در این مطلب، ویدئو یادگیری ماشین پایتون | مقدمه ای بر یادگیری ماشین با پایتون | ادورکا | ML Rewind – 3 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: 00:23:23
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:13,599 –> 00:00:15,360
سلام به همه این vasene از eddie reika است
2
00:00:15,360 –> 00:00:17,279
و من به همه شما در این جلسه زنده خوش آمد می گویم
3
00:00:17,279 –> 00:00:18,240
4
00:00:18,240 –> 00:00:20,480
این جلسه یکی از سری python ml
5
00:00:20,480 –> 00:00:22,560
است که در آن ما در مورد
6
00:00:22,560 –> 00:00:24,880
یادگیری ماشین با پایتون یاد می گیریم بیایید
7
00:00:24,880 –> 00:00:27,359
جلسه را شروع کنیم بچه ها پس نگاهی به
8
00:00:27,359 –> 00:00:29,119
دستور کار برای در این جلسه من
9
00:00:29,119 –> 00:00:31,199
دقیقاً با یادگیری ماشین شروع میکنم
10
00:00:31,199 –> 00:00:33,040
و بیشتر میروم، در مورد
11
00:00:33,040 –> 00:00:35,280
انواع مختلف یادگیری ماشین
12
00:00:35,280 –> 00:00:37,600
13
00:00:37,600 –> 00:00:39,920
صحبت میکنم و در نهایت این جلسه را جمعبندی میکنم، در مورد اینکه چرا پایتون در حال حاضر بهترین گزینه
14
00:00:39,920 –> 00:00:41,760
برای یادگیری ماشینی است، بحث خواهم کرد،
15
00:00:41,760 –> 00:00:44,320
همچنین اگر تازه کار هستید. در اینجا فراموش نکنید که
16
00:00:44,320 –> 00:00:46,079
برای آموزش های هیجان انگیز بیشتر در آدیداس مشترک شوید
17
00:00:46,079 –> 00:00:48,320
و نماد زنگ را فشار دهید
18
00:00:48,320 –> 00:00:51,120
تا آخرین به روزرسانی های edureka را دریافت کنید و برنامه گواهینامه
19
00:00:51,120 –> 00:00:52,559
یادگیری ماشین ادوریکا را بررسی کنید.
20
00:00:52,559 –> 00:00:54,960
21
00:00:54,960 –> 00:00:57,199
22
00:00:57,199 –> 00:00:59,199
دوستان جلسه ما،
23
00:00:59,199 –> 00:01:01,359
بنابراین برای درک یادگیری ماشینی،
24
00:01:01,359 –> 00:01:03,359
ابتدا باید نیاز به یادگیری ماشینی را درک کنیم،
25
00:01:03,359 –> 00:01:04,559
26
00:01:04,559 –> 00:01:07,119
بنابراین از زمان انقلاب فنی
27
00:01:07,119 –> 00:01:08,799
که ما ایجاد کرده ایم.
