در این مطلب، ویدئو هوش مصنوعی با برنامه نویسی پایتون | آموزش هوش مصنوعی | ادورکا | Deep Learning Live – 2 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: 1:05:20
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:05,839 –> 00:00:07,600
سلام به همه
2
00:00:07,600 –> 00:00:09,440
صبح بخیر عصر بخیر
3
00:00:09,440 –> 00:00:12,080
بر اساس مناطق زمانی
4
00:00:12,080 –> 00:00:15,200
و بچه ها قبل از شروع جلسه می
5
00:00:15,200 –> 00:00:17,199
توانید یک تایید سریع به من بدهید
6
00:00:17,199 –> 00:00:18,240
7
00:00:18,240 –> 00:00:20,800
شما می توانید صفحه نمایش من را ببینید و همچنین صدای من را بشنوید
8
00:00:20,800 –> 00:00:22,960
بسیار
9
00:00:27,359 –> 00:00:30,640
عالی از تایید شما متشکرم
10
00:00:30,640 –> 00:00:33,840
پس اسم من ساختگی است من نزدیک به 10 سال است که
11
00:00:33,840 –> 00:00:35,280
با صنعت آن کار می کنم،
12
00:00:35,280 –> 00:00:38,559
13
00:00:38,559 –> 00:00:41,440
بنابراین قبل از شروع به من اجازه دهید
14
00:00:41,440 –> 00:00:42,160
انجمن
15
00:00:42,160 –> 00:00:44,960
استاد کلاس eduvaca را با همه شما به اشتراک بگذارم، بنابراین
16
00:00:44,960 –> 00:00:46,160
در حال حاضر چیزی که من
17
00:00:46,160 –> 00:00:48,399
نشان می دهم در طرح ریزی بود، ملاقات eduvaca است
18
00:00:48,399 –> 00:00:49,440
19
00:00:49,440 –> 00:00:51,120
که در آن می دانید این یک نوع است.
20
00:00:51,120 –> 00:00:53,199
انجمن مستر کلاس را
21
00:00:53,199 –> 00:00:57,360
در سال 2019 شروع کردیم
22
00:00:57,360 –> 00:01:00,879
و از آن زمان تاکنون
23
00:01:00,879 –> 00:01:02,160
تقریباً به
24
00:01:02,160 –> 00:01:05,600
30000 عضو نزدیک شده
25
00:01:05,600 –> 00:01:09,040
ایم و تقریباً در این ماه در این
26
00:01:09,040 –> 00:01:09,840
کلاس های مستر
27
00:01:09,840 –> 00:01:11,760
ما منتشر کردیم شما بیش از 100
28
00:01:11,760 –> 00:01:13,920
وبینار و رویدادهای زنده را
29
00:01:13,920 –> 00:01:16,080
در مورد موضوعات مختلف می شناسید. iot big data
30
00:01:16,080 –> 00:01:17,840
rpa aiml pmp
31
00:01:17,840 –> 00:01:20,640
و چندین فناوری مبتنی بر backend و front-end
32
00:01:20,640 –> 00:01:22,159
مانند
33
00:01:22,159 –> 00:01:24,159
java ps3 همه آن فناوریهایی
34
00:01:24,159 –> 00:01:26,080
که در وبینارها پوشش میدهیم، بنابراین
35
00:01:26,080 –> 00:01:29,200
میدانید که همه ما باید از همه چیز آگاه باشیم.
36
00:01:29,200 –> 00:01:30,960
فناوریها در حال انجام هستند
37
00:01:30,960 –> 00:01:32,400
و میدانید که بهترین بخش این
38
00:01:32,400 –> 00:01:34,159
آموزشها از edureka این است که
39
00:01:34,159 –> 00:01:37,119
این وبینارها کاملاً رایگان هستند، این
40
00:01:37,119 –> 00:01:37,920
پلت فرم
41
00:01:37,920 –> 00:01:40,320
به شما کمک میکند تا مسیری
42
00:01:40,320 –> 00:01:41,680
را که میخواهید
43
00:01:41,680 –> 00:01:43,439
شروع کنید و به اهداف خود
44
00:01:43,439 –> 00:01:46,240
برسید و به سازمانهای مقصد برسید.
45
00:01:46,240 –> 00:01:48,720
اساساً میدانید که به
46
00:01:48,720 –> 00:01:49,840
شما اطلاع داده میشود
47
00:01:49,840 –> 00:01:51,439
، بهترین بخش این است که میدانید چرا باید به
48
00:01:51,439 –> 00:01:53,439
این گروه بپیوندید این است
49
00:01:53,439 –> 00:01:55,040
که در مورد زمانبندی ضبطشده مطلع میشوید،
50
00:01:55,040 –> 00:01:56,479
حدس میزنم اکثر اعضا
51
00:01:56,479 –> 00:01:58,240
قبلاً ثبتنام کردهاند و از این موارد
52
00:01:58,240 –> 00:02:01,439
بهره
53
00:02:01,439 –> 00:02:04,719
میبرند. بنابراین
54
00:02:04,719 –> 00:02:06,240
ما شروع می کنیم که هوش مصنوعی چیست،
55
00:02:06,240 –> 00:02:08,239
می دانید این کلمه ای است
56
00:02:08,239 –> 00:02:09,119
که از
57
00:02:09,119 –> 00:02:11,280
شما می دانید گذشته شما می دانید از پنج
58
00:02:11,280 –> 00:02:12,720
سال گذشته شما می
59
00:02:12,720 –> 00:02:17,120
دانید بیشتر به بخش شناسه می
60
00:02:17,120 –> 00:02:18,239
دانید که می دانید در حال ورود به تصویر است بنابراین
61
00:02:18,239 –> 00:02:20,480
هوش مصنوعی شما آن را می دانید
62
00:02:20,480 –> 00:02:24,879
در اواخر سال 1956 و دهه 1950 معرفی شد،
63
00:02:24,879 –> 00:02:26,160
اما دقیقاً می دانید
64
00:02:26,160 –> 00:02:27,920
هوش مصنوعی
65
00:02:27,920 –> 00:02:30,000
در فناوری رایانه ها
66
00:02:30,000 –> 00:02:31,519
چیست، اساساً این یک
67
00:02:31,519 –> 00:02:34,080
سوتین با دامنه وسیع است. تعدادی از علوم کامپیوتر
68
00:02:34,080 –> 00:02:35,360
به
69
00:02:35,360 –> 00:02:37,840
ساخت ماشینهای هوشمندی که قادر به
70
00:02:37,840 –> 00:02:39,360
انجام کارهایی هستند
71
00:02:39,360 –> 00:02:41,360
که معمولاً به هوش انسانی نیاز دارند، میپردازد
72
00:02:41,360 –> 00:02:42,800
،
73
00:02:42,800 –> 00:02:44,959
بنابراین به طور خلاصه میتوانم بگویم
74
00:02:44,959 –> 00:02:45,840
شبیهسازی
75
00:02:45,840 –> 00:02:48,959
هوش انسانی در ماشینهایی که
76
00:02:48,959 –> 00:02:51,920
تماماً در مورد هوش مصنوعی است،
77
00:02:51,920 –> 00:02:53,680
بنابراین میتوانم برخی از آنها را که میدانید صحبت میکنند به شما مثال
78
00:02:53,680 –> 00:02:55,760
بزنم. شناختی که
79
00:02:55,760 –> 00:02:56,160
80
00:02:56,160 –> 00:02:57,760
در حال حاضر در محیط خود میتوانیم ببینیم
81
00:02:57,760 –> 00:02:59,760
همه چیزهایی که شما میدانید شما
82
00:02:59,760 –> 00:03:03,040
میگویید ما رزومه داریم، اوه خوب
83
00:03:03,040 –> 00:03:05,519
همه پلتفرمهایی را که
84
00:03:05,519 –> 00:03:07,200
بهطور غیرمستقیم یا مستقیم از پلتفرمهای ai استفاده میکنند
85
00:03:07,200 –> 00:03:08,800
فقط
86
00:03:08,800 –> 00:03:11,519
مهارتهای حل مسئله را در گوگل داریم، میتوانید کاری کنید که مدل شما
87
00:03:11,519 –> 00:03:12,560
88
00:03:12,560 –> 00:03:15,599
در مورد این مهارتها بیاموزد. از جنبه های مختلف و به
89
00:03:15,599 –> 00:03:17,200
90
00:03:17,200 –> 00:03:20,080
طوری که شما بدانید اگر فردی را که
91
00:03:20,080 –> 00:03:20,480
می شناسید
92
00:03:20,480 –> 00:03:24,239
برای انجام یک کار تکراری یا یک کار معقول آموزش
93
00:03:24,239 –> 00:03:24,799
می دهید،
94
00:03:24,799 –> 00:03:27,440
بنابراین مدل ai قادر به انجام
95
00:03:27,440 –> 00:03:29,760
این راه حل خاص
96
00:03:29,760 –> 00:03:31,680
و یادگیری و برنامه ریزی است و همچنین می
97
00:03:31,680 –> 00:03:33,440
دانید یادگیری و برنامه ریزی وقتی می گویم
98
00:03:33,440 –> 00:03:35,200
ما یک مثال بسیار خوب از برنامه ریزی داریم،
99
00:03:35,200 –> 00:03:36,799
می دانید که چند طرح پروژه وجود دارد
100
00:03:36,799 –> 00:03:38,080
که شما آنها را
101
00:03:38,080 –> 00:03:40,239
ایجاد می کنید. از انفرادی از شما
102
00:03:40,239 –> 00:03:41,440
میدانید که در گذشته
103
00:03:41,440 –> 00:03:43,040
چند پروژه انجام دادهایم،
104
00:03:43,040 –> 00:03:45,280
شما تمام آن مدلها را به
105
00:03:45,280 –> 00:03:46,239
این
106
00:03:46,239 –> 00:03:49,120
پلتفرم هوش مصنوعی اختصاص میدهید، میتوانید
107
00:03:49,120 –> 00:03:50,480
از ورودیهایی که ارائه میدهید،
108
00:03:50,480 –> 00:03:51,760
پیشبینی کنید که
109
00:03:51,760 –> 00:03:53,920
این خاص پروژه چقدر زمان
110
00:03:53,920 –> 00:03:55,120
می برد، از جمله
111
00:03:55,120 –> 00:03:57,920
اگر تمام مراحل مدل پروژه را می دانید،
112
00:03:57,920 –> 00:03:59,760
یا این
113
00:03:59,760 –> 00:04:01,519
یک چرخه عمر توسعه نرم افزار است
114
00:04:01,519 –> 00:04:02,239
یا یک
115
00:04:02,239 –> 00:04:04,400
پروژه معمولی است که ما در هر یک از صنایع استفاده می کنیم
116
00:04:04,400 –> 00:04:06,080
،
117
00:04:06,080 –> 00:04:07,760
خوب است، بنابراین ما برخی از آنها را در اختیار شما قرار می دهیم.
118
00:04:07,760 –> 00:04:09,120
مثالهایی که میدانید مانند
119
00:04:09,120 –> 00:04:12,159
یک آیفون سیری است، منظورم این است که همه
120
00:04:12,159 –> 00:04:12,959
از
121
00:04:12,959 –> 00:04:16,079
اوم استفاده میکنند، اگر کسی با شما
122
00:04:16,079 –> 00:04:16,560
123
00:04:16,560 –> 00:04:18,639
آیفونهای اپل را میشناسد و میدانید که چگونه سیری و
124
00:04:18,639 –> 00:04:20,320
گوگل اوکی دوست دارند از این
125
00:04:20,320 –> 00:04:22,560
هوش آیتم استفاده کنند، وقتی سؤالی میپرسید، و برای
126
00:04:22,560 –> 00:04:24,400
برخی از جلسات برنامهریزی میکنید.
