در این مطلب، ویدئو استقرار مدل یادگیری ماشین با استفاده از Flask 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: 00:13:19
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,709 –> 00:00:02,730
سلام به همه ما امروز در
2
00:00:02,730 –> 00:00:05,069
مورد اینکه چگونه می توانیم یک
3
00:00:05,069 –> 00:00:08,039
مدل یادگیری ماشینی را با استفاده از فلاسک استقرار
4
00:00:08,039 –> 00:00:09,750
دهیم بحث خواهیم کرد این یکی از ویدیوهایی است که
5
00:00:09,750 –> 00:00:11,639
اکثر مشترکین
6
00:00:11,639 –> 00:00:14,040
من برای آن درخواست
7
00:00:14,040 –> 00:00:15,990
خواهند کرد. میدانید که این
8
00:00:15,990 –> 00:00:18,270
کمی تأخیر پیدا کرد زیرا من مشغول بودم، اما امروز
9
00:00:18,270 –> 00:00:20,250
میخواهم راهاندازی کنم، به شما نشان میدهم که
10
00:00:20,250 –> 00:00:21,449
چگونه میتوانید یک
11
00:00:21,449 –> 00:00:24,000
مدل یادگیری ماشینی را با استفاده از فلاسک پیادهسازی کنید، این یک
12
00:00:24,000 –> 00:00:26,400
تکنیک بسیار ساده است، بنابراین
13
00:00:26,400 –> 00:00:28,050
مطمئن شوید که مهمترین
14
00:00:28,050 –> 00:00:29,550
مؤلفه هایی که در این
15
00:00:29,550 –> 00:00:31,800
جلسه خاص به آن نیاز دارید، اساساً این است که شما
16
00:00:31,800 –> 00:00:34,380
باید یک فایل ساخت مدل داشته باشید که
17
00:00:34,380 –> 00:00:37,110
اساساً به این معنی است که یک فایل py
18
00:00:37,110 –> 00:00:39,059
مسئول ایجاد مدل شما خواهد بود و
19
00:00:39,059 –> 00:00:41,010
این نیز شامل مهندسی ویژگی
20
00:00:41,010 –> 00:00:43,620
تمام پیش پردازش داده ها و نوع آن است.
21
00:00:43,620 –> 00:00:45,570
مدلی که من در اصل انتخاب کردم
22
00:00:45,570 –> 00:00:47,670
بسیار ساده است زیرا
23
00:00:47,670 –> 00:00:49,289
دستور کار اصلی این جلسه خاص این است که به
24
00:00:49,289 –> 00:00:50,760
شما نشان دهم چگونه می توانید مدل را پیاده سازی
25
00:00:50,760 –> 00:00:52,620
کنید، دومین نکته این است که شما
26
00:00:52,620 –> 00:00:55,170
باید یک HTML نقطه شاخص داشته باشید. فایل به طوری که
27
00:00:55,170 –> 00:00:57,030
این اساساً به عنوان برنامه وب فرانتاند شما عمل میکند،
28
00:00:57,030 –> 00:00:59,730
بنابراین هر درخواستی
29
00:00:59,730 –> 00:01:01,620
که آن را به مدل خود
30
00:01:01,620 –> 00:01:03,870
میدهید که به شکل API است
31
00:01:03,870 –> 00:01:05,580
که میخواهیم از طریق فلاسک میزبانی کنیم،
32
00:01:05,580 –> 00:01:07,439
با آن تعامل داشته باشد که خروجی را از آن دریافت میکند.