28
00:01:08,799 –> 00:01:11,200
اکنون همه باید
29
00:01:11,200 –> 00:01:13,439
از این اصطلاح آگاه باشند که
30
00:01:13,439 –> 00:01:16,159
در هر نمونه از
31
00:01:16,159 –> 00:01:18,080
دستاوردها یا هر چیزی
32
00:01:18,080 –> 00:01:20,240
که میدانید همیشه دادههایی در آن وجود دارد استفاده میشود،
33
00:01:20,240 –> 00:01:22,479
زیرا دادهها به سوخت جدید تبدیل شدهاند و
34
00:01:22,479 –> 00:01:24,960
طبق تحقیقات ما در حال تولید حدود
35
00:01:24,960 –> 00:01:27,600
2.5 هستیم. در حال حاضر هر روز یک کوئینتیلیون بایت
36
00:01:27,600 –> 00:01:28,880
37
00:01:28,880 –> 00:01:33,200
داده تخمین زده می شود که تا سال 2025،
38
00:01:33,200 –> 00:01:36,400
1.7 مگابایت داده در هر
39
00:01:36,400 –> 00:01:39,439
ثانیه برای هر فرد روی زمین ایجاد می شود، بنابراین
40
00:01:39,439 –> 00:01:41,280
با توجه به اینکه ما بیش از 7 میلیارد
41
00:01:41,280 –> 00:01:42,640
نفر روی زمین هستیم
42
00:01:42,640 –> 00:01:44,399
که داده های زیادی است
43
00:01:44,399 –> 00:01:46,640
و با در دسترس بودن
44
00:01:46,640 –> 00:01:49,439
دادههای بسیار زیاد، در نهایت میتوان مدلهایی ساخت
45
00:01:49,439 –> 00:01:51,119
مدلهای یادگیری ماشینی ساخت که
46
00:01:51,119 –> 00:01:54,159
میتوانند دادههای پیچیده را برای یافتن بینشهای مفید مطالعه و تجزیه و تحلیل کنند
47
00:01:54,159 –> 00:01:56,799
و همچنین
48
00:01:56,799 –> 00:01:59,759
نتایج بسیار
49
00:01:59,759 –> 00:02:01,680
دقیقتری ارائه دهند، شرکتهای درجه یک مانند شما میشناسید
50
00:02:01,680 –> 00:02:03,520
amazon و سپس شما هستید.
51
00:02:03,520 –> 00:02:05,280
پلتفرمهای پخش جریانی مانند
52
00:02:05,280 –> 00:02:07,280
الگوها را به هر آنچه که در پلتفرم آنها تماشا میکنید را بشناسید
53
00:02:07,280 –> 00:02:09,758
و سپس آنها یک
54
00:02:09,758 –> 00:02:12,160
سیستم توصیه را بر اساس
55
00:02:12,160 –> 00:02:14,720
علاقه و فعالیت شما ایجاد میکنند.
56
00:02:14,720 –> 00:02:16,560
از آنجایی که آنها داده های مشابهی را به شما می دهند که شما
57
00:02:16,560 –> 00:02:18,720
به آنها علاقه مند خواهید شد و در نهایت
58
00:02:18,720 –> 00:02:20,720
مشاهده می کنید که البته حاشیه سود آنها را افزایش می دهد
59
00:02:20,720 –> 00:02:23,040
و همین امر در
60
00:02:23,040 –> 00:02:25,120
مورد هر تجارت الکترونیکی نیز صدق می کند، همچنین آنها
61
00:02:25,120 –> 00:02:27,520
میزان درآمدزایی خود را
62
00:02:27,520 –> 00:02:30,319
بر اساس توصیه
63
00:02:30,319 –> 00:02:32,160
هایی تعیین می کنند. در نهایت به فروش آنها نیز کمک میکند
64
00:02:32,160 –> 00:02:32,959
65
00:02:32,959 –> 00:02:35,440
و حتی شما نمیدانید که تلاش برای افزایش
66
00:02:35,440 –> 00:02:37,280
مقیاس یادگیری ماشین کسبوکار
67
00:02:37,280 –> 00:02:40,000
به جلوگیری از خطرات ناخواسته نیز کمک میکند،
68
00:02:40,000 –> 00:02:41,120
69
00:02:41,120 –> 00:02:43,200
بنابراین من فقط به سرعت به شما چند دلیل میگویم که
70
00:02:43,200 –> 00:02:44,879
چرا یادگیری ماشین در
