل
27
00:01:07,979 –> 00:01:11,220
28
00:01:11,220 –> 00:01:13,500
دلتای 510 درصدی وجود داشته باشد، احتمالاً خیلی سریع یاد میگیرد
29
00:01:13,500 –> 00:01:16,470
که آه، همیشه این یک کلاس را شکسته
30
00:01:16,470 –> 00:01:18,810
و بلافاصله پیشرفت بزرگی انجام میدهیم
31
00:01:18,810 –> 00:01:20,939
و این سادهترین تغییری است که
32
00:01:20,939 –> 00:01:23,130
مدل میتواند ایجاد کند، بنابراین مهم است که
33
00:01:23,130 –> 00:01:25,259
شما یک مدل عالی داشته باشید. تقسیم و عدم تعادل
34
00:01:25,259 –> 00:01:27,240
داده های شما به طوری که مدل
35
00:01:27,240 –> 00:01:29,159
زمان خود را برای انجام این کار تلف نکند و سپس
36
00:01:29,159 –> 00:01:30,600
به نوعی گیر کند که انگار قرار است
37
00:01:30,600 –> 00:01:32,220
این کار را انجام دهد و سپس از آنجا
38
00:01:32,220 –> 00:01:34,680
ممکن است گیر کرده و گم شود و بنابراین شما
39
00:01:34,680 –> 00:01:37,560
نمی خواهید که اکنون اتفاق می افتد، راهی وجود دارد که
40
00:01:37,560 –> 00:01:40,380
شما می توانید از کلاس منتظر بگذرید تا به ما اهمیت
41
00:01:40,380 –> 00:01:42,780
42
00:01:42,780 –> 00:01:45,149
43
00:01:45,149 –> 00:01:47,119
بدهیم و به آن بگویید مانند هی یک مثال از این ارزش 1.5 نمونه از این یا چیزی شبیه به آن را دارد و می توانید بگویید
44
00:01:47,119 –> 00:01:49,619
هی صبر کنید اینها کمی متفاوت است وقتی
45
00:01:49,619 –> 00:01:51,420
می روید ضرر را برای
46
00:01:51,420 –> 00:01:54,840
اشتباهات انجام شده و موارد دیگر محاسبه کنید، اما صادقانه بگویم،
47
00:01:54,840 –> 00:01:57,509
من آن را برای حل مسائل متوازن پیدا
48
00:01:57,509 –> 00:02:00,390
نکردم، بنابراین فکر می کنم این یک ایده عالی از نظر
49
00:02:00,390 –> 00:02:02,750
تئوری است، به نظر نمی رسد کار کند، بنابراین
50
00:02:02,750 –> 00:02:03,990
به هر حال
51
00:02:03,990 –> 00:02:06,869
داده های شما را متعادل کنید، بنابراین این چیزی است که ما باید انجام
52
00:02:06,869 –> 00:02:08,220
دهیم. دوباره gonn اکنون ما داده ها را پوسته انداخته ایم
53
00:02:08,220 –> 00:02:09,568
و اکنون کاری که می خواهیم انجام دهیم این است که
54
00:02:09,568 –> 00:02:11,180
در واقع
55
00:02:11,180 –> 00:02:13,549
می دانید آن را متعادل کنید، بنابراین کاری که ما می خواهیم
56
00:02:13,549 –> 00:02:15,439
انجام دهیم این است و دوباره احتمالاً
57
00:02:15,439 –> 00:02:17,120
راه بهتری برای انجام این کار وجود دارد، اما من فقط
58
00:02:17,120 –> 00:02:19,069
دو لیست در اینجا دارم. «میخواهیم بگوییم بهعنوان فهرست خرید میکند
59
00:02:19,069 –> 00:02:26,569
و میفروشد، فهرستی واضح است که
60
00:02:26,569 –> 00:02:28,780
ما کمی بزرگنمایی میکنیم خوب است،
61
00:02:28,780 –> 00:02:32,000
سپس میخواهیم بگوییم برای
62
00:02:32,000 –> 00:02:38,870
اهداف توالی در دادههای متوالی است اگر تاریجا
63
00:02:38,870 –> 00:02:42,019
یک صفر باشد که یک سلول است، پس میخواهیم
64
00:02:42,019 –> 00:02:46,730
بگوییم که آیا سلولها دنبالهای را اضافه نمیکنند
65
00:02:46,730 –> 00:02:53,620
هدف Elif برابر است با a1
66
00:02:53,620 –> 00:02:58,760
bys توالی ضمیمه و هدف بسیار خوب است، بنابراین اکنون
67
00:02:58,760 –> 00:03:00,500
خرید و فروش داریم، کار بعدی که
68
00:03:00,500 –> 00:03:02,719
میخواهیم انجام دهیم این است که قبل از شروع به برش دادن
69
00:03:02,719 –> 00:03:05,689
چیزها و برش دادن چیزهایی که میخواهیم بپردازیم.
70
00:03:05,689 –> 00:03:09,829
پیش بروید و سلولهای خرید و تغییر نقطهای را به صورت
71
00:03:09,829 –> 00:03:13,939
تصادفی انجام دهید، احتمالاً
72
00:03:13,939 –> 00:03:15,229
واقعاً نیازی به انجام این کار نداریم، زیرا
73
00:03:15,229 –> 00:03:17,599
قبلاً اینجا را به هم ریختهایم، اما برای
74
00:03:17,599 –> 00:03:18,139
اندازهگیری خوب
75
00:03:18,139 –> 00:03:22,010
آن را به هم بزنید، بنابراین آنچه که ما میخواهیم بفهمیم این است
76
00:03:22,010 –> 00:03:24,019
که کدام یک از آنها کمتر است. در واقع
77
00:03:24,019 –> 00:03