در این مطلب، ویدئو شروع با یادگیری ماشینی | ساخت اولین مدل یادگیری ماشین 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: 1:44:49
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,089 –> 00:00:02,520
به همه خوش آمدید به کارگاه آنلاین ما
2
00:00:02,520 –> 00:00:05,160
در مورد ساخت اولین
3
00:00:05,160 –> 00:00:08,670
مدل یادگیری ماشینی کد مناسب شما
4
00:00:08,670 –> 00:00:10,769
هیراکو خوش آمدید.
5
00:00:10,769 –> 00:00:14,340
6
00:00:14,340 –> 00:00:16,529
7
00:00:16,529 –> 00:00:18,570
8
00:00:18,570 –> 00:00:21,119
قابل دسترسی برای
9
00:00:21,119 –> 00:00:22,800
میلیون ها دانش آموز خارج از کشور و
10
00:00:22,800 –> 00:00:24,449
به ویژه در کشورهای در حال توسعه مانند کشور
11
00:00:24,449 –> 00:00:27,779
ما هند، بنابراین آنچه ما سعی می کنیم انجام دهیم این است که
12
00:00:27,779 –> 00:00:31,199
اطمینان حاصل کنیم که همان
13
00:00:31,199 –> 00:00:33,120
سطح کیفیت آموزش
14
00:00:33,120 –> 00:00:35,520
که برای مردم کشورهای توسعه
15
00:00:35,520 –> 00:00:37,350
یافته مانند ایالات متحده یا
16
00:00:37,350 –> 00:00:39,750
هرجایی در دسترس است. در اروپا ما همان
17
00:00:39,750 –> 00:00:42,540
سطح تحصیلات را
18
00:00:42,540 –> 00:00:44,760
در یک محیط آنلاین برای مردم کشورهای در حال توسعه در
19
00:00:44,760 –> 00:00:46,410
20
00:00:46,410 –> 00:00:49,410
دسترس قرار می دهیم، زیرا این تنها راهی است که می توانیم به افراد زیادی دسترسی پیدا کنیم، بنابراین
21
00:00:49,410 –> 00:00:51,809
آنچه که ما در کلاس امروزی خود
22
00:00:51,809 –> 00:00:54,420
انجام می دهیم این است که مطمئن شوم که من به
23
00:00:54,420 –> 00:00:56,820
شما اطلاعات کافی در مورد چیستی
24
00:00:56,820 –> 00:00:58,649
یادگیری ماشینی می دهم که چگونه می توانید به
25
00:00:58,649 –> 00:01:00,719
اندازه کافی حرفه خود را در یادگیری ماشین شروع کنید
26
00:01:00,719 –> 00:01:03,589
و امیدواریم که ما میتوانیم اطلاعاتی در مورد
27
00:01:03,589 –> 00:01:06,000
آن به شما ارائه دهیم و
28
00:01:06,000 –> 00:01:08,100
همچنین این یک جلسه عملی است، بنابراین
29
00:01:08,100 –> 00:01:10,619
ما اینطور نیست که بگوییم
30
00:01:10,619 –> 00:01:12,479
چه کار میکنیم مدلهای یادگیری ماشین خود را
31
00:01:12,479 –> 00:01:14,340
با هم بسازیم و از یک
32
00:01:14,340 –> 00:01:15,960
سرویس مبتنی بر ابر استفاده خواهیم کرد. بنابراین نیازی به
33
00:01:15,960 –> 00:01:18,509
نصب چیزی ندارید، اما قبل از
34
00:01:18,509 –> 00:01:20,850
شروع من میخواهم بفهمم چه کسانی
35
00:01:20,850 –> 00:01:24,060
امروز در بین ما حضور دارند، بنابراین
36
00:01:24,060 –> 00:01:27,720
میخواهم ببینم شما بچهها در چه مرحلهای هستید
37
00:01:27,720 –> 00:01:29,970
از نظر اینکه آیا فکر میکنید؟
38
00:01:29,970 –> 00:01:33,090
در مورد انتقال به این موضوع که چقدر در
39
00:01:33,090 –> 00:01:36,240
مورد انتقال به حرفه میلی لیتر یا علم داده جدی هستید،
40
00:01:36,240 –> 00:01:38,670
بنابراین در کادر کودک به من اطلاع دهید
41
00:01:38,670 –> 00:01:41,009
42
00:01:41,009 –> 00:01:43,049
که اگر واقعاً
43
00:01:43,049 –> 00:01:45,600
به انتقال به
44
00:01:45,600 –> 00:01:47,640
پیک های مبتنی بر علم داده یا یادگیری ماشین فکر می کنید، می توانید بگویید که آیا جدی است یا خیر.
45
00:01:47,640 –> 00:01:50,040
می توانم بگویم که من فقط در حال کاوش هستم، بنابراین
46
00:01:50,040 –> 00:01:51,899
در جعبه چت به من اطلاع دهید که می
47
00:01:51,899 –> 00:01:55,470
خواهم بدانم امروز چه کسانی
48
00:01:55,470 –> 00:01:56,909
در بین مخاطبان حضور دارند و آنها چه
49
00:01:56,909 –> 00:01:59,610
انتظاراتی از این جلسه دارند، بنابراین
50
00:01:59,610 –> 00:02:03,000
می خواهم از شما بچه ها بدانم به آنجا
51
00:02:03,000 –> 00:02:05,219
به جعبه چت بروید و به من بگویید که آیا فقط در
52
00:02:05,219 –> 00:02:07,170
حال کاوش هستید و نه فقط تلاش برای یادگیری
53
00:02:07,170 –> 00:02:09,810
چیزهای جدید که می توانید بگویید کاوش کنید یا
54
00:02:09,810 –> 00:02:11,038
می توانید در مورد انتقال جدی بگویید
55
00:02:11,038 –> 00:02:13,050
تا بدانم شما
56
00:02:13,050 –> 00:02:13,350
57
00:02:13,350 –> 00:02:15,270
واقعاً می خواهید به حرفه یادگیری ماشینی تبدیل شوید
58
00:02:15,270 –> 00:02:19,110
و دوباره برای هر
59
00:02:19,110 –> 00:02:22,320
دوی مخاطبان ما تلاش خواهیم کرد تمام تلاش خود را
60
00:02:22,320 –> 00:02:27,600
به کار میبریم و برای ارائه مقداری ارزش بهخوبی،
61
00:02:27,600 –> 00:02:30,540
از این رو افرادی که رژیم ساگار را میشناسند،
62
00:02:30,540 –> 00:02:32,040
میگویند که اکنون در مورد
63
00:02:32,040 –> 00:02:34,500
انتقال و تغییر به
64
00:02:34,500 –> 00:02:36,480
یادگیری ماشینی جدی هستند، ما افرادی را داریم که
65
00:02:36,480 –> 00:02:38,100
در حال بررسی این موضوع هستند تا یاد بگیرند
66
00:02:38,100 –> 00:02:41,400
یادگیری ماشین چیست و من تمام تلاشم را میکنم
67
00:02:41,400 –> 00:02:45,080
تا بدانم
68
00:02:45,080 –> 00:02:48,840
امروز یکشنبه عصر هیچ ارزشی به هر دو بخش ما ارائه
69
00:02:48,840 –> 00:02:52,170
نمیکنم، پس باز هم از حضورتان تشکر میکنم،
70
00:02:52,170 –> 00:02:55,650
میدانم که باید هفته خستهکننده باشد تا
71
00:02:55,650 –> 00:02:57,660
بدانم شما تازه شروع
72
00:02:57,660 –> 00:03:00,420
کردهاید تا برای فردا آماده شوید و هنوز
73
00:03:00,420 –> 00:03:03,170
هم آمدهاید. به این جلسه آنلاین بروید و با ما آشنا شوید،
74
00:03:03,170 –> 00:03:06,690
پس دوباره از شما متشکرم،
75
00:03:06,690 –> 00:03:09,390
اجازه دهید وارد شویم و اجازه دهید به شما بگویم
76
00:03:09,390 –> 00:03:11,610
امروز چه چیزی برای شما دارم
77
00:03:11,610 –> 00:03:14,760
، اولین چیزی که خواهیم دید این است که چرا
78
00:03:14,760 –> 00:03:16,650
یادگیری ماشین بسیار مفید است. و ناگهان ما
79
00:03:16,650 –> 00:03:18,300
این زنگ را در
80
00:03:18,300 –> 00:03:20,520
علم داده های یادگیری ماشینی می شنویم، این یک
81
00:03:20,520 –> 00:03:23,280
نوع اتوبوس مشابه است، زمانی که برنامه های تلفن همراه در
82
00:03:23,280 –> 00:03:26,190
ابتدا درست ظاهر شدند و حتی چیزهایی مانند
83
00:03:26,190 –> 00:03:29,070
بلاک چین و آن چیزهایی که
84
00:03:29,070 –> 00:03:31,530
واقعیت افزوده دانسته شده است، در
85
00:03:31,530 –> 00:03:35,400
اطراف این چیزها از بین رفته است. مانند
86
00:03:35,400 –> 00:03:38,760
صدای وزوز در اطراف میلی لیتر مانند واقعاً می دانم که
87
00:03:38,760 –> 00:03:40,890
آیا واقعاً گوشت در داخل وجود دارد
88
00:03:40,890 –> 00:03:43,050
فقط کلمات وزوز دارد یا واقعاً
89
00:03:43,050 –> 00:03:46,170
مفید است و سعی می کنم بیشتر
90
00:03:46,170 –> 00:03:50,130
در مورد اینکه چرا ml تا این حد مفید است صحبت نکنم پس وقتی
91
00:03:50,130 –> 00:03:52,110
فهمیدید که می دانید واقعاً بله
92
00:03:52,110 –> 00:03:55,140
ml مفید است، سپس شما خواهید دید که ml
93
00:03:55,140 –> 00:03:57,990
از منظر ریاضی نیز
94
00:03:57,990 –> 00:04:00,180
چیست و من سعی خواهم کرد آن را با چیزهایی
95
00:04:00,180 –> 00:04:01,620
که قبلاً از دبیرستان خود میدانید مرتبط
96
00:04:01,620 –> 00:04:05,460
کنم و نه اینکه فقط کمی به شما
97
00:04:05,460 –> 00:04:08,220
تعریف دوره بدهم، بنابراین این
98
00:04:08,220 –> 00:04:10,560
چیزی است که من سعی میکنم در
99
00:04:10,560 –> 00:04:12,300
اینجا در کد Hiroko از چیزهای زیادی اجتناب کنم. نمیخواهم چیزهایی را به
100
00:04:12,300 –> 00:04:14,430
شما ارائه دهم که قبلاً میتوانید
101
00:04:14,430 –> 00:04:17,220
خودتان آنلاین یاد بگیرید، اما سعی
102
00:04:17,220 –> 00:04:19,200
میکنم بینشهایی به شما ارائه دهم که
103
00:04:19,200 –> 00:04:21,988
خواندن برخی از وبلاگها یا سایر موارد ممکن نیست.
104
00:04:21,988 –> 00:04:24,930
در این صورت ما وارد آن می شویم و
105
00:04:24,930 –> 00:04:27,090
در واقع یک مدل یادگیری ماشینی می
106
00:04:27,090 –> 00:04:29,699
سازیم، سعی می کنیم برخی از مفاهیم را قبلاً
107
00:04:29,699 –> 00:04:32,250
در کلاس مطالعه کنیم و سپس
108
00:04:32,250 –> 00:04:34,800
به جلسه عملی برای امروز که یک یادگیری ماشین می سازیم تغییر می دهیم.