71
00:02:44,879 –> 00:02:46,319
حال حاضر بسیار مهم است،
72
00:02:46,319 –> 00:02:49,440
بنابراین ابتدا از همه، از آنجایی که دادههای uh به
73
00:02:49,440 –> 00:02:52,160
صورت اعداد تولید میشوند، منظورم این است که به
74
00:02:52,160 –> 00:02:54,720
دلیل تولید بیش از حد دادهها،
75
00:02:54,720 –> 00:02:56,319
ما به روشی نیاز داریم که بتوان از آن برای
76
00:02:56,319 –> 00:02:57,360
ساخت
77
00:02:57,360 –> 00:02:59,519
یا ساختار و تجزیه و تحلیل و
78
00:02:59,519 –> 00:03:01,280
همچنین به دست آوردن بینشهای مفید از آن
79
00:03:01,280 –> 00:03:03,519
دادهها استفاده کرد، بنابراین این دقیقاً جایی است که
80
00:03:03,519 –> 00:03:05,519
یادگیری ماشینی وارد میشود و از دادهها برای
81
00:03:05,519 –> 00:03:08,159
حل مشکلات و یافتن راهحل
82
00:03:08,159 –> 00:03:10,640
برای پیچیدهترین وظیفهای که هر
83
00:03:10,640 –> 00:03:12,640
سازمانی با آن مواجه است استفاده میکند و میتواند
84
00:03:12,640 –> 00:03:15,440
دولت هر سازمانی باشد. به
85
00:03:15,440 –> 00:03:17,440
همین سادگی
86
00:03:17,440 –> 00:03:19,040
مالک کسب و کار در مقیاس کوچک را می شناسید که داده های زیادی از
87
00:03:19,040 –> 00:03:21,599
پایگاه مشتری خود دارد و
88
00:03:21,599 –> 00:03:23,760
این داده ها را ساختاربندی کرده است تا بتوانید از آن
89
00:03:23,760 –> 00:03:25,760
برای تعیین کمیت
90
00:03:25,760 –> 00:03:27,920
یا افزایش مقیاس کسب و کار آنها با استفاده از
91
00:03:27,920 –> 00:03:29,840
مدل های یادگیری ماشین استفاده کنید.
92
00:03:29,840 –> 00:03:32,080
یادگیری ماشینی تصمیم گیری را بهبود می بخشد
93
00:03:32,080 –> 00:03:34,560
بچه ها من به شما خواهم گفت که چگونه با
94
00:03:34,560 –> 00:03:36,879
استفاده از الگوریتم های مختلف که
95
00:03:36,879 –> 00:03:39,599
یادگیری ماشین به همراه آن ارائه می شود، می توان برای
96
00:03:39,599 –> 00:03:41,840
تصمیم گیری های تجاری بهتر استفاده کرد
97
00:03:41,840 –> 00:03:43,920
و به عنوان مثال از یادگیری ماشینی
98
00:03:43,920 –> 00:03:46,560
برای پیش بینی فروش برای پیش بینی سقوط
99
00:03:46,560 –> 00:03:48,319
بازار سهام استفاده می شود. پیشبینی بازار سهام را بدانید که در
100
00:03:48,319 –> 00:03:50,080
آن شما فقط میتوانید
101
00:03:50,080 –> 00:03:52,159
قیمت سهام را برای یک تاریخ خاص پیشبینی کنید
102
00:03:52,159 –> 00:03:54,239
، اگرچه من این
103
00:03:54,239 –> 00:03:56,080
کار را به شما پیشنهاد نمیکنم زیرا این کار به
104
00:03:56,080 –> 00:03:58,239
دانش آماری زیادی نیاز دارد
105
00:03:58,239 –> 00:04:00,879
و شما آمار استنباطی را میدانید، بنابراین
106
00:04:00,879 –> 00:04:02,319
این یکی از مواردی است که نباید
107
00:04:02,319 –> 00:04:03,760
مستقیماً به آن بروید. برای زمانی که
108
00:04:03,760 –> 00:04:06,159
یادگیری ماشین را شروع می کنید و
109
00:04:06,159 –> 00:04:08,319
چیزهای دیگری مانند شناسایی خطرات و
110
00:04:08,319 –> 00:04:10,480
ناهنجاری ها در داده ها و سپس تشخیص هرزنامه وجود دارد.
