در این مطلب، ویدئو رگرسیون خطی 1 [پایتون] 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: 00:06:24
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,780 –> 00:00:06,110
[Music] به
2
00:00:06,110 –> 00:00:08,850
عقب خوش آمدید، بنابراین ما در حال بررسی
3
00:00:08,850 –> 00:00:10,830
کاربردهای مختلف تجزیه مقدار تکین
4
00:00:10,830 –> 00:00:14,700
برای فشرده سازی تصویر برای
5
00:00:14,700 –> 00:00:16,560
کاهش ابعاد و برای
6
00:00:16,560 –> 00:00:18,900
رگرسیون حداقل مربعات هستیم، بنابراین در اینجا من
7
00:00:18,900 –> 00:00:21,720
نحوه استفاده از SVD برای
8
00:00:21,720 –> 00:00:23,970
مدل های رگرسیون خطی حداقل مربعات را به شما آموزش می دهم.
9
00:00:23,970 –> 00:00:26,640
در پایتون، بنابراین این یک دفترچه یادداشت مشتری است
10
00:00:26,640 –> 00:00:29,160
که توسط کلید دانیل دالوز تبدیل شده است،
11
00:00:29,160 –> 00:00:31,230
تمام کدها در دفترچه دادههای u-dub
12
00:00:31,230 –> 00:00:33,690
comm هستند و ما میخواهیم بفهمیم که چگونه
13
00:00:33,690 –> 00:00:36,750
میتوانید از SVD برای ساخت این
14
00:00:36,750 –> 00:00:39,090
مدلهای رگرسیون خطی از دادهها استفاده کنید.
15
00:00:39,090 –> 00:00:41,879
فکر می کنم این یک مثال بسیار سرگرم کننده است
16
00:00:41,879 –> 00:00:44,309
و من همیشه به این نکته اشاره می کنم که اگر می
17
00:00:44,309 –> 00:00:45,989
خواهید از یک ابزار ریاضی مانند
18
00:00:45,989 –> 00:00:47,809
شبه معکوس یا مدل حداقل مربعات استفاده
19
00:00:47,809 –> 00:00:50,579
کنید، خوب است که از آن در
20
00:00:50,579 –> 00:00:52,289
سیستمی استفاده کنید که در آن پاسخ را می دانید، جایی
21
00:00:52,289 –> 00:00:54,420
که واقعاً می دانید چیست.
22
00:00:54,420 –> 00:00:55,770
پاسخ درست این است که بتوانید ببینید آیا
23
00:00:55,770 –> 00:00:57,960
روش شما کار می کند یا نه قبل از اینکه آن را
24
00:00:57,960 –> 00:00:59,370
روی داده های جدید اعمال کنید، جایی که ممکن است جواب را ندانید،
25
00:00:59,370 –> 00:01:02,670
بنابراین در اینجا کاری که ما انجام می دهیم این است
26
00:01:02,670 –> 00:01:06,840
که جفت داده a و B تا
27
00:01:06,840 –> 00:01:08,040
t را داشته باشیم. اینها به نوعی
28
00:01:08,040 –> 00:01:13,290
نمودارهای پراکنده داده ای خواهند بود که ما معتقدیم
29
00:01:13,290 –> 00:01:15,299
رابطه خطی دارند و ما سعی
30
00:01:15,299 –> 00:01:18,890
می کنیم بهترین خط مناسب را با شیب x پیدا کنیم
31
00:01:18,890 –> 00:01:22,290
به طوری که x برابر با B باشد، ما سعی می کنیم
32
00:01:22,290 –> 00:01:25,200
X را حل کنیم. به نوعی
33
00:01:25,200 –> 00:01:28,079
مجموع مربعات
34
00:01:28,079 –> 00:01:30,240
خطاهای همه این نقاط آبی را از
35
00:01:30,240 –> 00:01:32,189
این خط زرد به حداقل می رساند، خوب این
36
00:01:32,189 –> 00:01:35,399
راه حل حداقل مربعات است و ما می توانیم آن را
37
00:01:35,399 –> 00:01:38,340
با استفاده از تجزیه مقدار منفرد حل کنیم.