109
00:04:34,800 –> 00:04:36,780
مدل با استفاده از
110
00:04:36,780 –> 00:04:39,150
پایتون در سرویسی به نام
111
00:04:39,150 –> 00:04:41,250
نوت بوک شما، مطمئن نیستم که برخی از شما
112
00:04:41,250 –> 00:04:43,500
درباره آن شنیده اید یا خیر، اما بسیار آسان است، ما
113
00:04:43,500 –> 00:04:45,120
از آنجا شروع می کنیم، نگران نباشید اگر
114
00:04:45,120 –> 00:04:46,889
قبل از اینکه
115
00:04:46,889 –> 00:04:50,310
آن را متوجه شوید، روی پایتون کار نکرده اید و سپس
116
00:04:50,310 –> 00:04:51,960
در مورد مسیر شغلی یادگیری ماشینی
117
00:04:51,960 –> 00:04:54,660
در Kodi Roku نیز صحبت خواهیم کرد، بنابراین بیایید بگوییم پس از
118
00:04:54,660 –> 00:04:56,310
تکمیل جلسه عملی خود
119
00:04:56,310 –> 00:04:58,530
احساس میکنید که میدانید من واقعاً چه چیزی را دوست دارم، روشی که
120
00:04:58,530 –> 00:05:01,770
من در اینجا به کد شناسه تدریس
121
00:05:01,770 –> 00:05:03,930
در اینجا نزدیک میشوم. همچنین
122
00:05:03,930 –> 00:05:06,120
بدانید که درباره مسیر شغلی یادگیری ماشینی ما بیشتر بیاموزید
123
00:05:06,120 –> 00:05:08,490
و همچنین
124
00:05:08,490 –> 00:05:10,620
برای برنامه بلندمدت خود معافیت های شهریه ارائه می کنیم،
125
00:05:10,620 –> 00:05:12,150
بنابراین اگر شخصی از قبل
126
00:05:12,150 –> 00:05:14,310
علاقه مند به ثبت نام در
127
00:05:14,310 –> 00:05:16,590
برنامه های بلندمدت ما است، ممکن است علاقه مند باشید
128
00:05:16,590 –> 00:05:18,330
تا پایان کار ادامه دهید زیرا ما
129
00:05:18,330 –> 00:05:21,060
برای چند دقیقه
130
00:05:21,060 –> 00:05:23,039
دیگر پیوندی را باز میکنیم که به شما امکان میدهد
131
00:05:23,039 –> 00:05:26,789
معافیتهای شهریه را دریافت کنید، بنابراین این
132
00:05:26,789 –> 00:05:30,539
دستور کار است، اجازه دهید به شما بگویم چرا اجازه دهید
133
00:05:30,539 –> 00:05:32,669
ابتدا ببینیم چرا چه چیزی رایانهها را
134
00:05:32,669 –> 00:05:34,979
واقعاً مفید میکند قبل از شما وقتی در
135
00:05:34,979 –> 00:05:36,750
مورد آنچه که باعث یادگیری ماشینی میشود صحبت میکنم.
136
00:05:36,750 –> 00:05:39,360
قدرتمند می خواهم از شما بچه ها خواهش کنم که
137
00:05:39,360 –> 00:05:42,330
در اینجا دو تصویر در سمت چپ می
138
00:05:42,330 –> 00:05:45,570
بینید ما یک ماشین لباسشویی داریم که در
139
00:05:45,570 –> 00:05:47,970
سمت راست دستگاه های محاسباتی کمی داریم
140
00:05:47,970 –> 00:05:50,400
مانند تلفن همراه یک دسکتاپ با چند
141
00:05:50,400 –> 00:05:51,510
برنامه باز در آنجا
142
00:05:51,510 –> 00:05:54,000
و اگر به شما بگویم که دستگاه در
143
00:05:54,000 –> 00:05:55,950
سمت راست بسیار مفیدتر از
144
00:05:55,950 –> 00:05:57,810
ماشین لباسشویی در سمت چپ است. فکر می کنم
145
00:05:57,810 –> 00:05:59,310
اکثر شما در مورد سمت راست با من موافق هستید
146
00:05:59,310 –> 00:06:02,010
که ما حتی نمی توانیم بدون
147
00:06:02,010 –> 00:06:04,139
تلفن همراه خود و این روزها رایانه هایمان زندگی کنیم،
148
00:06:04,139 –> 00:06:06,930
بنابراین چه چیزی باعث می شود
149
00:06:06,930 –> 00:06:09,330
دستگاههای سمت راست بسیار مفیدتر
150
00:06:09,330 –> 00:06:12,479
از دستگاه سمت چپ هستند و دوباره هر دو، اگر به
151
00:06:12,479 –> 00:06:14,340
آن فکر کنید، هر دو
152
00:06:14,340 –> 00:06:15,889
چیزهای مشابهی در داخل خود دارند، آنها دارای
153
00:06:15,889 –> 00:06:17,910
ریزپردازنده هستند، هر دو دارای حافظه
154
00:06:17,910 –> 00:06:20,729
درست هستند، اما آنچه باعث میشود دستگاههای روی
155
00:06:20,729 –> 00:06:22,740
ریگ به هر حال بسیار مفیدتر از دستگاه های
156
00:06:22,740 –> 00:06:25,190
موجود در ماشین لباسشویی در سمت چپ است، به
157
00:06:25,190 –> 00:06:27,479
هر حال به من بگویید و دوباره بچه ها بیایید
158
00:06:27,479 –> 00:06:29,130
جلسه را تعاملی نگه داریم، من نمی
159
00:06:29,130 –> 00:06:31,500
خواهم این یک جریان یک طرفه باشد
160
00:06:31,500 –> 00:06:33,360
، آن را فقط به عنوان یک وبینار فکر نکنید
161
00:06:33,360 –> 00:06:36,000
در حال صحبت کردن است، این بیشتر
162
00:06:36,000 –> 00:06:37,919
بحثی است بین من و شما و اینگونه است
163
00:06:37,919 –> 00:06:39,810
که شما از یک جلسه زنده
164
00:06:39,810 –> 00:06:40,630
که می توانید داشته باشید بیشترین بهره را می برید،
165
00:06:40,630 –> 00:06:42,730
پس این را به عنوان ضبط بعد از این کلاس تماشا کنید،
166
00:06:42,730 –> 00:06:44,680
من ویدیوی ضبط شده را نیز ارسال خواهم کرد،
167
00:06:44,680 –> 00:06:47,170
اما ممکن است آن افراد نتوانند
168
00:06:47,170 –> 00:06:49,270
بتوانید به درستی با من ارتباط برقرار کنید،
169
00:06:49,270 –> 00:06:51,100
اما در جلسه زنده اینجا هستید، بنابراین
170
00:06:51,100 –> 00:06:52,840
از آن نهایت استفاده را ببرید به جعبه چت بروید،
171
00:06:52,840 –> 00:06:56,380
بیایید اینجا صحبت کنیم و سوال من
172
00:06:56,380 –> 00:06:58,660
از شما این است که چه چیزی باعث می شود دستگاه های
173
00:06:58,660 –> 00:07:00,790
سمت راست بسیار مفیدتر از
174
00:07:00,790 –> 00:07:03,540
ماشین لباسشویی در سمت چپ
175
00:07:18,520 –> 00:07:19,750
اکنون با
176
00:07:19,750 –> 00:07:22,870
دیدن چند منظوره با چندین کارکرد تلفن همراه،
177
00:07:22,870 –> 00:07:26,130
چند کار مفید روزانه
178
00:07:26,130 –> 00:07:28,960
امکان پذیر است، بله، بنابراین همه
179
00:07:28,960 –> 00:07:31,600
اینها بینش عالی هستند و کسی که
180
00:07:31,600 –> 00:07:33,850
عجله دارد گفت که چندین هدف
181
00:07:33,850 –> 00:07:35,530
با دستگاه های سمت راست وجود دارد
182
00:07:35,530 –> 00:07:39,130
زیرا با شما تلفن همراه امروز
183
00:07:39,130 –> 00:07:41,140
میتوانید کارهای مختلفی انجام دهید،
184
00:07:41,140 –> 00:07:43,120
میتوانید در اینترنت جستجو کنید، میتوانید به
185
00:07:43,120 –> 00:07:45,280
کسی ایمیل بفرستید، میتوانید عکس
186
00:07:45,280 –> 00:07:47,350
187
00:07:47,350 –> 00:07:49,780
188
00:07:49,780 –> 00:07:51,790
189
00:07:51,790 –> 00:07:54,550
بگیرید. کلمه ای که من به دنبال آن بودم این بود
190
00:07:54,550 –> 00:07:58,450
که آنها
191
00:07:58,450 –> 00:08:00,730
دستگاه های محاسباتی همه منظوره هستند، بنابراین دستگاه های
192
00:08:00,730 –> 00:08:02,530
سمت راست همه منظوره هستند، این چیزی است که
193
00:08:02,530 –> 00:08:04,420
باعث می شود رایانه های ما
194
00:08:04,420 –> 00:08:07,540
قابل برنامه ریزی باشند، زیرا بر اساس نیازهای کاربران و
195
00:08:07,540 –> 00:08:11,169
آنچه که رایانه را
196
00:08:11,169 –> 00:08:13,480
امروز واقعاً مفید می کند و هیچ دستگاهی مانند آن وجود ندارد. از آنجایی که
197
00:08:13,480 –> 00:08:16,680
تلفنهای همراه خیلی مفید نیستند،
198
00:08:16,680 –> 00:08:19,540
خوب، پس حالا که فهمیدید اکنون
199
00:08:19,540 –> 00:08:21,580
میخواهم فکر کنید چه چیزی باعث میشود
200
00:08:21,580 –> 00:08:25,540
یادگیری ماشینی بسیار مفید باشد، بنابراین در
201
00:08:25,540 –> 00:08:26,050
زمانهای قدیم،
202
00:08:26,050 –> 00:08:27,669
حتی بدون یادگیری ماشینی،
203
00:08:27,669 –> 00:08:29,919
میتوانستید کاری شبیه به این را در
204
00:08:29,919 –> 00:08:31,900
برخی از رایانهها انجام دهید. دانشمندان می توانستند وارد
205
00:08:31,900 –> 00:08:35,049
شوند و بگویند اگر یک پیکسل سیاه وجود
206
00:08:35,049 –> 00:08:37,210
دارد که از پنج پیکسل دورتر
207
00:08:37,210 –> 00:08:39,729
از یک پیکسل سفید شروع می شود، یعنی همان جایی که
208
00:08:39,729 –> 00:08:42,370
گربه صورت گربه است. شروع می شود و سپس
209
00:08:42,370 –> 00:08:46,390
یک مستطیل 200 در 200 روی این تصویر بکشید،
210
00:08:46,390 –> 00:08:49,360
بنابراین می توانید برخی
211
00:08:49,360 –> 00:08:51,250
از دستورات if-else را به صورت سخت کدنویسی کنید و
212
00:08:51,250 –> 00:08:53,770
قوانینی را برای ترسیم این مستطیل ایجاد کنید، اما با
213
00:08:53,770 –> 00:08:54,790
یادگیری ماشینی،
214
00:08:54,790 –> 00:08:57,130
چیزی شبیه به این را در اینجا دریافت می کنیم و اکنون می
215
00:08:57,130 –> 00:09:00,190
خواهم شما فکر کنید و به من بگویید چرا فکر می
216
00:09:00,190 –> 00:09:02,410
کنید یادگیری ماشین اینقدر مفید است و
217
00:09:02,410 –> 00:09:04,630
سعی کنید آن را با چیزی که
218
00:09:04,630 –> 00:09:07,030
فقط یک اسلاید قبل می بینید مرتبط کنید که در آن
219
00:09:07,030 –> 00:09:08,320
چیزی در سمت چپ وجود دارد که کار
220
00:09:08,320 –> 00:09:10,060
بسیار خاصی را انجام می دهد و سپس
221
00:09:10,060 –> 00:09:12,460
چیزی در سمت راست، بنابراین می توانید
222
00:09:12,460 –> 00:09:14,890
از قیاسی که
223
00:09:14,890 –> 00:09:17,290
قبلاً با ماشین لباسشویی و
224
00:09:17,290 –> 00:09:20,080
رایانه دیدید به من بگویید چرا فکر می کنید
225
00:09:20,080 –> 00:09:23,640
یادگیری ماشینی اینقدر مفید و قدرتمند است،
226
00:09:41,420 –> 00:09:45,870
بنابراین می بینم که رژیم می گوید پیش بینی
227
00:09:45,870 –> 00:09:49,320
پیکسل های مختلف به طبقه بندی و پیش بینی کمک می کند که
228
00:09:49,320 –> 00:09:53,010
کسی تفاوت بین
229
00:09:53,010 –> 00:09:57,990
انواع مختلف گربه را تعمیم می دهد.
230
00:09:57,990 –> 00:10:00,360
بهتر است که شانتانو در
231
00:10:00,360 –> 00:10:02,670
آنجا به آن ضربه بزند، چه چیزی در اینجا می بینید
232
00:10:02,670 –> 00:10:04,500
، فرض کنید حتی اگر یک
233
00:10:04,500 –> 00:10:08,190
بچه چهار ساله دارید و سپس این رنگ قهوه ای را به او نشان دهید.
234
00:10:08,190 –> 00:10:10,470
گربه رنگارنگ آنها
235
00:10:10,470 –> 00:10:13,110
هنوز هم می توانند درست آرایش کنند آنها
236
00:10:13,110 –> 00:10:15,720
هنوز هم می توانند درک کنند که هی می
237
00:10:15,720 –> 00:10:17,540
دانید حتی این گربه چیست،
238
00:10:17,540 –> 00:10:19,830
صرف نظر از اینکه این یک رنگ سیاه با
239
00:10:19,830 –> 00:10:21,899
رنگ اشتباه است، اما اینجا کاری که باید انجام می دادید
240
00:10:21,899 –> 00:10:24,180
این است که بروید در داخل برنامه خود و
241
00:10:24,180 –> 00:10:27,029
الگوریتم خود را تغییر دهید تا بگویید هی می
242
00:10:27,029 –> 00:10:28,980
دانید چه چیزی حتی اگر رنگ قهوه ای باشد
243
00:10:28,980 –> 00:10:31,070
نه سیاه، باز هم گربه است،
244
00:10:31,070 –> 00:10:35,640
بنابراین چیزهایی که در مورد یادگیری ماشینی وجود
245
00:10:35,640 –> 00:10:37,230
دارد این است که یک
246
00:10:37,230 –> 00:10:39,810
مشکل را خیلی بهتر تعمیم می دهد و به
247
00:10:39,810 –> 00:10:41,940
این وضوح نیست. برنامهنویسی مبتنی بر قانون
248
00:10:41,940 –> 00:10:45,390
که بر روی خود میبینید و تأثیر آن
249
00:10:45,390 –> 00:10:47,310
این است که شما مجبور نیستید
250
00:10:47,310 –> 00:10:49,860
هر بار که میخواهید
251
00:10:49,860 –> 00:10:52,290
مشکلات مشابهی را حل کنید برنامههای خود را بازنویسی کنید، بنابراین فرض کنید اگر
252
00:10:52,290 –> 00:10:54,930
Google Photos است، آیا منطقی است که
253
00:10:54,930 –> 00:10:57,810
Google یک تشخیص چهره را بازنویسی کند.