127
00:04:24,400 –> 00:04:25,040
128
00:04:25,040 –> 00:04:29,759
شما میتوانید
129
00:04:29,759 –> 00:04:32,960
زمان خوابتان را بدانید، روشهای اولیه را میدانید،
130
00:04:32,960 –> 00:04:33,520
131
00:04:33,520 –> 00:04:35,280
اما همه چیزهایی که
132
00:04:35,280 –> 00:04:36,960
دادهها بر اساس آن پیشبینیها در خود گوشی شما ثبت میشوند
133
00:04:36,960 –> 00:04:37,680
134
00:04:37,680 –> 00:04:39,040
در مورد
135
00:04:39,040 –> 00:04:40,800
فناوریها ادامه مییابد
136
00:04:40,800 –> 00:04:44,000
سپس ما یک حالت تسلا مانند خلبان خودکار
137
00:04:44,000 –> 00:04:45,199
در خودروها داریم.
138
00:04:45,199 –> 00:04:47,680
کوگیتو شرکتی است که میشناسید
139
00:04:47,680 –> 00:04:49,759
راهنماییهای بیدرنگ به مشتری ارائه میکند،
140
00:04:49,759 –> 00:04:52,880
باور کنید این پلتفرم مانند
141
00:04:52,880 –> 00:04:54,639
آن است که ۷۰ درصد از
142
00:04:54,639 –> 00:04:57,040
مشتریان را بر اساس هوش مصنوعی
143
00:04:57,040 –> 00:05:00,000
میدهند. “در طول تماس پاسخ می دهند و
144
00:05:00,000 –> 00:05:00,639
اوه
145
00:05:00,639 –> 00:05:02,160
آنها پاسخ های دقیقی به
146
00:05:02,160 –> 00:05:03,520
مشتری می دهند و هیچ کس نمی تواند
147
00:05:03,520 –> 00:05:04,800
صحبت کردن انسان یا مدل های هوش مصنوعی را
148
00:05:04,800 –> 00:05:06,320
درک
149
00:05:06,320 –> 00:05:09,199
کند، این پاسخ ها را بیان می کنند
150
00:05:09,199 –> 00:05:10,880
توصیه های نتفلیکس
151
00:05:10,880 –> 00:05:13,680
بر اساس انتخاب های علاقه مند به واکنش مصرف کننده
152
00:05:13,680 –> 00:05:16,000
و رفتارهایی که می دانید
153
00:05:16,000 –> 00:05:18,880
این نیز بخشی از پس ما
154
00:05:18,880 –> 00:05:20,800
نمونههای متعددی از
155
00:05:20,800 –> 00:05:24,000
پهپادهای پرنده لانه پاندورا
156
00:05:24,000 –> 00:05:25,440
داریم که در مورد محصول آمازون شنیدهاید که
157
00:05:25,440 –> 00:05:27,759
چراغهای کنترلی قرار ملاقات را برنامهریزی میکند
158
00:05:27,759 –> 00:05:30,960
159
00:05:30,960 –> 00:05:33,840
160
00:05:33,840 –> 00:05:35,840
161
00:05:35,840 –> 00:05:37,520
. مقدمه ای بر هوش مصنوعی
162
00:05:37,520 –> 00:05:38,639
163
00:05:38,639 –> 00:05:41,440
چرا python for ai ویژگی های
164
00:05:41,440 –> 00:05:43,039
بسته های پایتون پایتون و ما
165
00:05:43,039 –> 00:05:44,960
برخی از نمونه های عملی را پوشش خواهیم داد
166
00:05:44,960 –> 00:05:46,960
همچنین جایی که دوباره به شما نشان می دهد که
167
00:05:46,960 –> 00:05:47,600
چگونه
168
00:05:47,600 –> 00:05:49,280
مدل سازی داده ها را می توان انجام داد که بر اساس
169
00:05:49,280 –> 00:05:51,440
آن می توانید پیش بینی انجام برخی
170
00:05:51,440 –> 00:05:53,039
تحلیل های پیش بینی را نیز برای داده هایی که در
171
00:05:53,039 –> 00:05:55,199
حال حاضر در بازار وجود دارد انجام دهید،
172
00:05:55,199 –> 00:05:56,720
بنابراین قبل از شروع کار با
173
00:05:56,720 –> 00:05:58,560
دستور کار خاص، می دانید. میدانی که
174
00:05:58,560 –> 00:05:59,919
من فقط میخواهم
175
00:05:59,919 –> 00:06:02,960
تفاوتها را از هم جدا
176
00:06:02,960 –> 00:06:05,360
کنم یا میدانی آه، بین اکثر
177
00:06:05,360 –> 00:06:06,960
افراد، میدانی که در حال حاضر گیج
178
00:06:06,960 –> 00:06:07,840
179
00:06:07,840 –> 00:06:10,479
شدهای ai چیست، ml چیست، یادگیری عمیق چیست، بنابراین
180
00:06:10,479 –> 00:06:11,759
تنظیم این
181
00:06:11,759 –> 00:06:14,160
قانون قهوهای بار پایه که ai است یک علم است. از
182
00:06:14,160 –> 00:06:15,600
اینکه ماشینها
183
00:06:15,600 –> 00:06:18,400
رفتار انسان را
184
00:06:18,400 –> 00:06:19,440
185
00:06:19,440 –> 00:06:21,520
تقلید کنند که تقلید هدف است، میتوانید بگویید
186
00:06:21,520 –> 00:06:24,080
تقلید مستقیم با هوش مصنوعی متناسب است،
187
00:06:24,080 –> 00:06:26,479
سپس میلیلیتر میلیلیتر داریم.
188
00:06:26,479 –> 00:06:27,440
189
00:06:27,440 –> 00:06:30,880
190
00:06:30,880 –> 00:06:31,520
191
00:06:31,520 –> 00:06:35,120
دادههایی
192
00:06:35,120 –> 00:06:35,520
که
193
00:06:35,520 –> 00:06:38,560
میدانید دادهها را تغذیه میکنید و اوهوم
194
00:06:38,560 –> 00:06:40,479
مدلسازی دادهها ادامه دارد، منظورم این است که شما
195
00:06:40,479 –> 00:06:41,840
میدانید
196
00:06:41,840 –> 00:06:44,080
نمونه مارکی که اکنون میتوانم بگویم این یک
197
00:06:44,080 –> 00:06:45,280
مثال سیب است
198
00:06:45,280 –> 00:06:48,960
که شما ۱۰۰۰ رنگ سیب را تغذیه میکنید. برای
199
00:06:48,960 –> 00:06:50,880
این مدلهای یادگیری ماشینی،
200
00:06:50,880 –> 00:06:52,319
هرچه
201
00:06:52,319 –> 00:06:54,479
به مدلهای یادگیری ماشینی میدهید
202
00:06:54,479 –> 00:06:55,759
که میتوانند پیشبینی کنند که
203
00:06:55,759 –> 00:06:57,919
سیب است یا در گابا است، هر سوپ دیگری را میشناسید،
204
00:06:57,919 –> 00:07:00,319
بنابراین بر اساس دادههایی که به یادگیری ماشین دادهاید،
205
00:07:00,319 –> 00:07:01,759
206
00:07:01,759 –> 00:07:03,280
وجود ندارد. منظورم این است که به شما می گویم مانند
207
00:07:03,280 –> 00:07:05,120
یادگیری ماشینی نداشتن
208
00:07:05,120 –> 00:07:07,599
چیزی است که شما می دانید و به
209
00:07:07,599 –> 00:07:09,599
طور خودکار مهارت ها را تقویت
210
00:07:09,599 –> 00:07:11,120
می کند و تصمیم می گیرد
211
00:07:11,120 –> 00:07:12,319
هر چه به مدل های یادگیری ماشین داده می شود
212
00:07:12,319 –> 00:07:13,120
213
00:07:13,120 –> 00:07:16,080
که فقط آن ها قادر به گرفتن و ارائه آن به
214
00:07:16,080 –> 00:07:18,560
شما هستند. یک نتایج پیشبینیکننده
215
00:07:18,560 –> 00:07:20,720
و یک اصطلاح دیگر یادگیری
216
00:07:20,720 –> 00:07:22,800
عمیق یادگیری عمیق است که اساساً زیرمجموعهای از
217
00:07:22,800 –> 00:07:25,360
یادگیری ماشینی است که فقط از مفهوم
218
00:07:25,360 –> 00:07:26,639
در شبکه عصبی استفاده میکند و
219
00:07:26,639 –> 00:07:28,639
یک مسئله پیچیده را بر اساس برخی
220
00:07:28,639 –> 00:07:30,240
قوانین ریاضی حل میکند
221
00:07:30,240 –> 00:07:32,479
که میدانید
222
00:07:32,479 –> 00:07:33,599
223
00:07:33,599 –> 00:07:36,000
در فناوریهای ما پایتون وجود دارد. ما در
224
00:07:36,000 –> 00:07:36,960
حال حاضر
225
00:07:36,960 –> 00:07:39,599
numpy داریم شما می دانید که می گوید
226
00:07:39,599 –> 00:07:40,880
محاسبات
227
00:07:40,880 –> 00:07:43,199
مبتنی بر راه هوایی بر اساس شرایط آب و هوایی یا بازار سهام،
228
00:07:43,199 –> 00:07:44,000
هر چه داده ها
229
00:07:44,000 –> 00:07:47,440
مناسب بوده اند، مقدمه ای برای ما
230
00:07:47,440 –> 00:07:48,960
من حدس میزنم که من
231
00:07:48,960 –> 00:07:50,639
بیشتر موارد مربوط به
232
00:07:50,639 –> 00:07:51,759
هوش مصنوعی را پوشش دادهام،
233
00:07:51,759 –> 00:07:54,560
بنابراین منظورم این است که به سراغ این مدل خاص
234
00:07:54,560 –> 00:07:55,440
بروید، میدانید به
235
00:07:55,440 –> 00:07:58,160
همین دلیل است که نیاز به دانستن ai وجود دارد، بنابراین
236
00:07:58,160 –> 00:07:59,520
در حال حاضر اگر ببینید وجود دارد، میدانید که
237
00:07:59,520 –> 00:08:00,240
شاید
238
00:08:00,240 –> 00:08:03,919
تگا بایت وجود داشته باشد. از دادههایی که میدانید
239
00:08:03,919 –> 00:08:05,919
گیگابایت دادههایی که در یک
240
00:08:05,919 –> 00:08:07,759
ثانیه تفریق ثانیه جریان مییابند،
241
00:08:07,759 –> 00:08:09,840
بنابراین میتوانید ببینید چه
242
00:08:09,840 –> 00:08:12,000
مقدار داده باید ارزیابی شود، چه
243
00:08:12,000 –> 00:08:13,360
مقدار داده باید پردازش
244
00:08:13,360 –> 00:08:15,520
شود تا اطلاعات معنیداری در
245
00:08:15,520 –> 00:08:17,680
چند ثانیه از جدول زمانی به دست آورید،
246
00:08:17,680 –> 00:08:19,280
این همان چیزی است که میدانید.
