در این مطلب، ویدئو راه اندازی Python برای یادگیری ماشین: scikit-learn و Jupyter Notebook 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.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,170 –> 00:00:03,120
به مجموعه ویدیوهای من در مورد
2
00:00:03,120 –> 00:00:05,580
یادگیری ماشینی با یادگیری اسکی در
3
00:00:05,580 –> 00:00:09,420
ویدیوی قبلی خوش آمدید، ما یادگیری ماشین
4
00:00:09,420 –> 00:00:12,480
را به دو
5
00:00:12,480 –> 00:00:14,969
نوع یادگیری تحت نظارت و بدون نظارت تقسیم کردیم
6
00:00:14,969 –> 00:00:17,760
و سپس در این ویدیو بحث کردیم که چگونه یادگیری نظارت شده
7
00:00:17,760 –> 00:00:21,570
واقعاً کار می کند.
8
00:00:21,570 –> 00:00:24,500
موضوعات زیر
9
00:00:24,500 –> 00:00:27,330
چه مزایایی برای کسب درآمد چرخه دارد و
10
00:00:27,330 –> 00:00:30,210
چه معایبی دارد چگونه می توانم
11
00:00:30,210 –> 00:00:33,930
scikit را نصب کنم-یادگیری چگونه از
12
00:00:33,930 –> 00:00:37,440
نوت بوک ipython استفاده کنم و اگر هنوز
13
00:00:37,440 –> 00:00:40,200
پایتونی نمی شناسم چه منابع خوبی
14
00:00:40,200 –> 00:00:44,610
برای یادگیری پایتون وجود دارد پس بیایید دریافت کنیم
15
00:00:44,610 –> 00:00:46,829
با مروری اجمالی از برخی
16
00:00:46,829 –> 00:00:55,260
از مزایای Sikit-Learn شروع شد در اینجا
17
00:00:55,260 –> 00:00:56,850
چیزهایی هستند که من در مورد
18
00:00:56,850 –> 00:01:00,300
scikit-learn بیشتر دوست دارم. این یک رابط ثابت
19
00:01:00,300 –> 00:01:02,399
برای بسیاری از
20
00:01:02,399 –> 00:01:05,369
مدل های یادگیری ماشینی ارائه می دهد که یادگیری
21
00:01:05,369 –> 00:01:08,130
نحوه استفاده از یک مدل جدید را آسان می کند.
22
00:01:08,130 –> 00:01:11,189
گزینه های زیادی برای هر مدل در اختیار شما قرار می دهد تا بتوانید
23
00:01:11,189 –> 00:01:13,310
آنها را برای عملکرد بهینه تنظیم کنید،
24
00:01:13,310 –> 00:01:17,130
اما پیش فرض های معقولی را نیز انتخاب می کند تا
25
00:01:17,130 –> 00:01:20,070
بتوانید به سرعت شروع به کار کنید
26
00:01:20,070 –> 00:01:22,830
. به
27
00:01:22,830 –> 00:01:25,200
شما کمک میکند تا مدلها و همچنین
28
00:01:25,200 –> 00:01:28,950
نحوه استفاده صحیح از آنها را درک کنید، علاوه بر این
29
00:01:28,950 –> 00:01:30,979
که خود مدلهای یادگیری ماشینی،
30
00:01:30,979 –> 00:01:33,470
Sicit-learn مجموعهای از عملکردهای غنی را
31
00:01:33,470 –> 00:01:37,320
برای کارهای همراه مانند
32
00:01:37,320 –> 00:01:40,200
ارزیابی مدل انتخاب مدل و
33
00:01:40,200 –> 00:01:44,399
آمادهسازی دادهها فراهم میکند و در نهایت در حال
34
00:01:44,399 –> 00:01:46,530
توسعه فعال است و یک
35
00:01:46,530 –> 00:01:48,840
انجمن فعال در Stack Overflow و
36
00:01:48,840 –> 00:01:53,189
به خصوص لیست پستی آن دارد، سپس lorica
37
00:01:53,189 –> 00:01:55,470
از O’Reilly یک مقاله متفکرانه
38
00:01:55,470 –> 00:01:57,899
در مورد اینکه چرا scikit-learn را توصیه می کند دارد
39
00:01:57,899 –> 00:02:00,469
که در زیر این ویدئو و
40
00:02:00,469 –> 00:02:03,899
همچنین پیوندی به مقاله بسیار خواندنی
41
00:02:03,899 –> 00:02:06,770
نوشته شده توسط نویسندگان scikit-learn
42
00:02:06,770 –> 00:02:11,660
که فلسفه طراحی API خود را توصیف
43
00:02:13,450 –> 00:02:16,670
می کنند، در مقایسه با یادگیری ماشینی اشکالاتی در استفاده از
44
00:02:16,670 –> 00:02:18,820
scikit-learn
45
00:02:18,820 –> 00:02:21,560
برای یادگیری ماشینی وجود دارد و به
46
00:02:21,560 –> 00:02:24,770
عنوان مثال، شخصاً متوجه می شوم که
47
00:02:24,770 –> 00:02:26,450
شروع با یادگیری ماشین
48
00:02:26,450 –> 00:02:29,540
در ما واقعاً آسان تر است.