254
00:10:57,810 –> 00:10:59,520
الگوریتمی که آنها در
255
00:10:59,520 –> 00:11:02,339
عکس های گوگل برای هر فرد روی این کره خاکی دارند،
256
00:11:02,339 –> 00:11:05,760
حتی امکان پذیر است آیا می توانند
257
00:11:05,760 –> 00:11:18,060
هر بار برنامه های خود را برای یک فرد جدید بازنویسی
258
00:11:18,060 –> 00:11:19,100
کنند، حتی آسان است
259
00:11:19,100 –> 00:11:20,870
کار می کند نه حتی
260
00:11:20,870 –> 00:11:23,380
در بسیاری از موارد امکان پذیر نیست. حتی امکان پذیر
261
00:11:23,380 –> 00:11:25,850
نیست و اینجاست که یادگیری ماشین
262
00:11:25,850 –> 00:11:30,140
وارد می شود زیرا و ما نمونه هایی را مشاهده خواهیم کرد و
263
00:11:30,140 –> 00:11:32,810
همچنین در دوره ما
264
00:11:32,810 –> 00:11:34,240
چیزی شبیه به سیستم تشخیص رقم
265
00:11:34,240 –> 00:11:38,330
را انجام
266
00:11:38,330 –> 00:11:40,640
267
00:11:40,640 –> 00:11:43,310
نمی دهیم. رقم دستنویس درست است،
268
00:11:43,310 –> 00:11:45,710
اگر برنامهنویسی مبتنی بر قانون را دنبال میکنید،
269
00:11:45,710 –> 00:11:47,630
لازم نیست همیشه نتایج بهتری بگیرید،
270
00:11:47,630 –> 00:11:50,510
همچنین گاهی اوقات
271
00:11:50,510 –> 00:11:53,360
حتی ممکن نیست، خوب است، اجازه دهید
272
00:11:53,360 –> 00:11:56,630
قبل از رفتن به شما بگویم که من فقط میخواهم
273
00:11:56,630 –> 00:11:58,010
مطمئن شوم که همه ما در حال انجام هستیم. همین
274
00:11:58,010 –> 00:11:59,990
صفحه با این یکی، بنابراین کدام یک از
275
00:11:59,990 –> 00:12:02,750
عبارت های زیر این است که یادگیری ماشینی نادرست است که
276
00:12:02,750 –> 00:12:04,040
می توان از یادگیری ماشینی برای ساخت
277
00:12:04,040 –> 00:12:06,860
وسایل نقلیه خودمختار استفاده کرد یادگیری ماشینی مفید است
278
00:12:06,860 –> 00:12:08,840
زیرا دقت نتایج همیشه
279
00:12:08,840 –> 00:12:10,450
بهتر از الگوریتم یادگیری ماشین برنامه نویسی مبتنی بر قانون است که
280
00:12:10,450 –> 00:12:12,950
یک
281
00:12:12,950 –> 00:12:15,440
مشکل را به خوبی تعمیم می دهد و بنابراین ما این کار را انجام می دهیم.
282
00:12:15,440 –> 00:12:17,480
مدلهای ما را برای تغییرات یک
283
00:12:17,480 –> 00:12:20,270
مشکل بازنویسی نکنید، میتوانید به من بگویید کدام
284
00:12:20,270 –> 00:12:34,340
یک از عبارتهای زیر نادرست است، منظورم این است که
285
00:12:34,340 –> 00:12:35,030
بچهها درست فکر میکنند
286
00:12:35,030 –> 00:12:41,660
یا آن را درست میگویند و chantho نه این است یک
287
00:12:41,660 –> 00:12:42,440
سوال حقهای
288
00:12:42,440 –> 00:12:44,990
نیست، یک عبارت وجود دارد با
289
00:12:44,990 –> 00:12:49,930
این نادرست، بنابراین به درستی در مورد آن فکر کنید،
290
00:13:00,240 –> 00:13:01,980
بله، اکنون
291
00:13:01,980 –> 00:13:04,680
حق دارید که عبارت دوم
292
00:13:04,680 –> 00:13:06,810
در اینجا نادرست است، همه ما میدانیم که
293
00:13:06,810 –> 00:13:08,880
یادگیری ماشین و به طور کلی هوش مصنوعی
294
00:13:08,880 –> 00:13:12,180
برای ساختن مستقل استفاده شده است. وسایل نقلیه
295
00:13:12,180 –> 00:13:13,650
سومین عبارت در اینجا ما فقط دیدیم
296
00:13:13,650 –> 00:13:14,940
که الگوریتم یادگیری ماشین
297
00:13:14,940 –> 00:13:16,590
تعمیم داده شده است به خوبی یک مشکل است، مگر اینکه
298
00:13:16,590 –> 00:13:19,050
مجبور نباشیم مدل های خود را بازنویسی کنیم تا
299
00:13:19,050 –> 00:13:21,180
تغییرات همان مسئله را درست حل کنیم،
300
00:13:21,180 –> 00:13:24,660
بنابراین یک و سه قطعاً
301
00:13:24,660 –> 00:13:27,060
درست است دومی در اینجا یادگیری ماشین.
302
00:13:27,060 –> 00:13:28,800
مفید است زیرا دقت
303
00:13:28,800 –> 00:13:31,230
نتایج لزوماً همیشه
304
00:13:31,230 –> 00:13:32,880
بهتر از برنامه نویسی مبتنی بر قانون نیست،
305
00:13:32,880 –> 00:13:35,340
بنابراین اگر مشکل واقعاً به
306
00:13:35,340 –> 00:13:37,740
اندازه کافی ساده باشد، برنامه نویسی مبتنی بر قانون
307
00:13:37,740 –> 00:13:41,310
ممکن است حتی کار کند، اما در بسیاری از موارد
308
00:13:41,310 –> 00:13:44,220
چیزهایی را می دانیم که برای ما بسیار شهودی
309
00:13:44,220 –> 00:13:46,710
هستند و نمی دانند. بسیار شهودی برای آموزش
310
00:13:46,710 –> 00:13:49,020
به رایانه ها اتفاق می افتد این است که
311
00:13:49,020 –> 00:13:51,480
یادگیری ماشین بسیار مفیدتر از
312
00:13:51,480 –> 00:13:52,950
برنامه نویسی مبتنی بر قانون می شود،
313
00:13:52,950 –> 00:13:58,230
بنابراین امیدوارم که شما بچه ها این کار را انجام دهید. در مورد این
314
00:13:58,230 –> 00:14:01,530
با من هستند در این مورد بسیاری از مردم
315
00:14:01,530 –> 00:14:03,210
این سوال را در مورد تفاوت بین
316
00:14:03,210 –> 00:14:05,580
هوش مصنوعی یادگیری ماشینی دارند
317
00:14:05,580 –> 00:14:07,710
و کلمه جدیدی که در
318
00:14:07,710 –> 00:14:10,170
روزهای اخیر شاهد آن هستیم نیز یادگیری عمیق است درست است
319
00:14:10,170 –> 00:14:11,970
بنابراین تفاوت بین این
320
00:14:11,970 –> 00:14:14,880
موارد چیست اجازه دهید به شما بگویم
321
00:14:14,880 –> 00:14:16,680
هوش مصنوعی، هوش مصنوعی است،
322
00:14:16,680 –> 00:14:20,040
بهعنوان یک زمینه، مدتهاست که وجود داشته است،
323
00:14:20,040 –> 00:14:22,350
بنابراین از زمان
324
00:14:22,350 –> 00:14:25,380
ظهور رایانهها، ما به عنوان انسان همیشه
325
00:14:25,380 –> 00:14:27,540
میخواستیم ماشینها یا رایانههایشان را به
326
00:14:27,540 –> 00:14:30,360
اندازه خودمان هوشمند بسازیم، بنابراین این شاخه از
327
00:14:30,360 –> 00:14:32,960
علوم رایانه که با ساخت سروکار دارد.
328
00:14:32,960 –> 00:14:35,970
عوامل هوش مصنوعی یا بدون
329
00:14:35,970 –> 00:14:40,040
الگوریتم
330
00:14:40,040 –> 00:14:44,430
های هوش مصنوعی را هوش مصنوعی می گویند، بنابراین
331
00:14:44,430 –> 00:14:46,560
مؤلفه های مختلفی وجود دارد که این
332
00:14:46,560 –> 00:14:49,080
هوش مصنوعی را تشکیل می دهد و یکی از
333
00:14:49,080 –> 00:14:52,320
آنها یادگیری ماشینی است، بنابراین قبل از اینکه
334
00:14:52,320 –> 00:14:53,940
در مورد یادگیری ماشین صحبت کنم، فقط
335
00:14:53,940 –> 00:14:56,010
می خواهم چیزی به نام تست همزن را برجسته کنم.
336
00:14:56,010 –> 00:14:58,890
در دهه 1950 منتشر شد
337
00:14:58,890 –> 00:15:05,880
و بله مطمئناً دینش را پوشش داد، بنابراین اجازه دهید من
338
00:15:05,880 –> 00:15:08,130
به سرعت به یادگیری ماشین برسم خوب، اما
339
00:15:08,130 –> 00:15:09,390
قبل از آن اجازه دهید من در مورد آزمایش های گوشواره به شما بگویم،
340
00:15:09,390 –> 00:15:12,060
بنابراین یک مرد
341
00:15:12,060 –> 00:15:14,990
به نام یک تور در دهه 1950 بود که او
342
00:15:14,990 –> 00:15:17,210
با بیانیه یا آزمایشی به نام
343
00:15:17,210 –> 00:15:19,520
تست فرمان آمد و گفت که اگر یک
344
00:15:19,520 –> 00:15:22,490
دستگاه بتواند یک انسان را فریب
345
00:15:22,490 –> 00:15:26,660
دهد، ماشین نیست. اما یک انسان دیگر
346
00:15:26,660 –> 00:15:29,810
را منتسب می کنم یا به این
347
00:15:29,810 –> 00:15:31,460
دستگاه قد و قامت یک
348
00:15:31,460 –> 00:15:33,830
عامل باهوش مصنوعی را می دهم یا می دانم که
349
00:15:33,830 –> 00:15:36,170
چنین خواهد شد،
350
00:15:36,170 –> 00:15:38,210
اگر این
351
00:15:38,210 –> 00:15:40,340
دستگاه بتواند انسان دیگری را گول بزند که این کار است، آن ها این را هوش مصنوعی واقعی می نامم.
352
00:15:40,340 –> 00:15:42,200
نه یک ماشین، بلکه خود انسان دیگری،
353
00:15:42,200 –> 00:15:45,890
بسیار خوب است، بسیاری از مردم، و بنابراین،
354
00:15:45,890 –> 00:15:47,660
این یک توضیح فلسفی است، اما
355
00:15:47,660 –> 00:15:49,910
بسیاری از مردم هنوز آن را نگه می دارند،
356
00:15:49,910 –> 00:15:55,720
بنابراین در حدود دهه 1960 چه اتفاقی می افتد،
357
00:15:55,720 –> 00:15:58,820
مردم فکر می کردند که این روش ها به طور
358
00:15:58,820 –> 00:16:01,520
مصنوعی کار نمی کنند. هوش میداند که
359
00:16:01,520 –> 00:16:03,530
این چیزهایی که مردم در حال تحقیق هستند،
360
00:16:03,530 –> 00:16:05,240
آنها واقعاً در عمل کار نمیکنند
361
00:16:05,240 –> 00:16:07,760
و دلیل آن این بود که
362
00:16:07,760 –> 00:16:09,380
در آن روزها ما
363
00:16:09,380 –> 00:16:11,620
قدرت محاسباتی کافی نداشتیم و همچنین دادههای کافی برای آن نداشتیم.
364
00:16:11,620 –> 00:16:15,170
با درستی کار کنید تا
365
00:16:15,170 –> 00:16:16,970
مردم بگویند که می دانید برنامه نویسی مبتنی بر
366
00:16:16,970 –> 00:16:19,040
قاعده بسیار بهتر است، بنابراین حتی
367
00:16:19,040 –> 00:16:20,450
نگران این چیزها نباشید،
368
00:16:20,450 –> 00:16:22,610
بنابراین این مرحله به عنوان زمستان هوش مصنوعی نیز نامیده می شود و
369
00:16:22,610 –> 00:16:24,500
370
00:16:24,500 –> 00:16:26,810
اینجاست که مرجع بازی تاج و تخت در راه است و من هستم.