33
00:01:07,439 –> 00:01:09,960
آن API خاص و سپس
34
00:01:09,960 –> 00:01:11,790
برخی از استایلها وجود دارد، همچنین من آن را گنجاندهام، میخواهم
35
00:01:11,790 –> 00:01:14,130
کل این
36
00:01:14,130 –> 00:01:15,810
کد را در گیتهاب بگذارم و
37
00:01:15,810 –> 00:01:18,270
توضیحات در ویدیو در
38
00:01:18,270 –> 00:01:20,430
جعبه توضیحات در مورد URL این
39
00:01:20,430 –> 00:01:22,049
دکمه ویرایش داده میشود. طول هاب، بنابراین می توانید
40
00:01:22,049 –> 00:01:22,860
آن را از آنجا ارجاع دهید،
41
00:01:22,860 –> 00:01:26,220
سپس من یک فایل py دیگر نیز دارم که یکی به
42
00:01:26,220 –> 00:01:29,100
نام apt of ty5 نامیده می
43
00:01:29,100 –> 00:01:30,540
شود، کاری که من انجام خواهم داد این است که
44
00:01:30,540 –> 00:01:33,210
فلاسکم را برای جایی می نویسم و
45
00:01:33,210 –> 00:01:34,950
ا ایجاد خواهم کر
46
00:01:34,950 –> 00:01:37,829
. بله URL هاوایی شبیه به آدرس لوکال هاست ما است که
47
00:01:37,829 –> 00:01:40,439
اسلش می خواند و
48
00:01:40,439 –> 00:01:41,790
API دیگر اساساً
49
00:01:41,790 –> 00:01:43,920
reddit را در Moscone epi اسلش می کند، بنابراین
50
00:01:43,920 –> 00:01:46,350
ابتدا در مورد مدل dot dy بحث خواهیم کرد که در آنجا خواهیم
51
00:01:46,350 –> 00:01:48,720
دید که چگونه مدل در واقع
52
00:01:48,720 –> 00:01:51,119
ایجاد شده است، بنابراین برای این کار دارم. یک مجموعه داده گرفته شده است
53
00:01:51,119 –> 00:01:53,009
که نامیده می شود به عنوان استخدام
54
00:01:53,009 –> 00:01:55,229
مجموعه داده های نقطه ای CSV، من فقط به شما می گویم که فقط
55
00:01:55,229 –> 00:01:56,490
در مورد این مجموعه داده خاص به شما می گویم که
56
00:01:56,490 –> 00:01:58,680
این مجموعه داده درباره چیست، بنابراین اجازه
57
00:01:58,680 –> 00:02:00,840
دهید برویم و در مورد تشخیص
58
00:02:00,840 –> 00:02:03,930
هایی که در مجموع اکنون در اینجا شما برخی از
59
00:02:03,930 –> 00:02:06,600
زمینه ها مانند تست تجربه را دارید ببینید.
60
00:02:06,600 –> 00:02:09,060
نمره مصاحبه بگیرید و بر اساس همه این
61
00:02:09,060 –> 00:02:11,310
پارامترها باید دستمزدی را
62
00:02:11,310 –> 00:02:13,819
به راهنمای فنی ارائه دهید راحت بود
63
00:02:13,819 –> 00:02:16,400
این مصاحبه خاص در اینجا می توانید
64
00:02:16,400 –> 00:02:18,560
ببینید که چیزی شبیه به
65
00:02:18,560 –> 00:02:20,780
مصاحبه های پزشکی قانونی میدان تجربه دارید
66
00:02:20,780 –> 00:02:22,849
و این
67
00:02:22,849 –> 00:02:24,379
اساساً حقوق ویژگی های مستقل شما
68
00:02:24,379 –> 00:02:26,180
است. ویژگی وابسته شما در
69
00:02:26,180 –> 00:02:29,359
تجربه شما تعداد
70
00:02:29,359 –> 00:02:31,219
سالهای تجربه ای را دارید که اساساً از
71
00:02:31,219 –> 00:02:33,349
نظر گسترش دارید، بنابراین یکی از ویژگی های
72
00:02:33,349 –> 00:02:35,030
کار مهندسی که من مستقیماً به شما نشان خواهم داد
73
00:02:35,030 –> 00:02:36,290
این است که اول از همه باید
74
00:02:36,290 –> 00:02:39,230
انسان را با صفر جایگزین کنید زیرا
75
00:02:39,230 –> 00:02:40,819
اگر تجربه باشد. هیچ کدام، اساساً به این معنی است که
76
00:02:40,819 –> 00:02:43,099
شخص تجربه صفر دارد و تمام
77
00:02:43,099 –> 00:02:44,870
رشته هایی که شما باید
78
00:02:44,870 –> 00:02:47,719
آن را به اعداد صحیح تبدیل کنید، اکنون در
79
00:02:47,719 –> 00:02:48,980
کد تست شما c ببینید که نانس هم وجود دارد،
80
00:02:48,980 –> 00:02:51,139
پس سعی خواهیم کرد
81
00:02:51,139 –> 00:02:53,060
با یافتن میانگین تمام این
82
00:02:53,060 –> 00:02:54,769
نمره آزمون خاص، این مشکل را برطرف کنیم و
83
00:02:54,769 –> 00:02:57,829
همچنین به عنوان میانگین اگر در نمره مصاحبه nan وجود ندارد، آن را
84
00:02:57,829 –> 00:03:00,409
انجام نداده اید، بنابراین شما
85
00:03:00,409 –> 00:03:02,750
یک امتیاز دیگر را انجام نداده اید. میخواهم توجه داشته
86
00:03:02,750 –> 00:03:05,150
باشید که نمره آزمون معمولاً
87
00:03:05,150 –> 00:03:07,310
بین 0 تا 10 متغیر است.
