در این مطلب، ویدئو آموزش پایتون: معرفی XGBoost 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: 00:03:29
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,709 –> 00:00:04,200
اکنون بیایید در مورد آنچه که در
2
00:00:04,200 –> 00:00:07,020
واقع اینجا هستید برای داغترین
3
00:00:07,020 –> 00:00:11,160
یادگیری ماشینی تحت نظارت کتابدار صحبت کنیم XG boost XG
4
00:00:11,160 –> 00:00:13,409
یک کتابخانه یادگیری ماشینی فوق العاده محبوب
5
00:00:13,409 –> 00:00:15,419
است به دلایل
6
00:00:15,419 –> 00:00:18,179
خوبی که در ابتدا به عنوان یک
7
00:00:18,179 –> 00:00:21,779
برنامه خط فرمان C++ پس از برنده شدن در یک
8
00:00:21,779 –> 00:00:24,089
مسابقه یادگیری ماشینی محبوب توسعه یافت.
9
00:00:24,089 –> 00:00:26,339
این بسته در جامعه وسیعتر یادگیری ماشینی پذیرفته شد، در
10
00:00:26,339 –> 00:00:29,310
11
00:00:29,310 –> 00:00:32,668
نتیجه پیوندها یا توابعی که
12
00:00:32,668 –> 00:00:36,240
به کد C++ اصلی وارد میشوند
13
00:00:36,240 –> 00:00:38,100
در انواع زبانهای دیگر
14
00:00:38,100 –> 00:00:42,720
از جمله Python our scala Giulia و
15
00:00:42,720 –> 00:00:46,140
java ظاهر میشوند. ما در این دوره به برنامه Python API خواهیم پرداخت
16
00:00:46,140 –> 00:00:49,860
افزایش
17
00:00:49,860 –> 00:00:53,120
سرعت و عملکرد آن بسیار محبوب است
18
00:00:53,120 –> 00:00:56,010
زیرا الگوریتم تقویت هسته XG
19
00:00:56,010 –> 00:00:59,070
موازیپذیر است و میتواند از تمام
20
00:00:59,070 –> 00:01:01,320
قدرت پردازشی رایانههای چند هستهای مدرن
21
00:01:01,320 –> 00:01:03,990
استفاده کند، بهعلاوه
22
00:01:03,990 –> 00:01:06,720
روی دو پردازنده گرافیکی و در شبکههای رایانهای قابل موازیسازی است و
23
00:01:06,720 –> 00:01:09,420
24
00:01:09,420 –> 00:01:12,210
آموزش مدلها در ابعاد بسیار بزرگ را امکانپذیر میکند. مجموعه داده ها
25
00:01:12,210 –> 00:01:14,550
به ترتیب صدها میلیون
26
00:01:14,550 –> 00:01:15,540
نمونه آموزشی به
27
00:01:15,540 –> 00:01:18,840
هر حال XG سرعت افزایش،
28
00:01:18,840 –> 00:01:22,770
بستهها را واقعی نمیکشند، در نهایت یک الگوریتم
29
00:01:22,770 –> 00:01:24,450
یادگیری ماشینی سریع اما ضعیف
30
00:01:24,450 –> 00:01:26,490
31
00:01:26,490 –> 00:01:28,080
در جامعه مورد پذیرش گستردهای قرار نمیگیرد،
32
00:01:28,080 –> 00:01:30,930
چیزی که تقویتهای XG را بسیار محبوب میکند این است که
33
00:01:30,930 –> 00:01:33,750
به طور مداوم از همه
34
00:01:33,750 –> 00:01:36,210
روشهای تک الگوریتم دیگر در
35
00:01:36,210 –> 00:01:38,220
مسابقات یادگیری ماشین بهتر عمل میکند و نشان داده شده است
36
00:01:38,220 –> 00:01:40,229
برای دستیابی به عملکرد پیشرفته
37
00:01:40,229 –> 00:01:42,420
در انواع
38
00:01:42,420 –> 00:01:44,420
مجموعه داده های معیار یادگیری ماشین
39
00:01:44,420 –> 00:01:47,370
در اینجا مث