در این مطلب، ویدئو استقرار مدل های یادگیری ماشینی به صورت آنلاین با یادگیری ماشینی Watson | Python Scikit-Learn 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: 00:29:16
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:01,520
بچه ها اسم من
2
00:00:01,520 –> 00:00:03,120
نیکلاس رنو است و در ویدیوی
3
00:00:03,120 –> 00:00:04,480
امروز می خواهیم نگاهی بیندازیم که چگونه می
4
00:00:04,480 –> 00:00:06,240
توانید مدل یادگیری ماشین خود را
5
00:00:06,240 –> 00:00:07,040
6
00:00:07,040 –> 00:00:09,040
با استفاده از یادگیری ماشینی واتسون پیاده سازی کنید.
7
00:00:09,040 –> 00:00:10,480
8
00:00:10,480 –> 00:00:11,840
بنابراین اولین کاری که
9
00:00:11,840 –> 00:00:13,120
میخواهیم انجام دهیم این است که
10
00:00:13,120 –> 00:00:15,519
مدل آموزشدیده خود را برداریم و آن را در
11
00:00:15,519 –> 00:00:16,960
آنچه در یادگیری ماشین وجود دارد ذخیره کنیم، بنابراین برای این کار
12
00:00:16,960 –> 00:00:18,080
از
13
00:00:18,080 –> 00:00:19,920
API پایتون یادگیری ماشینی استفاده میکنیم،
14
00:00:19,920 –> 00:00:21,119
بنابراین اکثر این ویدیو به
15
00:00:21,119 –> 00:00:22,320
در داخل پایتون قرار
16
00:00:22,320 –> 00:00:23,760
می گیریم، سپس آن مدل ذخیره شده را
17
00:00:23,760 –> 00:00:25,279
می گیریم و در واقع یک استقرار آنلاین ایجاد می کنیم،
18
00:00:25,279 –> 00:00:26,800
بنابراین این به ما امکان می دهد
19
00:00:26,800 –> 00:00:28,960
با استفاده از api پایتون درخواست های امتیاز دهی زنده داشته باشیم
20
00:00:28,960 –> 00:00:30,960
و در آخر، اما مهم نیست که ما در
21
00:00:30,960 –> 00:00:31,920
واقع دقیقاً این کار را انجام خواهیم
22
00:00:31,920 –> 00:00:33,920
داد. بنابراین ما مدل مستقر خود را
23
00:00:33,920 –> 00:00:36,000
ارسال می کنیم و در واقع
24
00:00:36,000 –> 00:00:37,680
یک درخواست امتیازدهی را پس می
25
00:00:37,680 –> 00:00:39,520
گیریم تا بتوانید پیش بینی های خود را
26
00:00:39,520 –> 00:00:41,920
در زمان واقعی مشاهده کنید، بنابراین بیایید نگاهی بیندازیم که
27
00:00:41,920 –> 00:00:43,440
چگونه همه اینها با هم هماهنگ
28
00:00:43,440 –> 00:00:44,960
می شوند نگاهی به لوله کشی بنابراین
29
00:00:44,960 –> 00:00:46,320
اولین کاری که میخواهیم انجام دهیم این است که
30
00:00:46,320 –> 00:00:48,079
یک مدل یادگیری ماشینی را با استفاده از
31
00:00:48,079 –> 00:00:48,719
ژوپیتر
32
00:00:48,719 –> 00:00:50,480
و scikit-learn آموزش دهیم، بنابراین من تمام
33
00:00:50,480 –> 00:00:51,920
کدها را از قبل برای شما نوشتهام، بنابراین
34
00:00:51,920 –> 00:00:53,280
نیازی به نوشتن آن ندارید،
35
00:00:53,280 –> 00:00:54,719
سپس آن را انجام میدهیم. آن مدل و ما در
36
00:00:54,719 –> 00:00:56,719
واقع آن را ذخیره میکنیم و آن را در
37
00:00:56,719 –> 00:00:57,120
داخل آنچه که
38
00:00:57,120 –> 00:00:59,199
یادگیری ماشینی است مستقر میکنیم، بنابراین این دو
39
00:00:59,199 –> 00:01:01,440
مرحله کلیدی متمایز هستند، بنابراین ما آن را در واقع آن را
40
00:01:01,440 –> 00:01:03,120
ذخیره میکنیم و سپس از آن
41
00:01:03,120 –> 00:01:04,640
مدل ذخیرهشده،
42
00:01:04,640 –> 00:01:05,920
آخرین چیزی را که میخواهیم به کار میگیریم. ما
43
00:01:05,920 –> 00:01:07,360
این کار را انجام می دهیم این است که جزئیات مربوط به آن
44
00:01:07,360 –> 00:01:08,400
مدل مستقر شده
45
00:01:08,400 –> 00:01:09,920
را بدست آوریم و در واقع یک درخواست پیمایش انجام
46
00:01:09,920 –> 00:01:11,439
دهیم، بنابراین ما مقداری داده را از چارچوب داده پانداهای خود خارج کرده
47
00:01:11,439 –> 00:01:12,320
48
00:01:12,320 –> 00:01:13,920
و آن را تا آخر به آنچه که در
49
00:01:13,920 –> 00:01:15,680
یادگیری ماشینی است ارسال می کنیم و یک پیش بینی
50
00:01:15,680 –> 00:01:16,080
51
00:01:16,080 –> 00:01:18,720
آماده انجام آن می کنیم. بیایید خوب به آن برسیم،
52
00:01:18,720 –> 00:01:20,400
بنابراین برای اینکه
53
00:01:20,400 –> 00:01:22,479
برویم و یک مدل یادگیری ماشینی را اجرا کنیم،
54
00:01:22,479 –> 00:01:23,520
ابتدا به
55
00:01:23,520 –> 00:01:25,600
یک مدل یادگیری ماشین نیاز داریم، بنابراین برای اینکه
56
00:01:25,600 –> 00:01:27,119
در واقع در این ویدیو اجرا
57
00:01:27,119 –> 00:01:28,320
کنیم، کاری که میخواهیم انجام دهیم
58
00:01:28,320 –> 00:01:30,560
استفاده از کدی است که از قبل نوشتهایم.
