در این مطلب، ویدئو آموزش پایتون: انتشار رو به جلو 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.
مدت زمان فیلم: 00:03:51
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,290 –> 00:00:03,550
ما با نشان دادن نحوه
2
00:00:03,550 –> 00:00:05,740
استفاده مدلهای شبکه عصبی از دادهها برای
3
00:00:05,740 –> 00:00:08,048
پیشبینی شروع
4
00:00:08,048 –> 00:00:10,690
5
00:00:10,690 –> 00:00:12,849
6
00:00:12,849 –> 00:00:15,190
7
00:00:15,190 –> 00:00:17,380
خواهیم کرد.
8
00:00:17,380 –> 00:00:19,779
بچه ها و
9
00:00:19,779 –> 00:00:22,330
تعداد حساب های موجود این
10
00:00:22,330 –> 00:00:24,520
نمودار یک مشتری را با دو فرزند و سه حساب نشان می دهد.
11
00:00:24,520 –> 00:00:28,000
12
00:00:28,000 –> 00:00:29,410
الگوریتم انتشار رو به جلو این اطلاعات را
13
00:00:29,410 –> 00:00:31,900
از طریق شبکه عبور می دهد تا
14
00:00:31,900 –> 00:00:35,199
در لایه خروجی پیش بینی کند شیرها
15
00:00:35,199 –> 00:00:37,780
ورودی ها را به لایه پنهان متصل می کنند که هر خط
16
00:00:37,780 –> 00:00:39,850
دارای وزنی است. نشان میدهد که این
17
00:00:39,850 –> 00:00:42,460
ورودی چقدر بر گره پنهان تأثیر میگذارد که
18
00:00:42,460 –> 00:00:45,339
مهلت زمانی به پایان میرسد، اینها اولین
19
00:00:45,339 –> 00:00:47,769
مجموعه وزنهایی هستند که یک وزن از
20
00:00:47,769 –> 00:00:50,260
ورودی بالایی به گره بالایی
21
00:00:50,260 –> 00:00:52,569
لایه پنهان داریم و یک وزن از
22
00:00:52,569 –> 00:00:54,699
ورودی پایین به گره بالایی لایه
23
00:00:54,699 –> 00:00:56,559
پنهان داریم. لایه این وزن ها پارامترهایی هستند که
24
00:00:56,559 –> 00:00:59,379
ما آموزش می دهیم یا زمانی که
25
00:00:59,379 –> 00:01:01,690
مدل شبکه عصبی خود را با داده ها تطبیق می دهیم تغییر می دهیم،
26
00:01:01,690 –> 00:01:03,969
بنابراین این وزن ها یک
27
00:01:03,969 –> 00:01:06,640
در طول این دوره تمرکز کنید تا
28
00:01:06,640 –> 00:01:08,950
برای گره بالای
29
00:01:08,950 –> 00:01:10,810
لایه پنهان پیشبینی کنید، مقدار هر
30
00:01:10,810 –> 00:01:13,840
گره در لایه ورودی را
31
00:01:13,840 –> 00:01:15,640
در وزنی که به آن گره ختم میشود ضرب میکنیم و
32
00:01:15,640 –> 00:01:18,100
سپس همه آن مقادیر را جمع میکنیم در این
33
00:01:18,100 –> 00:01:21,579
حالت 2 برابر میشود. 1 بعلاوه 3 ضربدر 1
34
00:01:21,579 –> 00:01:24,909
یعنی 5 حالا همین کار را انجام می دهیم تا
35
00:01:24,909 –> 00:01:26,469
مقدار این گره را در پایین پر
36
00:01:26,469 –> 00:01:30,939
کنیم که 2 برابر منهای 1 به اضافه 3 ضربدر
37
00:01:30,939 –> 00:01:32,189
1 می شود در
38
00:01:32,189 –> 00:01:34,689
نهایت این کار را برای
39
00:01:34,689 –> 00:01:36,310
لایه بعدی که لایه خروجی است تکرار می کنیم.
40
00:01:36,310 –> 00:01:40,420
یعنی 5 ضربدر 2 بعلاوه 1 برابر منهای 1
41
00:01:40,420 –> 00:01:42,990
که پیش بینی ما 9 را به خروجی می دهد،
42
00:01:42,990 –> 00:01:46,359
بنابراین ما 9 تراکنش را پیش بینی کردیم که
43
00:01:46,359 –> 00:01:48,670
انتشار رو به جلو است، از
44
00:01:48,670 –> 00:01:51,249
ورودی سمت چپ به لایه پنهان
45
00:01:51,249 –> 00:01:52,929
در وسط و سپس از
46
00:01:52,929 –> 00:01:55,8