371
00:16:26,810 –> 00:16:30,470
مطمئن نیستم که آیا شما این را فهمیدید و بعد ما
372
00:16:30,470 –> 00:16:34,370
در حدود دهه 1980
373
00:16:34,370 –> 00:16:35,870
شروع به محبوب شدن یادگیری ماشینی و به
374
00:16:35,870 –> 00:16:37,430
طور خاص یادگیری ماشینی آماری کرد،
375
00:16:37,430 –> 00:16:39,110
بنابراین این زیرمجموعه از
376
00:16:39,110 –> 00:16:42,110
الگوریتمهایی وجود دارد که از آنها استفاده میشود که هیچ
377
00:16:42,110 –> 00:16:44,810
پایهای در آمار نداشت و شروع
378
00:16:44,810 –> 00:16:47,900
به محبوب شدن کرد و شرکتهایی مانند
379
00:16:47,900 –> 00:16:51,290
Google Nvidia و شروع به این کردند. این
380
00:16:51,290 –> 00:16:53,150
شرکت سرمایه گذاری هنگفتی را روی
381
00:16:53,150 –> 00:16:55,940
این الگوریتم ها آغاز کرد و در تحقیق در
382
00:16:55,940 –> 00:16:58,580
این فناوری ها خوب است و اینجاست که
383
00:16:58,580 –> 00:17:00,380
یادگیری ماشینی محبوبیت بیشتری
384
00:17:00,380 –> 00:17:02,300
پیدا کرد و در روزهای اخیر شاهد
385
00:17:02,300 –> 00:17:05,720
آن بودیم که پس از سال 2010 زیر مجموعه ای از الگوریتم
386
00:17:05,720 –> 00:17:07,910
ها که به آنها الگوریتم های یادگیری عمیق می
387
00:17:07,910 –> 00:17:09,740
گویند شروع به تبدیل شدن به آن کرده ایم.
388
00:17:09,740 –> 00:17:12,170
محبوبتر این الگوریتمهای یادگیری عمیق
389
00:17:12,170 –> 00:17:14,359
از چیزی به نام شبکههای عصبی
390
00:17:14,359 –> 00:17:18,020
و این شبکههای عصبی استفاده میکنند آنها
391
00:17:18,020 –> 00:17:21,109
توسط مدلی از مغز انسان مدلسازی
392
00:17:21,109 –> 00:17:23,180
میشوند، آنها مدلهای ضعیفی هستند از
393
00:17:23,180 –> 00:17:25,459
آنچه در سر شما اتفاق میافتد، بنابراین کاری که
394
00:17:25,459 –> 00:17:27,800
دانشمندان رایانه انجام دادند این بود که
395
00:17:27,800 –> 00:17:28,800
آنها روح را
396
00:17:28,800 –> 00:17:31,500
از ساختار بیولوژیکی نورونها دریافت کردند
397
00:17:31,500 –> 00:17:33,330
که در داخل مغز ما وجود دارد و اینجاست
398
00:17:33,330 –> 00:17:35,880
که شبکه های عصبی به وجود آمد
399
00:17:35,880 –> 00:17:39,660
Nowell متولد شد و این زیرمجموعه از
400
00:17:39,660 –> 00:17:41,220
الگوریتم های یادگیری ماشین که از
401
00:17:41,220 –> 00:17:44,040
شبکه های عصبی برای عملکرد خود استفاده می کنند
402
00:17:44,040 –> 00:17:46,050
، الگوریتم های یادگیری عمیق نامیده می شوند و
403
00:17:46,050 –> 00:17:47,790
ما از من می بینیم مانند
404
00:17:47,790 –> 00:17:51,270
هوش مصنوعی باز ذهن عمیق است که به شدت در این
405
00:17:51,270 –> 00:17:56,190
زمینه تحقیقاتی کار می کند، بنابراین اگر یکی
406
00:17:56,190 –> 00:17:57,630
از شما پرسید تفاوت بین آنها چیست،
407
00:17:57,630 –> 00:17:59,580
می توانید بگویید که هیچ
408
00:17:59,580 –> 00:18:01,110
هوش مصنوعی میدان وسیع تری نیست
409
00:18:01,110 –> 00:18:03,690
یادگیری ماشینی فقط زیرمجموعه ای از
410
00:18:03,690 –> 00:18:05,490
مغز نیست که
411
00:18:05,490 –> 00:18:07,350
عامل هوشمند مصنوعی را ایجاد کرده است، بنابراین بیایید
412
00:18:07,350 –> 00:18:09,900
بگوییم اگر روزی مجبور شدیم
413
00:18:09,900 –> 00:18:12,630
هوش مصنوعی ایجاد نکنیم یا منظور من است. ما
414
00:18:12,630 –> 00:18:14,880
امروز نیز این کار را انجام میدهیم، اما مانند یک
415
00:18:14,880 –> 00:18:17,880
هوش مصنوعی واقعی، اگر به
416
00:18:17,880 –> 00:18:19,980
نقطهای برسیم که نه، میتواند همه نوع کار را انجام دهد
417
00:18:19,980 –> 00:18:21,870
. چیزهایی درست از تخیل
418
00:18:21,870 –> 00:18:24,720
رویاپردازی حافظه چنین چیزهایی
419
00:18:24,720 –> 00:18:26,940
درست است، بنابراین اگر در مورد هوش مصنوعی واقعی صحبت می کنید،
420
00:18:26,940 –> 00:18:29,070
421
00:18:29,070 –> 00:18:30,810
یادگیری ماشینی مغز پشت آن خواهد بود،
422
00:18:30,810 –> 00:18:32,880
بنابراین زمینه های دیگر مانند
423
00:18:32,880 –> 00:18:36,000
برنامه ریزی مسیر بینایی کامپیوتری، همه آن ها
424
00:18:36,000 –> 00:18:38,790
نیز اکنون اجزای دیگری را تشکیل می دهند
425
00:18:38,790 –> 00:18:41,670
. ایجاد هوش مصنوعی بسیار خوب است، بنابراین یادگیری ماشینی
426
00:18:41,670 –> 00:18:44,460
مغز آن است و سپس اینها
427
00:18:44,460 –> 00:18:46,350
زیرمجموعهای از الگوریتمهای یادگیری ماشین
428
00:18:46,350 –> 00:18:48,900
هستند که بر شبکههای عصبی متکی هستند و این
429
00:18:48,900 –> 00:18:51,660
الگوریتمها را الگوریتمهای یادگیری عمیق یا شبکههای عصبی عمیق مینامند.
430
00:18:51,660 –> 00:18:55,200
431
00:18:55,200 –> 00:18:57,950
432
00:18:57,950 –> 00:19:01,080
فقط در اسلاید بعدی به یادگیری ماشینی بیشتر برسید،
433
00:19:01,080 –> 00:19:04,680
اما آیا
434
00:19:04,680 –> 00:19:07,070
همه سلسله مراتب
435
00:19:07,070 –> 00:19:12,150
این اصطلاحات
436
00:19:12,150 –> 00:19:14,430
437
00:19:14,430 –> 00:19:16,980
را خوب میدانند، بچهها، بیایید مطمئن شویم که اگر سؤالی دارید، لطفاً سؤالی را
438
00:19:16,980 –> 00:19:19,140
مطرح کنید، اگر فکر میکنید احمقانه است،
439
00:19:19,140 –> 00:19:21,360
این کار را نکنید. نگران نباشید، خوب، اینجا یک
440
00:19:21,360 –> 00:19:23,910
گروه کوچک است، همه بخشی
441
00:19:23,910 –> 00:19:26,700
از جامعه ما هستند و هیچ سوالی
442
00:19:26,700 –> 00:19:29,010
احمقانه نیست، فقط از آنها بپرسید اگر من نیستم
443
00:19:29,010 –> 00:19:31,470
میتوانم همین الان به آن
444
00:19:31,470 –> 00:19:33,750
بپردازم، بعد از جلسه به آن میرسم یا نه، شما حتی میتوانید
445
00:19:33,750 –> 00:19:35,490
باز بمانید، من بعد از جلسه هم از شما سر در
446
00:19:35,490 –> 00:19:39,330
میآورم، بنابراین اجازه دهید
447
00:19:39,330 –> 00:19:41,210
چیزهایی را به شما نشان دهم که میتوانید با استفاده از دستگاه بسازید.
448
00:19:41,210 –> 00:19:42,720
449
00:19:42,720 –> 00:19:44,159
برخی از پروژههایی که
450
00:19:44,159 –> 00:19:46,919
در کلاس خود در
451
00:19:46,919 –> 00:19:48,480
برنامههای یادگیری ماشینی بلندمدت خود میسازیم،
452
00:19:48,480 –> 00:19:49,859
اینها برخی از پروژههایی هستند که
453
00:19:49,859 –> 00:19:52,769
ساختیم، من در مورد آن زیاد صحبت
454
00:19:52,769 –> 00:19:57,390
نمیکنم و فقط به شما اجازه میدهم از پروژهها لذت ببرید
455
00:19:57,390 –> 00:20:00,479
[Music]
456
00:20:06,810 –> 00:20:17,220
[Music] ]
457
00:20:20,120 –> 00:20:27,049
[Music]
458
00:20:33,810 –> 00:20:53,150
[Music]
459
00:20:55,190 –> 00:20:57,890
[Music]
460
00:20:57,890 –> 00:21:00,030
خیلی خوب است،
461
00:21:00,030 –> 00:21:02,370
پس بله شما، بنابراین من داشتم چند
462
00:21:02,370 –> 00:21:04,080
چیز را روی تخته سیاه می نوشتم، اینجا
463
00:21:04,080 –> 00:21:06,799
در پنجره متن عالی، اینجا
464
00:21:06,799 –> 00:21:11,400
و اینجا، شما در حال دریافت تعدادی بدون رقم هستید
465
00:21:11,400 –> 00:21:14,010
که ما هستیم. تشخیص و
466
00:21:14,010 –> 00:21:15,720
برخی از خطاها وجود دارد که ما دریافت کردیم، بنابراین
467
00:21:15,720 –> 00:21:17,850
100٪ دقیق نبود و راه های زیادی
468
00:21:17,850 –> 00:21:20,940
برای فریب دادن این الگوریتم
469
00:21:20,940 –> 00:21:23,580
وجود دارد، اما چیزی که در آنجا دیدید یک
470
00:21:23,580 –> 00:21:25,410
مشکل کلاسیک در یادگیری ماشینی است که
471
00:21:25,410 –> 00:21:27,780
تشخیص این ارقام دست نویس است، پس
472
00:21:27,780 –> 00:21:30,929
فکر کنید. در مورد اگر آن را با استفاده از no if
473
00:21:30,929 –> 00:21:33,360
else stat انجام دهید اوه، این حتی
474
00:21:33,360 –> 00:21:34,620
امکان پذیر نیست درست است که
475
00:21:34,620 –> 00:21:37,710
تغییرات زیادی از این حرف 3 وجود دارد، شما نمی توانید
476
00:21:37,710 –> 00:21:40,230
فقط یک پیکسل را بخوانید، می توانید
477
00:21:40,230 –> 00:21:42,480
این اعداد را که کوچک نوشته شده
478
00:21:42,480 –> 00:21:44,429
اند بدانید، ممکن است مقداری جابجایی وجود داشته باشد، ممکن است
479
00:21:44,429 –> 00:21:47,880
مقداری چرخش به سمت راست باشد، بنابراین فقط اگر یک
480
00:21:47,880 –> 00:21:50,820
الگوریتم وجود داشته باشد. در واقع قادر است
481
00:21:50,820 –> 00:21:53,789
مفهوم 3 را دقیقاً همانطور که شما آن را
482
00:21:53,789 –> 00:21:55,740
در مغز خود انجام می دهید شناسایی کند، سپس فقط شما می
483
00:21:55,740 –> 00:21:59,190
توانید آن را به درستی در بیشتر مواقع پیش بینی کنید
484
00:21:59,190 –> 00:22:01,919
، بنابراین این اولین
485
00:22:01,919 –> 00:22:04,020
پروژه ای است که می خواهم با شما دوستان به اشتراک بگذارم
486
00:22:04,020 –> 00:22:06,750
. پروژه دیگری که به
487
00:22:06,750 –> 00:22:09,330
نام آن را پروژه ربات خزنده می نامیم
488
00:22:09,330 –> 00:22:12,539
که از یادگیری تقویتی استفاده می کند
489
00:22:12,539 –> 00:22:14,580
که یکی دیگر
490
00:22:14,580 –> 00:22:16,530
از پیشرفت هایی است
491
00:22:16,530 –> 00:22:18,390
که در زمینه های اخیر در یادگیری ماشین دیده
492
00:22:18,390 –> 00:22:21,600
ایم کاری که در این کلاس انجام می دهیم آموزش
493
00:22:21,600 –> 00:22:23,850
این ربات است که چگونه در این محیط بخزد،
494
00:22:23,850 –> 00:22:27,330
بنابراین در این پروژه کاری که ما
495
00:22:27,330 –> 00:22:29,429
انجام می دهیم این است که به این ربات آموزش می دهیم که این ربات
496
00:22:29,429 –> 00:22:32,100
ابتدا برخی از اقدامات تصادفی را امتحان می کند و
497
00:22:32,100 –> 00:22:33,870
سپس در نهایت
498
00:22:33,870 –> 00:22:36,929
بدون اینکه ما به طور واضح برنامه ریزی کنیم، یاد می گیرد که چگونه
499
00:22:36,929 –> 00:22:38,880
در این محیط به جلو حرکت کنید زیرا
500
00:22:38,880 –> 00:22:40,890
فرض کنید فردا موانعی وجود دارد
501
00:22:40,890 –> 00:22:42,570
که دقیقاً در اینجا قرار می گیرند،
502
00:22:42,570 –> 00:22:44,580
بنابراین ربات همچنان می تواند
503
00:22:44,580 –> 00:22:46,289
در آن محیط خود را تطبیق دهد و به جلو حرکت کند
504
00:22:46,289 –> 00:22:48,179
و همچنین بر آن موانع غلبه نکنید،
505
00:22:48,179 –> 00:22:50,610
اجازه دهید من فقط این
506
00:22:50,610 –> 00:22:52,490
ویدیو را برای شما پخش کنم
507
00:22:52,490 –> 00:23:21,979
[ موسیقی]
508
00:23:26,160 –> 00:23:31,069
[موسیقی]
509
00:23:34,820 –> 00:23:50,960
[موسیقی]
510
00:23:50,960 –> 00:23:54,180
[تشویق]
511
00:23:55,320 –> 00:24:01,230
[موسیقی]
512
00:24:01,230 –> 00:24:05,410
در آن ویدیو بسیار جالب است که
513
00:24:05,410 –> 00:24:09,760
میدانستیم میتوانیم آن ربات را آسان کنیم که چگونه
514
00:24:09,760 –> 00:24:10,780
به جلو حرکت کند،
515
00:24:10,780 –> 00:24:13,870
بنابراین بیایید همان طور که گفتم یادگیری ماشینی به چه معناست
516
00:24:13,870 –> 00:24:16,360
.
