در این مطلب، ویدئو مراحل و تکنیک های یادگیری ماشین یادگیری | ملزومات یادگیری ماشین – الگوریتم ها | پایتون | 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: 00:34:18
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,830 –> 00:00:05,970
[موسیقی]
2
00:00:05,970 –> 00:00:08,500
یادگیری ماشینی به طور کلی چه چیزی است
3
00:00:08,500 –> 00:00:11,170
که مردم این اصطلاح را در همه
4
00:00:11,170 –> 00:00:13,900
جا شنیدهاند، اما عملاً چیست،
5
00:00:13,900 –> 00:00:15,880
اگر همین دیروز کشف
6
00:00:15,880 –> 00:00:17,710
کنم که از مکزیکوسیتی
7
00:00:17,710 –> 00:00:19,869
برمیگشتم دقیقاً در یک شرکت بزرگ
8
00:00:19,869 –> 00:00:23,890
آنجا و آنجا آموزش میدادم. مردی دقیقاً در کنار
9
00:00:23,890 –> 00:00:26,950
من بود که صفحه نمایش من را تماشا می کرد و صفحه نمایش من
10
00:00:26,950 –> 00:00:28,989
همه چیز درباره این موضوع بود. داشتم
11
00:00:28,989 –> 00:00:30,849
کتابی در مورد یادگیری عمیق حقوق می خواندم
12
00:00:30,849 –> 00:00:33,100
سرانجام او گفت این چیزهای عمیقی است
13
00:00:33,100 –> 00:00:35,380
که شما آنجا انجام می دهید و از او بپرسید که
14
00:00:35,380 –> 00:00:37,239
چه کار می کنید. گفت من یک آتش نشان هستم
15
00:00:37,239 –> 00:00:40,690
دقیقاً در نزدیکی جایی که شما هستید و از
16
00:00:40,690 –> 00:00:42,280
او پرسیدم اتصال کجاست خوب چه کار
17
00:00:42,280 –> 00:00:44,560
می کردم اگر دیدید
18
00:00:44,560 –> 00:00:46,510
رایانه ای در حال سوختن است آن را ذخیره می کنید
19
00:00:46,510 –> 00:00:48,130
او گفت بله و بنابراین ما چیزی مشابه پیدا کردیم
20
00:00:48,130 –> 00:00:51,730
اما او او در مورد این شنیده است او در
21
00:00:51,730 –> 00:00:54,520
مورد این شنیده است که امروز
22
00:00:54,520 –> 00:00:57,310
تلفن ها هوشمند هستند او شنیده است که
23
00:00:57,310 –> 00:00:59,110
نرم افزار هوشمند او کاربر
24
00:00:59,110 –> 00:00:59,680
نرم افزار است
25
00:00:59,680 –> 00:01:03,400
همه مایکروسافت عشق اصلی
26
00:01:03,400 –> 00:01:05,170
است این است که هر کسب و کاری یک تجارت نرم افزاری است
27
00:01:05,170 –> 00:01:08,259
پس این چیزی است که افراد
28
00:01:08,259 –> 00:01:10,479
سابق دارند. امروز انتظار دارند که
29
00:01:10,479 –> 00:01:13,780
نرم افزار به نحوی هوشمند شود حتی
30
00:01:13,780 –> 00:01:15,729
اگر ندانند این به چه معناست،
31
00:01:15,729 –> 00:01:18,100
اما انتظار نتایج را دارند و خیلی زود
32
00:01:18,100 –> 00:01:20,200
می خواهند که حتی
33
00:01:20,200 –> 00:01:22,719
نرم افزارهای سازمانی نیز هوشمند باشند، معمولاً شما می
34
00:01:22,719 –> 00:01:26,710
دانید که نرم افزار مشتری رو به
35
00:01:26,710 –> 00:01:29,920
گوشی شما این عالی است تا جایی که من نمی
36
00:01:29,920 –> 00:01:31,810
خواهم به هیچ یک از نرم افزارها اشاره کنم در
37
00:01:31,810 –> 00:01:40,630
حال حاضر مردم می خواهند که نرم افزار آنها نرم
38
00:01:40,630 –> 00:01:43,749
افزار حسابداری وجود دارد هر
39
00:01:43,749 –> 00:01:46,359
نرم افزاری که استفاده می کنند باید
40
00:01:46,359 –> 00:01:48,850
هوشمندتر شود باید در مورد آنها بدانند، بنابراین این
41
00:01:48,850 –> 00:01:50,829
چیزی است که امروز در مورد آن صحبت می شود.