247
00:08:19,280 –> 00:08:21,199
تقاضای ai وجود دارد و
248
00:08:21,199 –> 00:08:23,280
شما می دانید که ما در ai هستیم، ما
249
00:08:23,280 –> 00:08:25,440
در مورد صحبت کردن در مورد cpu صحبت می کنیم، ما
250
00:08:25,440 –> 00:08:26,000
در اینجا در مورد
251
00:08:26,000 –> 00:08:29,280
gpu صحبت می کنیم، بنابراین شما می دانید که اگر مجبورید
252
00:08:29,280 –> 00:08:30,560
مدل چیزی را بدانید باید
253
00:08:30,560 –> 00:08:31,919
مدل هایی ایجاد کنید که باید تغذیه کنید.
254
00:08:31,919 –> 00:08:32,799
دادههایی که باید به
255
00:08:32,799 –> 00:08:35,039
هزاران داده، رنگ داده را میدانید که باید
256
00:08:35,039 –> 00:08:37,120
به برخی از مدلها بدهید و سپس
257
00:08:37,120 –> 00:08:37,599
258
00:08:37,599 –> 00:08:41,200
باید بتوانید دادهها را خارج از آن دریافت کنید،
259
00:08:41,200 –> 00:08:42,559
بنابراین در این سناریوی خاص
260
00:08:42,559 –> 00:08:44,560
میدانید که میتوانید داده ها را در
261
00:08:44,560 –> 00:08:45,680
ثانیه های کسری با
262
00:08:45,680 –> 00:08:48,720
استفاده از gpus قرار دهید، سپس
263
00:08:48,720 –> 00:08:51,120
الگوریتم ها را با استفاده از پایتون بهتر درگیر کنید، می دانید که
264
00:08:51,120 –> 00:08:52,080
پایتون در
265
00:08:52,080 –> 00:08:54,000
حال حاضر دارد، ما با
266
00:08:54,000 –> 00:08:56,959
کتابخانه های بیشتری پوشش
267
00:08:56,959 –> 00:09:00,000
خواهیم داد.
268
00:09:00,000 –> 00:09:01,200
269
00:09:01,200 –> 00:09:02,640
برای
270
00:09:02,640 –> 00:09:04,880
نوشتن کد، هزاران خط
271
00:09:04,880 –> 00:09:06,480
کد قبلاً با کد برای شما ساخته شده
272
00:09:06,480 –> 00:09:07,760
است و شما فقط باید بدانید که
273
00:09:07,760 –> 00:09:09,440
پلاگین و بازی کنید
274
00:09:09,440 –> 00:09:11,680
و می دانید سرمایه گذاری کلان داده های
275
00:09:11,680 –> 00:09:12,880
بزرگ داده های
276
00:09:12,880 –> 00:09:14,240
بزرگ شما می دانید کلان داده چیزی است که می دانید
277
00:09:14,240 –> 00:09:15,920
با کسی تماس می گیرید. حتی
278
00:09:15,920 –> 00:09:16,160
279
00:09:16,160 –> 00:09:18,720
این یعنی میدانید با چه کسی تماس میگیرید
280
00:09:18,720 –> 00:09:19,200
281
00:09:19,200 –> 00:09:20,880
برای فرکانسهایی که
282
00:09:20,880 –> 00:09:22,720
بستهها را دریافت میکنید و همچنین
283
00:09:22,720 –> 00:09:24,240
پیشنهادات بخشهای مخابراتی، اینها
284
00:09:24,240 –> 00:09:27,360
تجزیه و تحلیل کلان دادهها انجام شده است، او
285
00:09:27,600 –> 00:09:31,680
چه چیزی را پوشش داده است.
286
00:09:31,680 –> 00:09:34,240
بنابراین ما یک ستون برای ai داریم، من یک به یک میروم
287
00:09:34,240 –> 00:09:36,000
شما برای همه
288
00:09:36,000 –> 00:09:38,000
ستونها میدانید دقیقاً یادگیری ماشینی یادگیری عمیق
289
00:09:38,000 –> 00:09:39,519
290
00:09:39,519 –> 00:09:41,360
چیست که به شما دادهام شما اصول یادگیری ماشینی را
291
00:09:41,360 –> 00:09:42,880
میدانید اما من همچنان میدانم به شما توضیح
292
00:09:42,880 –> 00:09:46,480
میدهید که چرا یادگیری ماشینی
293
00:09:46,560 –> 00:09:48,959
خوب است، بنابراین اساساً در
294
00:09:48,959 –> 00:09:49,600
295
00:09:49,600 –> 00:09:51,360
هوش مصنوعی میدانید اگر در مورد
296
00:09:51,360 –> 00:09:52,800
هر الگوریتمی صحبت
297
00:09:52,800 –> 00:09:54,959
کنیم، این یک دنباله از
298
00:09:54,959 –> 00:09:55,839
299
00:09:55,839 –> 00:09:59,040
مراحل پردازش آماری است، بنابراین اگر میخواهید
300
00:09:59,040 –> 00:10:00,320
انجام دهید برخی از تصمیمات
301
00:10:00,320 –> 00:10:03,360
شما باید الگوریتم بنویسید
302
00:10:03,360 –> 00:10:06,000
و می دانید که باید آموزش ببینید
303
00:10:06,000 –> 00:10:07,360
تا الگوها
304
00:10:07,360 –> 00:10:09,920
و ویژگی ها را در حجم عظیمی از داده ها بیابید،
305
00:10:09,920 –> 00:10:11,519
مانند مثالی از
306
00:10:11,519 –> 00:10:14,320
سیب ها را می آورم که اگر سیب سبز را به سیب قرمز تغذیه کنید،
307
00:10:14,320 –> 00:10:15,600
308
00:10:15,600 –> 00:10:17,279
همه آن چیزهایی که منظور من است اگر شما مانند
309
00:10:17,279 –> 00:10:19,279
هزاران رنگ سیب برای چاپ یک
310
00:10:19,279 –> 00:10:21,200
مدل خاص تغذیه کنید،
311
00:10:21,200 –> 00:10:23,120
مدلهای یادگیری ماشینی آنقدر
312
00:10:23,120 –> 00:10:24,720
سریع انعطافپذیر هستند که میتوانند آینده
313
00:10:24,720 –> 00:10:25,440
را پیشبینی کنند،
314
00:10:25,440 –> 00:10:27,920
منظورم این است که همه چیز را میتوان
315
00:10:27,920 –> 00:10:29,200
پیشبینی کرد
316
00:10:29,200 –> 00:10:30,959
و میدانید که اساساً خود شاخهای
317
00:10:30,959 –> 00:10:32,640
از هوش مصنوعی است و
318
00:10:32,640 –> 00:10:33,120
تمرکز دارد.
319
00:10:33,120 –> 00:10:35,839
در ساختن برنامهای که از دادهها یاد میگیرد
320
00:10:35,839 –> 00:10:36,640
321
00:10:36,640 –> 00:10:39,519
تا دقت خود را در طول زمان بهبود بخشد
322
00:10:39,519 –> 00:10:40,880
، بدون
323
00:10:40,880 –> 00:10:43,120
اینکه برنامهریزی شود یا این کار را انجام دهد، بنابراین
324
00:10:43,120 –> 00:10:44,240
مثل اینکه میدانید معنایی دارد
325
00:10:44,240 –> 00:10:46,800
اگر شما اگر مثالی بیدرنگ به شما میدهم،
326
00:10:46,800 –> 00:10:49,200
بنابراین من در مورد jp مورگان صحبت میکنم،
327
00:10:49,200 –> 00:10:53,200
بنابراین جیپی مورگان 36000
328
00:10:53,200 –> 00:10:57,120
ساعت از زمان کارمندان را
329
00:10:57,120 –> 00:11:00,480
صرف میکرد فقط برای اینکه بدانید
330
00:11:00,480 –> 00:11:03,519
در برگه um خاص چه نوشته شده است
331
00:11:03,519 –> 00:11:06,399
یا میدانید فایلهای pdf هستند.
332
00:11:06,399 –> 00:11:08,079
نوع فاکتورهایی که
333
00:11:08,079 –> 00:11:10,399
آنها داشتند، سفارشات pos و prpos و pu
334
00:11:10,399 –> 00:11:13,279
داشتند و اوه می دانید
335
00:11:13,279 –> 00:11:14,640
بر اساس آن
336
00:11:14,640 –> 00:11:17,120
مدل یادگیری ماشینی خاص که آنها
337
00:11:17,120 –> 00:11:18,640
آموزش داده اند، آنها آموزش داده اند که
338
00:11:18,640 –> 00:11:21,360
نزدیک به شما می دانید نمونه های نزدیک به اوه من
339
00:11:21,360 –> 00:11:21,839
حدس می زنم
340
00:11:21,839 –> 00:11:24,560
از 1 000 3000 مدلی که نشان داده اند
341
00:11:24,560 –> 00:11:25,200
342
00:11:25,200 –> 00:11:27,200
چگونه فاکتورها چگونه به نظر می
343
00:11:27,200 –> 00:11:28,720
رسند اکنون می توانند
344
00:11:28,720 –> 00:11:32,240
نزدیک به هفتاد هزار رکورد
345
00:11:32,240 –> 00:11:35,120
از داده های pdf را پردازش کنند
346
00:11:35,120 –> 00:11:37,200
که تصاویر اسکن شده را انجام
347
00:11:37,200 –> 00:11:38,160
می
348
00:11:38,160 –> 00:11:40,480
دهد. که به صورت
349
00:11:40,480 –> 00:11:41,440
350
00:11:41,440 –> 00:11:43,920
یکپارچه احیا می شود و همچنین در کنار آن
351
00:11:43,920 –> 00:11:44,480
352
00:11:44,480 –> 00:11:47,040
تجزیه و تحلیل بر این اساس وجود دارد که چه کسی
353
00:11:47,040 –> 00:11:48,399
این جزئیات را نوشته است
354
00:11:48,399 –> 00:11:49,360
و
355
00:11:49,360 –> 00:11:51,120
اگر چه بر اساس آن می توانند
356
00:11:51,120 –> 00:11:53,040
داده ها را استخراج کنند و در قسمتی از
357
00:11:53,040 –> 00:11:53,519
358
00:11:53,519 –> 00:11:56,399
سیستم erp قرار دهید تا داده ها را
359
00:11:56,399 –> 00:11:57,760
به روش خاصی دریافت کنید و می دانید
360
00:11:57,760 –> 00:12:00,399
که نکته اصلی این است که نه تنها 36000 ساعت صرفه جویی
361
00:12:00,399 –> 00:12:01,760
کنید،
362
00:12:01,760 –> 00:12:04,079
بلکه می دانید اگر بنویسید از جایی داده می گیرید
363
00:12:04,079 –> 00:12:05,839
و اگر در سیستم بنویسید
364
00:12:05,839 –> 00:12:06,800
365
00:12:06,800 –> 00:12:09,760
این یک کار خسته کننده است و می دانید
366
00:12:09,760 –> 00:12:10,240
367
00:12:10,240 –> 00:12:12,720
و حتی اشتباهات املایی وجود دارد،
368
00:12:12,720 –> 00:12:13,760
همه این
369
00:12:13,760 –> 00:12:16,480
چیزها اتفاق می افتد، اما اوه اکنون
370
00:12:16,480 –> 00:12:19,120
آنها یک نفر qaco 99 را دریافت کرده اند که
371
00:12:19,120 –> 00:12:21,519
ستودنی است.