517
00:24:16,360 –> 00:24:18,850
518
00:24:18,850 –> 00:24:20,950
اگر از تجربیات ما یا دادههای گذشته یاد بگیرید
519
00:24:20,950 –> 00:24:23,500
که الگوریتم یادگیری ماشینی را تشکیل میدهد، نمیخواهم تعریفی از ویکیپدیا
520
00:24:23,500 –> 00:24:25,630
521
00:24:25,630 –> 00:24:28,330
به شما
522
00:24:28,330 –> 00:24:31,450
523
00:24:31,450 –> 00:24:35,290
بدهم. شما یک شهود ریاضی
524
00:24:35,290 –> 00:24:37,179
پشت آنچه که یادگیری ماشین از
525
00:24:37,179 –> 00:24:39,130
آنچه قبلاً در دبیرستان خود میدانید وجود دارد، میدانید،
526
00:24:39,130 –> 00:24:42,429
بنابراین در یک کلاس دبیرستان به
527
00:24:42,429 –> 00:24:45,040
ما مجموعهای از نقاط داده داده شد، این نقاط داده
528
00:24:45,040 –> 00:24:47,470
میتوانند مجموعهای از اعداد باشند،
529
00:24:47,470 –> 00:24:51,520
مثلاً 1 2 3 4 5 6 پس خوب است و
530
00:24:51,520 –> 00:24:54,220
یک تابع نیز به ما داده شده است، بنابراین فرض کنید
531
00:24:54,220 –> 00:24:57,550
که f از X به ما داده می شود، X مربع است، بنابراین
532
00:24:57,550 –> 00:25:00,460
خروجی این تابع چگونه به نظر
533
00:25:00,460 –> 00:25:02,530
می رسد که چیزی شبیه به این خواهد بود آیا
534
00:25:02,530 –> 00:25:05,140
همه با من در این مورد موافق هستند اگر f
535
00:25:05,140 –> 00:25:07,480
از X بود x مربع و اگر مجموعه ای مانند این به ما داده شود
536
00:25:07,480 –> 00:25:10,030
منهای 4 منهای 3 منهای 2
537
00:25:10,030 –> 00:25:13,300
منهای 1 بنابراین در خروجی این
538
00:25:13,300 –> 00:25:15,090
تابع چیزی شبیه به این خواهد بود
539
00:25:15,090 –> 00:25:23,559
آیا همه با من موافق هستند که بله
540
00:25:23,559 –> 00:25:27,730
اگر ورودی منهای 4 منهای 3 منهای بود. 2
541
00:25:27,730 –> 00:25:30,550
منهای 1 f از X شد مربع x، ما
542
00:25:30,550 –> 00:25:32,559
نمودار را چیزی شبیه به سهمی در
543
00:25:32,559 –> 00:25:35,410
اینجا دریافت می کنیم و این همان کاری است که
544
00:25:35,410 –> 00:25:37,780
ما در کلاس دبیرستان انجام می دادیم، اما چیزی که در
545
00:25:37,780 –> 00:25:41,170
یادگیری ماشین جدید است این است که اکنون
546
00:25:41,170 –> 00:25:43,960
این داده های ورودی به ما داده می شود و به ما
547
00:25:43,960 –> 00:25:46,420
همچنین به این تابع خروجی
548
00:25:46,420 –> 00:25:48,940
نتایج مورد انتظار داده می شود و وظیفه ما به عنوان یک
549
00:25:48,940 –> 00:25:51,190
مهندس یادگیری ماشین
550
00:25:51,190 –> 00:25:54,850
این است که تابع نگاشت f از X ok را ارائه
551
00:25:54,850 –> 00:25:56,740
کنیم، بنابراین فرض کنید شما یک
552
00:25:56,740 –> 00:25:58,750
مهندس یادگیری ماشین بودید و شخصی
553
00:25:58,750 –> 00:26:01,450
این را به عنوان ورودی منهای 4 به شما داده است. منهای 3 منهای 2
554
00:26:01,450 –> 00:26:04,480
منهای 1 0 1 2 3 4 ام است ورودی شماست و
555
00:26:04,480 –> 00:26:06,250
شخصی به شما می گوید که این
556
00:26:06,250 –> 00:26:08,950
خروجی مورد انتظار است، بنابراین شما به عنوان یک
557
00:26:08,950 –> 00:26:11,020
مهندس یادگیری ماشین به آنها می گویید
558
00:26:11,020 –> 00:26:13,270
مدل چیست یا
559
00:26:13,270 –> 00:26:14,979
تابع نقشه برداری
560
00:26:14,979 –> 00:26:17,359
چیست، به آنها بگویید
561
00:26:17,359 –> 00:26:20,959
مدل چیست یا نقشه برداری چیست؟ تابع اگر
562
00:26:20,959 –> 00:26:24,949
این ورودی باشد – 4 – 3 – 2 1 0 1 2 3
563
00:26:24,949 –> 00:26:28,279
4 و این خروجی مورد انتظار این
564
00:26:28,279 –> 00:26:30,589
سهمی است که به آنها می گویید
565
00:26:30,589 –> 00:26:41,389
f از X چیست، بله، ما فقط دیدیم که f از X
566
00:26:41,389 –> 00:26:43,279
می شود X مربع اگر این ورودی است
567
00:26:43,279 –> 00:26:46,009
و این خروجی مورد انتظار f از X است
568
00:26:46,009 –> 00:26:47,989
، مدل این جهان یا تابع نقشه برداری
569
00:26:47,989 –> 00:26:52,129
X مربع خواهد بود، بنابراین وقتی
570
00:26:52,129 –> 00:26:53,629
می گویند که من در حال
571
00:26:53,629 –> 00:26:55,609
یادگیری ماشینی هستم، در واقع سعی می کنند چیزی
572
00:26:55,609 –> 00:26:58,159
را یاد بگیرند، این یک چیز فرضی
573
00:26:58,159 –> 00:26:59,929
در داخل نیست. کامپیوتر شما در حال تلاش برای
574
00:26:59,929 –> 00:27:02,989
یادگیری این تابع f از X این است که
575
00:27:02,989 –> 00:27:04,459
یادگیری ماشینی به طور خاص در مورد
576
00:27:04,459 –> 00:27:06,109
یادگیری ماشینی نظارت شده
577
00:27:06,109 –> 00:27:08,629
است و اگر شما این مفهوم
578
00:27:08,629 –> 00:27:11,059
را دریافت کنید، بیشتر اصول اولیه
579
00:27:11,059 –> 00:27:13,519
یادگیری ماشین را دقیقاً در آنجا خواهید داشت.
580
00:27:13,519 –> 00:27:16,189
گرفتن یکی از من از من پرسیده بود میدانم
581
00:27:16,189 –> 00:27:18,319
میتوانی به زبان ساده توضیح بدهی که یادگیری ماشین چیست،
582
00:27:18,319 –> 00:27:20,209
این همان چیزی است که
583
00:27:20,209 –> 00:27:22,129
584
00:27:22,129 –> 00:27:24,319
585
00:27:24,319 –> 00:27:27,289
586
00:27:27,289 –> 00:27:29,839
یادگیری ماشین در مورد
587
00:27:29,839 –> 00:27:32,329
آن است. میتوانست به این خروجی منجر شود،
588
00:27:32,329 –> 00:27:33,969
بنابراین ما X
589
00:27:33,969 –> 00:27:36,439
علاقهمند به ساخت این مدل از
590
00:27:36,439 –> 00:27:37,939
جهان هستیم یا تابع نقشهبرداری را
591
00:27:37,939 –> 00:27:40,399
که میخواهیم با این تابع ارائه کنیم،
592
00:27:40,399 –> 00:27:45,049
باور دارند آیا سؤالی وجود دارد،
593
00:27:45,049 –> 00:28:00,859
بنابراین بیایید کمی
594
00:28:00,859 –> 00:28:05,569
تمرین کنیم و غیره آشوتوش میگوید آیا این
595
00:28:05,569 –> 00:28:07,309
بدان معناست که شما فقط به
596
00:28:07,309 –> 00:28:09,139
تجسم خروجی علاقه دارید، بنابراین
597
00:28:09,139 –> 00:28:11,059
لزوماً در بسیاری از مواقع نمیتوانیم
598
00:28:11,059 –> 00:28:12,679
خروجی را به صورت دو
599
00:28:12,679 –> 00:28:14,959
بعدی تجسم کنیم، شما میتوانید آن را تجسم کنید،
600
00:28:14,959 –> 00:28:16,699
اما اگر بیش از دو برابر دو یا
601
00:28:16,699 –> 00:28:18,199
سه بعدی باشد، بسیار
602
00:28:18,199 –> 00:28:19,929
دشوار میشود. برای تجسم کردن ما
603
00:28:19,929 –> 00:28:22,069
صرف نظر از اینکه چه چیزی را میتوانید تجسم کنید
604
00:28:22,069 –> 00:28:25,429
یا نه، مفهوم یکسان باقی میماند، درست است
605
00:28:25,429 –> 00:28:28,480
که ریاضی اساسی را تغییر
606
00:28:28,480 –> 00:28:31,090
607
00:28:31,090 –> 00:28:33,110
نمیدهد. اگر بتوانید
608
00:28:33,110 –> 00:28:35,210
آن را تجسم کنید یا نه، ریاضیات
609
00:28:35,210 –> 00:28:37,730
پشت آن
610
00:28:37,730 –> 00:28:40,730
تغییر نمی کند، حساب برداری تغییر نمی کند، بنابراین بیایید چند
611
00:28:40,730 –> 00:28:42,350
مثال انجام دهیم تا خیلی واضح تر شود،
612
00:28:42,350 –> 00:28:45,380
بنابراین بیایید پایه های ریاضی را
613
00:28:45,380 –> 00:28:47,300
برای مدلی که هستیم انجام دهیم.