59
00:01:30,560 –> 00:01:31,759
داخل
60
00:01:31,759 –> 00:01:33,840
مجموعه دستگاه فول استک ل
61
00:01:33,840 –> 00:01:35,200
ویدیوها را آماده کنید تا همه چیزهایی که در
62
00:01:35,200 –> 00:01:36,799
اینجا می بینید در واقع گنجانده شود
63
00:01:36,799 –> 00:01:39,119
و من در لیست پخش
64
00:01:39,119 –> 00:01:40,079
کامل یادگیری ماشینی پشته با جزئیات کامل
65
00:01:40,079 –> 00:01:41,439
آن را بررسی می کنم، بنابراین می توانید
66
00:01:41,439 –> 00:01:43,200
آن را انتخاب کنید اگر می خواهید،
67
00:01:43,200 –> 00:01:44,799
پیوندی به آن در جایی
68
00:01:44,799 –> 00:01:46,479
در بالا در این قسمت خاص اضافه می کنم
69
00:01:46,479 –> 00:01:48,320
درصورتیکه تمام این سلولها را بگذرانیم و
70
00:01:48,320 –> 00:01:49,119
خود را به
71
00:01:49,119 –> 00:01:51,280
یک مدل یادگیری ماشینی آموزشدیده
72
00:01:51,280 –> 00:01:52,640
برسانیم، بنابراین وقتی به آن مرحله
73
00:01:52,640 –> 00:01:55,920
74
00:01:55,920 –> 00:01:57,280
رسیدیم، در واقع میتوانیم
75
00:01:57,280 –> 00:01:59,280
مدل یادگیری ماشینی آموزشدیده خود را ببینیم و سپس
76
00:01:59,280 –> 00:02:01,200
در واقع وارد شوید و
77
00:02:01,200 –> 00:02:02,640
مراحل استقرار خود را
78
00:02:02,640 –> 00:02:04,640
اکنون شروع کنید، وقتی به این موضوع رسیدیم، حدود
79
00:02:04,640 –> 00:02:06,320
چهار مرحله کلیدی وجود دارد
80
00:02:06,320 –> 00:02:08,318
که باید برای استقرار مدل خود انجام دهیم،
81
00:02:08,318 –> 00:02:10,239
بنابراین ابتدا باید
82
00:02:10,239 –> 00:02:12,000
وابستگیهای خود را وارد و نصب کنیم، اجازه دهید این را انجام
83
00:02:12,000 –> 00:02:14,480
دهیم. کمی بزرگتر،
84
00:02:14,480 –> 00:02:16,400
بنابراین وابستگیهای ما را وارد و نصب کنید و در
85
00:02:16,400 –> 00:02:17,599
86
00:02:17,599 –> 00:02:18,959
سرویس یادگیری ماشینی ما تأیید اعتبار کنید،
87
00:02:18,959 –> 00:02:20,879
من به شما نشان میدهم که چگونه آن را تنظیم کنید، سپس
88
00:02:20,879 –> 00:02:22,000
میتوانیم مدل خود را ذخیره و اجرا
89
00:02:22,000 –> 00:02:24,000
کنیم و سپس در برابر این حرکت مستقر شده امتیاز کسب کنیم.
90
00:02:24,000 –> 00:02:25,040
91
00:02:25,040 –> 00:02:26,800
اکنون دوباره تمام این کدهایی را که در اینجا نشان می دهم
92
00:02:26,800 –> 00:02:28,640
93
00:02:28,640 –> 00:02:30,560
شامل نوت بوک تکمیل شده jupyter و
94
00:02:30,560 –> 00:02:31,920
همچنین تمام پیوندهای مواردی که
95
00:02:31,920 –> 00:02:32,879
قرار است
96
00:02:32,879 –> 00:02:34,239
استفاده کنیم در توضیحات زیر گنجانده می شود،
97
00:02:34,239 –> 00:02:36,239
بنابراین اگر من نگران نباشید در
98
00:02:36,239 –> 00:02:38,160
حال حاضر مقدار بسیار خوبی را پشت سر گذاشتهایم
99
00:02:38,160 –> 00:02:39,920
یا قرار است برای شما در دسترس باشد، بنابراین
100
00:02:39,920 –> 00:02:41,120
اولین کاری که میخواهیم با انجام آن شروع
101
00:02:41,120 –> 00:02:42,480
کنیم این است که
102
00:02:42,480 –> 00:02:44,319
از هر سلول در این دفترچه
103
00:02:44,319 –> 00:02:45,920
تا آن مرحله ارزیابی
104
00:02:45,920 –> 00:02:47,360
اکنون عبور کنیم تا این را به سرعت اجرا کنید،
105
00:02:47,360 –> 00:02:49,280
ما فقط میتوانیم Shift enter را فشار داده و
106
00:02:49,280 –> 00:02:50,800
آن را شکست دهیم،
107
00:02:50,800 –> 00:02:52,560
بنابراین این فقط ما را در تمام
108
00:02:52,560 –> 00:02:54,800
مراحل مختلف از نظر ساخت
109
00:02:54,800 –> 00:02:57,200
یک مدل یادگیری ماشین از ابتدا میگذراند،
110
00:02:57,200 –> 00:02:58,480
اگر میخواهید این
111
00:02:58,480 –> 00:03:00,720
آموزش را ببینید، فقط کامل آن را ببینید.