42
00:01:50,829 –> 00:01:54,219
در مورد عقل بیشتر و بیشتر که در نرم افزار قرار داده شده است
43
00:01:54,219 –> 00:01:59,610
، پیشرفت های واقعی
44
00:01:59,610 –> 00:02:01,400
مدت ها پیش با آن برخورد می کنند، مانند آن
45
00:02:01,400 –> 00:02:04,440
آقا که قبلاً در این دنیا نیست،
46
00:02:04,440 –> 00:02:06,810
او اصطلاحی را اختراع کرد که می گفت ما به چه
47
00:02:06,810 –> 00:02:10,199
چیزی می گوییم ماشین، جایی است که ما
48
00:02:10,199 –> 00:02:12,540
کامپیوتر را با قوانین دقیق برنامه ریزی نمی کنیم،
49
00:02:12,540 –> 00:02:14,610
اما در عوض، ما دادهها را به او
50
00:02:14,610 –> 00:02:16,770
میدهیم و قوانین بهتنهایی بهدست میآید،
51
00:02:16,770 –> 00:02:20,580
یک مثال که چگونه میتوان آن را مشاهده کرد
52
00:02:20,580 –> 00:02:23,730
، ماشینهای
53
00:02:23,730 –> 00:02:27,120
خودرانی است که اساساً میتوانید با آنها همراه شوید. رویکرد
54
00:02:27,120 –> 00:02:31,230
درایورها و برنامه را تمام
55
00:02:31,230 –> 00:02:34,440
قوانینی که در آنجا پیدا می کنید بخوانید یا می
56
00:02:34,440 –> 00:02:36,510
توانید رایانه را دقیقاً در کنار خود در
57
00:02:36,510 –> 00:02:40,320
ماشین قرار دهید و اجازه دهید مناظر را با سرعت 16
58
00:02:40,320 –> 00:02:42,950
فریم در ثانیه و عکس العمل های شما را ضبط کند و
59
00:02:42,950 –> 00:02:47,130
سپس اجازه دهید داده ها را خراب کند. و
60
00:02:47,130 –> 00:02:49,770
نحوه رانندگی را بیابید، بنابراین این دومین
61
00:02:49,770 –> 00:02:51,480
رویکردی است که ما در مورد آن صحبت می کنیم، ما
62
00:02:51,480 –> 00:02:59,430
از داده هایی که طی
63
00:02:59,430 –> 00:03:02,130
مراحل زیادی می آموزیم، در ابتدا مردم
64
00:03:02,130 –> 00:03:05,220
سعی داشتند دقیقاً همان رویکرد اول را انجام دهند
65
00:03:05,220 –> 00:03:07,620
تا به قوانین برسند و سپس
66
00:03:07,620 –> 00:03:10,950
آنها را در کد خود پیاده سازی کنند. در نهایت
67
00:03:10,950 –> 00:03:13,230
رویکردی که تا به حال برنده شده
68
00:03:13,230 –> 00:03:16,830
است این است که شما تمام دادهها
69
00:03:16,830 –> 00:03:19,830
را به آن میدهید و سپس متوجه میشود که چه کاری باید انجام دهد، بنابراین
70
00:03:19,830 –> 00:03:21,870
این رویکرد مناسبی است که
71
00:03:21,870 –> 00:03:23,400
امروز میتوانید از آن استفاده کنید و چیزی که من میخواهم
72
00:03:23,400 –> 00:03:25,890
درباره آن صحبت کنم کمی بیشتر است. جزئیات به طوری که
73
00:03:25,890 –> 00:03:29,580
دقیقاً بدانید که چگونه کار می کند، این همان
74
00:03:29,580 –> 00:03:32,040
کاری است که مردم قبلاً انجام می دادند، آنها قبلاً
75
00:03:32,040 –> 00:03:34,049
این نوع کدها را انجام می دادند و این همان کاری است که
76
00:03:34,049 –> 00:03:37,739
شما اکنون انجام می دهید، آنها می گویند اینجا یک
77
00:03:37,739 –> 00:03:40,769
دسته ایمیل است و این ایمیل خوب است.
78
00:03:40,769 –> 00:03:41,970
ما به آن می گوییم ha m
79
00:03:41,970 –> 00:03:44,850
و در اینجا یک دسته ایمیل وجود دارد و آن
80
00:03:44,850 –> 00:03:48,120
هرزنامه است و راه به دست آوردن همه این
81
00:03:48,120 –> 00:03:50,700
مجموعه ها آنقدرها هم سخت نیست که می
82
00:03:50,700 –> 00:03:53,580
دانید می توانید در پایان یک مجموعه داده
83
00:03:53,580 –> 00:03:55,709
که عمومی است و از آنجا شروع کنید و سپس
84
00:03:55,709 –> 00:03:58,170
می توانید میلیون ها پیام را در هر پیام پیدا کنید.