614
00:28:47,300 –> 00:28:50,410
قرار است امروز در کلاس خود بسازیم، بنابراین
615
00:28:50,410 –> 00:28:53,990
وقتی شما هستید، خطی داریم که
616
00:28:53,990 –> 00:28:56,870
روی دستکش روی یک نمودار کشیده شده است، شما باید x
617
00:28:56,870 –> 00:28:59,810
روی Y یا 0 1 2 3 4 5 محورهای y داشته باشید
618
00:28:59,810 –> 00:29:01,670
و یک خط به شما داده می شود okay
619
00:29:01,670 –> 00:29:06,170
و I می خواهم از شما بپرسم من قبلاً
620
00:29:06,170 –> 00:29:08,840
آن پاسخ را به شما نشان دادم اما دوباره اجازه دهید از
621
00:29:08,840 –> 00:29:12,620
شما بپرسم که آیا می دانید آیا می
622
00:29:12,620 –> 00:29:14,960
خواهید این خط را به صورت ریاضی نشان دهید چگونه
623
00:29:14,960 –> 00:29:17,090
این را نشان می دهید مانند اینکه چگونه
624
00:29:17,090 –> 00:29:21,610
این خط را به صورت ریاضی ارائه می دهید ،
625
00:29:26,410 –> 00:29:29,210
بنابراین معادله کلی چیست؟ هر
626
00:29:29,210 –> 00:29:31,300
خطی
627
00:29:33,640 –> 00:29:37,760
بله آن y است MX به علاوه B یا MX به اضافه C
628
00:29:37,760 –> 00:29:39,770
هر چه می خواهید آن را درست بنامید بنابراین
629
00:29:39,770 –> 00:29:42,710
معادله کلی خط y
630
00:29:42,710 –> 00:29:46,430
برابر است با MX به علاوه B که در آن m
631
00:29:46,430 –> 00:29:50,830
شیب این خط به سمت راست و B یا C
632
00:29:50,830 –> 00:29:53,210
هر چه باشد. شما می خواهید آن را صدا کنید
633
00:29:53,210 –> 00:29:55,820
نقطه ای است که محور y آن را قطع می کند آیا
634
00:29:55,820 –> 00:29:59,390
تقاطع y خوب است حالا می توانید فکر کنید می
635
00:29:59,390 –> 00:30:01,400
توانید به من بگویید معادله این
636
00:30:01,400 –> 00:30:03,110
خط چیست بنابراین می خواهم
637
00:30:03,110 –> 00:30:07,060
مقدار m را پیدا کنید و B برای من
638
00:30:22,080 –> 00:30:25,260
می گوید چرا X به اضافه یک است آیا فکر
639
00:30:25,260 –> 00:30:38,250
می کنید شیب
640
00:30:38,250 –> 00:30:43,140
بچه ها شوبهام می گوید
641
00:30:43,140 –> 00:30:46,580
شیب این خط 0.5
642
00:30:48,410 –> 00:30:50,760
پراشانتا نانورود است
643
00:30:50,760 –> 00:30:54,150
و همینطور بچه ها به اینجا نگاه کنند راه دیگری
644
00:30:54,150 –> 00:30:57,540
برای نگاه کردن به شیب این است که می
645
00:30:57,540 –> 00:30:59,430
توانید شیب را به عنوان مقداری هم در نظر بگیرید
646
00:30:59,430 –> 00:31:02,750
این خط روی محور y بالا میرود، خوب است
647
00:31:02,750 –> 00:31:05,970
برای هر بلوکی که روی محور x حرکت میکنید
648
00:31:05,970 –> 00:31:09,660
، بنابراین به ازای
649
00:31:09,660 –> 00:31:11,580
هر بلوکی که به سمت راست حرکت میکنیم چقدر بالا میرویم،
650
00:31:11,580 –> 00:31:20,100
بنابراین من این را به عنوان یک اشاره برای
651
00:31:20,100 –> 00:31:21,780
کسانی میکنم که نمیتوانم آن را دریافت کنم، میدانم
652
00:31:21,780 –> 00:31:23,540
که بسیاری از شما آن را درست متوجه شدهاید، بنابراین به
653
00:31:23,540 –> 00:31:26,670
اینجا فکر کنید
654
00:31:26,670 –> 00:31:29,610
به ازای هر بلوکی که
655
00:31:29,610 –> 00:31:32,190
روی محور x حرکت کردهایم چقدر افزایش میدهیم، بنابراین در اینجا
656
00:31:32,190 –> 00:31:35,130
یک بلوک را از دو به دو منتقل کردیم. سه
657
00:31:35,130 –> 00:31:40,340
نصف بلوک چقدر بالا رفتیم 0.5 درست نه یکی
658
00:31:40,340 –> 00:31:45,300
پس شیب این خط 0.5 خوب است پس
659
00:31:45,300 –> 00:31:47,610
ما هستیم به ازای
660
00:31:47,610 –> 00:31:49,530
هر بلوکی که در سمت راست حرکت میکنیم، فقط نیم بلوک بالا میرویم،
661
00:31:49,530 –> 00:31:52,710
بنابراین شیب این خط 0.5 است و
662
00:31:52,710 –> 00:31:54,510
بسیاری از شما این را درست متوجه شدهاید که نقطهای
663
00:31:54,510 –> 00:31:55,830
که محور y را برش میدهیم،
664
00:31:55,830 –> 00:31:58,110
واضح است که در اینجا یک است، بنابراین
665
00:31:58,110 –> 00:32:01,970
معادله این خط با 0.5 X به اضافه 1 ok خواهد بود،
666
00:32:01,970 –> 00:32:04,380
پس بیایید یک بار دیگر انجام دهیم
667
00:32:04,380 –> 00:32:07,710
تا واضح تر شود، بنابراین سوال من از شما
668
00:32:07,710 –> 00:32:10,230
این است که مقدار y را برای x برابر
669
00:32:10,230 –> 00:32:13,140
20 در این خط پیدا کنید تا همه چیز
670
00:32:13,140 –> 00:32:15,060
کمی ایجاد شود. ساده تر است، بنابراین ما همان کار را انجام می دهیم
671
00:32:15,060 –> 00:32:18,000
که Y است MX + B این معادله کلی
672
00:32:18,000 –> 00:32:20,520
است و سپس من فقط این را
673
00:32:20,520 –> 00:32:22,800
برای شما خواهم داشت، حالا به من بگویید
674
00:32:22,800 –> 00:32:27,980
مقدار y برای x برابر با 220 است
675
00:32:31,730 –> 00:32:33,799
و پاسخ نهایی را به من بدهید. آیا
676
00:32:33,799 –> 00:32:45,470
مقدار y برای x برابر است با 220، بله، هیچ یک از
677
00:32:45,470 –> 00:32:53,960
شما این را درست نمیدانید، هیچکدام از
678
00:32:53,960 –> 00:32:56,419
شما به من نگفتهاید که Y برابر با
679
00:32:56,419 –> 00:32:59,630
2x معادله است زیرا نقطهای که در آن
680
00:32:59,630 –> 00:33:02,090
محور y را قطع میکنیم
681
00:33:02,090 –> 00:33:04,429
، واضح است که 0 است و M در اینجا
682
00:33:04,429 –> 00:33:07,039
M برابر 2 است زیرا به ازای هر بلوکی که
683
00:33:07,039 –> 00:33:10,460
حرکت دادیم دو بلوک به سمت راست بالا رفتیم
684
00:33:10,460 –> 00:33:13,610
بنابراین Y برابر است با دو و B 0 پس Y
685
00:33:13,610 –> 00:33:15,889
برابر است با 2 X معادله این
686
00:33:15,889 –> 00:33:18,889
خط است اگر مقدار x را در این معادله 20 قرار
687
00:33:18,889 –> 00:33:22,909
دهید، به همین سادگی y برابر با 240
688
00:33:22,909 –> 00:33:24,049
می شود،
689
00:33:24,049 –> 00:33:26,870
پس حالا به من بگویید چرا
690
00:33:26,870 –> 00:33:28,909
تدریس می کنید. من ریاضی دبیرستان دوباره
691
00:33:28,909 –> 00:33:31,639
خوب است، اما این یکی از
692
00:33:31,639 –> 00:33:34,669
مفاهیم مهمی است که ما
693
00:33:34,669 –> 00:33:36,860
امروز اولین مدل یادگیری ماشینی خود را می سازیم که
694
00:33:36,860 –> 00:33:39,200
به آن رگرسیون خطی
695
00:33:39,200 –> 00:33:40,610
می گویند، بنابراین وقتی شما مثالی از یک
696
00:33:40,610 –> 00:33:42,860
مسئله رگرسیون خطی هستید، بگذارید بگوییم اگر می
697
00:33:42,860 –> 00:33:44,630
خواهید پیش بینی نمره دانش آموز
698
00:33:44,630 –> 00:33:46,639
بر اساس تعداد ساعاتی که آنها
699
00:33:46,639 –> 00:33:49,850
مطالعه می کنند، بنابراین ما روی محور x قرار داریم،
700
00:33:49,850 –> 00:33:53,690
ما مطالعات دانش آموز خود را برای یک امتحان داریم و در
701
00:33:53,690 –> 00:33:55,669
اینجا در محور y نمره ای است که
702
00:33:55,669 –> 00:33:58,880
آنها در یک امتحان خاص
703
00:33:58,880 –> 00:34:00,769
می گیرند. گذشته ما میدانیم که دانشآموزانی که
704
00:34:00,769 –> 00:34:03,139
این ساعتها را مطالعه کردهاند این
705
00:34:03,139 –> 00:34:05,809
مقدار نمره را کسب کردهاند، بنابراین اگر این مقدار را مطالعه
706
00:34:05,809 –> 00:34:09,710
کنید، این نمره کوچک را در امتحان خود میگیرید، بنابراین
707
00:34:09,710 –> 00:34:11,199
این دادههای گذشته است که در دسترس است،
708
00:34:11,199 –> 00:34:14,000
بنابراین کاری که ما بهعنوان مهندس یادگیری ماشین
709
00:34:14,000 –> 00:34:17,690
انجام میدهیم این است که ایجاد کنیم. یک مدل بنابراین ما به این داده نگاه می
710
00:34:17,690 –> 00:34:19,579
کنیم الف و بگویید که می دانید
711
00:34:19,579 –> 00:34:22,129
روند به چه شکل است، بنابراین ما یک
712
00:34:22,129 –> 00:34:23,659
خط نزدیک به همه این
713
00:34:23,659 –> 00:34:27,139
نقاط را رسم می کنیم و می گوییم که
714
00:34:27,139 –> 00:34:28,969
روند اینگونه به نظر می رسد من تمام زوایا را که
715
00:34:28,969 –> 00:34:31,429
نزدیک ترین آنها به همه این نقاط است رسم می کنم، بنابراین اکنون می توانم
716
00:34:31,429 –> 00:34:33,859
شما به من بگویید چگونه این
717
00:34:33,859 –> 00:34:37,609
خط مستقیم را در حافظه رایانه نشان می دهید یا
718
00:34:37,609 –> 00:34:40,429
چند ضریب
719
00:34:40,429 –> 00:34:41,960
در اینجا دقیق تر بگویم به چند ضریب
720
00:34:41,960 –> 00:34:45,440
برای نشان دادن این خط نیاز دارید و
721
00:34:45,440 –> 00:34:56,719
آن دو ضریب
722
00:34:56,719 –> 00:35:06,010
کدامند، بنابراین او به شانتانو آنوراگ وصل می کند می گویند MNC
723
00:35:06,010 –> 00:35:08,210
Kiran آن را هم متوجه شدم،
724
00:35:08,210 –> 00:35:10,820
بنابراین بله، همه شما دقیقاً در آنجا هستید،
725
00:35:10,820 –> 00:35:12,890
ما به دو ضریب نیاز داریم و آن دو
726
00:35:12,890 –> 00:35:15,290
ضریب شیب و
727
00:35:15,290 –> 00:35:17,630
قطع y درست است، زیرا اگر کسی
728
00:35:17,630 –> 00:35:20,180
این دو نقطه را به شما بدهد، میدانید که
729
00:35:20,180 –> 00:35:22,670
آن خط چگونه به نظر میرسد، میتوانید
730
00:35:22,670 –> 00:35:25,910
آن را تجسم کنید. خط راست و در تنظیمات دو بعدی
731
00:35:25,910 –> 00:35:28,610
در اینجا یک خط است، اما بیایید
732
00:35:28,610 –> 00:35:30,650
بگوییم در دو بعدی یک خط است، سپس
733
00:35:30,650 –> 00:35:34,390
در سه بعدی است،
734
00:35:44,710 –> 00:35:47,020
بنابراین برای افرادی که
735
00:35:47,020 –> 00:35:49,059
آن را در دو بعدی دریافت نمی کنند، خواهد بود. اگر
736
00:35:49,059 –> 00:35:52,380
در یک خط سه بعدی، یک
737
00:35:52,380 –> 00:35:56,319
صفحه به سمت راست خواهید داشت، همانطور که اگر در دو
738
00:35:56,319 –> 00:35:57,819
بعدی یک مثلث در سه
739
00:35:57,819 –> 00:36:00,700
بعدی باشد، یک هرم سمت راست است یا
740
00:36:00,700 –> 00:36:03,099
یک مخروط است، درست مثل این که اینجا
741
00:36:03,099 –> 00:36:05,410
چیزی در دو بعدی دارید، یک
742