372
00:12:21,519 –> 00:12:22,560
373
00:12:22,560 –> 00:12:24,240
شرکتها
374
00:12:24,240 –> 00:12:26,079
از آن استفاده میکنند، پس
375
00:12:26,079 –> 00:12:28,399
ما nlp داریم nlp یک مثال برای شما
376
00:12:28,399 –> 00:12:29,440
377
00:12:29,440 –> 00:12:32,399
میآورم، مثلاً اگر همین الان چند ایمیل بنویسید
378
00:12:32,399 –> 00:12:33,680
در جیمیل بروید
379
00:12:33,680 –> 00:12:35,440
، یک غلطگیر املا وجود دارد، فیلترهای اسپم کامل خودکار وجود دارد،
380
00:12:35,440 –> 00:12:38,079
381
00:12:38,079 –> 00:12:40,959
پیامهای متنی صوتی همچنین ویژگیهایی وجود دارد.
382
00:12:40,959 –> 00:12:42,480
از شما میدانید که اینها همه
383
00:12:42,480 –> 00:12:44,800
پردازش زبان طبیعی هستند، بنابراین
384
00:12:44,800 –> 00:12:46,480
منظورم این است که چگونه این شاخهای از هوش مصنوعی است.
385
00:12:46,480 –> 00:12:48,000
386
00:12:48,000 –> 00:12:51,040
387
00:12:51,040 –> 00:12:52,079
388
00:12:52,079 –> 00:12:54,079
389
00:12:54,079 –> 00:12:55,600
اکنون و همه آن دو مورد را
390
00:12:55,600 –> 00:12:58,959
در حال حاضر به شما مثال زدم
391
00:12:58,959 –> 00:13:01,360
و به شما می گویم همانطور که می دانید در
392
00:13:01,360 –> 00:13:03,360
هوش مصنوعی چگونه
393
00:13:03,360 –> 00:13:05,839
هنگام نوشتن ایمیلی که می دانید استفاده می کند،
394
00:13:05,839 –> 00:13:07,519
بنابراین نه تنها
395
00:13:07,519 –> 00:13:11,279
نحوه نوشتن
396
00:13:11,279 –> 00:13:12,639
هزاران ایمیل داده به صورت
397
00:13:12,639 –> 00:13:15,440
روزانه از کسانی رد و بدل میشوند که فقط
398
00:13:15,440 –> 00:13:18,399
جیمیل دارد انتخاب میکند و انجام میدهد که میدانید
399
00:13:18,399 –> 00:13:19,440
پردازش برای
400
00:13:19,440 –> 00:13:20,880
زبان ملی انجام شده است و
401
00:13:20,880 –> 00:13:22,959
و آه چگونه مردم آن
402
00:13:22,959 –> 00:13:23,920
منطقه مینویسند، میدانید
403
00:13:23,920 –> 00:13:25,920
بریتانیا جنبههای متفاوتی از نوشتن ما
404
00:13:25,920 –> 00:13:27,600
دارد جنبه های مختلف نوشتن قادر
405
00:13:27,600 –> 00:13:28,800
به پردازش است
406
00:13:28,800 –> 00:13:31,920
و کامپیوتر
407
00:13:31,920 –> 00:13:34,160
قادر به خواندن و درک برای
408
00:13:34,160 –> 00:13:35,839
تفسیر زبان انسان است و
409
00:13:35,839 –> 00:13:37,600
اکنون از طریق این nlp خاص به عنوان یک
410
00:13:37,600 –> 00:13:39,120
ابزار،
411
00:13:39,120 –> 00:13:42,639
سپس به یادگیری عمیق می رویم،
412
00:13:42,639 –> 00:13:45,040
بنابراین من به شما توضیح خواهم داد که می دانید من به این معناست
413
00:13:45,040 –> 00:13:47,040
که یادگیری عمیق
414
00:13:47,040 –> 00:13:50,399
در برخی از معیارها چگونه در حال تکامل است،
415
00:13:50,399 –> 00:13:53,440
شما میدانید که یادگیری عمیق
416
00:13:53,440 –> 00:13:55,839
در هوش مصنوعی
417
00:13:55,839 –> 00:13:57,600
418
00:13:57,600 –> 00:13:58,079
419
00:13:58,079 –> 00:13:59,839
است.
420
00:13:59,839 –> 00:14:01,279
یادگیری ماشین فقط
421
00:14:01,279 –> 00:14:04,320
در آن شبکه عصبی چندلایه ای
422
00:14:04,320 –> 00:14:06,720
که می دانید مدلی برای کار با مغز انسان است
423
00:14:06,720 –> 00:14:09,199
و حجم زیادی از داده ها را
424
00:14:09,199 –> 00:14:10,720
از طریق این جنبه های یادگیری عمیق خاص یاد می گیرید
425
00:14:10,720 –> 00:14:12,880
و
426
00:14:12,880 –> 00:14:15,440
یادگیری عمیق را می دانید به طور خلاصه می توانم بگویم که
427
00:14:15,440 –> 00:14:16,399
428
00:14:16,399 –> 00:14:18,639
این یک نوع شبیه سازی مغز انسان است.
429
00:14:18,639 –> 00:14:19,839
چگونه فکر می کنید
430
00:14:19,839 –> 00:14:22,959
بر اساس شما مدل سازی را می دانید اوه
431
00:14:22,959 –> 00:14:24,880
بیایید یک مثال بزنیم امروز شما
432
00:14:24,880 –> 00:14:26,639
به مدل می گویید که می دانید
433
00:14:26,639 –> 00:14:29,279
a به علاوه b برابر با c است بنابراین می توانید
434
00:14:29,279 –> 00:14:30,079
435
00:14:30,079 –> 00:14:31,519
ترکیبی از جایگشت داشته باشید که به عنوان
436
00:14:31,519 –> 00:14:33,040
یادگیری ماشین نامیده می شود، اکنون شما به طور خودکار می دانید
437
00:14:33,040 –> 00:14:33,920
438
00:14:33,920 –> 00:14:35,760
یک تجزیه و تحلیل پیشبینیکننده توسط
439
00:14:35,760 –> 00:14:37,519
هوش مصنوعی و یادگیری عمیق با هم وجود خواهد داشت
440
00:14:37,519 –> 00:14:39,440
تا ضربها و همچنین
441
00:14:39,440 –> 00:14:40,720
تقسیم را بشناسید و همچنین میتوانید
442
00:14:40,720 –> 00:14:42,160
مقدمه دیگری
443
00:14:42,160 –> 00:14:44,880
نیز از جنبههای ai وجود داشته باشد، به این ترتیب
444
00:14:44,880 –> 00:14:47,680
شما بدون دخالت
445
00:14:47,680 –> 00:14:48,560
انسان نیز او را
446
00:14:48,560 –> 00:14:51,120
میشناسید. به طور خودکار از طریق یادگیری عمیق
447
00:14:51,120 –> 00:14:53,839
، دقت مدلی که
448
00:14:53,839 –> 00:14:55,680
شما در یادگیری ماشین آموزش داده
449
00:14:55,680 –> 00:14:59,120
اید، اگر شما یادگیری عمیق را غرق کنید
450
00:14:59,120 –> 00:15:00,880
، می توانید آن را
451
00:15:00,880 –> 00:15:03,519
در دقت را بر اساس شناخت
452
00:15:03,519 –> 00:15:04,720
اشیاء و
453
00:15:04,720 –> 00:15:06,320
وظایف پیچیدگی
454
00:15:06,320 –> 00:15:10,240
که برای آن مدل خاص ارائه کرده اید افزایش دهید، بسیار
455
00:15:10,399 –> 00:15:13,279
خوب، بنابراین اگر به مبحث دیگری بروید
456
00:15:13,279 –> 00:15:14,959
که بینایی کامپیوتر است،
457
00:15:14,959 –> 00:15:17,920
من فقط یک یا سه ابزار Linus
458
00:15:17,920 –> 00:15:18,320
به
459
00:15:18,320 –> 00:15:20,959
شما می دهم که شما می دانید um computer vision نیاز دارد
460
00:15:20,959 –> 00:15:21,680
461
00:15:21,680 –> 00:15:22,800
حتی همه چیز در مورد داده ها است فقط شما می دانید
462
00:15:22,800 –> 00:15:25,279
یادگیری ماشین nlp یادگیری عمیق
463
00:15:25,279 –> 00:15:26,160
بینایی کامپیوتر
464
00:15:26,160 –> 00:15:28,720
همه چیز در مورد خود داده ها بنابراین اما همین است
465
00:15:28,720 –> 00:15:29,920
که بینایی کامپیوتر
466
00:15:29,920 –> 00:15:32,480
فقط روی آن اجرا می شود.
467
00:15:32,480 –> 00:15:33,440
468
00:15:33,440 –> 00:15:36,320
469
00:15:36,320 –> 00:15:37,360
470
00:15:37,360 –> 00:15:40,560
تشخیص تصاویر اساساً
471
00:15:40,560 –> 00:15:43,040
من یک مثال بسیار خوب در اینجا به
472
00:15:43,040 –> 00:15:46,240
شما می زنم شما می دانید اگر برخی از
473
00:15:46,240 –> 00:15:49,199
فیلم ها را تماشا می کنید اگر برخی از
474
00:15:49,199 –> 00:15:50,880
ویدیوها و یوتیوب را تماشا می کنید ممکن است بدانید که
475
00:15:50,880 –> 00:15:51,759
نام آنها متفاوت
476
00:15:51,759 –> 00:15:54,959
است، اما همچنین اگر بینایی رایانه
477
00:15:54,959 –> 00:15:57,680
به طور خودکار در آنجا فعال شود.
478
00:15:57,680 –> 00:15:59,920
تصاویر در حال گرفتن هستند مانند شما
479
00:15:59,920 –> 00:16:01,519
شاید شما ستاره بالیوود
480
00:16:01,519 –> 00:16:03,360
را دوست دارید می خواهید تعدادی ستاره هالیوود را
481
00:16:03,360 –> 00:16:05,920
بخواهید که کامپیوتر قادر به استخراج آن خواهد
482
00:16:05,920 –> 00:16:06,560
بود
483
00:16:06,560 –> 00:16:08,399
اطلاعات بر اساس
484
00:16:08,399 –> 00:16:10,639
پیکسلها و میتواند
485
00:16:10,639 –> 00:16:12,880
راهحل پیشنهادی را
486
00:16:12,880 –> 00:16:15,440
در مورد راهحلهایی که اساساً توصیه میشود به شما ارائه دهد یا
487
00:16:15,440 –> 00:16:17,440
میدانید نتایج توصیهشده
488
00:16:17,440 –> 00:16:19,040
چه کسی را دوست دارید و بر اساس آن میتوانید
489
00:16:19,040 –> 00:16:21,680
490
00:16:21,680 –> 00:16:24,079
ویدیوهای بیشتری دریافت کنید.