85
00:03:58,170 –> 00:04:01,470
در آدرس شما یا
86
00:04:01,470 –> 00:04:04,230
آدرس خاص خود را در یک خانه هرزنامه معروف نصب کنید
87
00:04:04,230 –> 00:04:07,680
تا بتوانید داده ها را دریافت کنید معمولاً
88
00:04:07,680 –> 00:04:09,810
این یک سوال بزرگ است که آنها چگونه داده ها را دریافت می کنند،
89
00:04:09,810 –> 00:04:11,940
اما در این مورد از آنجایی که توضیح دادم
90
00:04:11,940 –> 00:04:13,319
می توانید این کار را انجام دهید
91
00:04:13,319 –> 00:04:15,659
و سپس الگوریتم های خاصی را در سایت اجرا
92
00:04:15,659 –> 00:04:18,180
کنید. آتشسوزی که به شما
93
00:04:18,180 –> 00:04:22,289
امکان میدهد مطمئن شوید که آن ایمیل، اما
94
00:04:22,289 –> 00:04:25,650
در حال حاضر میبینید که آنقدر شبیه همه ایمیلهای هرزنامه است
95
00:04:25,650 –> 00:04:27,810
که او آن را
96
00:04:27,810 –> 00:04:31,610
به احتمال 99 درصد
97
00:04:31,610 –> 00:04:36,060
به عنوان هرزنامه نیز طبقهبندی میکند، بنابراین بیایید به روشهای ترجمه نگاه کنیم، به
98
00:04:36,060 –> 00:04:38,550
عنوان مثال، چه چیزی را استفاده کردهاند.
99
00:04:38,550 –> 00:04:40,740
کاری که اکنون انجام می دهند این
100
00:04:40,740 –> 00:04:43,440
است که آنها چیزی را آموزش می دهند که شبکه عصبی نامیده می
101
00:04:43,440 –> 00:04:47,660
شود و آن شبکه عصبی
102
00:04:47,660 –> 00:04:51,180
عباراتی را با عباراتی تطبیق می دهد که
103
00:04:51,180 –> 00:04:53,729
درک را در سطح بالاتری تقلید می کند و
104
00:04:53,729 –> 00:04:55,520
قبلاً چنین بود، پس بیایید به آن نگاه کنیم. به عنوان مثال
105
00:04:55,520 –> 00:04:59,190
آه یکی از آنچه می نویسد آن چیزی نیست که او هست،
106
00:04:59,190 –> 00:05:00,840
بلکه به خاطر چیزی است که خوانده است
107
00:05:00,840 –> 00:05:03,539
که ترجمه فوق العاده ای نیست،
108
00:05:03,539 –> 00:05:07,620
ترجمه اصلی در قانون سیستم عامل
109
00:05:07,620 –> 00:05:10,320
110
00:05:10,320 –> 00:05:14,580
است. این
111
00:05:14,580 –> 00:05:16,440
یک فکر عالی است و ترجمه جدید
112
00:05:16,440 –> 00:05:19,409
شما آن چیزی نیستید که می نویسید بلکه آنچه
113
00:05:19,409 –> 00:05:23,880
خوانده اید و من را شگفت زده می کند که چگونه
114
00:05:23,880 –> 00:05:25,650
این کار را انجام دادند دقیقاً همان چیزی است که
115
00:05:25,650 –> 00:05:28,020
می خواهم به شما نشان دهم نتایج نهایی
116
00:05:28,020 –> 00:05:30,539
افراد شناخته شده چهره ها را تشخیص می دهند
117
00:05:30,539 –> 00:05:32,340
برنامه درسی گربه ها و سگ ها هستند که به
118
00:05:32,340 –> 00:05:34,020
اندازه کافی یکی از خنده دارهای بسیار محبوب هستند اما
119
00:05:34,020 –> 00:05:36,360
گربه ها در این مسابقات برنده هستند
120
00:05:36,360 –> 00:05:39,240
به این معنا که معمولاً
121
00:05:39,240 –> 00:05:41,190
مردم در بیشتر مسابقات به دنبال گربه هستند نه سگ
122
00:05:41,190 –> 00:05:43,580
و این به آنها یک
123
00:05:43,580 –> 00:05:47,070
راه ساده اما مؤثر برای برنده شدن در
124
00:05:47,070 –> 00:05:49,710
مسابقه می دهد. بیایید نگاه کنیم دقیقاً چگونه
125
00:05:49,710 –> 00:05:53,610
این اتفاق در دهه 60 رخ داد که مردم
126
00:05:53,610 –> 00:05:55,949
قبلاً بیس مینواختند، در واقع این
127
00:05:55,949 –> 00:05:58,139
بخش مهمی از تاریخ است زیرا همانطور
128
00:05:58,139 –> 00:06:01,020
که خواهید دید گاهی هوش مصنوعی بسیار
129
00:06:01,020 –> 00:06:04,380
محبوب بود و من بسیار محبوب نیستم که آخرین
130
00:06:04,380 –> 00:06:09,060
چرخه اتفاق افتاد. درست شش سال پیش، زمانی
131
00:06:09,060 –> 00:06:11,370
که دوباره بسیار محبوب شد، اکنون هوش مصنوعی
132
00:06:11,370 –> 00:06:13,919