112
00:03:00,720 –> 00:03:02,159
لیست پخش یادگیری ماشین را روی هم قرار می دهیم که
113
00:03:02,159 –> 00:03:05,840
ما به سرعت آن را اجرا می کنیم
114
00:03:05,920 –> 00:03:07,519
و بنابراین این در واقع ساخت یک
115
00:03:07,519 –> 00:03:08,800
مدل یادگیری ماشینی با استفاده از
116
00:03:08,800 –> 00:03:10,400
scikit-learn است، بنابراین ما اجازه می دهیم که
117
00:03:10,400 –> 00:03:12,319
آموزش به پایان برسد و در حالت ایده آل آنچه باید دریافت کنیم
118
00:03:12,319 –> 00:03:14,159
برخی از معیارهای ارزیابی است. آن پایین
119
00:03:14,159 –> 00:03:15,920
و این به ما امکان می دهد بدانیم که
120
00:03:15,920 –> 00:03:17,440
مدل یادگیری ماشینی ما آموزش دیده است،
121
00:03:17,440 –> 00:03:19,120
سپس می توانیم استقرار را شروع کنیم، بنابراین
122
00:03:19,120 –> 00:03:21,280
در یک ثانیه به خوبی برمی گردیم و
123
00:03:21,280 –> 00:03:21,840
این کار
124
00:03:21,840 –> 00:03:23,840
اکنون انجام شده است، بنابراین می توانید ببینید که
125
00:03:23,840 –> 00:03:25,840
مدل یادگیری ماشینی ما با موفقیت پشت سر گذاشته است
126
00:03:25,840 –> 00:03:26,159
و
127
00:03:26,159 –> 00:03:27,840
با همه چیز مطابقت دارد. مدل های مختلف در
128
00:03:27,840 –> 00:03:29,519
خط لوله یادگیری ماشین ما، بنابراین
129
00:03:29,519 –> 00:03:30,640
ما در آنجا خوب به نظر
130
00:03:30,640 –> 00:03:32,799
می رسیم و همچنین برخی از معیارهای ارزیابی را
131
00:03:32,799 –> 00:03:33,920
132
00:03:33,920 –> 00:03:35,840
داریم که در این مورد به نظر می رسد که
133
00:03:35,840 –> 00:03:37,760
مدل جنگل تصادفی ما بهترین عملکرد را دارد،
134
00:03:37,760 –> 00:03:39,360
بنابراین ما آن را به عنوان مدلی تنظیم می کنیم
135
00:03:39,360 –> 00:03:40,959
که ما در واقع به
136
00:03:40,959 –> 00:03:43,440
ادامه و استقرار در حال حاضر اولین کاری
137
00:03:43,440 –> 00:03:44,319
که باید انجام دهیم
138
00:03:44,319 –> 00:03:46,400
از نظر رفتن و
139
00:03:46,400 –> 00:03:47,920
استقرار مدل های خود، وارد کردن
140
00:03:47,920 –> 00:03:50,480
و نصب برخی وابستگی هاست، بنابراین
141
00:03:50,480 –> 00:03:52,080
وابستگی اصلی که در این مورد خاص به آن نیاز خواهیم داشت.
142
00:03:52,080 –> 00:03:54,159
یادگیری ماشینی ibm واتسون
143
00:03:54,159 –> 00:03:54,959
است،
144
00:03:54,959 –> 00:04:01,840
بنابراین بیایید به کار خود ادامه دهیم و آن را نصب کنیم،
145
00:04:02,000 –> 00:04:04,239
بنابراین یادگیری ماشینی ibm watson
146
00:04:04,239 –> 00:04:06,000
اکنون نصب شده است تا این کار را انجام
147
00:04:06,000 –> 00:04:07,120
دهیم، ما فقط
148
00:04:07,120 –> 00:04:10,080
علامت تعجب نوشتیم pip install و سپس آن را انجام دادیم.
149
00:04:10,080 –> 00:04:10,799
150
00:04:10,799 –> 00:04:13,120
پرچم dash u را تنظیم کردیم که به ما امکان بهروزرسانی را میدهد
151
00:04:13,120 –> 00:04:15,040
و سپس ibm
152
00:04:15,040 –> 00:04:18,079
dash watson dash machine dash Learning را مشخص کردهایم،
153
00:04:18,079 –> 00:04:20,320
بنابراین به ما اجازه میدهد کتابخانهای را نصب
154
00:04:20,320 –> 00:04:21,680
کنیم که به ما امکان میدهد با
155
00:04:21,680 –> 00:04:23,120
سرویس یادگیری ماشین کار
156
00:04:23,120 –> 00:04:24,639
کنیم، اکنون که واقعاً تنظیم نکردهایم. سرویس را ارتقا
157
00:04:24,639 –> 00:04:26,160
دهیم، اما ما این کار را در یک ثانیه
158
00:04:26,160 –> 00:04:27,520
انجام خواهیم داد، اما همچنان به این بسته نیاز داریم
159
00:04:27,520 –> 00:04:29,360
که در محیط پایتون خود نصب شده
160
00:04:29,360 –> 00:04:30,720
باشد تا با آن کار کنیم،
161
00:04:30,720 –> 00:04:32,400
اکنون کاری که میتوانیم انجام دهیم این است که این
162
00:04:32,400 –> 00:04:35,600
وابستگیها را وارد کنیم، پس بیایید این کار را به درستی انجام دهیم.