00:36:05,410 –> 00:36:07,859
خط سه بعدی دارید. ما یک هواپیما داریم
743
00:36:07,859 –> 00:36:10,510
و مجدداً برخی از
744
00:36:10,510 –> 00:36:14,470
پارامترهای آن هواپیما وجود خواهد داشت و اگر
745
00:36:14,470 –> 00:36:16,480
شما یک مهندس یادگیری ماشین هستید،
746
00:36:16,480 –> 00:36:18,579
میخواهید وقتی
747
00:36:18,579 –> 00:36:19,930
بیش از سه بعدی
748
00:36:19,930 –> 00:36:23,010
میروید چیزها را شیکتر کنید، آن چیزی را
749
00:36:23,010 –> 00:36:25,690
که در حال صحبت کردن هستید به عنوان یک ابر هواپیما مینامید. در مورد هایپرپلین اکنون
750
00:36:25,690 –> 00:36:29,140
درست مفاهیم همه چیز را می دانیم که
751
00:36:29,140 –> 00:36:31,329
آن چیزها دوباره همان چیزها باقی می مانند، شما
752
00:36:31,329 –> 00:36:33,309
فقط آن مفهوم را به دو
753
00:36:33,309 –> 00:36:35,849
بعدی سه بعدی و غیره گسترش دهید، اما
754
00:36:35,849 –> 00:36:38,349
چیزی که در واقع در تلاش برای یافتن
755
00:36:38,349 –> 00:36:43,079
آن هستید این دو چیز شیب و
756
00:36:43,079 –> 00:36:46,660
قطع y است، بنابراین اگر یکی از دوستان
757
00:36:46,660 –> 00:36:48,460
شما می گوید که من در حال انجام
758
00:36:48,460 –> 00:36:51,010
رگرسیون خطی یا یک مدل یادگیری ماشینی ساخته شده هستم
759
00:36:51,010 –> 00:36:54,220
به آنها بگویید که من می دانم
760
00:36:54,220 –> 00:36:55,930
که شما در حال انجام یک کار
761
00:36:55,930 –> 00:36:58,359
فانتزی نیستید. تلاش برای بالا آمدن این
762
00:36:58,359 –> 00:37:00,819
دو پارامتر از آن خطوط درست است، بنابراین
763
00:37:00,819 –> 00:37:02,559
اگر یک دوبعدی و یک
764
00:37:02,559 –> 00:37:04,240
مشکل ساده است، سعی
765
00:37:04,240 –> 00:37:07,270
کنید فقط دو پارامتر را بدست آورید
766
00:37:07,270 –> 00:37:09,670
اگر بیش از دو بعد دارند یا
767
00:37:09,670 –> 00:37:11,470
با بیش از آن سروکار دارند. دو عامل در
768
00:37:11,470 –> 00:37:13,690
آنجا پارامترهای بیشتری خواهد بود اما
769
00:37:13,690 –> 00:37:15,940
دوباره مفهوم ثابت می ماند،
770
00:37:15,940 –> 00:37:18,039
فقط همان مفهوم را بسط می دهم دو
771
00:37:18,039 –> 00:37:21,970
پارامتر دیگر همه با من هستند، بنابراین اگر
772
00:37:21,970 –> 00:37:24,700
کسی بگوید که من مشکل رگرسیون خطی را حل می
773
00:37:24,700 –> 00:37:26,680
کنم و
774
00:37:26,680 –> 00:37:30,279
رگرسیون خطی بر روی شما چیست؟ کلمه خطی
775
00:37:30,279 –> 00:37:32,470
از این فرض ناشی می شود که
776
00:37:32,470 –> 00:37:33,940
ما فرض می کنیم همه چیز در این
777
00:37:33,940 –> 00:37:36,579
دنیا یک رابطه خطی دارد خوب است، بنابراین
778
00:37:36,579 –> 00:37:38,589
اگر به اینجا نگاه کنید این نقاط
779
00:37:38,589 –> 00:37:40,119
لزوماً رابطه خطی کاملی
780
00:37:40,119 –> 00:37:42,220
ندارند، بنابراین می توانید در
781
00:37:42,220 –> 00:37:45,430
واقع به یک مدل پیچیده دست پیدا کنید که یک
782
00:37:45,430 –> 00:37:48,309
کمی انحنا روی سمت راست خود دارید، بنابراین
783
00:37:48,309 –> 00:37:50,140
می توانید چیزی با تابع نگاشت
784
00:37:50,140 –> 00:37:52,990
f از X داشته باشید که در اینجا منحنی هایی
785
00:37:52,990 –> 00:37:56,799
دارد اما مفهوم همان باقی می ماند
786
00:37:56,799 –> 00:37:58,550
و w در رگرسیون خطی داریم
787
00:37:58,550 –> 00:38:00,470
که بیایید فرض کنیم بیایید یک فرض سادهلوحانه داشته
788
00:38:00,470 –> 00:38:02,060
باشیم که همه چیز در این دنیا
789
00:38:02,060 –> 00:38:04,370
را میتوان با استفاده از یک
790
00:38:04,370 –> 00:38:06,560
رابطه خطی و یک خط مستقیم نشان داد و این همان
791
00:38:06,560 –> 00:38:08,600
کاری است که ما انجام میدهیم اگر کسی بگوید که من
792
00:38:08,600 –> 00:38:10,820
یک رابطه خطی انجام میدهم
793
00:38:10,820 –> 00:38:15,590
در واقع در تلاش است. برای پیدا
794
00:38:15,590 –> 00:38:27,500
کردن پارامترهای پارامترهای این خط، خط این
795
00:38:27,500 –> 00:38:30,320
رگرسیون را پیدا کنید و ما می دانیم که این
796
00:38:30,320 –> 00:38:32,090
دو پارامتر چه چیزی درست است، اگر
797
00:38:32,090 –> 00:38:34,760
این دو پارامتر را دارید، این مشکل را حل کنید
798
00:38:34,760 –> 00:38:38,090
همه با من هستند پس بچه
799
00:38:38,090 –> 00:38:39,740
ها اینگونه به اکثر مشکلات خود نزدیک می شویم.
800
00:38:39,740 –> 00:38:42,200
در اینجا در کد هیراکو، سعی می کنیم
801
00:38:42,200 –> 00:38:44,450
آن را با چیزهایی
802
00:38:44,450 –> 00:38:47,510
که قبلاً می دانید مرتبط کنیم، بنابراین وقتی مردم با من صحبت می کنند
803
00:38:47,510 –> 00:38:50,480
و می گویند که هی نه،
804
00:38:50,480 –> 00:38:52,190
چقدر باید ریاضی را برای
805
00:38:52,190 –> 00:38:54,500
یادگیری ماشین بدانم، سعی می کنم به آنها بگویم که
806
00:38:54,500 –> 00:38:55,970
میدانید که قبلاً این
807
00:38:55,970 –> 00:38:58,370
چیزها را میدانید، میگوید که هیچ مهندس یادگیری ماشینی
808
00:38:58,370 –> 00:39:01,850
سعی نمیکند در زمینه ما
809
00:39:01,850 –> 00:39:04,850
نه بگوید، ما آن را فانتزیتر میکنیم، همین است و کار من این
810
00:39:04,850 –> 00:39:07,600
است که کمی
811
00:39:07,600 –> 00:39:11,060
آن را کمی بدانم. بچگانه بگویید
812
00:39:11,060 –> 00:39:12,980
و آن را به شما ارائه ندهید به گونه ای که نه
813
00:39:12,980 –> 00:39:18,010
درک آن برای شما آسان باشد، بنابراین
814
00:39:18,010 –> 00:39:20,960
ما بدانیم که Y است MX به علاوه B
815
00:39:20,960 –> 00:39:22,760
معادله خط است اگر M
816
00:39:22,760 –> 00:39:25,900
و B را بدانیم، می توانیم این خط را رسم کنیم. بنابراین
817
00:39:25,900 –> 00:39:29,270
بیایید بگوییم اگر کسی به شما بگوید که می
818
00:39:29,270 –> 00:39:30,950
خواهید برای این
819
00:39:30,950 –> 00:39:34,250
دانش آموزی که 10 ساعت به درستی مطالعه کرده است پیش بینی کنید،
820
00:39:34,250 –> 00:39:36,170
بنابراین اگر دانش آموز 10 ساعت مطالعه کرده باشد
821
00:39:36,170 –> 00:39:38,660
شما به عنوان یک مهندس یادگیری ماشین
822
00:39:38,660 –> 00:39:41,090
چه چیزی را به آنها خواهید گفت که چه
823
00:39:41,090 –> 00:39:44,200
انتظاراتی دارد.
824
00:39:50,609 –> 00:39:53,619
بله امتیاز بگیرید، زیرا قبلاً در مثال خود نیز دیدیم که
825
00:39:53,619 –> 00:39:57,039
826
00:39:57,039 –> 00:39:59,200
اگر معادله این خط را بدانید، یک
827
00:39:59,200 –> 00:40:01,299
بار معادله را داشته باشید اگر
828
00:40:01,299 –> 00:40:03,789
مقدار X را وصل کنید، دریافت مقدار y به همان اندازه
829
00:40:03,789 –> 00:40:05,349
بی اهمیت است که فقط آن مقدار را در
830
00:40:05,349 –> 00:40:07,269
آن قرار دهید. معادله درست است، بنابراین شما فقط می توانید بگویید
831
00:40:07,269 –> 00:40:11,950
برای x برابر با 10، y در اینجا 60 خواهد شد،
832
00:40:11,950 –> 00:40:15,039
بنابراین پیش بینی ما برای 10 ساعت
833
00:40:15,039 –> 00:40:18,130
مطالعه 60 خواهد بود، بنابراین تبریک
834
00:40:18,130 –> 00:40:20,650
می گویم که شما تازه ساختید یا نه، شما اولین
835
00:40:20,650 –> 00:40:23,200
مدل خود را همین الان در ذهن خود انجام دادید و من هستم نمی
836
00:40:23,200 –> 00:40:25,150
گویند که این کار انجام شده است و ما
837
00:40:25,150 –> 00:40:26,920
به h در حال حاضر ما این کار را در پایتون
838
00:40:26,920 –> 00:40:29,890
نیز انجام خواهیم داد، اما بله، این همان چیزی است که
839
00:40:29,890 –> 00:40:33,400
باید بدانید ساختن یک
840
00:40:33,400 –> 00:40:34,900
مدل یادگیری ماشینی ساده برای یادگیری ماشینی،
841
00:40:34,900 –> 00:40:36,759
واضح است که می توانید مدل های پیچیده تری داشته باشید،
842
00:40:36,759 –> 00:40:39,549
اما این اولین مدلی است که هر کسی
843
00:40:39,549 –> 00:40:40,720
که به طور کلی در حال مطالعه یادگیری ماشینی است.
844
00:40:40,720 –> 00:40:42,720
می دانم سعی کنید بسازید
845
00:40:42,720 –> 00:40:47,979
بنابراین فرض کنید ما در واقع دانش آموز
846
00:40:47,979 –> 00:40:49,839
واقعاً می رود و آنها دانمارک را مطالعه می کنند
847
00:40:49,839 –> 00:40:51,640
و او برای امتحان می رود او به امتحان می رود
848
00:40:51,640 –> 00:40:55,509
و سپس آنها نمرات بیشتری گرفتند بنابراین
849
00:40:55,509 –> 00:40:59,259
چه اتفاقی خواهد افتاد این است که ما به عنوان یک ماشین
850
00:40:59,259 –> 00:41:00,999
یادگیری در Xenia ما می گوییم
851
00:41:00,999 –> 00:41:03,880
خوب، می بینم که شما اکنون نمره های بیشتری دریافت کرده اید،
852
00:41:03,880 –> 00:41:06,729
این را به عنوان یک یادگیری برای
853
00:41:06,729 –> 00:41:09,279
مرجع آینده خود در نظر می گیرم و سعی می
854
00:41:09,279 –> 00:41:12,400
کنم مدل خود را بر اساس آن بهبود بخشم، اما این تفاوت
855
00:41:12,400 –> 00:41:15,279
بین مقدار واقعی این نقطه آبی
856
00:41:15,279 –> 00:41:17,979
و پیش بینی من در اینجا ما
857
00:41:17,979 –> 00:41:20,920
به عنوان خطا در پیش بینی خود درست می گوییم، بنابراین
858
00:41:20,920 –> 00:41:23,859
این مقدار واقعی منهای مقدار پیش بینی شده من
859
00:41:23,859 –> 00:41:25,839
، خطای پیش بینی من خواهد بود،
860
00:41:25,839 –> 00:41:29,140
بنابراین برای ارزیابی مدل
861
00:41:29,140 –> 00:41:31,509
باید خطای کمتری داشته باشیم یا باید
862
00:41:31,509 –> 00:41:36,279
انجام دهیم، مقدار بیشتری می خواهیم آیا باید سعی کنیم
863
00:41:36,279 –> 00:41:38,289
مدلی با خطای کمتر یا بیشتر بسازیم
864
00:41:38,289 –> 00:41:40,920
یا بله بدیهی است که ما می خواهیم این
865
00:41:40,920 –> 00:41:44,589
تفاوت بین پیش بینی های ما و
866
00:41:44,589 –> 00:41:48,849
مقادیر واقعی ما تا حد امکان کمتر
867
00:41:48,849 –> 00:41:51,339
درست باشد، بنابراین آنچه که ما سعی می کنیم انجام دهیم این است
868
00:41:51,339 –> 00:41:53,349
که زمانی که واقعاً در حال ساختن هستیم جدا شود.