88
00:03:07,310 –> 00:03:09,980
89
00:03:09,980 –> 00:03:12,019
90
00:03:12,019 –> 00:03:14,750
91
00:03:14,750 –> 00:03:16,730
اکنون این یک
92
00:03:16,730 –> 00:03:18,739
مورد مجموعه داده کوچک است، من فقط میخواستم به
93
00:03:18,739 –> 00:03:20,569
شما نشان دهم که چگونه استقرار اصلی انجام میشود،
94
00:03:20,569 –> 00:03:22,639
نه اینکه فقط از مجموعه دادههای کوچک
95
00:03:22,639 –> 00:03:24,709
یک رگرسیون خطی بزرگ اعمال کنید و
96
00:03:24,709 –> 00:03:27,290
سعی کنید خوب را نشان دهید، بنابراین اجازه دهید
97
00:03:27,290 –> 00:03:29,569
همانطور که گفته شد کد را ادامه دهیم. که برای
98
00:03:29,569 –> 00:03:31,430
تجربه، میخواهم مقدار Hemi را با 0 پر کنم،
99
00:03:31,430 –> 00:03:34,579
بنابراین در اینجا برای
100
00:03:34,579 –> 00:03:36,470
نمره آزمون چه کاری انجام میدهم و سعی
101
00:03:36,470 –> 00:03:38,299
میکنم میانگین را پیدا کنم هر جا
102
00:03:38,299 –> 00:03:40,310
که مقدار را داشتم، میخواهم با میانگین جایگزین کنم
103
00:03:40,310 –> 00:03:42,530
و همچنین گرفتن در است در محل معادل است
104
00:03:42,530 –> 00:03:45,319
al به true در حال حاضر در X من تمام ویژگی های مستقل خود را دارم
105
00:03:45,319 –> 00:03:46,400
106
00:03:46,400 –> 00:03:50,930
به من اجازه دهید فقط این 3 خط را اجرا کنم،
107
00:03:50,930 –> 00:03:52,609
همچنین می خواهم اولین
108
00:03:52,609 –> 00:03:55,040
تجربه پر شده از رشته را به عدد صحیح تبدیل کنم،
109
00:03:55,040 –> 00:03:57,109
بنابراین من تابعی را می سازم
110
00:03:57,109 –> 00:03:59,329
که در حالت اسکن می گوید: در پایان
111
00:03:59,329 –> 00:04:01,159
تمام حرف های من است و من فقط می خواهم
112
00:04:01,159 –> 00:04:03,889
استفاده کنم که با استفاده از یک تابع لامبدا
113
00:04:03,889 –> 00:04:06,259
در تجربیاتم این همه ویژگی
114
00:04:06,259 –> 00:04:07,790
است بچه های مهندسی نگران نباشید
115
00:04:07,790 –> 00:04:09,560
می توانید این کد خاص را
116
00:04:09,560 –> 00:04:11,449
از لینک github که در توضیحات ارائه کرده ام دانلود کنید.
117
00:04:11,449 –> 00:04:13,969
در اینجا میتوانید ببینید که
118
00:04:13,969 –> 00:04:16,009
اینها همه ویژگیهای مستقل من در
119
00:04:16,009 –> 00:04:17,209
اجرای آزمون Ian است که
120
00:04:17,209 –> 00:04:18,680
نمره مصاحبه را به دست میآورد، اکنون میتوانید ببینید که
121
00:04:18,680 –> 00:04:21,469
این اساساً در حال جایگزینی است.
122
00:04:21,469 –> 00:04:23,360
Manuel اساساً با
123
00:04:23,360 –> 00:04:25,760
میانگین این جایگزین شده است و به جای man در اینجا من
124
00:04:25,760 –> 00:04:26,810
صفر صفر دارم
125
00:04:26,810 –> 00:04:29,419
این کاملاً خوب است پس سیم
126
00:04:29,419 –> 00:04:31,340
من که ویژگی وابسته به من است من فقط از ویژگی قفل استفاده می کنم
127
00:04:31,340 –> 00:04:33,380
و ویژگی منهای یک را می گیرم
128
00:04:33,380 –> 00:04:35,600
که این آینده من
129
00:04:35,600 –> 00:04:37,790
است و بعد از آن کاری که او می تواند انجام دهد این
130
00:04:37,790 –> 00:04:40,130
است که شما می توانید اعمال کنید یک
131
00:04:40,130 –> 00:04:41,780
رگرسیون خطی که قبلاً میدانید چگونه
132
00:04:41,780 –> 00:04:44,240
یک رگرسیون خطی را اعمال کنید، حدس میزنم
133
00:04:44,240 –> 00:04:48,290
پس از انجام یک تناسب، مجموعهای را انجام میدهم
134
00:04:48,290 –> 00:04:50,510
پس از اینکه مدل من آماده شد، مدل من آماده خواهد شد.