کلمه مناسبی است اگر میخواهید
133
00:06:13,919 –> 00:06:16,650
در تجارت موفق شوید، خود را یک
134
00:06:16,650 –> 00:06:22,020
پایگاه هوش مصنوعی مینامید، میتوانم بگویم تمیز کردن با جاروبرقی و و
135
00:06:22,020 –> 00:06:25,380
این امر امروز ضروری است، بنابراین امروز به
136
00:06:25,380 –> 00:06:27,210
این صورت است. به هر
137
00:06:27,210 –> 00:06:29,940
حال، با انجام این کار در تغییر محبوبیت، همیشه در حال تغییر
138
00:06:29,940 –> 00:06:32,669
نام تجاری خود بود، ممکن
139
00:06:32,669 –> 00:06:35,160
است در مورد سیستم های خبره و
140
00:06:35,160 –> 00:06:38,009
شاید دهه 80 شنیده باشید که همه چیز در این زمینه بسیار
141
00:06:38,009 –> 00:06:42,150
خشم بود، اکنون همه چیز در مورد هوش مصنوعی است و کلمه
142
00:06:42,150 –> 00:06:43,970
AI دوباره بازگشته است،
143
00:06:43,970 –> 00:06:47,160
پس چرا دلیل آن چیست؟ این
144
00:06:47,160 –> 00:06:48,930
دلیلی است که ما به این
145
00:06:48,930 –> 00:06:53,069
پیشرفت سختافزاری میرسیم، این اتفاقی است که
146
00:06:53,069 –> 00:06:56,490
مردم برای نوشتن کد استفاده میکردند و آن کد
147
00:06:56,490 –> 00:06:59,069
روی چیزی به نام CPU خیلی خوب کار میکرد،
148
00:06:59,069 –> 00:07:00,840
احتمالاً شنیدهاید که هر
149
00:07:00,840 –> 00:07:03,810
شرکتی یک CPU در داخل دارد، پس اتفاقی که افتاده این است
150
00:07:03,810 –> 00:07:07,740
که مردم در حال بازی کردن هستند. 30 درصد از
151
00:07:07,740 –> 00:07:09,840
کل زمان بیداری بشر
152
00:07:09,840 –> 00:07:12,330
صرف انجام بازیهای رایانهای بر
153
00:07:12,330 –> 00:07:14,370
خلاف وسایل زندگی واقعی میشود،
154
00:07:14,370 –> 00:07:18,090
بنابراین آنها به یک پردازنده بسیار خوب نیاز دارند تا بتوانند
155
00:07:18,090 –> 00:07:20,099
همه اینها را ارائه دهند.
156
00:07:20,099 –> 00:07:22,860
این GPU v است. پردازش ارتیکال که شما
157
00:07:22,860 –> 00:07:25,229
نیاز دارید و ناگهان مردم متوجه می
158
00:07:25,229 –> 00:07:26,940
شوند که نه تنها یک
159
00:07:26,940 –> 00:07:30,659
ایستگاه بازی بلکه یک کامپیوتر بسیار قدرتمند
160
00:07:30,659 –> 00:07:33,530
به نام GPU اختراع کرده اند که امروزه بسیار محبوب هستند،
161
00:07:33,530 –> 00:07:35,639
به خصوص اگر کارهایی مانند استخراج بیت کوین
162
00:07:35,639 –> 00:07:39,419
یا موارد مرتبط را انجام دهید، بنابراین می بینیم که
163
00:07:39,419 –> 00:07:42,659
سخت افزار نیز در حال تغییر است و سپس گوگل
164
00:07:42,659 –> 00:07:44,610
یه چیز دیگه اختراع کردند که گفتند
165
00:07:44,610 –> 00:07:49,530
اینجا یک کتابخانه خوب و سوزان آینده
166
00:07:49,530 –> 00:07:53,699
بهتر است و اسمش تنسورفلو است من
167
00:07:53,699 –> 00:07:55,020
در یک ثانیه به شما می گویم که چرا به آن
168
00:07:55,020 –> 00:07:57,150
تنسورفلو می گویند تا اسمش
169
00:07:57,150 –> 00:07:59,880
معنی پیدا کند اما بعد گفتند خوب tensorflow
170
00:07:59,880 –> 00:08:02,639
به CPU معمولی نیاز ندارد. و نه یک GPU
171
00:08:02,639 –> 00:08:04,560
چه می شود اگر ما یک رایانه جدید ایجاد کنیم
172
00:08:04,560 –> 00:08:07,110
که فقط می تواند این کتابخانه و
173
00:08:07,110 –> 00:08:07,830
یادگیری ماشینی
174
00:08:07,830 –> 00:08:10,830
175
00:08:10,830 –> 00:08:13,860
176
00:08:13,860 –> 00:08:16,710
177
00:08:16,710 –> 00:08:18,900
را انجام دهد. من
178
00:08:18,900 –> 00:08:21,289
فقط به همان اندازه آمازون را در گوگل جستجو می کنم،
179
00:08:21,289 –> 00:08:23,909
اما نتیجه نهایی این بود که بله، امروز
180
00:08:23,909 –> 00:08:25,650
کامپیوتری برای یادگیری ماشینی وجود دارد
181
00:08:25,650 –> 00:08:28,680
که به نظر می رسد و اینطور نیست.