49
00:02:29,540 –> 00:02:31,760
به اصول اولیه تسلط داشتم، در واقع
50
00:02:31,760 –> 00:02:33,980
عمیقتر شدن در یادگیری ماشین
51
00:02:33,980 –> 00:02:37,220
با Sikit-Learn بسیار
52
00:02:37,220 –> 00:02:39,950
سادهتر است. pth در یک پست وبلاگ لینک شده در
53
00:02:39,950 –> 00:02:42,230
زیر و نظرات متفکرانه زیادی در
54
00:02:42,230 –> 00:02:46,160
زیر پست
55
00:02:46,160 –> 00:02:48,620
وجود دارد.
56
00:02:48,620 –> 00:02:50,810
57
00:02:50,810 –> 00:02:52,700
58
00:02:52,700 –> 00:02:55,190
59
00:02:55,190 –> 00:02:58,460
60
00:02:58,460 –> 00:03:00,890
دو
61
00:03:00,890 –> 00:03:02,870
یادگیری ماشینی خوب تاکید بیشتری
62
00:03:02,870 –> 00:03:05,290
بر دقت پیشبینی دارند،
63
00:03:05,290 –> 00:03:08,750
در حالی که یادگیری آماری بر
64
00:03:08,750 –> 00:03:11,840
تفسیرپذیری و عدم قطعیت مدل تأکید میکند،
65
00:03:11,840 –> 00:03:14,930
به عبارت دیگر، متوجه خواهید شد که
66
00:03:14,930 –> 00:03:17,900
Sikit-Learn بیشتر بر کمک به شما
67
00:03:17,900 –> 00:03:20,170
برای به حداکثر رساندن دقت مدلهایتان تمرکز دارد در
68
00:03:20,170 –> 00:03:22,940
حالی که R تمایل دارد قابلیتهای بیشتری ارائه دهد.
69
00:03:22,940 –> 00:03:25,310
برای درک
70
00:03:25,310 –> 00:03:29,030
مجدد مدلهای شما که ممکن است
71
00:03:29,030 –> 00:03:31,940
بسته به اهداف پروژه شما یک اشکال
72
00:03:31,940 –> 00:03:40,550
باشد یا نباشد، اجازه دهید به
73
00:03:40,550 –> 00:03:45,290
نصب
74
00:03:45,290 –> 00:03:47,780
Sicit-Learn برویم، وبسایت scikit-learn صفحه کاملی دارد
75
00:03:47,780 –> 00:03:50,270
که نصب در سیستمعاملهای مختلف را پوشش میدهد،
76
00:03:50,270 –> 00:03:53,090
توجه داشته باشید که
77
00:03:53,090 –> 00:03:56,030
با پایتون 2 کار میکند. یا 3 و سپس به
78
00:03:56,030 –> 00:04:00,890
هر دو numpy و Sai PI نیاز
79
00:04:00,890 –> 00:04:02,930
دارد اگر یک توزیع پایتون را دانلود کنید
80
00:04:02,930 –> 00:04:06,020
که شامل یادگیری اسکییت است، مانند
81
00:04:06,020 –> 00:04:08,330
توزیع آناکوندا از
82
00:04:08,330 –> 00:04:14,360
تجزیه و تحلیل پیوسته، آناکوندا به عنوان
83
00:04:14,360 –> 00:04:16,339
توزیع علمی پایتون شناخته می شود
84
00:04:16,339 –> 00:04:19,010
زیرا شامل صدها بسته محبوب است
85
00:04:19,010 –> 00:04:21,858
که برای کارهای علمی مفید هستند
86
00:04:21,858 –> 00:04:25,630
و همچنین شامل
87
00:04:25,630 –> 00:04:28,360
ipython و دفترچه یادداشت ipython است.