111
00:04:10,480 –> 00:04:11,920
112
00:04:11,920 –> 00:04:14,400
اینها برخی از حوزههایی هستند که شما میشناسید که در آنها
113
00:04:14,400 –> 00:04:15,840
یادگیری ماشینی به بهبود تصمیمگیری کمک میکند،
114
00:04:15,840 –> 00:04:17,358
115
00:04:17,358 –> 00:04:19,279
اکنون یادگیری ماشین نیز میتواند به شما در
116
00:04:19,279 –> 00:04:22,240
کشف الگوها و گرایشها در افراد داده
117
00:04:22,240 –> 00:04:23,919
کمک کند، بنابراین یادگیری ماشین به شما کمک
118
00:04:23,919 –> 00:04:25,680
میکند الگوهای پنهان را پیدا کنید و
119
00:04:25,680 –> 00:04:28,639
بینش کلیدی را از دادهها
120
00:04:28,639 –> 00:04:30,160
استخراج کنید. این مهمترین
121
00:04:30,160 –> 00:04:32,080
بخش یادگیری ماشین است زیرا با
122
00:04:32,080 –> 00:04:34,000
ساخت مدلهای پیشبینیکننده و استفاده از
123
00:04:34,000 –> 00:04:36,240
تکنیکهای آماری، یادگیری ماشین
124
00:04:36,240 –> 00:04:37,840
در واقع به شما امکان میدهد تا زیر
125
00:04:37,840 –> 00:04:40,639
سطح را حفاری کنید و دادهها را در مقیاس بسیار دقیق کاوش کنید،
126
00:04:40,639 –> 00:04:43,199
بنابراین درک دادهها
127
00:04:43,199 –> 00:04:44,880
و استخراج الگوها به صورت
128
00:04:44,880 –> 00:04:46,720
دستی روزها طول میکشد. بچه ها پس بیایید بگوییم اگر من
129
00:04:46,720 –> 00:04:48,639
داده ای به شما می دهم و می خواهم
130
00:04:48,639 –> 00:04:51,280
الگویی را در آن داده ها شناسایی
131
00:04:51,280 –> 00:04:53,440
کنید، زمان زیادی از شما
132
00:04:53,440 –> 00:04:54,800
133
00:04:54,800 –> 00:04:56,720
می گیرد.
134
00:04:56,720 –> 00:04:58,160
شما همه این الگوریتمها را دارید که میتوانند
135
00:04:58,160 –> 00:05:01,360
محاسبه کنند، همه این محاسبات را
136
00:05:01,360 –> 00:05:03,520
در یک ثانیه میدانید و آنها میتوانند
137
00:05:03,520 –> 00:05:06,479
توزیع دادهها را شناسایی کنند. این که
138
00:05:06,479 –> 00:05:08,160
شما قادر خواهید بود الگوها را به راحتی پیدا کنید
139
00:05:08,160 –> 00:05:09,199
140
00:05:09,199 –> 00:05:10,800
و در آخر،
141
00:05:10,800 –> 00:05:12,800
یادگیری ماشینی، در واقع یک مشکل بسیار
142
00:05:12,800 –> 00:05:16,080
پیچیده را در چند دقیقه حل میکند
143
00:05:16,080 –> 00:05:18,560
و از شما میدانید که تشخیص ژنهای مرتبط
144
00:05:18,560 –> 00:05:20,400
با بیماری مرگبار els تا ساخت
145
00:05:20,400 –> 00:05:22,560
خودروهای خودران، حتی
146
00:05:22,560 –> 00:05:24,479
یادگیری ماشینی. می تواند برای حل
147
00:05:24,479 –> 00:05:26,800
اکثر مشکلات پیچیده بچه ها استفاده شود و اگر
148
00:05:26,800 –> 00:05:28,639
واقعاً می خواهید بدانید که تشخیص اشیا
149
00:05:28,639 –> 00:05:31,440
در ماشین های متحرک چگونه کار می کند ، یک جلسه
150
00:05:31,440 –> 00:05:33,039
در مورد تشخیص اشیا در کانال یوتیوب ما وجود دارد
151
00:05:33,039 –> 00:05:34,639
بچه ها می توانید آن را بررسی کنید و
152
00:05:34,639 –> 00:05:36,320
اگر می خواهید می
153
00:05:36,320 –> 00:05:37,759
توانم لینک را به شما بدهم. در
154
00:05:37,759 –> 00:05:40,080
توضیحات یا در چت
155
00:05:40,080 –> 00:05:41,840
کاملاً درست است، بنابراین اکنون
156
00:05:41,840 –> 00:05:43,919
این چند دلیل است که چرا ما به یادگیری ماشینی نیاز داریم،
157