182
00:08:28,680 –> 00:08:32,039
او چند هزار بار سریعتر از
183
00:08:32,039 –> 00:08:34,620
شما حتی پردازنده گرافیکی شماست، بنابراین اینجاست که
184
00:08:34,620 –> 00:08:38,070
همه چیز در حال حاضر ما کتابخانه داریم
185
00:08:38,070 –> 00:08:40,900
، ما حتی کامپیوترهایی برای انجام این
186
00:08:40,900 –> 00:08:43,029
کار داریم تنها کاری که باید انجام دهیم این است که دانش کسب
187
00:08:43,029 –> 00:08:45,850
کنیم تا واقعاً این را به کار ببریم. من داشتم این
188
00:08:45,850 –> 00:08:47,770
کتاب را می خواندم. میدانید که کمی
189
00:08:47,770 –> 00:08:52,110
غیررسمی است، اما انجام چنین کارهایی اشکالی ندارد
190
00:08:52,110 –> 00:08:54,460
کتابی را که من مدیریت میکردم،
191
00:08:54,460 –> 00:08:56,800
کتابی را که میخواندم، ترک کرد، میدانید که آن
192
00:08:56,800 –> 00:08:59,710
مرد نظرش را بیان کرد
193
00:08:59,710 –> 00:09:04,540
که مانند دیوانهوار پیچیده کار میکند، اجازه دهید
194
00:09:04,540 –> 00:09:06,190
برخی از موارد خوب را به شما نشان دهم کد به کد اهمیتی
195
00:09:06,190 –> 00:09:08,500
نمی دهد، اما برخی از تصاویری
196
00:09:08,500 –> 00:09:10,300
که توضیح می دهند که ما در
197
00:09:10,300 –> 00:09:16,779
اینجا چه کاری انجام می دهیم تا آخر این کار را انجام دهیم، بنابراین
198
00:09:16,779 –> 00:09:19,750
می توانیم در تصاویر دریافت کنیم
199
00:09:19,750 –> 00:09:21,520
و توضیح دهیم که دقیقاً چگونه
200
00:09:21,520 –> 00:09:24,430
آن را درک می کنید. این است که چگونه
201
00:09:24,430 –> 00:09:25,600
یادداشتی را که در مورد آن صحبت میکنید جاسازی میکنید و به
202
00:09:25,600 –> 00:09:29,920
خوبی آن کتاب عمیق و
203
00:09:29,920 –> 00:09:32,050
عالی است، اما زمانی که من تدریس میکنم، معمولا سعی میکنم
204
00:09:32,050 –> 00:09:34,660
در خلقت به شما بدهم و خلقت در
205
00:09:34,660 –> 00:09:37,480
خلقت باید
206
00:09:37,480 –> 00:09:40,720
بسیار ساده باشد، بنابراین اجازه دهید یکی از آنها را به شما نشان دهم.
207
00:09:40,720 –> 00:09:42,550
آن ابزارهایی که شما ج
208
00:09:42,550 –> 00:09:46,470
این ابزار را با شما دور کنید که به آن می گویند زمین بازی جریان را می چرخاند،
209
00:09:46,470 –> 00:09:51,760
امیدوارم بچه ها این سوال را انجام دهید
210
00:09:51,760 –> 00:09:54,339
زیرا من همانطور که می بینید سعی کنید
211
00:09:54,339 –> 00:09:55,570
اطلاعات ضروری را در اختیار شما قرار دهم
212
00:09:55,570 –> 00:09:57,820
تا حدس بزنید که به چه چیزی فکر
213
00:09:57,820 –> 00:10:00,400
می کنید بسیار خوب خواهد بود اگر همچنین به
214
00:10:00,400 –> 00:10:03,940
من بگویید توجه شما چیست، خب این
215
00:10:03,940 –> 00:10:06,400
همان کتابخانه tensorflow است و
216
00:10:06,400 –> 00:10:08,260
دلیل اینکه به آن pencil phone می گویند این است
217
00:10:08,260 –> 00:10:12,370
که بند یک ماتریس تعمیم یافته است،
218
00:10:12,370 –> 00:10:15,190
همه ما می دانیم که ماتریس های ماتریس همان
219
00:10:15,190 –> 00:10:17,260
صفحات گسترده ای هستند که درست هستند، همه شما از
220
00:10:17,260 –> 00:10:20,200
یک آرایه مربعی از اعداد استفاده می کنید. خوب معلوم می شود
221
00:10:20,200 –> 00:10:22,120
که شما می توانید تعداد کمی از چیزها را
222
00:10:22,120 –> 00:10:27,250
به عنوان یک آرایه از اعداد نشان دهید، بنابراین من 100 هستم،
223
00:10:27,250 –> 00:10:31,330
اجازه می دهم این کار را انجام دهم یک راز دیگر این است که ما
224
00:10:31,330 –> 00:10:36,400
یک کانال ارتباطی مخفی داریم
225
00:10:36,400 –> 00:10:39,120
آنچه را که می خواهید
226
00:10:41,550 –> 00:10:44,709
در WC موجود انجام دهید که عالی است
227
00:10:44,709 –> 00:10:46,330
زیرا چیز بسیار جالبی است
228
00:10:46,330 –> 00:10:49,180
که یک نظر عالی است، بعداً به آن باز خواهم گشت،
229
00:10:49,180 –> 00:10:50,829
اجازه دهید این را به شما نشان دهم و سپس آنها
230
00:10:50,829 –> 00:10:54,160
را مجبور می کنم در مورد هزاران عشق صحبت کنند، بنابراین
231
00:10:54,160 –> 00:10:54,880
اول از همه
232
00:10:54,880 –> 00:10:56,650
گفتم کک تنسورفلو به این دلیل است که
233
00:10:56,650 –> 00:10:59,590
هر شی در جهان امروزه می توان
234
00:10:59,590 –> 00:11:03,370
به عنوان یک ماتریس مدل کرد، فقط ماتریس M
235
00:11:03,370 –> 00:11:05,500
یک بعد دیگر دارد، برای
236
00:11:05,500 –> 00:11:08,320
مثال اگر من در مورد تصاویر رنگ خاکستری صحبت
237
00:11:08,320 –> 00:11:10,690
می کنم، می توانید آن را به عنوان یک ماتریس نشان دهید،
238
00:11:10,690 –> 00:11:12,790
چه اگر من رنگی باشم که
239
00:11:12,790 –> 00:11:14,890
بعد دیگری است به طوری که یک بعد سه خواهد بود.