135
00:04:50,510 –> 00:04:52,700
136
00:04:52,700 –> 00:04:54,639
137
00:04:54,639 –> 00:04:57,500
کتابخانه، بنابراین این ترشی به شما کمک می
138
00:04:57,500 –> 00:05:01,610
کند تا یک نام مدل با فرمت پیش کامپایل ایجاد کنید
139
00:05:01,610 –> 00:05:03,680
که فقط مانند یک فایل است
140
00:05:03,680 –> 00:05:05,600
که پسوندی مانند جزئیات نقطه دارد،
141
00:05:05,600 –> 00:05:07,580
بنابراین در اینجا می توانید ببینید که
142
00:05:07,580 –> 00:05:10,310
من آن مدل برگردان نقطه ای خاص را دارم،
143
00:05:10,310 –> 00:05:12,650
بنابراین در نهایت اگر می خواهید آن را تست کنید، کاری
144
00:05:12,650 –> 00:05:14,270
که باید انجام دهید این است که آن مدل است، زیرا بارگذاری نقطه است
145
00:05:14,270 –> 00:05:17,479
و می توانید آن را آزمایش کنید، اما به هر حال
146
00:05:17,479 –> 00:05:20,150
فایل dot tkl مدل شما آماده است، اکنون
147
00:05:20,150 –> 00:05:22,460
مطمئن شوید که این را اجرا کرده اید و فقط
148
00:05:22,460 –> 00:05:24,440
ایجاد مدل خود را نقطه eql خوب قرار دهید، بنابراین
149
00:05:24,440 –> 00:05:25,910
این یک چیز است که اکنون نیاز دارید،
150
00:05:25,910 –> 00:05:29,120
اجازه دهید جلو برویم و سعی کنیم ببینیم چگونه
151
00:05:29,120 –> 00:05:31,190
می توانیم محیط فلاسک خود را با
152
00:05:31,190 –> 00:05:32,750
جایی که api خود را ایجاد خواهیم کرد،
153
00:05:32,750 –> 00:05:35,300
جایی است که این فایل pkl را می خوانیم
154
00:05:35,300 –> 00:05:37,729
و سپس ورودی را به
155
00:05:37,729 –> 00:05:39,860
پیک آلفا می دهیم و سپس در نهایت از
156
00:05:39,860 –> 00:05:42,320
پیک آلفا همچنان خروجی دریافت خواهد کرد،
157
00:05:42,320 –> 00:05:44,330
بنابراین من یک فایل به نام
158
00:05:44,330 –> 00:05:47,780
AB dot t1 ایجاد کردهام، بنابراین در این r dot toi
159
00:05:47,780 –> 00:05:49,729
سه عبارت import دارم یکی numpy در
160
00:05:49,729 –> 00:05:51,530
زیر برای استفاده از افراد استفاده میشود و من
161
00:05:51,530 –> 00:05:54,110
قصد دارم فلاسکهای استفاده را وارد کنم اگر من از
162
00:05:54,110 –> 00:05:58,039
floss اساساً برای میزبانی مدل خود استفاده میکنم، بنابراین
163
00:05:58,039 –> 00:06:00,919
از فلاسک میتوان از جیسون سریع استفاده کرد،
164
00:06:00,919 –> 00:06:02,510
اگر من رندر قالب زیرخط را داشته باشم
165
00:06:02,510 –> 00:06:04,639
و همچنین الگو در واقع
166
00:06:04,639 –> 00:06:06,919
به ما کمک میکند تا بدانیم به
167
00:06:06,919 –> 00:06:08,950
اولین صفحه اصلی که ما در
168
00:06:08,950 –> 00:06:11,600
ابتدا داریم و سپس در آن تغییر مسیر دهیم. صفحه اصلی خاص
169
00:06:11,600 –> 00:06:13,340
سعی می کند برخی از ورودی ها را وارد کند و
170
00:06:13,340 –> 00:06:15,620
به محض اینکه دکمه ارسال را ارسال
171
00:06:15,620 –> 00:06:18,320
کردیم، امیدواریم که
172
00:06:18,320 –> 00:06:20,990
همیشه طبق معمول همیشه مطمئن شوید که این
173
00:06:20,990 –> 00:06:22,340
خط اول کد خاص را بنویسید
174
00:06:22,340 –> 00:06:23,930
زیرا باید برنامه flask را مقداردهی اولیه کنید
175
00:06:23,930 –> 00:06:26,960
سپس درست است. بارگذاری نقطه ترشی این
176
00:06:26,960 –> 00:06:30,470
فایل ترشی خاص را در حالت خواندن باز کنید،
177
00:06:30,470 –> 00:06:33,889