00:05:43,919 –> 00:05:46,479
بنابراین بیایید به جلو برویم
158
00:05:46,479 –> 00:05:47,280
و
159
00:05:47,280 –> 00:05:49,840
نگاهی به یادگیری ماشینی بیاندازیم
160
00:05:49,840 –> 00:05:50,960
،
161
00:05:50,960 –> 00:05:53,680
بنابراین اصطلاح یادگیری ماشین برای اولین
162
00:05:53,680 –> 00:05:56,639
بار توسط آرتور ساموئل ابداع شد. در سال 1959
163
00:05:56,639 –> 00:05:59,759
و نگاه کردن به آن سال
164
00:05:59,759 –> 00:06:02,319
احتمالاً مهمترین سال از نظر
165
00:06:02,319 –> 00:06:04,479
پیشرفت فناوری بود، بنابراین اگر در اینترنت
166
00:06:04,479 –> 00:06:06,960
مرور میکنید و اگر در گوگل جستجو میکنید، میتوانید
167
00:06:06,960 –> 00:06:08,880
مانند ماشینهای l با کسب درآمد
168
00:06:08,880 –> 00:06:11,120
، حداقل 100 تعریف مختلف دریافت خواهید کرد،
169
00:06:11,120 –> 00:06:13,280
زیرا تعریف خاصی
170
00:06:13,280 –> 00:06:14,960
برای یادگیری ماشین وجود ندارد، با این حال
171
00:06:14,960 –> 00:06:16,560
هر کسی دیدگاه خاص خود را در مورد
172
00:06:16,560 –> 00:06:18,400
یادگیری ماشینی دارد
173
00:06:18,400 –> 00:06:20,160
و نکته اینجاست که تعاریف زیادی
174
00:06:20,160 –> 00:06:22,000
برای یادگیری وجود دارد، اما نکته
175
00:06:22,000 –> 00:06:23,919
باید در نظر گرفته شود. در جایی که منظور من
176
00:06:23,919 –> 00:06:24,880
اولین
177
00:06:24,880 –> 00:06:27,520
تعریف رسمی است توسط تام
178
00:06:27,520 –> 00:06:30,319
میچل ارائه شد که گفت برنامه کامپیوتری
179
00:06:30,319 –> 00:06:32,960
گفته می شود از تجربه
180
00:06:32,960 –> 00:06:36,400
e با توجه به برخی از کلاس های وظیفه p
181
00:06:36,400 –> 00:06:38,880
و اندازه گیری عملکرد p یاد می گیرد اگر
182
00:06:38,880 –> 00:06:41,919
عملکرد آن در کار در t اندازه گیری شده توسط
183
00:06:41,919 –> 00:06:44,400
p بهبود یابد. با تجربه e
184
00:06:44,400 –> 00:06:46,639
در حال حاضر بسیار پیچیده به نظر می رسد،
185
00:06:46,639 –> 00:06:48,400
بنابراین به زبان ساده به شما می گویم که
186
00:06:48,400 –> 00:06:50,000
یادگیری ماشین زیرمجموعه ای از
187
00:06:50,000 –> 00:06:52,479
هوش مصنوعی است، بله،
188
00:06:52,479 –> 00:06:55,280
هوش مصنوعی را شنیدید که به
189
00:06:55,280 –> 00:06:57,840
ماشین ها امکان یادگیری
190
00:06:57,840 –> 00:07:00,720
خودکار و بهبود از
191
00:07:00,720 –> 00:07:02,960
تجربه را بدون
192
00:07:02,960 –> 00:07:04,960
برنامه ریزی صریح برای انجام این کار ارائه می دهد. بنابراین
193
00:07:04,960 –> 00:07:07,120
در حال حاضر به این معنا عمل
194
00:07:07,120 –> 00:07:09,360
به ماشین ها برای حل مسائل با
195
00:07:09,360 –> 00:07:12,400
به دست آوردن توانایی تا حدودی است البته
196
00:07:12,400 –> 00:07:14,479
شما باید نگران این باشید که چگونه ماشین
197
00:07:14,479 –> 00:07:16,479
می تواند درست فکر کند یا تصمیم بگیرد،
198
00:07:16,479 –> 00:07:19,280
اما اگر مقدار زیادی
199
00:07:19,280 –> 00:07:21,599
از داده ها را به ماشینی بدهید که به عنوان آموزش
200
00:07:21,599 –> 00:07:24,080
مدل یا آموزش ماشین نیز شناخته می شود،
201
00:07:24,080 –> 00:07:26,319
یاد می گیرد که چگونه
202
00:07:26,319 –> 00:07:29,520
فرآیند را تفسیر کند و همچنین این داده ها را با استفاده از آن تجزیه و تحلیل کند.