163
00:04:40,720 –> 00:04:43,120
وابستگیهای ما
164
00:04:43,120 –> 00:04:44,880
وارد شده است، بنابراین ما رفتهایم و
165
00:04:44,880 –> 00:04:47,040
سه چیز کلیدی را وارد کردهایم، بنابراین ابتدا آنچه
166
00:04:47,040 –> 00:04:48,240
نوشتیم از
167
00:04:48,240 –> 00:04:51,360
زیرخط ماشین زیرخط واتسون زیرخط ibm است که
168
00:04:51,360 –> 00:04:53,600
ما کلاینت api را وارد کردهایم،
169
00:04:53,600 –> 00:04:55,440
بنابراین این
170
00:04:55,440 –> 00:04:56,000
کلاینت اصلی است
171
00:04:56,000 –> 00:04:58,080
که استفاده میکنیم. برای کار با
172
00:04:58,080 –> 00:04:59,360
سرویس یادگیری ماشینی خود،
173
00:04:59,360 –> 00:05:02,639
json را نیز وارد کرده ایم، بنابراین json را وارد کرده
174
00:05:02,639 –> 00:05:05,039
و سپس numpy را نیز به عنوان np وارد کرده ایم،
175
00:05:05,039 –> 00:05:06,960
بنابراین برای آن، import
176
00:05:06,960 –> 00:05:09,520
numpy را به عنوان np نوشته ایم، بنابراین این فقط
177
00:05:09,520 –> 00:05:10,880
کمی آن را تبدیل می کند. آسان تر برای کار کردن
178
00:05:10,880 –> 00:05:12,800
با دادههای خود بعداً وقتی به
179
00:05:12,800 –> 00:05:13,840
مرحله امتیازدهی
180
00:05:13,840 –> 00:05:15,039
خود میرویم، کار بعدی که
181
00:05:15,039 –> 00:05:17,360
باید انجام دهیم احراز هویت و
182
00:05:17,360 –> 00:05:19,440
تنظیم فضای خود است، اکنون یک
183
00:05:19,440 –> 00:05:21,199
مرحله اضافی نیز وجود دارد که
184
00:05:21,199 –> 00:05:22,720
در واقع باید آن را تنظیم کنیم. چه چیزی در
185
00:05:22,720 –> 00:05:23,600
یادگیری ماشین وجود دارد،
186
00:05:23,600 –> 00:05:25,199
بنابراین برای شروع به انجام این کار، ما اکنون
187
00:05:25,199 –> 00:05:27,440
به ibm cloud می رویم،
188
00:05:27,440 –> 00:05:29,120
اگر اتفاقاً با
189
00:05:29,120 –> 00:05:30,800
بسته ابری برای داده کار می کنید، این یک مرحله کمی متفاوت
190
00:05:30,800 –> 00:05:31,360
191
00:05:31,360 –> 00:05:32,720
برای احراز هویت است، اما
192
00:05:32,720 –> 00:05:34,479
اکثریت بزرگ همه چیزهایی که من هستم نمایش هنوز
193
00:05:34,479 –> 00:05:36,160
نسبتاً استاندارد باقی میماند، اما
194
00:05:36,160 –> 00:05:37,919
من برخی از یادداشتها را در جایی در بالا اضافه
195
00:05:37,919 –> 00:05:39,600
میکنم تا تفاوتها را به شما نشان دهم، بنابراین
196
00:05:39,600 –> 00:05:40,960
آنچه را که در یادگیری ماشینی وجود دارد تنظیم کنید، بنابراین
197
00:05:40,960 –> 00:05:43,039
آنچه که اکنون باید انجام دهیم این است که فقط به
198
00:05:43,039 –> 00:05:46,720
ibm cloud بروید، بنابراین اگر به cloud.ibm.com
199
00:05:46,720 –> 00:05:48,320
بروید باید از شما خواسته شود که وارد سیستم شوید، بنابراین
200
00:05:48,320 –> 00:05:50,479
من وارد سیستم میشوم و بنابراین از ibm cloud
201
00:05:50,479 –> 00:05:52,400
ما میتوانیم سرویس یادگیری ماشینی واتسون خود را راهاندازی کنیم
202
00:05:52,400 –> 00:05:54,240
تا در واقع به
203
00:05:54,240 –> 00:05:55,840
استقرار ادامه دهیم، وقتی واقعاً به
204
00:05:55,840 –> 00:05:56,960
استقرار میرویم.
205
00:05:56,960 –> 00:05:57,919
قادر به استقرار به
206
00:05:57,919 –> 00:06:00,800
عنوان o باشد api امتیاز دهی nline یا یک مدل امتیازدهی دسته ای،
207
00:06:00,800 –> 00:06:01,440
اما
208
00:06:01,440 –> 00:06:02,800
در این مورد ما
209
00:06:02,800 –> 00:06:05,199
یک api را به کار می گیریم، بنابراین برای تنظیم آنچه در
210
00:06:05,199 –> 00:06:06,800
یادگیری ماشینی است، کاری که باید انجام دهیم این است که
211
00:06:06,800 –> 00:06:08,639
فقط به کاتالوگ که درست در
212
00:06:08,639 –> 00:06:10,880
اینجا است بروید
213
00:06:12,800 –> 00:06:14,720
و سپس انتخاب کنید. خدمات در سمت چپ
214
00:06:14,720 –> 00:06:17,120
215
00:06:17,120 –> 00:06:19,199
و سپس اگر یادگیری هوش مصنوعی و ماشینی را انتخاب کردید،
216
00:06:19,199 –> 00:06:20,639
متأسفم که من به اندازه کافی بزرگنمایی
217
00:06:20,639 –> 00:06:23,759
و کوچکنمایی میکنم
218
00:06:23,759 –> 00:06:27,360
و اگر ادامه دهید و
219
00:06:27,360 –> 00:06:29,759
یادگیری ماشین را انتخاب کنید که در اینجا به پایان رسیده است،
220
00:06:29,759 –> 00:06:31,120
بنابراین کمی به شما کمک میکند. از اطلاعات بنابراین
221
00:06:31,120 –> 00:06:32,800
ibm یادگیری ماشینی چیست
222
00:06:32,800 –> 00:06:34,479
تصمیم گیری هوشمندانهتر مشکلات سخت را حل کرده
223
00:06:34,479 –> 00:06:36,400
و نتایج کاربر را بهبود میبخشد اکنون یک
224
00:06:36,400 –> 00:06:37,759
لایه رایگان در این وجود دارد و این همان لایهای
225
00:06:37,759 –> 00:06:39,199
است که ما از آن استفاده میکنیم، بنابراین
226
00:06:39,199 –> 00:06:40,560
اگر به تازگی دریافت میکنید کافی است.