491
00:16:24,079 –> 00:16:25,279
به عنوان مثال، شما می دانید
492
00:16:25,279 –> 00:16:28,079
و اوه، اگر من در مورد آن اپل صحبت کنم،
493
00:16:28,079 –> 00:16:29,839
مثال مورد علاقه
494
00:16:29,839 –> 00:16:32,240
شما تمام یادگیری ماشینی را می شناسید و
495
00:16:32,240 –> 00:16:35,040
شخص دیگری که می دانید کامپیوتری را آموزش دهید
496
00:16:35,040 –> 00:16:36,639
تا تشخیص دهد چه زمانی سیب
497
00:16:36,639 –> 00:16:37,839
باید با
498
00:16:37,839 –> 00:16:40,240
مقادیر زیادی سیب متناسب باشد. تصاویر و
499
00:16:40,240 –> 00:16:41,839
apple مربوط به
500
00:16:41,839 –> 00:16:44,320
آیتم ها و یادگیری تفاوت ها در تشخیص
501
00:16:44,320 –> 00:16:45,759
apple، به طوری که
502
00:16:45,759 –> 00:16:47,839
اگر کسی در حال گرفتن
503
00:16:47,839 –> 00:16:49,040
سیب منطقه دیگری است، می تواند
504
00:16:49,040 –> 00:16:50,000
تشخیص دهد که چه
505
00:16:50,000 –> 00:16:51,600
منطقه خاصی است، همچنین می دانید که
506
00:16:51,600 –> 00:16:53,199
بیان می کند تا بدانید که یک به
507
00:16:53,199 –> 00:16:56,079
یک وجود دارد. یا یک یا چند نقشه برداری
508
00:16:56,079 –> 00:16:57,279
خوب است، بنابراین شما می دانید
509
00:16:57,279 –> 00:16:58,959
منظور من از چهار رکن اساسی است که
510
00:16:58,959 –> 00:17:00,320
پایگاه دانش چیزی است که شما می دانید
511
00:17:00,320 –> 00:17:01,040
که
512
00:17:01,040 –> 00:17:04,319
ما قبلاً در سیستم خود داریم. em
513
00:17:04,319 –> 00:17:06,400
که در آن میدانید که اگر
514
00:17:06,400 –> 00:17:07,679
کسی را آموزش میدهید، در حال
515
00:17:07,679 –> 00:17:09,679
ایجاد چند کتابخانه نیز هستید و
516
00:17:09,679 –> 00:17:12,079
همچنین در حال
517
00:17:12,319 –> 00:17:14,000
ایجاد یک پایگاه دانش خوبی هستید، بنابراین
518
00:17:14,000 –> 00:17:15,520
مثل این است که میدانید اوم
519
00:17:15,520 –> 00:17:18,559
شما یک سیستم استنتاجی دارید و
520
00:17:18,559 –> 00:17:20,959
اوه، مانند یک نوع هوشمند است
521
00:17:20,959 –> 00:17:22,559
که میدانید وجود دارد. محیط و
522
00:17:22,559 –> 00:17:24,480
سپس موتور نفوذ وجود دارد، به طوری که
523
00:17:24,480 –> 00:17:25,839
شما می دانید که یک پایگاه دانش وجود دارد که
524
00:17:25,839 –> 00:17:28,720
بر اساس آن می
525
00:17:28,720 –> 00:17:30,480
توانید ماشین را یاد بگیرد
526
00:17:30,480 –> 00:17:32,480
که این همه پایه دانش کار می کند
527
00:17:32,480 –> 00:17:34,240
که می دانید این یک مخزن است.
528
00:17:34,240 –> 00:17:34,559
529
00:17:34,559 –> 00:17:36,960
که
530
00:17:36,960 –> 00:17:38,480
حفظ وضعیت درونی
531
00:17:38,480 –> 00:17:39,120
دانش
532
00:17:39,120 –> 00:17:41,360
دلیل بر این دانش است که دانش و مشاهدات خود را به روز می کنند
533
00:17:41,360 –> 00:17:43,280
534
00:17:43,280 –> 00:17:45,600
و اینکه چگونه باید اقداماتی را
535
00:17:45,600 –> 00:17:48,720
بر اساس این پایگاه دانش انجام دهند، بسیار
536
00:17:48,720 –> 00:17:50,880
خوب است، بنابراین فکر می کنم این ستون
537
00:17:50,880 –> 00:17:52,000
ها خوب هستند
538
00:17:52,000 –> 00:17:53,760
، آخرین رکن وجود دارد که شما می دانید
539
00:17:53,760 –> 00:17:55,760
صادرات سیستمی که در
540
00:17:55,760 –> 00:17:59,440
آن اساساً
541
00:17:59,440 –> 00:18:02,480
شامل سیستمی است که در
542
00:18:02,559 –> 00:18:04,080
آن ما دوباره خود هوش مصنوعی
543
00:18:04,080 –> 00:18:06,640
هستیم و یک سیستم خبره
544
00:18:06,640 –> 00:18:09,200
شامل یک پایگاه دانش شامل
545
00:18:09,200 –> 00:18:10,640
تجربه انباشته شده
546
00:18:10,640 –> 00:18:13,440
از یک موتور قانون نفوذ نشان می دهد که چگونه
547
00:18:13,440 –> 00:18:14,000
می توان یادگیری ماشینی را
548
00:18:14,000 –> 00:18:15,760
نیز آموزش داد و چگونه می دانید اگر
549
00:18:15,760 –> 00:18:19,200
چیزی تکراری است چگونه می توان آن را
550
00:18:19,200 –> 00:18:20,960
به این مدل خاص آموزش داد تا
551
00:18:20,960 –> 00:18:22,559
بدانید که می تواند قضاوت
552
00:18:22,559 –> 00:18:24,640
و رفتار یک انسان یا
553
00:18:24,640 –> 00:18:26,720
سازمانی را شبیه سازی کند. دانش
554
00:18:26,720 –> 00:18:28,880
و تجربه تخصصی در زمینه
555
00:18:28,880 –> 00:18:31,600
خاص یا حوزه خاص بسیار
556
00:18:31,600 –> 00:18:34,000
خوب است که معرفی
557
00:18:34,000 –> 00:18:34,720
558
00:18:34,720 –> 00:18:36,559
هوش مصنوعی زمانی که انجام
559
00:18:36,559 –> 00:18:37,919
شد از
560
00:18:37,919 –> 00:18:42,080
جان مک کارتی گرفته شد و او فقط
561
00:18:42,080 –> 00:18:43,360
هوش مصنوعی را در زمانی معرفی کرد که
562
00:18:43,360 –> 00:18:45,039
زمانی بود که می دانید هیچکس
563
00:18:45,039 –> 00:18:45,840
پیش بینی
564
00:18:45,840 –> 00:18:49,120
نمی کند. اکنون میتوانیم ببینیم که
565
00:18:49,120 –> 00:18:50,320
بیشتر سیستمهایی وجود دارند که ما از آنها به عنوان هوش توپخانه استفاده میکنیم،
566
00:18:50,320 –> 00:18:52,720
567
00:18:52,720 –> 00:18:55,520
بسیار خوب، بنابراین اکنون انواع Ai را داریم، بنابراین میدانید
568
00:18:55,520 –> 00:18:56,240
569
00:18:56,240 –> 00:18:57,919
که برخی از انواع هوا وجود دارد که
570
00:18:57,919 –> 00:18:59,840
سه نوع ai وجود دارد که اساساً هوش مصنوعی
571
00:18:59,840 –> 00:19:02,000
nago وجود دارد، سپس ما هوش عمومی داریم
572
00:19:02,000 –> 00:19:03,120
و
573
00:19:03,120 –> 00:19:05,440
دیگری هوش فوق العاده است، بنابراین
574
00:19:05,440 –> 00:19:07,039
اساساً شما می دانید که در حال حاضر من
575
00:19:07,039 –> 00:19:07,600
می گویم
576
00:19:07,600 –> 00:19:11,679
باریک چیزی است که اوم
577
00:19:11,760 –> 00:19:15,840
میتوانیم بگوییم که این یک سطح اولیه از
578
00:19:15,840 –> 00:19:19,039
هوش است که به آن میگویند،
579
00:19:19,039 –> 00:19:22,000
زیرا شما یک v ki را میشناسید که شامل
580
00:19:22,000 –> 00:19:22,880
اعمال
581
00:19:22,880 –> 00:19:25,840
ai فقط برای کارهای خاص است، شما میدانید
582
00:19:25,840 –> 00:19:26,720
583
00:19:26,720 –> 00:19:29,600
عملکردهای از پیش تعریفشده نامحدودی دارد، حتی بدون
584
00:19:29,600 –> 00:19:30,640
هوش واقعی یا
585
00:19:30,640 –> 00:19:33,280
خودآگاهی علیرغم اینکه
586
00:19:33,280 –> 00:19:35,120
نمونهای پیچیده است، میتوانم به شما برخی از آنها را ارائه دهم.
587
00:19:35,120 –> 00:19:36,400
از نمونههایی که میدانید و
588
00:19:36,400 –> 00:19:37,679
میتوانید در زندگی روزمره به آنها
589
00:19:37,679 –> 00:19:38,480
اشاره کنید، یعنی
590
00:19:38,480 –> 00:19:40,880
تأیید چهره در آیفون، این یک
591
00:19:40,880 –> 00:19:42,320
هوش مصنوعی ضعیف است
592
00:19:42,320 –> 00:19:45,520
که اگر آن مدل خاص را دیده باشید
593
00:19:45,520 –> 00:19:49,200
که اساساً استیو جابز
594
00:19:49,200 –> 00:19:51,120
و صاحبان اپل با
595
00:19:51,120 –> 00:19:52,400
فناوری یادگیری ماشینی راهنمایی کردهاند. آنها
596
00:19:52,400 –> 00:19:53,280
از
597
00:19:53,280 –> 00:19:55,520
آنها استفاده می کنند شما می دانید بخش بسیار کوچکی
598
00:19:55,520 –> 00:19:57,440
از هوش مصنوعی که در آن می دانید
599
00:19:57,440 –> 00:20:01,360
چهره بر اساس
600
00:20:01,360 –> 00:20:04,400
پیکسل های صورت شما تأیید می شود و می دانید
601
00:20:04,400 –> 00:20:06,320
که بر اساس
602
00:20:06,320 –> 00:20:10,080
مکانیزم نقطه ای است و ویژگی خلبان خودکار وجود دارد و
603
00:20:10,080 –> 00:20:12,880
هوم اجتماعی انسان نما اگر دیده اید که
604
00:20:12,880 –> 00:20:15,039
آیا در مورد sofia شنیده اید
605
00:20:15,039 –> 00:20:16,720
منظورم این است که یک ربات sofia وجود دارد که
606
00:20:16,720 –> 00:20:18,720
یک هفته است.