203
00:07:29,520 –> 00:07:31,680
الگوریتمهای یادگیری ماشین
204
00:07:31,680 –> 00:07:33,919
و همچنین منجر به حل مسائل دنیای واقعی میشود،
205
00:07:33,919 –> 00:07:35,599
206
00:07:35,599 –> 00:07:38,080
بنابراین این یک ماشین یادگیری است، بنابراین
207
00:07:38,080 –> 00:07:40,000
شما یک ماشین دارید که
208
00:07:40,000 –> 00:07:42,560
مقدار زیادی از دادهها را به آن میدهید و خودش یاد میگیرد
209
00:07:42,560 –> 00:07:45,599
الگوریتمی را که میدانید تجزیه و تحلیل میکند.
210
00:07:45,599 –> 00:07:46,720
211
00:07:46,720 –> 00:07:48,160
شما ارائه کرده اید
212
00:07:48,160 –> 00:07:49,199
213
00:07:49,199 –> 00:07:52,720
و بعد از ارزیابی خود را ارزیابی می کند
214
00:07:52,720 –> 00:07:55,360
، ما آن را در یک داده دنیای واقعی قرار می دهیم
215
00:07:55,360 –> 00:07:57,759
و ببینیم آیا به
216
00:07:57,759 –> 00:08:00,639
همان اندازه که برنامه ریزی کرده ایم کارآمد است یا خیر
217
00:08:00,639 –> 00:08:02,160
، چند نکته وجود دارد که
218
00:08:02,160 –> 00:08:03,599
هنگام کار با ماشین باید در مورد آنها بدانید.
219
00:08:03,599 –> 00:08:05,840
یادگیری الگوریتم هایی وجود دارد، بنابراین
220
00:08:05,840 –> 00:08:07,840
الگوریتم اساساً یک
221
00:08:07,840 –> 00:08:09,199
الگوریتم یادگیری ماشینی است که
222
00:08:09,199 –> 00:08:12,240
مجموعه ای از قوانین و تکنیک های آماری است
223
00:08:12,240 –> 00:08:14,000
که برای یادگیری الگوها از داده ها استفاده می شود.
224
00:08:14,000 –> 00:08:16,319
اطلاعات قابل توجهی را از آنها
225
00:08:16,319 –> 00:08:18,080
بگیرید، بنابراین یک الگوریتم اساساً منطقی است که
226
00:08:18,080 –> 00:08:20,240
پشت یک مدل یادگیری ماشینی قرار دارد و یک
227
00:08:20,240 –> 00:08:22,080
نمونه از یک مدل یادگیری ماشینی،
228
00:08:22,080 –> 00:08:24,800
الگوریتم رگرسیون خطی است که یکی از
229
00:08:24,800 –> 00:08:26,080
الگوریتمهایی است که من فقط به شما میگویم
230
00:08:26,080 –> 00:08:28,160
که الگوریتمهای زیادی نیز وجود دارد که
231
00:08:28,160 –> 00:08:29,919
میتوانید برای یادگیری ماشین استفاده کنید و
232
00:08:29,919 –> 00:08:32,479
سپس اصطلاح دیگری داریم که مدل است،
233
00:08:32,479 –> 00:08:34,640
بنابراین وقتی می گوییم مدل
234
00:08:34,640 –> 00:08:36,640
جزء اصلی یادگیری ماشینی است،
235
00:08:36,640 –> 00:08:39,360
مدلی است که با داده ها با استفاده
236
00:08:39,360 –> 00:08:41,519
از الگوریتم یادگیری ماشین آموزش می دهیم و
237
00:08:41,519 –> 00:08:43,279
الگوریتم قرار است همه موارد را ترسیم کند.