38
00:01:38,340 –> 00:01:41,070
39
00:01:41,070 –> 00:01:43,140
شما این است که ما با داده هایی شروع می
40
00:01:43,140 –> 00:01:45,450
کنیم که در واقع آن را می سازیم با دانستن
41
00:01:45,450 –> 00:01:47,220
پاسخ، بنابراین با داده
42
00:01:47,220 –> 00:01:49,500
هایی شروع می کنیم که شیب خط را می
43
00:01:49,500 –> 00:01:53,189
دانیم و به معنای واقعی کلمه B را از آن مدل می
44
00:01:53,189 –> 00:01:54,420
سازیم و سپس خواهیم دید اگر بتوانیم
45
00:01:54,420 –> 00:01:57,600
آن شیب را کشف کنیم، اما همه چیزهایی
46
00:01:57,600 –> 00:01:59,399
که به شما نشان خواهم داد به
47
00:01:59,399 –> 00:02:02,789
حالت ابعاد بالاتر تعمیم می یابد، جایی که
48
00:02:02,789 –> 00:02:07,049
شاید من ضربدر x برابر با B
49
00:02:07,049 –> 00:02:09,570
داشته باشم، جایی که چندین عامل a وجود دارد که ما
50
00:02:09,570 –> 00:02:11,280
از آنها برای ساختن یک مدل برای B استفاده می کنیم.
51
00:02:11,280 –> 00:02:12,960
بنابراین ممکن است چندین ستون در این a وجود داشته باشد
52
00:02:12,960 –> 00:02:14,940
ماتریس ممکن است چندین
53
00:02:14,940 –> 00:02:17,790
اندازه گیری از Aهای مختلف وجود داشته باشد، 1، 2،
54
00:02:17,790 –> 00:02:19,130
3 و
55
00:02:19,130 –> 00:02:21,560
میخواهم مدلی از B را بر اساس همه آنها بسازم،
56
00:02:21,560 –> 00:02:23,570
بنابراین این چیزی است که واقعاً این است،
57
00:02:23,570 –> 00:02:25,760
این ساختن مدلهایی از دادهها است، بنابراین
58
00:02:25,760 –> 00:02:28,070
من مجموعهای از دادههای A دارم و Bها و
59
00:02:28,070 –> 00:02:30,490
من سعی می کنیم مدلی بسازیم که
60
00:02:30,490 –> 00:02:35,090
اساساً شیب تبر برابر با B باشد
61
00:02:35,090 –> 00:02:36,890
تا در آینده اگر یک نقطه داده جدید a داشته
62
00:02:36,890 –> 00:02:39,920
63
00:02:39,920 –> 00:02:41,720
باشم، فقط با ضرب در
64
00:02:41,720 –> 00:02:43,700
شیب X بتوانم نتیجه B را پیش بینی کنم. یک مدل واقعا ابتدایی
65
00:02:43,700 –> 00:02:46,910
است، اما در روحیه بسیاری
66
00:02:46,910 –> 00:02:48,500
از مدلهای یادگیری ماشینی امروزی است
67
00:02:48,500 –> 00:02:50,420
که در آن شما نوعی از این
68
00:02:50,420 –> 00:02:53,000
پیشبینیها را از دادهها درست میکنید و در این
69
00:02:53,000 –> 00:02:54,800
مورد کاری که ما انجام میدهیم این است
70
00:02:54,800 –> 00:02:58,460
که SVD ماتریس a را در اینجا خواهیم داشت، بنابراین
71
00:02:58,460 –> 00:03:02,870
یک برابر است با u transpose سیگما V و ما میتوانیم
72
00:03:02,870 –> 00:03:05,990
بهترین تناسب X tilde خود را با
73
00:03:05,990 –> 00:03:08,750
گرفتن معکوس کاذب a بسازیم، بنابراین میتوانیم
74
00:03:08,750 –> 00:03:12,080
این ماتریسها را یکی یکی معکوس کنیم و