607
00:20:18,720 –> 00:20:20,720
608
00:20:20,720 –> 00:20:22,799
در اینجا برخی از مواردی است که گاهی اوقات نقشه های گوگل را می شناسید
609
00:20:22,799 –> 00:20:25,039
همچنین جزئیاتی را ارائه می دهد که شما می دانید چگونه باید از
610
00:20:25,039 –> 00:20:27,840
کدام ریشه استفاده کنید تا
611
00:20:27,840 –> 00:20:29,520
به مقصدی برسید،
612
00:20:29,520 –> 00:20:31,200
بنابراین اساساً شما هوش محدودی را می شناسید
613
00:20:31,200 –> 00:20:33,039
که در حال حاضر
614
00:20:33,039 –> 00:20:36,240
در محیط فعلی در آن قرار داریم، اما
615
00:20:36,240 –> 00:20:37,520
نکته دوم این است که شما هوش عمومی را می دانید
616
00:20:37,520 –> 00:20:39,840
که میتوانیم بگوییم
617
00:20:39,840 –> 00:20:40,320
هوش مصنوعی قوی
618
00:20:40,320 –> 00:20:43,360
که شامل ماشینها میشود،
619
00:20:43,360 –> 00:20:43,760
620
00:20:43,760 –> 00:20:47,679
توانایی انجام هر کار فکری را دارد
621
00:20:47,679 –> 00:20:50,720
که انسان میتواند در حال حاضر بداند
622
00:20:50,720 –> 00:20:54,240
این نوعی حل معما است و
623
00:20:54,240 –> 00:20:55,200
مثال دیگر
624
00:20:55,200 –> 00:20:56,559
زبانهایی است که میدانید مدلهای دیگری نیز وجود دارد
625
00:20:56,559 –> 00:20:58,480
که قبلاً توسعه یافتهاند. حتی
626
00:20:58,480 –> 00:21:00,400
اگر برخی از بازیهایی را که میدانید
627
00:21:00,400 –> 00:21:03,039
به صورت روزانه بازی میکنید، هر بازی را
628
00:21:03,039 –> 00:21:05,039
که انجام میدهید، میدانید ورودیهایی را که
629
00:21:05,039 –> 00:21:07,120
در حال حاضر انجام میدهید، میدانید
630
00:21:07,120 –> 00:21:08,960
که دادهها از آنها میروند و به
631
00:21:08,960 –> 00:21:10,159
پایگاه
632
00:21:10,159 –> 00:21:12,799
داده آنها وارد میشوند و آنها حتی شما تحلیلگران دادهای هستند
633
00:21:12,799 –> 00:21:14,480
که در طرف دیگر نشستهاند
634
00:21:14,480 –> 00:21:16,640
، حتی دارند دادهها را تماشا میکنند، مثلاً
635
00:21:16,640 –> 00:21:18,400
636
00:21:18,400 –> 00:21:20,559
اینکه کاربر در کدام مرحله خاص
637
00:21:20,559 –> 00:21:22,400
شکست میخورد. زمان های ما پنج بار بر
638
00:21:22,400 –> 00:21:23,760
اساس آنها حتی الگوریتم های بازی ها را تغییر می
639
00:21:23,760 –> 00:21:25,039
640
00:21:25,039 –> 00:21:27,200
دهند تا بدانید که علاقه خود را از دست ندهید
641
00:21:27,200 –> 00:21:28,240
و
642
00:21:28,240 –> 00:21:29,919
دوباره بازی را انجام می دهید زیرا آنها از این
643
00:21:29,919 –> 00:21:32,000
طریق سود می برند که شما برنامه آنها را دانلود می کنید
644
00:21:32,000 –> 00:21:34,000
و شما می بینید تبلیغی بر روی
645
00:21:34,000 –> 00:21:36,880
شما در برنامه آنهاست، بنابراین منظورم این است که
646
00:21:36,880 –> 00:21:37,679
یک نقل قول از
647
00:21:37,679 –> 00:21:39,760
استیون هاوکینگ به شما بگویم همچنین می گوید شما می دانید بنابراین
648
00:21:39,760 –> 00:21:40,799
در حال حاضر
649
00:21:40,799 –> 00:21:43,840
هوش مصنوعی قوی خود به خود بلند
650
00:21:43,840 –> 00:21:44,240
می شود، می دانید
651
00:21:44,240 –> 00:21:46,400
که انسان جانشین خواهد شد فقط
652
00:21:46,400 –> 00:21:48,000
به این دلیل که
653
00:21:48,000 –> 00:21:50,080
دخالت انسان فقط در اساس
654
00:21:50,080 –> 00:21:51,760
بهروزرسانیهای بیولوژیکی شما میدانید که
655
00:21:51,760 –> 00:21:53,520
اگر میخواهید از خودتان بهروزرسانی کنید
656
00:21:53,520 –> 00:21:55,440
که یک
657
00:21:55,440 –> 00:21:57,600
انسان چهره به مرحله پیش میرود و ۱۰
658
00:21:57,600 –> 00:21:59,039
سال دیگر میگذرد، مغزهای دیگری وجود دارد که
659
00:21:59,039 –> 00:21:59,360
660
00:21:59,360 –> 00:22:01,840
میدانید اگر همین الان ببینید مثالی اولیه را نام ببرید
661
00:22:01,840 –> 00:22:03,120
، مثالی را که بچهها
662
00:22:03,120 –> 00:22:04,720
درست میگویند نام ببرید. اکنون آنها از تلفنها نیز استفاده
663
00:22:04,720 –> 00:22:06,320
میکنند، بنابراین این نحوه مشارکت انسانها را تغییر میدهد،
664
00:22:06,320 –> 00:22:07,360
665
00:22:07,360 –> 00:22:10,960
اما زودتر متوجه شوید که ai فوقالعاده
666
00:22:10,960 –> 00:22:12,880
خواهد بود، آیا میدانید که همه آن جنبهها را جایگزین میکنید،
667
00:22:12,880 –> 00:22:14,240
668
00:22:14,240 –> 00:22:16,000
بنابراین این در بخش هوش عمومی ما
669
00:22:16,000 –> 00:22:17,919
است که درست است. در حال حاضر ما
670
00:22:17,919 –> 00:22:21,120
هنوز
671
00:22:21,120 –> 00:22:21,440
672
00:22:21,440 –> 00:22:24,000
یک مرحله اساسی را معرفی می کنیم که شما می گویید و مرحله
673
00:22:24,000 –> 00:22:25,120
سوم این است که شما می دانید
674
00:22:25,120 –> 00:22:26,720
هوش مصنوعی فوق العاده را می شناسید اگر
675
00:22:26,720 –> 00:22:28,960
در مورد آن صحبت کنید که کم و
676
00:22:28,960 –> 00:22:32,159
بیش زمانی است که توانایی
677
00:22:32,159 –> 00:22:33,600
رایانه از انسان ها پیشی می گیرد.
678
00:22:33,600 –> 00:22:36,400
این یک نوع
679
00:22:36,400 –> 00:22:38,480
موقعیت فرضی است که می توانم بگویم
680
00:22:38,480 –> 00:22:41,520
و شما می دانید که فقط در
681
00:22:41,520 –> 00:22:44,559
برخی از فیلم ها به تصویر کشیده می شود اگر برخی از فیلم ها را ببینید، برخی
682
00:22:44,559 –> 00:22:46,559
از فیلم های
683
00:22:46,559 –> 00:22:48,240
هالیوودی یا برخی از فیلم های بالیوودی را ببینید،
684
00:22:48,240 –> 00:22:49,360
همچنین می دانید هوش مصنوعی وجود دارد
685
00:22:49,360 –> 00:22:50,400
که
686
00:22:50,400 –> 00:22:53,679
می تواند اوه مغز انسان را نیز جایگزین
687
00:22:53,679 –> 00:22:54,960
688
00:22:54,960 –> 00:22:57,600
689
00:22:58,640 –> 00:23:01,760
کنید، بنابراین هوش فوق العاده مصنوعی ما خوب است، بنابراین هدف اصلی ما انسان است
690
00:23:01,760 –> 00:23:04,880
که چرا پایتون برای ai است، بنابراین منظورم این است
691
00:23:04,880 –> 00:23:07,440
که چند چیز وجود دارد که اوه پایتون چرا
692
00:23:07,440 –> 00:23:10,400
ما فقط از پایتون استفاده می کنیم، اول از همه
693
00:23:10,400 –> 00:23:12,400
کمتر کدی را که از
694
00:23:12,400 –> 00:23:14,000
فناوریهای قدیمی قبلی
695
00:23:14,000 –> 00:23:16,799
میشناسید، حتی برای انجام یک کار
696
00:23:16,799 –> 00:23:18,480
باید 10 خط کد بنویسید، اما
697
00:23:18,480 –> 00:23:19,919
در حال حاضر
698
00:23:19,919 –> 00:23:21,600
کد بسیار کمتری است که باید فقط
699
00:23:21,600 –> 00:23:23,679
روی الگوریتمهای خود تمرکز کنید.
700
00:23:23,679 –> 00:23:26,080
نکته اول و می دانید که پایتون کتابخانه های
701
00:23:26,080 –> 00:23:26,880
از پیش ساخته شده
702
00:23:26,880 –> 00:23:28,960
ای دارد مانند numpy برای محاسبات علمی
703
00:23:28,960 –> 00:23:30,159
704
00:23:30,159 –> 00:23:33,520
و برای scipy برای
705
00:23:33,520 –> 00:23:35,440
محاسبات پیشرفته و مغز pi برای
706
00:23:35,440 –> 00:23:37,679
یادگیری ماشین، اینها
707
00:23:37,679 –> 00:23:39,679
کتابخانه های از پیش ساخته شده ای هستند
708
00:23:39,679 –> 00:23:41,279
که توسط
709
00:23:41,279 –> 00:23:45,120
برخی از شما ساخته شده است.
710
00:23:45,120 –> 00:23:47,120
گوگلرها یا برخی از بازدیدکنندگان و قبلاً
711
00:23:47,120 –> 00:23:48,559
این کتابخانه ها را معرفی کرده اند، شما
712
00:23:48,559 –> 00:23:51,039
باید به سادگی از کتابخانه های آنها استفاده کنید
713
00:23:51,039 –> 00:23:54,720
و آماده باشید
714
00:23:54,720 –> 00:23:56,240
715
00:23:56,240 –> 00:23:58,559
716
00:23:58,559 –> 00:24:01,039
. همچنین یک پلتفرم
717
00:24:01,039 –> 00:24:02,480
مستقل و از این رو
718
00:24:02,480 –> 00:24:05,360
یکی از منعطف ترین و محبوب ترین
719
00:24:05,360 –> 00:24:06,799
گزینه ها برای
720
00:24:06,799 –> 00:24:09,120
استفاده از فناوری های مختلف پلت فرم است،
721
00:24:09,120 –> 00:24:09,840
722
00:24:09,840 –> 00:24:11,760
بنابراین اگر از
723
00:24:11,760 –> 00:24:13,360
پس زمینه های مختلف برنامه نویسی می آیید، بنابراین
724
00:24:13,360 –> 00:24:15,679
می دانید که شما مردی
725
00:24:15,679 –> 00:24:17,279
هستید که در مسیر بسیار درستی قرار دارید، زیرا شما
726
00:24:17,279 –> 00:24:18,000
اکنون میدانید که لازم
727
00:24:18,000 –> 00:24:20,559
نیست نگران سینتکس اولیه کدنویسی باشید
728
00:24:20,559 –> 00:24:22,000
زیرا
729
00:24:22,000 –> 00:24:23,760
پایتون در مقایسه با مدلهای قبلی بسیار آسان است
730
00:24:23,760 –> 00:24:25,840
731
00:24:25,840 –> 00:24:28,159
و همچنین میدانید که پایتون یک پلتفرم است.
732
00:24:28,159 –> 00:24:30,080
وابستگی من از مک استفاده می کنم شما می توانید از
733
00:24:30,080 –> 00:24:32,080
ویندوز همه آن پلتفرم های
734
00:24:32,080 –> 00:24:33,360
مستقل استفاده کنید،
735
00:24:33,360 –> 00:24:36,159
بنابراین پایتون برای همه افراد دیگر نیز منعطف است
736
00:24:36,159 –> 00:24:36,799
737
00:24:36,799 –> 00:24:39,520
با گزینه های انتخاب بین شما می دانید که
738
00:24:39,520 –> 00:24:40,720
ما می خواستیم رویکرد
739
00:24:40,720 –> 00:24:42,159
زبان برنامه نویسی شی گرا
740
00:24:42,159 –> 00:24:44,000
یا پایه اسکریپت را انتخاب کنیم
741
00:24:44,000 –> 00:24:45,919
زیرا چرا من با گفتن این، شما می دانید
742
00:24:45,919 –> 00:24:47,520
که در اینجا دو نوع اصطلاح وجود دارد،
743
00:24:47,520 –> 00:24:49,600
744
00:24:49,600 –> 00:24:50,880
زبان برنامه نویسی شی گرا، دیگری
745
00:24:50,880 –> 00:24:51,919
مبتنی بر اسکریپت است،
746
00:24:51,919 –> 00:24:54,320
بنابراین برخی از بچه ها هستند که از
747
00:24:54,320 –> 00:24:56,400
پس زمینه جاوا اسکریپت می آیند و شما
748
00:24:56,400 –> 00:24:57,360
jqueries
749
00:24:57,360 –> 00:24:59,279
angularjs را می شناسید، من به شما پیشنهاد می کنم که
750
00:24:59,279 –> 00:25:01,120
آنها می توانند تا حد زیادی به شما مراجعه کنند.