240
00:11:14,890 –> 00:11:17,170
ماتریس بعدی چگونه به یک
241
00:11:17,170 –> 00:11:18,640
ماتریس سه بعدی
242
00:11:18,640 –> 00:11:21,250
می گویند چاه ما به آن تانسور می گوییم و از آن
243
00:11:21,250 –> 00:11:23,140
به بعد همه چیز تانسور است و
244
00:11:23,140 –> 00:11:26,080
ترتیبی دارد بنابراین یک عدد یک تانسور است اما
245
00:11:26,080 –> 00:11:31,270
مرتبه 1 0 0 و سپس یک بردار نیز
246
00:11:31,270 –> 00:11:37,150
cogsa است اما فقط یک و غیره خوب،
247
00:11:37,150 –> 00:11:39,340
بنابراین شما به این ترتیب تمام جریان داده را نشان
248
00:11:39,340 –> 00:11:42,790
می دهید، زیرا کاری که شما در کتابخانه خود انجام داده اید
249
00:11:42,790 –> 00:11:45,730
، جریان آن داده ها
250
00:11:45,730 –> 00:11:48,070
قبل از ارائه مدل به مکان دیگری
251
00:11:48,070 –> 00:11:50,890
است، بنابراین در اینجا یک
252
00:11:50,890 –> 00:11:52,720
تصویر Google است که این جریان را لکه دار می کند.
253
00:11:52,720 –> 00:11:54,910
در مرورگر کار می کند و من
254
00:11:54,910 –> 00:11:58,300
اولین تجربه را به شما نشان خواهم داد، بگذارید بگوییم که
255
00:11:58,300 –> 00:12:00,160
ما آن نکات را در کتاب
256
00:12:00,160 –> 00:12:02,590
سمت راست داریم، آنها آبی و بنفش آبی
257
00:12:02,590 –> 00:12:04,720
مخفف بچه های خوب هستند سنگ های بنفش برای
258
00:12:04,720 –> 00:12:05,340
افراد بد
259
00:12:05,340 –> 00:12:08,350
و وقتی یک پسر جدید وارد ما می شود. نیاز به
260
00:12:08,350 –> 00:12:10,420
f بفهمید که او چه کسی همجنس گرا است گوگل و
261
00:12:10,420 –> 00:12:12,880
پسر بد، راه محافظت از ما این است که
262
00:12:12,880 –> 00:12:15,760
از هر مردی با موقعیت های X&Y X 1
263
00:12:15,760 –> 00:12:19,210
X 2 نمایندگی کنید و سپس
264
00:12:19,210 –> 00:12:22,180
مدلی بسازید که به من بگوید او کیست که
265
00:12:22,180 –> 00:12:24,130
واقعاً یک سوال بسیار ساده است که می توانم
266
00:12:24,130 –> 00:12:27,010
حل کنم. آن را در یک حرکت حتی نیازی به
267
00:12:27,010 –> 00:12:29,680
چندین نورون ندارم، اما اگر همینجا روی حل
268
00:12:29,680 –> 00:12:32,080
این مشکل کلیک کنم، می بینید
269
00:12:32,080 –> 00:12:34,600
که سرعت
270
00:12:34,600 –> 00:12:38,680
آن 124 نسل است و خطای بسیار کمی به من می دهد
271
00:12:38,680 –> 00:12:41,800
که خروجی از دست دادن
272
00:12:41,800 –> 00:12:44,710
نقطه صفر است. 6 این خطا یا از
273
00:12:44,710 –> 00:12:47,530
دست دادن ضرر است، زیرا
274
00:12:47,530 –> 00:12:49,660
تفاوت بین آنچه داده های واقعی
275
00:12:49,660 –> 00:12:52,300
می گوید و آنچه مدل من می گوید، باز هم
276
00:12:52,300 –> 00:12:54,940
کمی متفاوت است اگر آن را
277
00:12:54,940 –> 00:13:02,170
کمی بیشتر رها کنم، متوجه می شود که
278
00:13:02,170 –> 00:13:05,830
می تواند در مورد بهتر شود. تست من به شما می گویم
279
00:13:05,830 –> 00:13:07,570
که چرا در آزمون منطقی نیست،
280
00:13:07,570 –> 00:13:09,180
اما آموزش بدون نیاز
281
00:13:09,180 –> 00:13:12,640
به خیلی خوب به نظر می رسد یک چیز بسیار ساده است،
282
00:13:12,640 –> 00:13:15,190
خوب چه چیزی در این مورد عالی است، چه عالی
283
00:13:15,190 –> 00:13:17,290
در مورد این است، در اعماق وجود یک