227
00:06:40,560 –> 00:06:41,680
228
00:06:41,680 –> 00:06:43,440
اکنون شروع شده در این مورد خاص، کاری که ما
229
00:06:43,440 –> 00:06:44,800
می خواهیم انجام دهیم این است که ما
230
00:06:44,800 –> 00:06:46,400
یک ردیف سبک را بالا می بریم،
231
00:06:46,400 –> 00:06:48,400
اکنون یک نکته کلیدی که باید به آن توجه داشت این است که در چه منطقه ای
232
00:06:48,400 –> 00:06:49,919
سرعت خدمات خود را افزایش می دهید، بنابراین در
233
00:06:49,919 –> 00:06:52,080
این مورد می توانیم بچرخیم آن را در لندن
234
00:06:52,080 –> 00:06:54,000
دالاس فرانکفورت و توکیو s o ما فعلاً به دالاس می پردازیم،
235
00:06:54,000 –> 00:06:55,520
اما
236
00:06:55,520 –> 00:06:57,039
فقط در ذهن خود داشته باشید که کدام
237
00:06:57,039 –> 00:06:58,319
منطقه را انتخاب می کنید، زیرا
238
00:06:58,319 –> 00:06:59,759
بعداً زمانی که
239
00:06:59,759 –> 00:07:01,039
ما به تأیید اعتبار می رویم این مهم خواهد بود، بنابراین
240
00:07:01,039 –> 00:07:02,319
آن را به عنوان ترک می کنیم. دالاس
241
00:07:02,319 –> 00:07:03,680
و سپس ما طرح نور را انتخاب
242
00:07:03,680 –> 00:07:05,599
می کنیم تا یک طرح رایگان باشد،
243
00:07:05,599 –> 00:07:07,199
بنابراین به شما امکان می دهد شروع کنید
244
00:07:07,199 –> 00:07:09,199
و با سرویس یادگیری ماشینی بازی
245
00:07:09,199 –> 00:07:12,960
کنید، بنابراین نور را انتخاب کنید و سپس روی ایجاد
246
00:07:14,000 –> 00:07:15,680
شیرین کلیک کنید تا مجموعه خدمات یادگیری ماشینی ما
247
00:07:15,680 –> 00:07:17,520
باشد. بنابراین، کاری که
248
00:07:17,520 –> 00:07:18,560
میخواهیم انجام دهیم این است که
249
00:07:18,560 –> 00:07:21,199
دسترسی در استودیوی واتسون را انتخاب کنیم
250
00:07:21,199 –> 00:07:22,800
و این در واقع به ما
251
00:07:22,800 –> 00:07:24,800
امکان میدهد یک فضای استقرار ایجاد
252
00:07:24,800 –> 00:07:26,319
کنیم تا فضاهای استقرار ما به ما اجازه دهد
253
00:07:26,319 –> 00:07:27,840
مدلهای یادگیری ماشینی را در
254
00:07:27,840 –> 00:07:29,120
محیطهای مختلف مستقر کنیم. می خواستم
255
00:07:29,120 –> 00:07:30,560
یک فضای استقرار برای
256
00:07:30,560 –> 00:07:32,560
آزمایش یا تولید برنامه نویس داشته باشیم این به نوعی روشی است
257
00:07:32,560 –> 00:07:33,680
که آنها
258
00:07:33,680 –> 00:07:35,039
اکنون در این مورد خاص عمل می کنند، ما می خواهیم
259
00:07:35,039 –> 00:07:36,720
فضای جدیدی ایجاد کنیم، بنابراین کاری که می خواهیم
260
00:07:36,720 –> 00:07:38,560
انجام دهیم این است که به محض ورود به آنچه
261
00:07:38,560 –> 00:07:39,840
در استودیو است.