751
00:25:01,120 –> 00:25:03,200
متدولوژی مبتنی بر اسکریپت در پایتون نیز
752
00:25:03,200 –> 00:25:04,480
753
00:25:04,480 –> 00:25:06,559
انتقال به این روش خاص آسان خواهد بود، اما
754
00:25:06,559 –> 00:25:07,760
کسی از پسزمینه جاوا میآید
755
00:25:07,760 –> 00:25:09,600
یا شما پسزمینه کاملاً نقطهدار را میشناسید،
756
00:25:09,600 –> 00:25:10,880
757
00:25:10,880 –> 00:25:12,880
سپس یک رویکرد اوپس را انتخاب کنید که رویکرد
758
00:25:12,880 –> 00:25:14,240
برنامهنویسی شی گرا
759
00:25:14,240 –> 00:25:17,600
است، سپس پایتون
760
00:25:17,600 –> 00:25:20,240
دارای یک پسزمینه است. جامعه انبوه در حال
761
00:25:20,240 –> 00:25:21,039
حاضر منظورم این است که یک جامعه بزرگ وجود دارد،
762
00:25:21,039 –> 00:25:22,880
همانطور که شما از
763
00:25:22,880 –> 00:25:24,640
جامعه آموزشی مانند ما می بینید در اینجا نیز
764
00:25:24,640 –> 00:25:24,960
765
00:25:24,960 –> 00:25:26,799
کار مشابهی است، اما کم و بیش میتوانید از آن استفاده
766
00:25:26,799 –> 00:25:28,080
کنید، میدانید که توسعهدهندگان پایتون
767
00:25:28,080 –> 00:25:29,760
در سرتاسر جهان به شما
768
00:25:29,760 –> 00:25:31,360
پشتیبانی
769
00:25:31,360 –> 00:25:33,440
و کمک جامعی ارائه میکنند، یعنی باور کنید منظورم این است
770
00:25:33,440 –> 00:25:34,640
که برخی از سوالات را بنویسید که
771
00:25:34,640 –> 00:25:36,480
در 10 مورد دیگر پاسخ دریافت خواهید کرد یا
772
00:25:36,480 –> 00:25:37,919
حداکثر 15 دقیقه
773
00:25:37,919 –> 00:25:39,360
هر کسی میتواند شما را اعمال کند و
774
00:25:39,360 –> 00:25:40,960
سؤالات شما را حل کند، به این ترتیب
775
00:25:40,960 –> 00:25:42,559
جامعه عظیم در حال حاضر
776
00:25:42,559 –> 00:25:44,400
برای پایتون کار میکند، بسیار
777
00:25:44,400 –> 00:25:47,760
خوب، بنابراین اوه بستههای پایتون،
778
00:25:47,760 –> 00:25:48,799
منظورم این است
779
00:25:48,799 –> 00:25:50,640
که امروز برخی از بستهها را پوشش خواهم داد
780
00:25:50,640 –> 00:25:51,840
که همه
781
00:25:51,840 –> 00:25:55,279
آنها استفاده شده است. چه چیزهایی را می توانیم برای
782
00:25:55,279 –> 00:25:58,400
بسته های پایتون در اینجا استفاده کنیم تا
783
00:25:58,400 –> 00:26:00,000
یک بسته چیزی باشد که می دانید منظورم
784
00:26:00,000 –> 00:26:02,159
این است که مانند بسته
785
00:26:02,159 –> 00:26:04,559
است که قبلاً یک کد توسعه یافته است که
786
00:26:04,559 –> 00:26:06,320
باید از سایر مؤلفه های plug-and-play
787
00:26:06,320 –> 00:26:07,039
استفاده کنید
788
00:26:07,039 –> 00:26:10,240
بنابراین یک نوع مؤلفه قابل استفاده مجدد است
789
00:26:10,240 –> 00:26:12,159
که باید برخی از
790
00:26:12,159 –> 00:26:13,120
پارامترها را به خاطر بسپارید که باید برخی از توابع را به خاطر بسپارید
791
00:26:13,120 –> 00:26:14,000
792
00:26:14,000 –> 00:26:15,520
که باید پارامترهایی را که بر
793
00:26:15,520 –> 00:26:17,039
اساس آن همه الگوریتم ها
794
00:26:17,039 –> 00:26:18,480
با این
795
00:26:18,480 –> 00:26:20,240
بسته های خاص دریافت می کنند، پاس دهید و شما قادر خواهید بود به راحتی
796
00:26:20,240 –> 00:26:21,600
استفاده
797
00:26:21,600 –> 00:26:24,400
کنید بسیار خوب، بنابراین اولین بسته من خواهم بود
798
00:26:24,400 –> 00:26:24,799
799
00:26:24,799 –> 00:26:26,320
پکیج و کتابخانه همان چیزی است که
800
00:26:26,320 –> 00:26:28,000
می دانید این دو اصطلاح را اشتباه نگیرید.
801
00:26:28,000 –> 00:26:30,159
802
00:26:30,159 –> 00:26:32,640
803
00:26:32,640 –> 00:26:33,760
804
00:26:33,760 –> 00:26:35,840
805
00:26:35,840 –> 00:26:37,679
806
00:26:37,679 –> 00:26:39,279
الگوریتم دوباره زیرمجموعه
807
00:26:39,279 –> 00:26:42,720
aisl است و در حال حاضر میدانید
808
00:26:42,720 –> 00:26:44,320
tensorflow معروفترین کتابخانه یادگیری عمیق
809
00:26:44,320 –> 00:26:47,520
در جهان در گوگل
810
00:26:47,520 –> 00:26:51,039
و تنسورفلو است، بنابراین آنچه اتفاق میافتد این
811
00:26:51,039 –> 00:26:53,760
است که میدانید یک مثال ملموس به شما ارائه میدهیم که
812
00:26:53,760 –> 00:26:56,960
کاربران گوگل میتوانند جستجوی سریعتر و دقیقتری را تجربه کنند.
813
00:26:56,960 –> 00:26:58,159
814
00:26:58,159 –> 00:27:01,279
اگر کاربر
815
00:27:01,279 –> 00:27:02,000
کلمه کلیدی را
816
00:27:02,000 –> 00:27:04,640
در نوار جستجو تایپ کند، google
817
00:27:04,640 –> 00:27:06,000
توصیه ای
818
00:27:06,000 –> 00:27:08,720
در مورد کلمه بعدی ارائه می دهد که چگونه
819
00:27:08,720 –> 00:27:09,440
می دانید
820
00:27:09,440 –> 00:27:11,760
اوم و می دانید که زیبایی تنسورفلو است،
821
00:27:11,760 –> 00:27:12,720
بنابراین
822
00:27:12,720 –> 00:27:14,720
در حال حاضر از آن به عنوان
823
00:27:14,720 –> 00:27:16,559
مکانیزم تنسورفلو استفاده می کند، شما چیزی را می نویسید که خود را می شناسید.
824
00:27:16,559 –> 00:27:17,840
چیزی بنویس که میدانی
825
00:27:17,840 –> 00:27:18,480
این
826
00:27:18,480 –> 00:27:20,080
چیست و میتوانی، منظورم این است که گاهی
827
00:27:20,080 –> 00:27:21,840
اوقات مشاهده کردهای که بله، این همان چیزی است که
828
00:27:21,840 –> 00:27:24,240
ما میخواهیم. هی نتایج را به ما
829
00:27:24,240 –> 00:27:25,520
830
00:27:25,520 –> 00:27:27,520
میدهید، بنابراین من یکی یکی به شما میپردازم، شما همه
831
00:27:27,520 –> 00:27:29,200
آن چیزها را میدانید، بنابراین گوگل میخواهد از
832
00:27:29,200 –> 00:27:30,720
یادگیری ماشین برای استفاده از این مزیت استفاده کند،
833
00:27:30,720 –> 00:27:31,279
شما میدانید
834
00:27:31,279 –> 00:27:34,559
مجموعههای دادهای عظیم، بنابراین ما
835
00:27:34,559 –> 00:27:36,320
سه گروه مختلف در یادگیری ماشین داریم،
836
00:27:36,320 –> 00:27:38,480
یکی از آنها محققین سپس ما
837
00:27:38,480 –> 00:27:40,960
دانشمندان داده داریم و برنامه نویسانی داریم،
838
00:27:40,960 –> 00:27:42,720
بنابراین محققانی که در مورد شما تحقیق می کنند می دانند
839
00:27:42,720 –> 00:27:45,039
که ما چه داده هایی را دریافت می کنیم و
840
00:27:45,039 –> 00:27:46,240
بر اساس آنها به
841
00:27:46,240 –> 00:27:47,760
دانشمندان داده می خورند و برنامه نویسان
842
00:27:47,760 –> 00:27:48,799
اساساً
843
00:27:48,799 –> 00:27:51,919
مکانیزم کدگذاری مناسبی را به آن
844
00:27:51,919 –> 00:27:52,799
845
00:27:52,799 –> 00:27:55,520
جستجوی خاص ارائه می دهند و شما. سپس میتوانید
846
00:27:55,520 –> 00:27:57,039
نمونههای مربوط به این
847
00:27:57,039 –> 00:27:59,279
نتایج جستجوی خاص را اساساً روشن کنید و بله
848
00:27:59,279 –> 00:28:00,880
اساساً بر اساس
849
00:28:00,880 –> 00:28:02,720
بهینهسازی خودکار موتورهای جستجو و همچنین
850
00:28:02,720 –> 00:28:04,640
این فناوری دیگری است
851
00:28:04,640 –> 00:28:07,520
که مشکلی ندارد، بنابراین چگونه میدانید معماری تنسورفلو
852
00:28:07,520 –> 00:28:09,360
کار میکند، همه چیز را به شما میدهم.
853
00:28:09,360 –> 00:28:10,480
منظورم این است که اساساً یک فناوری است.
854
00:28:10,480 –> 00:28:13,760
یک مدل سه لایهای که میشناسید که در
855
00:28:13,760 –> 00:28:14,159
آن
856
00:28:14,159 –> 00:28:17,039
یک مدل وجود دارد، پیشپردازش دادهها،
857
00:28:17,039 –> 00:28:18,799
آنچه پیشپردازش پیشپردازش است،
858
00:28:18,799 –> 00:28:19,760
اساساً
859
00:28:19,760 –> 00:28:21,919
مقداری ناهمگن دریافت میکنید. دادههایی که میگیرید
860
00:28:21,919 –> 00:28:23,200
برخی از دادههایی که میدانید، بیایید بگوییم
861
00:28:23,200 –> 00:28:24,320
نمونهای از اتومبیلهایی
862
00:28:24,320 –> 00:28:27,440
که میگیرید تویوتا میگیرید، bmw میگیرید،
863
00:28:27,440 –> 00:28:30,320
آئودی میگیرید، هیوندای میگیرید، همه آن دادههایی
864
00:28:30,320 –> 00:28:31,440
که به دست
865
00:28:31,440 –> 00:28:34,320
میآورید و این دادهها را از قبل پردازش میکنید، میدانید
866
00:28:34,320 –> 00:28:35,760
دقیقاً به چه چیزی نیاز دارید، میدانید که
867
00:28:35,760 –> 00:28:36,320
باید ابتدا
868
00:28:36,320 –> 00:28:38,960
بیانیه مشکل خود را بنویسید تا بیانیه مشکل شما
869
00:28:38,960 –> 00:28:40,480
مشخص شود،
870
00:28:40,480 –> 00:28:44,880
شاید سازمان شما
871
00:28:44,880 –> 00:28:48,000
پیش بینی می کند که تویوتا
872
00:28:48,000 –> 00:28:51,520
در سال 2025 کار بسیار خوبی انجام خواهد داد،
873
00:28:51,520 –> 00:28:54,000
بر اساس کدام پارامترها، بنابراین شما
874
00:28:54,000 –> 00:28:55,039
باید
875
00:28:55,039 –> 00:28:57,600
آن پارامترها را دوباره پردازش کنید،
876
00:28:57,600 –> 00:28:58,080
877
00:28:58,080 –> 00:28:59,679
شاید آنها چندین واحد بیشتری داشته باشند.