284
00:13:17,290 –> 00:13:19,330
کتابخانه یادگیری ماشینی قوانین قوانین و
285
00:13:19,330 –> 00:13:22,480
مقررات و اینکه روی mu کار خواهد کرد
286
00:13:22,480 –> 00:13:26,500
مجموعه دادههای پیچیدهتر من این یکی را نادیده میگیرم، این
287
00:13:26,500 –> 00:13:28,450
فقط چیزی است که به شما اجازه میدهم امتحان کنید
288
00:13:28,450 –> 00:13:31,600
زمین بازی به سازمانهای طبقهبندی میگوید و شما
289
00:13:31,600 –> 00:13:32,350
میتوانید این کار را انجام دهید،
290
00:13:32,350 –> 00:13:35,829
اما من بیشتر به این یکی علاقهمندم، بنابراین
291
00:13:35,829 –> 00:13:37,810
در اینجا یک مشکل یادگیری ماشین جدید
292
00:13:37,810 –> 00:13:40,480
برای من ارائه شده است، لطفاً تشخیص دهید
293
00:13:40,480 –> 00:13:41,970
بین آدم های خوب از آدم های بد،
294
00:13:41,970 –> 00:13:45,029
چیزی که در مورد این مشکل سخت است این است که
295
00:13:45,029 –> 00:13:49,149
بیایید تحلیل کنیم اگر روی X پایین هستید اگر
296
00:13:49,149 –> 00:13:51,670
x2 پایین هستید، آبی هستید،
297
00:13:51,670 –> 00:13:54,430
اما اگر روی هر یک از آن مختصات بالا هستید،
298
00:13:54,430 –> 00:13:56,350
بگذارید اینجا بگوییم. x1 است
299
00:13:56,350 –> 00:13:59,740
اگر شما در x1 بالا هستید،
300
00:13:59,740 –> 00:14:02,290
شما بد هستید اگر در x2 بالا هستید، اگر بالاتر هستید بد هستید،
301
00:14:02,290 –> 00:14:04,480
هر دو باید کاملاً بد باشید،
302
00:14:04,480 –> 00:14:06,790
درست است که همه باید بنفش باشند، بنابراین
303
00:14:06,790 –> 00:14:08,589
این یک استثناست چگونه میتوانید موارد
304
00:14:08,589 –> 00:14:10,660
استثنا را لحاظ کنید.
305
00:14:10,660 –> 00:14:13,149
در این زمان شبکههای عصبی بهتر هستند،
306
00:14:13,149 –> 00:14:16,420
این یک نورون
307
00:14:16,420 –> 00:14:18,790
اساساً یک سوال ساده را نشان میدهد که آیا شما
308
00:14:18,790 –> 00:14:21,610
خوب هستید یا بد هستید، کمی
309
00:14:21,610 –> 00:14:24,220
پیچیدهتر است، اما تقریباً مانند این در اینجا
310
00:14:24,220 –> 00:14:25,959
استثنا داریم، بنابراین چگونه
311
00:14:25,959 –> 00:14:28,750
استثناهایی را با یک واقعی اضافه کنیم، بیایید امتحان کنیم. برای اضافه کردن
312
00:14:28,750 –> 00:14:32,110
یک f و با این نورونها و
313
00:14:32,110 –> 00:14:34,480
قابلیتهای بیشتر برای اضافه کردن
314
00:14:34,480 –> 00:14:37,000
بزها و استثناها و لطفاً
315
00:14:37,000 –> 00:14:38,620
به درستی تماشا کنید که چه کار میکند، تقریباً
316
00:14:38,620 –> 00:14:40,959
کار درست را پیدا میکند با این تفاوت که
317
00:14:40,959 –> 00:14:43,420
کامل به نظر نمیرسد، اگر فقط
318
00:14:43,420 –> 00:14:51,880
یک نفر دیگر باشیم و دوباره آن را پخش کنیم وای
319
00:14:51,880 –> 00:14:54,730
درست است که این یک زنجیره کامل است، بنابراین اکنون ما
320
00:14:54,730 –> 00:14:58,180
شروع به درک شهودی از
321
00:14:58,180 –> 00:15:00,520
قدرت شبکه های شما می کنیم که آنها برای مدت طولانی اجرا می شوند،
322
00:15:00,520 –> 00:15:02,949
آنها به آموزش زیادی نیاز دارند
323
00:15:02,949 –> 00:15:04,930
در اینجا همه آموزش هایی که در مرورگر اتفاق می افتد،
324
00:15:04,930 –> 00:15:07,329
اما در حالت عمومی
325