238
00:08:43,279 –> 00:08:45,120
تصمیماتی که قرار است یک مدل
239
00:08:45,120 –> 00:08:48,560
بر اساس ورودی داده شده اتخاذ کند
240
00:08:48,560 –> 00:08:51,120
تا خروجی صحیح را به دست آورد، سپس
241
00:08:51,120 –> 00:08:53,120
متغیرهای ورودی وجود دارد،
242
00:08:53,120 –> 00:08:55,200
متغیرهای خروجی نیز به عنوان دادههای وابسته و مستقل شناخته میشوند
243
00:08:55,200 –> 00:08:57,600
و سپس
244
00:08:57,600 –> 00:09:00,560
دادههای آموزشی دادههای آزمایش را داریم،
245
00:09:00,560 –> 00:09:01,920
بنابراین این چند مورد است. وقتی در یادگیری ماشینی کار می کنید باید
246
00:09:01,920 –> 00:09:03,519
با آنها آشنا باشید،
247
00:09:03,519 –> 00:09:04,880
248
00:09:04,880 –> 00:09:06,240
اکنون اجازه دهید من فقط در مورد فرآیند یادگیری ماشین صحبت کنم.
249
00:09:06,240 –> 00:09:08,080
250
00:09:08,080 –> 00:09:10,240
فرآیند ning شامل
251
00:09:10,240 –> 00:09:12,160
ساخت مدلی است که می تواند برای
252
00:09:12,160 –> 00:09:13,920
یافتن راه حلی برای هر
253
00:09:13,920 –> 00:09:15,760
بیانیه مشکلی مورد استفاده قرار گیرد، بنابراین وقتی من بیان مسئله را می گویم
254
00:09:15,760 –> 00:09:18,800
، اولین وظیفه ای
255
00:09:18,800 –> 00:09:21,200
است که به شما داده می شود در جایی که می خواهید
256
00:09:21,200 –> 00:09:22,399
یک مدل را پیاده سازی کنید،
257
00:09:22,399 –> 00:09:23,760
بنابراین برای درک فرآیند یادگیری ماشین
258
00:09:23,760 –> 00:09:25,760
بیایید فقط فرض کنید که
259
00:09:25,760 –> 00:09:27,760
یک بیانیه مشکل داده اید که
260
00:09:27,760 –> 00:09:29,600
باید با استفاده از یادگیری ماشین حل شود، بنابراین
261
00:09:29,600 –> 00:09:31,920
فرض کنید داده های زیادی دارید یا
262
00:09:31,920 –> 00:09:34,399
فرض کنید هنوز آن داده ها
263
00:09:34,399 –> 00:09:36,320
را ندارید، بنابراین مشکل دارید و می خواهید
264
00:09:36,320 –> 00:09:38,560
مشکل را شناسایی کنید و ببینید چگونه میتوانید
265
00:09:38,560 –> 00:09:40,880
از آن دادهها استفاده کنید، برای
266
00:09:40,880 –> 00:09:42,800
اینکه باید دادهها را جمعآوری کنید، سپس باید
267
00:09:42,800 –> 00:09:45,279
آن دادهها را آماده کنید که تمام موارد
268
00:09:45,279 –> 00:09:47,760
اضافی را که آنها را پاک میکنید حذف کنید و بعد از
269
00:09:47,760 –> 00:09:49,519
آن دادهها را برای پیدا کردن روندها کاوش کنید،
270
00:09:49,519 –> 00:09:51,600
سپس از تجسم استفاده کنید.