262
00:07:39,840 –> 00:07:41,440
ما می خواهیم روی o پیمایش کنیم اینجا را ببینید و
263
00:07:41,440 –> 00:07:43,039
اکنون پیادهسازیها را بزنید،
264
00:07:43,039 –> 00:07:44,960
در این مورد، من قبلا استودیوی واتسون
265
00:07:44,960 –> 00:07:46,160
را راهاندازی کرده بودم، بنابراین
266
00:07:46,160 –> 00:07:47,599
مستقیماً به آن رسیدهایم، ممکن است لازم
267
00:07:47,599 –> 00:07:49,039
باشد چند مرحله دیگر راهاندازی
268
00:07:49,039 –> 00:07:49,520
را کلیک
269
00:07:49,520 –> 00:07:51,840
کنید، اما دوباره یک لایه رایگان وجود دارد، بنابراین
270
00:07:51,840 –> 00:07:53,680
زمانی که دو مرحله داشته باشیم. استقرارها،
271
00:07:53,680 –> 00:07:55,520
کاری که ما انجام می دهیم این است که
272
00:07:55,520 –> 00:08:00,160
فضای استقرار جدیدی را از اینجا انتخاب
273
00:08:00,160 –> 00:08:01,520
کنیم و سپس
274
00:08:01,520 –> 00:08:02,879
فضای استقرار خود را اکنون نام گذاری می کنیم، در این مورد،
275
00:08:02,879 –> 00:08:04,720
فضای استقرار خود را prod می نامیم
276
00:08:04,720 –> 00:08:06,240
زیرا من قبلاً یک توسعه دهنده دارم. و یک
277
00:08:06,240 –> 00:08:08,879
مورد آزمایشی و سپس اگر به پایین اسکرول کنم،
278
00:08:08,879 –> 00:08:10,960
کاری که اکنون باید انجام دهیم این است که سرویس یادگیری ماشین خود را مرتبط کنیم،
279
00:08:10,960 –> 00:08:12,160
بنابراین
280
00:08:12,160 –> 00:08:14,319
از اینجا به پایین فقط
281
00:08:14,319 –> 00:08:15,919
باید سرویسی را که ایجاد کردیم و سرویسی
282
00:08:15,919 –> 00:08:17,360
که راهاندازی کردیم 9g نام داشت انتخاب
283
00:08:17,360 –> 00:08:19,440
کنیم. ما
284
00:08:19,440 –> 00:08:22,800
دایره یادگیری ماشینی 9g
285
00:08:22,800 –> 00:08:25,360
را انتخاب می کنیم و اگر به بالا اسکرول کنیم، تنها کاری که باید
286
00:08:25,360 –> 00:08:26,000
انجام دهیم این است که گزینه ایجاد را فشار دهیم
287
00:08:26,000 –> 00:08:28,240
و این تنظیمات فضای استقرار ما خواهد بود،
288
00:08:28,240 –> 00:08:30,479
بنابراین خوب است که اکنون ادامه
289
00:08:30,479 –> 00:08:31,360
دهیم
290
00:08:31,360 –> 00:08:33,440
، بنابراین وقتی این فضای استقرار را آماده کردیم، می
291
00:08:33,440 –> 00:08:35,039
توانیم تغییر دهیم. به نوت بوک jupyter ما برگردیم
292
00:08:35,039 –> 00:08:36,320
a و شروع به آماده شدن برای
293
00:08:36,320 –> 00:08:39,200
استقرار کامل سرویس خود کنید،
294
00:08:39,279 –> 00:08:41,360
بنابراین فضای استقرار ما اکنون
295
00:08:41,360 –> 00:08:43,039
مستقر شده است، بنابراین
296
00:08:43,039 –> 00:08:45,040
میتوانیم اکنون مشاهده فضای جدید را فشار دهیم، این را باز نگه میداریم
297
00:08:45,040 –> 00:08:46,560
زیرا وقتی واقعاً
298
00:08:46,560 –> 00:08:48,560
برویم و مدل خود را ذخیره کنیم و آن را مستقر
299
00:08:48,560 –> 00:08:50,080
کنیم، در واقع میتوانیم آن را در اینجا ببینید
300
00:08:50,080 –> 00:08:52,959
تا بتوانیم از آنجا با آن بازی کنیم،
301
00:08:52,959 –> 00:08:55,360
پس بیایید جلو برویم و به
302
00:08:55,360 –> 00:08:56,640
دفترچه یادداشت jupyter خود برگردیم و
303
00:08:56,640 –> 00:08:58,880
شروع به آماده شدن برای احراز هویت کنیم، بنابراین
304
00:08:58,880 –> 00:09:00,959
اگر سلول جدیدی اضافه کنیم،
305
00:09:00,959 –> 00:09:02,720
کاری که میخواهیم انجام دهیم، ابتدا
306
00:09:02,720 –> 00:09:04,720
راهاندازی فرهنگ لغت اعتبارنامهها، بنابراین
307
00:09:04,720 –> 00:09:06,240
از اینجا، کاری که ما میخواهیم انجام
308
00:09:06,240 –> 00:09:08,800
دهیم این است که به یک کلید api و یک آدرس اینترنتی نیاز داریم،
309
00:09:08,800 –> 00:09:10,560
پس بیایید یک الگو را تنظیم کنیم و سپس به
310
00:09:10,560 –> 00:09:13,519
شما نشان میدهم که اینها را از کجا تهیه کنید تا این
311
00:09:16,560 –> 00:09:19,279
312
00:09:19,279 –> 00:09:21,200
دیکشنری اعتبار wml الگوی ما باشد. اکنون نصب کنید
313
00:09:21,200 –> 00:09:22,880
همانطور که در اینجا می بینید ما به دو
314
00:09:22,880 –> 00:09:25,040
چیز نیاز داریم بنابراین به کلید api خود نیاز داریم و اکنون
315
00:09:25,040 –> 00:09:26,640
به یک آدرس اینترنتی نیاز
316
00:09:26,640 –> 00:09:29,360
داریم این یک تغییر اصلی
317
00:09:29,360 –> 00:09:31,279
بین سرویس یادگیری ماشینی v2 و
318
00:09:31,279 –> 00:09:33,360
سرویس v4 است بنابراین نحوه
319
00:09:33,360 –> 00:09:34,880
احراز هویت شما کمی متفاوت است.
320
00:09:34,880 –> 00:09:35,279
در حال حاضر
321
00:09:35,279 –> 00:09:37,440
بنابراین از نظر گرفتن آدرس شما این
322
00:09:37,440 –> 00:09:39,360
واقعاً فقط به جایی که
323
00:09:39,360 –> 00:09:40,880
رفتید و سرویس یادگیری ماشینی واتسون خود را راهاندازی کردید، مرتبط است
324
00:09:40,880 –> 00:09:41,360
،
325
00:09:41,360 –> 00:09:44,160
بنابراین به یاد داشته باشید که ما در دالاس راهاندازی کردیم، بنابراین
326
00:09:44,160 –> 00:09:45,760
اگر واقعاً به بالا بروید،
327
00:09:45,760 –> 00:09:47,040
آدرسهای اینترنتی مورد نیازتان
328
00:09:47,040 –> 00:09:50,000
را اضافه کردهام تا URL دالاس به صورت https
329
00:09:50,000 –> 00:09:52,240
به جلو باشد. اسلش به جلو ما را بریده بریده
330
00:09:52,240 –> 00:09:57,120
South.ml.cloud.ibm.com اکنون دوباره
331
00:09:57,120 –> 00:09:57,760
332
00:09:57,760 –> 00:10:00,080
همه اینها را در دفترچه یادداشت و
333
00:10:00,080 –> 00:10:01,519
داخل توضیحات زیر قرار می
334
00:10:01,519 –> 00:10:03,279
دهم تا نیازی به یادآوری این موارد نداشته باشید.
335
00:10:03,279 –> 00:10:05,040
آنجا باشید، بنابراین ما فقط می خواهیم
336
00:10:05,040 –> 00:10:08,480
این آدرس اینترنتی را اینجا کپی کنیم
337
00:10:08,480 –> 00:10:11,279
و آن را به عنوان رشته ای در
338
00:10:11,279 –> 00:10:12,880
فرهنگ لغت اعتبارنامه خود وارد کنیم،
339
00:10:12,880 –> 00:10:15,120
اگر در لندن فرانکفورت یا توکیو مستقر شده باشید،
340
00:10:15,120 –> 00:10:16,240
341
00:10:16,240 –> 00:10:17,839
آدرس های اینترنتی مرتبط این آدرس ها
342
00:10:17,839 –> 00:10:19,920
در اینجا خواهند بود، بنابراین اگر لندن است، پس
343
00:10:19,920 –> 00:10:21,279
344
00:10:21,279 –> 00:10:24,240
اگر فرانکفورت باشد eugb خواهد بود e-u-d-e اگر توکیو باشد
345
00:10:24,240 –> 00:10:26,399
jp dot t-o-k
346
00:10:26,399 –> 00:10:28,079
اکنون در این مورد کاری که ما انجام داده ایم این است
347
00:10:28,079 –> 00:10:29,519
که ما در دالاس مستقر شده ایم
348
00:10:29,519 –> 00:10:32,160
و اکنون آدرس جنوبی ما را چسبانده ایم و
349
00:10:32,160 –> 00:10:33,440
اکنون مورد دیگری را که می خواهیم انجام دهیم
350
00:10:33,440 –> 00:10:35,279
نیاز یک کلید api است، بنابراین
351
00:10:35,279 –> 00:10:38,720
این یک کلید api ابری ibm است با کلید api
352
00:10:38,720 –> 00:10:40,240
یادگیری ماشینی موجود مخالف است،
353
00:10:40,240 –> 00:10:42,399
بنابراین بیایید نگاهی
354
00:10:42,399 –> 00:10:43,600
به نحوه تنظیم این
355
00:10:43,600 –> 00:10:45,440
کلید بیندازیم، بنابراین برای دریافت این کلید api، فقط
356
00:10:45,440 –> 00:10:47,440
باید به ibm cloud برگردیم
357
00:10:47,440 –> 00:10:49,360
و سپس از اینجا میتوانید ببینید که
358
00:10:49,360 –> 00:10:50,880
شما این تب مدیریت را دارید، بنابراین اگر
359
00:10:50,880 –> 00:10:52,079
مدیریت را انتخاب کنید
360
00:10:52,079 –> 00:10:55,680
و سپس دسترسی iam را انتخاب کنید،
361
00:10:55,680 –> 00:10:58,000
تنها کاری که باید انجام دهید این است که در
362
00:10:58,000 –> 00:10:59,279
سمت چپ
363
00:10:59,279 –> 00:11:02,640
کلیدهای api را انتخاب کنید، بنابراین همانجا
364
00:11:02,640 –> 00:11:05,680
و سپس گزینه create a ibm cloud api key
365
00:11:05,680 –> 00:11:07,839
را بزنید تا بتوانید ببینید این دکمه در اینجا
366
00:11:07,839 –> 00:11:11,120
کاملاً درست است، بنابراین دسترسی را مدیریت کنید i am
367
00:11:11,120 –> 00:11:13,200
keys api و سپس به ایجاد یک کلید api ابری ibm بروید،
368
00:11:13,200 –> 00:11:15,600
بنابراین بیایید این کار را انجام دهیم و
369
00:11:15,600 –> 00:11:16,800
ما این یک
370
00:11:16,800 –> 00:11:20,320
371
00:11:20,320 –> 00:11:22,320
کلید ابری scikit-learn را صدا می زنیم، اما شما واقعاً می توانید آن را هر چه که می خواهید نام گذاری
372
00:11:22,320 –> 00:11:23,440
کنید. want در این مورد، ما
373
00:11:23,440 –> 00:11:25,920
آن را کلید ابری scikit-learn می نامیم
374
00:11:25,920 –> 00:11:28,720
و سپس ایجاد را فشار می دهیم و
375
00:11:28,720 –> 00:11:29,040
376
00:11:29,040 –> 00:11:31,200
این یک کلید api
377
00:11:31,200 –> 00:11:32,480
به ما می دهد که سپس می توانیم با آن کار کنیم، بنابراین در این
378
00:11:32,480 –> 00:11:33,680
مورد این یکی است. که ما بهتازگی
379
00:11:33,680 –> 00:11:34,320
ایجاد
380
00:11:34,320 –> 00:11:36,079
کردهایم، بنابراین میخواهیم آن را کپی کنیم و
381
00:11:36,079 –> 00:11:37,519
مطمئن شویم که آن را کپی میکنیم زیرا پس از انجام این
382
00:11:37,519 –> 00:11:39,040
کار e آن را ایجاد کردید و آن را می بندید،
383
00:11:39,040 –> 00:11:40,240
دیگر نمی توانید آن را بگیرید،
384
00:11:40,240 –> 00:11:40,720
385
00:11:40,720 –> 00:11:42,480
بنابراین ما این را کپی می کنیم و سپس
386
00:11:42,480 –> 00:11:44,800
به دفترچه یادداشت خود می پریم
387
00:11:44,800 –> 00:11:47,839
و سپس آن را به عنوان یک رشته در آنجا قرار می
388
00:11:47,839 –> 00:11:50,639
دهیم و بعد از آن به یک کاما نیاز داریم و
389
00:11:50,639 –> 00:11:52,639
این فرهنگ لغت اعتبار ما راهاندازی شده است،
390
00:11:52,639 –> 00:11:54,560
بنابراین در حال حاضر نیازی نیست
391
00:11:54,560 –> 00:11:56,639
دوباره به ibm cloud برگردیم، بنابراین
392
00:11:56,639 –> 00:11:58,320
ما اکنون چیز اصلی خود را دریافت کردهایم، بنابراین
393
00:11:58,320 –> 00:11:59,040
سرویس خود را راهاندازی
394
00:11:59,040 –> 00:12:01,040
کردهایم و اعتبار خود را اکنون دریافت
395
00:12:01,040 –> 00:12:02,320
کردهایم. میتوانیم شروع کنیم به
396
00:12:02,320 –> 00:12:04,240
راهاندازی یک
397
00:12:04,240 –> 00:12:06,000
کلاینت یادگیری ماشینی در داخل در مورد نوتبوک jupyter،
398
00:12:06,000 –> 00:12:11,839
بنابراین بیایید این کار را به خوبی انجام دهیم،
399
00:12:15,040 –> 00:12:17,360
بنابراین این اولین بخش از
400
00:12:17,360 –> 00:12:18,959
راهاندازی سرویس ما است، ما دو
401
00:12:18,959 –> 00:12:20,000
خط کد را در آنجا نوشتهایم،
402
00:12:20,000 –> 00:12:21,839
بنابراین اولین مورد این است که ما ایجاد کردهایم. یک
403
00:12:21,839 –> 00:12:23,839
متغیر جدید به نام مشتری wml و این
404
00:12:23,839 –> 00:12:24,480
نشان دهنده
405
00:12:24,480 –> 00:12:27,040
کلاینت یادگیری ماشین پایتون ما است و
406
00:12:27,040 –> 00:12:28,480
سپس ما از کلاس کلاینت api خود استفاده کرده
407
00:12:28,480 –> 00:12:30,720
ایم که از یادگیری ماشینی ibm watson وارد کرده ایم
408
00:12:30,720 –> 00:12:32,480
409
00:12:32,480 –> 00:12:33,839
و سپس به آن
410
00:12:33,839 –> 00:12:35,519
اعتبارنامه یادگیری ماشینی خود را منتقل
411
00:12:35,519 –> 00:12:37,279
کرده ایم. این فرهنگ لغت بیش از
412
00:12:37,279 –> 00:12:38,639
سپس کاری که انجام دادم این است
413
00:12:38,639 –> 00:12:41,000
که خط دیگری
414
00:12:41,000 –> 00:12:42,240
نوشتم که wmlclient.spaces.list است،
415
00:12:42,240 –> 00:12:44,800
بنابراین به ما اجازه می دهد به راحتی شناسه
416
00:12:44,800 –> 00:12:46,399
فضاهای استقرار خود را بگیریم،
417
00:12:46,399 –> 00:12:47,680
اکنون در این مورد می توانید ببینید که
418
00:12:47,680 –> 00:12:49,760
من یک دسته دارم. برنامه آزمایشی توسعه دادهام و
419
00:12:49,760 –> 00:12:51,279
من چند مورد دیگر در اینجا
420
00:12:51,279 –> 00:12:54,639
دارم، فقط باید این شناسه را در اینجا کپی کنیم
421
00:12:54,639 –> 00:12:56,079
و کاری که میخواهیم انجام دهیم این است که یک
422
00:12:56,079 –> 00:12:57,760
رشته جدید برای نگه داشتن
423
00:12:57,760 –> 00:13:01,120
این شناسه فاصله ایجاد کنیم
424
00:13:01,120 –> 00:13:03,200
و بنابراین این شناسه فاصله که اکنون میرویم به
425
00:13:03,200 –> 00:13:04,720
عنوان پیشفرض تنظیم کنیم، بنابراین وقتی ما واقعاً
426
00:13:04,720 –> 00:13:05,600
میرویم و آن
427
00:13:05,600 –> 00:13:07,279
را مستقر میکنیم، در واقع
428
00:13:07,279 –> 00:13:09,200
یک چیز کلیدی دیگر را برای تولید قرار میدهیم که باید توجه داشته باشید
429
00:13:09,200 –> 00:13:10,320
اگر میخواهید این را
430
00:13:10,320 –> 00:13:12,480
از فضاهای استقرار خود دریافت کنید، فقط میتوانید
431
00:13:12,480 –> 00:13:13,680
به تنظیمات بروید و میروید
432
00:13:13,680 –> 00:13:15,600
برای اینکه بتوانید این شناسه فاصله را از
433
00:13:15,600 –> 00:13:17,040
اینجا نیز بگیرید تا بتوانید ببینید
434
00:13:17,040 –> 00:13:20,480
7471 به عدد 2 ختم می شود.
435
00:13:20,480 –> 00:13:20,800
436
00:13:20,800 –> 00:13:22,399
437
00:13:22,399 –> 00:13:24,399
438
00:13:24,399 –> 00:13:26,240
ما شناسه فضایی خود را تنظیم کردهایم، بنابراین فقط
439
00:13:26,240 –> 00:13:28,160
میخواهیم این را بهعنوان پیشفرض خود تنظیم کنیم، زیرا
440
00:13:28,160 –> 00:13:29,920
اکنون وقتی میرویم و مستقر میشویم،
441
00:13:29,920 –> 00:13:31,200
پیشفرض و مستقر میشویم
442
00:13:31,200 –> 00:13:33,839
پس بیا