00:15:07,329 –> 00:15:10,269
ممکن است یک خوشه و یک خوشه باشد. در پایان آنها
326
00:15:10,269 –> 00:15:12,880
یک راه حل عالی به شما ارائه می دهند تا بفهمید
327
00:15:12,880 –> 00:15:16,089
به دنبال چه هستید، بنابراین این
328
00:15:16,089 –> 00:15:18,010
شهودی است که من معمولاً سعی می کنم به
329
00:15:18,010 –> 00:15:20,170
مردم بگویم اگر قرار باشد در این مورد صحبت کنم
330
00:15:20,170 –> 00:15:21,990
و
331
00:15:21,990 –> 00:15:29,430
آه اکنون آن نظر که آن هم
332
00:15:29,430 –> 00:15:31,860
جدولی است در AWS که نظر بسیار
333
00:15:31,860 –> 00:15:33,180
جالبی است، زیرا به کارهایی که
334
00:15:33,180 –> 00:15:35,010
گوگل انجام داده است نگاه کنید، آنها
335
00:15:35,010 –> 00:15:36,860
کتابخانه ای منتشر کرده اند که بسیار محبوب شده است،
336
00:15:36,860 –> 00:15:40,230
اجازه دهید این کتابخانه tensorflow را با کتابخانه دیگری مقایسه کنیم
337
00:15:40,230 –> 00:15:42,600
و اگر می خواهید بیایید
338
00:15:42,600 –> 00:15:46,230
برویم Google Trends ما انجام داده ایم. جریان
339
00:15:46,230 –> 00:15:52,290
اینجاست و اگر کتابخانههای دیگری دارید،
340
00:15:52,290 –> 00:15:54,900
میخواهید آن را مقایسه کنم تا لطفاً به من بگویید،
341
00:15:54,900 –> 00:15:58,350
بنابراین اکنون به عنوان یک عبارت جستجو جریان ندارد،
342
00:15:58,350 –> 00:16:04,410
بنابراین مطمئن نیستم چگونه آن را درست تنظیم کنم،
343
00:16:04,410 –> 00:16:06,870
اما اجازه دهید این کار را انجام دهیم و سپس یکی از آنها را انجام دهیم.
344
00:16:06,870 –> 00:16:08,910
عباراتی که من دیدم در حال ظاهر شدن بود
345
00:16:08,910 –> 00:16:14,330
مبارزه با یادگیری ماشینی بود، بیایید
346
00:16:14,330 –> 00:16:20,010
زمان جستجو را با هم مقایسه کنیم، درست است، ما
347
00:16:20,010 –> 00:16:22,080
دیدیم که در دقیقهای که گوگل این
348
00:16:22,080 –> 00:16:25,590
کتابخانه را منتشر کرد، در موارد ذکر شده بالا رفت و احتمالاً
349
00:16:25,590 –> 00:16:30,560
350
00:16:30,560 –> 00:16:33,960
محبوبترین کتابخانه شد و سپس Google
351
00:16:33,960 –> 00:16:35,790
به دنیا فاش شد که من اینجا هستم این
352
00:16:35,790 –> 00:16:39,360
سخت افزار است تا اکنون آن را اجرا کنم، دیگران
353
00:16:39,360 –> 00:16:41,520
با این معضل مواجه هستند که اگر دقیقاً همان کاری را انجام دهند که
354
00:16:41,520 –> 00:16:42,960
گوگل انجام داده است، در حال تبلیغ
355
00:16:42,960 –> 00:16:45,900
Wagler Google هستند و این همان چیزی است که من
356
00:16:45,900 –> 00:16:48,060
مجبور بودم انجام دهم، اما واقعاً می خواهم می دانم
357
00:16:48,060 –> 00:16:50,310
جهت چیست این
358
00:16:50,310 –> 00:16:52,860
موضوع کمی دور از موضوع است، اما این یک
359
00:16:52,860 –> 00:16:54,000
سوال جالب است
360
00:16:54,000 –> 00:16:56,010
هر نظر و این سوال دیگری است.
361
00:16:56,010 –> 00:16:58,250
362
00:16:58,250 –> 00:17:00,960
363
00:17:00,960 –> 00:17:04,319
364
00:17:04,319 –> 00:17:07,880
بنابراین، اگر به اینجا برگردیم
365
00:17:07,880 –> 00:17:13,560
، کاملاً درست میگویید،
366
00:17:13,560 –> 00:17:17,819
فرقی نمیکند، میتوانید یک
367
00:17:17,819 –> 00:17:20,550
نورون را دقیقاً در نظر بگیرید، این