271
00:09:51,600 –> 00:09:53,920
شما مهندسی ویژگی را انجام میدهید
272
00:09:53,920 –> 00:09:56,480
و کدام نمونهبرداری را انجام میدهید و
273
00:09:56,480 –> 00:09:59,120
بعد از آن مدل ساخت آن را تغذیه
274
00:09:59,120 –> 00:10:00,959
میکنید و اگر ارزیابی را انجام میدهید که آیا تا
275
00:10:00,959 –> 00:10:03,760
حدی است که تصور میکنید یا
276
00:10:03,760 –> 00:10:05,600
برای بیان مشکل شما مناسب است
277
00:10:05,600 –> 00:10:06,480
. خوب،
278
00:10:06,480 –> 00:10:08,399
شما از آن برای بیان مشکل خود استفاده می کنید
279
00:10:08,399 –> 00:10:10,320
و به این صورت است که هر مدل یادگیری ماشینی را ایجاد می کنید،
280
00:10:10,320 –> 00:10:12,240
بنابراین این فرآیندی است
281
00:10:12,240 –> 00:10:13,519
که ما در واقع برای
282
00:10:13,519 –> 00:10:16,480
بچه های یادگیری ماشین استفاده می کنیم و به این ترتیب
283
00:10:16,480 –> 00:10:18,480
خوب پیش می رود در نظرات به من بگویید بچه ها
284
00:10:18,480 –> 00:10:20,560
فکر می کنید یادگیری ماشین چیست هنگامی
285
00:10:20,560 –> 00:10:22,800
که برای اولین بار آن را شنیدید و نمی دانستید
286
00:10:22,800 –> 00:10:24,640
که واقعاً چیست،
287
00:10:24,640 –> 00:10:26,800
اکنون اجازه دهید در مورد چند
288
00:10:26,800 –> 00:10:28,959
نوع یادگیری ماشینی نیز صحبت کنم
289
00:10:28,959 –> 00:10:31,440
تا یک ماشین بتواند حل یک
290
00:10:31,440 –> 00:10:33,360
مشکل را با پیروی
291
00:10:33,360 –> 00:10:34,959
از یکی از سه رویکرد که
292
00:10:34,959 –> 00:10:37,120
اساساً تحت نظارت یادگیری
293
00:10:37,120 –> 00:10:39,600
بدون نظارت است، یاد بگیرد. یادگیری و یادگیری تقویتی،
294
00:10:39,600 –> 00:10:41,600
بنابراین بیایید ابتدا در مورد یادگیری نظارت شده صحبت کنیم،
295
00:10:41,600 –> 00:10:43,680
بنابراین یادگیری نظارت
296
00:10:43,680 –> 00:10:46,480
شده تکنیکی است که در آن ما
297
00:10:46,480 –> 00:10:49,839
ماشین را با استفاده از داده هایی که به خوبی
298
00:10:49,839 –> 00:10:52,959
برچسب گذاری شده اند آموزش می دهیم یا آموزش می دهیم، بنابراین اکنون داده ها را برچسب گذاری کرده ایم
299
00:10:52,959 –> 00:10:54,800
تا یادگیری تحت نظارت را درک کنیم،
300
00:10:54,800 –> 00:10:56,720
بیایید در کودکی مثالی را در نظر
301
00:10:56,720 –> 00:10:59,440
بگیریم. همه برای حل درست مسائل ریاضی به راهنمایی نیاز داشتند،
302
00:10:59,440 –> 00:11:02,000
بنابراین هر زمان
303
00:11:02,000 –> 00:11:04,720
که می خواستید یک مسئله پیچیده
304
00:11:04,720 –> 00:11:06,560
ریاضی را حل
305
00:11:06,560 –> 00:11:09,040
کنید، به کمک نیاز بود. از
306
00:11:09,040 –> 00:11:10,959
معلمانتان یا میت