878
00:28:59,679 –> 00:29:01,520
همکاری در ماهوتی شاید آنها
879
00:29:01,520 –> 00:29:02,880
با دیگری همکاری می
880
00:29:02,880 –> 00:29:04,720
کنند و پروژه های بسیار خوبی
881
00:29:04,720 –> 00:29:06,640
دارند که همه شما
882
00:29:06,640 –> 00:29:08,559
این داده ها را دارید و سپس می دانید که می توانید بروید
883
00:29:08,559 –> 00:29:10,399
و با اطمینان به مدیریت خود بگویید
884
00:29:10,399 –> 00:29:12,640
رئیس ببینید این نمی تواند
885
00:29:12,640 –> 00:29:15,039
بر اساس این خاص اتفاق بیفتد. داده ها، بنابراین
886
00:29:15,039 –> 00:29:16,320
یا باید برنامه را تغییر دهید
887
00:29:16,320 –> 00:29:18,320
یا باید می دانید استراتژی را تغییر دهید،
888
00:29:18,320 –> 00:29:20,480
اما ما نمی توانیم بر این اساس پیش بینی کنیم
889
00:29:20,480 –> 00:29:21,360
890
00:29:21,360 –> 00:29:23,440
و این تحلیل پیش بینی
891
00:29:23,440 –> 00:29:24,559
برای شما
892
00:29:24,559 –> 00:29:27,600
بورس اوراق بهادار را می شناسید و می دانید که آنها
893
00:29:27,600 –> 00:29:31,200
بر اساس این مکانیسم ها هستند، فقط
894
00:29:31,200 –> 00:29:33,039
بورس اوراق بهادار نیز کار می کند و می دانید
895
00:29:33,039 –> 00:29:34,799
که باید سرمایه گذاری کنید یا مجبور نیستید روی شما
896
00:29:34,799 –> 00:29:35,760
سرمایه گذاری
897
00:29:35,760 –> 00:29:37,760
کنید، بنابراین این tensorflow می دانید که
898
00:29:37,760 –> 00:29:38,799
در حال حاضر
899
00:29:38,799 –> 00:29:41,360
اینجا کار شده است. دیگر اوه یعنی من به
900
00:29:41,360 –> 00:29:42,720
شما گفتم که اولی پیش پردازش
901
00:29:42,720 –> 00:29:43,919
داده ها است
902
00:29:43,919 –> 00:29:46,240
، دومی ساختن مدلی است
903
00:29:46,240 –> 00:29:48,240
که می دانید مدلی که ایجاد می کنید اوه
904
00:29:48,240 –> 00:29:50,880
شما داده ها را تراز می کنید و داده
905
00:29:50,880 –> 00:29:52,559
های تویوتا را جدا می کنید و داده های شرکت های دیگر را
906
00:29:52,559 –> 00:29:53,440
907
00:29:53,440 –> 00:29:55,279
که می بینید جدا می کنید. حفاظت پروژه از
908
00:29:55,279 –> 00:29:57,600
داده ها از همه آن چیزها در یک ساختمان یا
909
00:29:57,600 –> 00:29:59,200
مدل خاص و سپس شما باید
910
00:29:59,200 –> 00:30:01,600
آموزش مدل
911
00:30:01,600 –> 00:30:04,240
را در هر یادگیری ماشینی و آموزش
912
00:30:04,240 –> 00:30:05,120
مدل هوش مصنوعی
913
00:30:05,120 –> 00:30:07,200
آموزش دهید و تخمین بزنید، بخش بسیار مهمی است
914
00:30:07,200 –> 00:30:08,799
زیرا
915
00:30:08,799 –> 00:30:12,480
هر مدلی که
916
00:30:12,480 –> 00:30:14,640
با آن توسعه می دهید شما باید خروجی را
917
00:30:14,640 –> 00:30:16,399
یکی یکی دریافت کنید، باید بروید
918
00:30:16,399 –> 00:30:18,960
از این کتابخانه خاص استفاده کنید و از
919
00:30:18,960 –> 00:30:20,960
نتایج آموزشی خود برای موارد خاص ببینید
920
00:30:20,960 –> 00:30:23,200
، مثلاً به عنوان مثال ما 60000 یا
921
00:30:23,200 –> 00:30:25,120
یک لک رکورد داریم. آیا شما
922
00:30:25,120 –> 00:30:27,279
تجزیه و تحلیل همه 6000 رکورد یا یکی را که
923
00:30:27,279 –> 00:30:28,320
924
00:30:28,320 –> 00:30:30,480
ضبط می کند بلد نیستید، بنابراین برخی از داده ها را انتخاب می کنید، مثلاً
925
00:30:30,480 –> 00:30:31,760
1000 رکورد
926
00:30:31,760 –> 00:30:33,760
را انجام می دهید، مگر اینکه 1000 رکورد تصادفی داشته
927
00:30:33,760 –> 00:30:35,200
باشید، سپس
928
00:30:35,200 –> 00:30:38,320
تمام آن درخواست های تصادفی را به
929
00:30:38,320 –> 00:30:41,760
60000 رکورد بعدی تحمیل کنید تا یک مورد خاص بدست آورید.
930
00:30:41,760 –> 00:30:44,159
نتیجه خاصی که می دانید به
931
00:30:44,159 –> 00:30:46,320
آن تنسورفلو می گویند
932
00:30:46,320 –> 00:30:48,480
زیرا ورودی را از آرایه و آرایه چند بعدی
933
00:30:48,480 –> 00:30:49,360
می گیرد
934
00:30:49,360 –> 00:30:51,840
که اساساً یک
935
00:30:51,840 –> 00:30:53,039
نوع numpy می شناسید که می توانید بگویید
936
00:30:53,039 –> 00:30:55,200
و numpy در پایتون که در آن می دانید
937
00:30:55,200 –> 00:30:56,640
آرایه ای
938
00:30:56,640 –> 00:30:58,480
وجود دارد که در آن مقداری محاسباتی وجود دارد.
939
00:30:58,480 –> 00:31:00,559
در ادامه و آن
940
00:31:00,559 –> 00:31:03,519
پایهها باید برخی از
941
00:31:03,519 –> 00:31:04,080
دادههای عددی را منتقل کنید
942
00:31:04,080 –> 00:31:06,080
و در این
943
00:31:06,080 –> 00:31:08,880
معماری خاص تانسور نامیده
944
00:31:08,880 –> 00:31:12,240
میشود، بنابراین من فکر میکنم
945
00:31:12,240 –> 00:31:15,120
tensorflow به طور عمده به این موضوع مربوط میشود که میدانید چرا از این
946
00:31:15,120 –> 00:31:16,559
استفاده شده است یا
947
00:31:16,559 –> 00:31:19,120
tensorflow به این دلیل است که تانسور از
948
00:31:19,120 –> 00:31:20,080
949
00:31:20,080 –> 00:31:22,159
طریق لیستی از عملیات وارد جریان ها می شود و سپس
950
00:31:22,159 –> 00:31:24,480
از طرف دیگر می آید تا داده ها را پیش بینی کند که
951
00:31:24,480 –> 00:31:25,919
چه اتفاقی می تواند بیفتد و چه
952
00:31:25,919 –> 00:31:27,760
استراتژی هایی باید در مکان دیگری اتخاذ
953
00:31:27,760 –> 00:31:30,159
شود. خوب و بعد منظورم
954
00:31:30,159 –> 00:31:31,279
مهم ترین چیز این است که
955
00:31:31,279 –> 00:31:33,120
دوباره پلتفرم مستقل است که می
956
00:31:33,120 –> 00:31:34,720
تواند هر یک از سیستم عامل ها را اجرا کند
957
00:31:34,720 –> 00:31:36,720
اما تنها چیزی که دارید این است که شما باید
958
00:31:36,720 –> 00:31:38,000
959
00:31:38,000 –> 00:31:40,399
حداقل 4 گیگ رم حافظه داشته باشید و شرایط اولیه برای داشتن یک رم را می دانید.
960
00:31:40,399 –> 00:31:43,600
نرم افزار gender بسیار
961
00:31:43,600 –> 00:31:47,279
خوب است و رفتن به
962
00:31:47,279 –> 00:31:50,720
صفحه بعدی بسیار خوب است بنابراین این ویژگی ها
963
00:31:50,720 –> 00:31:52,960
پاسخگو هستند انعطاف پذیر آموزش
964
00:31:52,960 –> 00:31:55,919
شبکه خنثی موازی آسان قابل آموزش
965
00:31:55,919 –> 00:31:58,000
بسیار خوب است بنابراین اکنون اسلاید بعدی واقعاً
966
00:31:58,000 –> 00:32:00,399
دوباره و این یک
967
00:32:00,399 –> 00:32:03,600
scikit است این یک کیت علمی است که شما می دانید که
968
00:32:03,600 –> 00:32:05,840
در آن دوباره یک کتابخانه ای که
969
00:32:05,840 –> 00:32:07,760
باید از آن به عنوان بسته وارد کردن در
970
00:32:07,760 –> 00:32:08,320
پایتون
971
00:32:08,320 –> 00:32:11,440
و اساساً الگوریتم های یادگیری بدون نظارت
972
00:32:11,440 –> 00:32:12,640
973
00:32:12,640 –> 00:32:14,000
و اعتبار سنجی متقابل استفاده کنید، من یک
974
00:32:14,000 –> 00:32:15,840
مثال بسیار خوب به شما می دهم در اینجا شما می دانید
975
00:32:15,840 –> 00:32:17,840
اوه تحت نظارت و بدون نظارت،
976
00:32:17,840 –> 00:32:19,840
یک مثال به شما می دهم که یادگیری سرپرست
977
00:32:19,840 –> 00:32:21,279
اساساً
978
00:32:21,279 –> 00:32:24,320
است. ایمیلی که
979
00:32:24,320 –> 00:32:26,640
روزانه دریافت میکنید و میدانید
980
00:32:26,640 –> 00:32:29,360
در ایمیلی که مبلغ در آن نوشته شده است،
981
00:32:29,360 –> 00:32:30,080
جایی که
982
00:32:30,080 –> 00:32:31,919
مبلغ کل نوشته شده است، جایی که
983
00:32:31,919 –> 00:32:33,679
نام در جایی نوشته شده است.
984
00:32:33,679 –> 00:32:35,760
dit و debits در
985
00:32:35,760 –> 00:32:37,760
این بدنه ایمیل خاص اتفاق می افتد
986
00:32:37,760 –> 00:32:40,080
، یعنی شما یک قالب ساختاریافته را می شناسید
987
00:32:40,080 –> 00:32:41,120
که می تواند با مدل فوق 5 نظارت شده آموزش داده شود،
9