869
00:41:53,349 –> 00:41:55,450
خود این مدل برای ارزیابی
870
00:41:55,450 –> 00:41:58,059
مدلهایمان، کاری که انجام میدهیم این است که
871
00:41:58,059 –> 00:42:01,059
برخی از این نکات را به عنوان نقاط آموزشی
872
00:42:01,059 –> 00:42:02,770
و دادههای آزمایشی
873
00:42:02,770 –> 00:42:05,320
جدا کنیم، بنابراین آنچه میگوییم این است که
874
00:42:05,320 –> 00:42:07,660
مدل خود را با استفاده از این نقاط دادههای آزمایشی ارزیابی میکنیم، بنابراین
875
00:42:07,660 –> 00:42:09,280
فرض کنید این آبی را به عنوان یک نقطه آزمایش،
876
00:42:09,280 –> 00:42:11,859
کاری که ما انجام می دهیم این است که از این
877
00:42:11,859 –> 00:42:14,109
نقطه آبی برای ارزیابی میزان خطا استفاده
878
00:42:14,109 –> 00:42:17,380
کنیم و یک قانون کلی این است که از 80 درصد
879
00:42:17,380 –> 00:42:20,380
داده های شما به عنوان نقاط داده آموزشی
880
00:42:20,380 –> 00:42:23,890
و 20 درصد از 20 درصد باقی مانده را
881
00:42:23,890 –> 00:42:26,380
به عنوان امتیاز استفاده کنیم. نکات تست برای ارزیابی
882
00:42:26,380 –> 00:42:29,560
عملکرد ما خوب است آیا همه
883
00:42:29,560 –> 00:42:33,670
در این مورد با من هستند آیا ما سؤالی داریم
884
00:42:33,670 –> 00:42:35,849
885
00:42:40,560 –> 00:42:43,060
بنابراین باز هم هیچ چیز این قانون سخت و سریع
886
00:42:43,060 –> 00:42:46,660
نیست، فقط یک قانون سرانگشتی است که می
887
00:42:46,660 –> 00:42:49,180
توانید با چیزهای مختلف امتحان کنید اما به
888
00:42:49,180 –> 00:42:52,540
طور کلی می خواهید برای استفاده از حداکثر داده ها
889
00:42:52,540 –> 00:42:54,940
که برای اهداف آموزشی
890
00:42:54,940 –> 00:42:57,250
دارید، اما میخواهید چیزی را برای آزمایش خود کنار بگذارید،
891
00:42:57,250 –> 00:43:00,010
خوب است، بنابراین اگر برخی از
892
00:43:00,010 –> 00:43:04,900
افراد 85/15 را ترجیح میدهند اما دادههای آموزشی بیشتری را که
893
00:43:04,900 –> 00:43:06,880
استفاده میکنید، این احتمال وجود دارد
894
00:43:06,880 –> 00:43:09,040
که مشکل خود را بیش از حد برآورده کنید،
895
00:43:09,040 –> 00:43:10,869
بنابراین من نمیدانم. نمیخواهم
896
00:43:10,869 –> 00:43:12,760
خیلی از نکات فنی را در آنجا بررسی کنم، اما
897
00:43:12,760 –> 00:43:14,080
برخی از معاوضهها وجود دارد،
898
00:43:14,080 –> 00:43:25,960
بله، بنابراین نحوه نمونهبرداری از آنها این است
899
00:43:25,960 –> 00:43:29,950
که مطمئن شوید از
900
00:43:29,950 –> 00:43:33,099
همه کلاسها مطلع هستید یا نه، شما برابر هستید،
901
00:43:33,099 –> 00:43:34,750
توزیع یکنواخت است. میخواهید
902
00:43:34,750 –> 00:43:37,150
مطمئن شوید که میدانید 20 میخواهید
903
00:43:37,150 –> 00:43:40,060
بهطور تصادفی از آن نمونه برداری کنید
904
00:43:40,060 –> 00:43:42,310
و نقاط دادههای آموزشی و آزمایشی خود را
905
00:43:42,310 –> 00:43:44,050
تا حد امکان نزدیک به تصادفی توزیع کنید، خوب،
906
00:43:44,050 –> 00:43:45,820
میخواهید مطمئن شوید که
907
00:43:45,820 –> 00:43:47,859
تمام امتیازات خود را در 20 مورد
908
00:43:47,859 –> 00:43:53,440
نیز نمونهبرداری میکنید. این منطقی است، بسیار خوب،
909
00:43:53,440 –> 00:43:55,450
بچه ها، پس بیایید
910
00:43:55,450 –> 00:43:58,330
به بخش عملی خود
911
00:43:58,330 –> 00:44:00,820
برای امروز برویم.
912
00:44:00,820 –> 00:44:02,859
913
00:44:02,859 –> 00:44:05,070
914
00:44:05,070 –> 00:44:09,820
ما از t استفاده خواهیم کرد همانطور که ما می دانیم او یک
915
00:44:09,820 –> 00:44:11,619
نوت بوک Jupiter است اگر برخی از شما قبلاً
916
00:44:11,619 –> 00:44:14,920
می دانستید از نوت بوک jupiter استفاده کرده اید اگر
917
00:44:14,920 –> 00:44:16,630
قبلاً آن را در سیستم خود دارید هزینه
918
00:44:16,630 –> 00:44:18,640
رایگان برای استفاده از آن به صورت محلی در سیستم خود
919
00:44:18,640 –> 00:44:20,440
برای کسانی که بسته های زیادی ندارند
920
00:44:20,440 –> 00:44:23,020
و پایتون این را نصب کرده است استفاده کنید. یک
921
00:44:23,020 –> 00:44:24,760
ابزار آنلاین است که به شما کمک می کند این کار را
922
00:44:24,760 –> 00:44:27,820
بدون نصب هیچ چیزی به صورت محلی انجام دهید، بنابراین
923
00:44:27,820 –> 00:44:31,830
من فقط این پیوند را برای شما می چسبانم،
924
00:44:33,300 –> 00:44:36,190
بنابراین به نوت بوک خود یا به عنوان کامنت خود بروید
925
00:44:36,190 –> 00:44:45,520
و هنگامی که اینجا هستید،
926
00:44:45,520 –> 00:44:49,890
روی بالا سمت راست کلیک کنید روی ورود خود کلیک کنید.
927
00:44:50,580 –> 00:44:55,690
و اگر یک حساب مایکروسافت یا
928
00:44:55,690 –> 00:45:00,010
اسکایپ دارید یا یک حساب کاربری زنده ندارید، بنابراین همه
929
00:45:00,010 –> 00:45:01,810
آن شناسههای ایمیلی که در اکوسیستم مایکروسافت وجود
930
00:45:01,810 –> 00:45:05,170
دارند، باید بتوانید
931
00:45:05,170 –> 00:45:07,240
با استفاده از آن چیزها وارد شوید، اگر یکی
932
00:45:07,240 –> 00:45:09,670
ندارید، میتوانید بگویید یکی را نیز ایجاد کنید. در اینجا
933
00:45:09,670 –> 00:45:13,570
بسیار سریع خواهد بود یا اگر می دانید
934
00:45:13,570 –> 00:45:15,460
اگر آن را به خاطر دارید می توانید از
935
00:45:15,460 –> 00:45:18,730
اینجا وارد شوید من اینجا منتظر می مانم بچه ها به
936
00:45:18,730 –> 00:45:20,800
من بگویید هنگامی که بتوانید به حساب مایکروسافت خود وارد
937
00:45:20,800 –> 00:45:23,740
شوید در اینجا اگر می گویید
938
00:45:23,740 –> 00:45:26,050
یکی را ایجاد کنید ممکن است باید شناسه جیمیل خود را بدهید
939
00:45:26,050 –> 00:45:28,210
بنابراین می توانید بگویید یکی بسازید و
940
00:45:28,210 –> 00:45:30,850
می توانید اکانت جیمیل خود را
941
00:45:30,850 –> 00:45:32,770
بدهید، بنابراین شناسه جیمیل خود را به روی خود بدهید، بنابراین اگر
942
00:45:32,770 –> 00:45:34,900
یک ساختنی است، سپس جیمیل یا
943
00:45:34,900 –> 00:45:36,580
شماره تلفن خود را بدهید و سپس آنها
944
00:45:36,580 –> 00:45:39,190
یک کد تأیید را برای شما ارسال می کنند، پس
945
00:45:39,190 –> 00:45:40,780
من. من اینجا منتظر هستم تا شما بچه ها
946
00:45:40,780 –> 00:45:42,550
یک حساب ایجاد کنید، من قبلاً یکی
947
00:45:42,550 –> 00:45:44,890
از اینجا دارم، با استفاده از آن وارد می شوم،
948
00:45:44,890 –> 00:45:49,050
اما به این پیوند بروید، روی ورود کلیک کنید و پس از اتمام کار، پس از ورود به سیستم، در
949
00:45:49,050 –> 00:45:51,730
جعبه چت به من بگویید.
950
00:45:51,730 –> 00:45:53,400
951
00:45:53,400 –> 00:45:56,620
با موفقیت از اکانت مایکروسافت خود استفاده کنید
952
00:45:56,620 –> 00:45:58,740
953
00:46:02,430 –> 00:46:03,960
، اگر
954
00:46:03,960 –> 00:46:05,730
آن را دارید، لطفاً وارد
955
00:46:05,730 –> 00:46:07,770
شوید و به من اطلاع دهید در کادر Ted هنگامی که
956
00:46:07,770 –> 00:46:16,560
وارد سیستم شدید، فقط بنشینید، بله
957
00:46:16,560 –> 00:46:20,550
اگر میخواهید از IDE دیگری استفاده
958
00:46:20,550 –> 00:46:23,790
کنید اگر آن موارد را نصب کردهاید، بنشینید. در
959
00:46:23,790 –> 00:46:26,000
رایانه خود اگر matplotlib scikit-learn دارید
960
00:46:26,000 –> 00:46:28,589
و آن کتابخانه
961
00:46:28,589 –> 00:46:30,750
نصب شده است، می توانید این کار را انجام دهید، اما اگر می
962
00:46:30,750 –> 00:46:32,790
خواهید با من در این مورد دنبال کنید،
963
00:46:32,790 –> 00:46:35,700
می توانید این کار را با استفاده از دفترچه یادداشت خود در Ana انجام دهید
964
00:46:35,700 –> 00:46:37,859
، جالب است بنابراین
965
00:46:37,859 –> 00:46:41,780
اگر می خواهید چیز جدیدی یاد بگیرید. آن را امتحان نکرده ام
966
00:46:42,770 –> 00:46:45,599
بله آماده است میتوانید از آناکوندا نیز استفاده
967
00:46:45,599 –> 00:46:49,140
کنید، میتوانید یک کپی محلی از نوتبوک مشتری را
968
00:46:49,140 –> 00:46:53,119
روی آناکوندای خود باز کنید و
969
00:46:59,730 –> 00:47:01,680
برای دیگرانی که با شنیدن
970
00:47:01,680 –> 00:47:03,990
این نامهای فناوری جدید شناخته شدهاند،
971
00:47:03,990 –> 00:47:06,750
اگر اهل یادگیری ماشینی علم داده
972
00:47:06,750 –> 00:47:09,869
نیستید یا از پایتون نیستید، میتوانم بگویم.
973
00:47:09,869 –> 00:47:12,210
نه، شما یک توسعه دهنده پایتون نیستید،
974
00:47:12,210 –> 00:47:13,859
باید آن را تبرئه کنید، نگران نباشید، بسیار
975
00:47:13,859 –> 00:47:15,050
خوب،
976
00:47:15,050 –> 00:47:19,740
می بینم که تمام شده است
977
00:47:19,740 –> 00:47:22,230
، چند ثانیه دیگر منتظر شما هستم
978
00:47:22,230 –> 00:47:24,030
تا کسی را پشت سر نگذاریم این
979
00:47:24,030 –> 00:47:25,830
چیزی است که
980
00:47:25,830 –> 00:47:28,109
برای من بسیار مهم است،
981
00:47:28,109 –> 00:47:29,760
افرادی هستند که باهوش هستند و می دانند که
982
00:47:29,760 –> 00:47:31,859
همیشه جلوتر هستند، اما من می خواهم مطمئن
983
00:47:31,859 –> 00:47:34,710
شوم که هیچ کس را پشت سر نگذارم و هیچ
984
00:47:34,710 –> 00:47:36,660
کس از اینجا نباید با فکر
985
00:47:36,660 –> 00:47:38,460
اینکه من می توانم برود. با
986
00:47:38,460 –> 00:47:45,030
سرعت کلاس هماهنگ باشید، بنابراین من تعداد زیادی
987
00:47:45,030 –> 00:47:46,080
از Dunn را در آنجا
988
00:47:46,080 —