88
00:04:28,360 –> 00:04:31,930
مدیر بسته مناسب به نام Conda و یک IDE
89
00:04:31,930 –> 00:04:34,690
یا یک محیط توسعه یکپارچه
90
00:04:34,690 –> 00:04:38,440
به نام spider، توزیع آناکوندای
91
00:04:38,440 –> 00:04:41,380
پایتون چیزی است که من شخصاً
92
00:04:41,380 –> 00:04:43,810
برای دانشآموزان علوم دادهام استفاده و توصیه میکنم
93
00:04:43,810 –> 00:04:46,330
و در طول این سری از
94
00:04:46,330 –> 00:04:48,700
نوتبوک ipython برای نشان دادن Sikit-Learn به
95
00:04:48,700 –> 00:04:49,890
96
00:04:49,890 –> 00:04:53,080
هر حال شما استفاده خواهم کرد. اکنون به استفاده از هر تنظیماتی
97
00:04:53,080 –> 00:04:59,980
که برای شما کار می کند خوش آمدید، بیایید نگاهی
98
00:04:59,980 –> 00:05:02,830
به نوت بوک ipython بیندازیم، ما در
99
00:05:02,830 –> 00:05:05,080
واقع به یک نوت بوک پایتون چشمی نگاه می کنیم در
100
00:05:05,080 –> 00:05:07,260
حال حاضر
101
00:05:18,170 –> 00:05:20,880
دو جزء اصلی برای
102
00:05:20,880 –> 00:05:23,400
نوت بوک ipython وجود دارد، مفسر ipython
103
00:05:23,400 –> 00:05:26,990
و یک نوت بوک مبتنی بر مرورگر. رابط
104
00:05:26,990 –> 00:05:30,840
مفسر ipython یک نسخه پیشرفته
105
00:05:30,840 –> 00:05:32,610
از پایتون اینتر استاندارد است
106
00:05:32,610 –> 00:05:34,760
preter که شامل
107
00:05:34,760 –> 00:05:37,370
عملکردهای اضافی مانند نحو تکمیل برگه است
108
00:05:37,370 –> 00:05:41,330
که به سیستم کمکی بهتری برای
109
00:05:41,330 –> 00:05:44,220
دسترسی به دستورات سیستم عامل نشان می دهد و
110
00:05:44,220 –> 00:05:47,250
111
00:05:47,250 –> 00:05:49,440
رابط کاربری نوت بوک مبتنی بر مرورگر به شما امکان می دهد
112
00:05:49,440 –> 00:05:53,850
متن و نمودارهای قالب بندی شده کد را در
113
00:05:53,850 –> 00:05:56,580
همان سندی که اخیراً
114
00:05:56,580 –> 00:05:59,040
به نوت بوک jupiter تغییر نام داده است، ببافید. منعکس کننده این واقعیت است
115
00:05:59,040 –> 00:06:01,320
که زبان های دیگری غیر از پایتون
116
00:06:01,320 –> 00:06:04,110
پشتیبانی می شوند اما
117
00:06:04,110 –> 00:06:10,760
عملکرد نصب ipython در نوت بوک
118
00:06:10,760 –> 00:06:14,130
یکسان است. وب سایت ipython
119
00:06:14,130 –> 00:06:16,320
دستورالعمل های ساده ای را برای نحوه انجام این کار با استفاده از
120
00:06:16,320 –> 00:06:19,500
pip ارائه می دهد اگر توزیع Anaconda پایتون را نصب کرده
121
00:06:19,500 –> 00:06:22,110
باشید،
122
00:06:22,110 –> 00:06:24,720
قبلاً ipython را در آن خواهید داشت. نوت بوک، بنابراین هیچ
123
00:06:24,720 –> 00:06:29,010
اقدام دیگری لازم نیست، بیایید
124
00:06:29,010 –> 00:06:31,380
اکنون به نحوه استفاده از
125
00:06:31,380 –> 00: