در این مطلب، ویدئو PYTHON SKLEARN: KNN، LinearRegression و SUPERVISED LEARNING (20/30) 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: 00:20:06
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:01,920
آیا فکر می کنید داشته باشید
2
00:00:01,920 –> 00:00:04,830
جان سالم به در برده غرق تایتانیک به خوبی است
3
00:00:04,830 –> 00:00:06,839
در این ویدیو شما را کشف خواهید کرد
4
00:00:06,839 –> 00:00:08,309
پاسخ دهید زیرا ما قصد داریم a را توسعه دهیم
5
00:00:08,309 –> 00:00:10,920
مدل یادگیری ماشین برای پیش بینی
6
00:00:10,920 –> 00:00:13,230
شانس شما برای زنده ماندن چقدر بود
7
00:00:13,230 –> 00:00:16,410
با توجه به سن و جنس شما
8
00:00:16,410 –> 00:00:18,960
کلاسی که در آن سفر می کردید
9
00:00:18,960 –> 00:00:20,550
سلام و به این بیستم خوش آمدید
10
00:00:20,550 –> 00:00:22,949
ویدیوی سری پایتون ویژه ماشین
11
00:00:22,949 –> 00:00:24,930
در این ویدیو یاد می گیریم
12
00:00:24,930 –> 00:00:28,050
در نهایت یادگیری ماشین را با
13
00:00:28,050 –> 00:00:31,260
پایتون با استفاده از آن کیت را زینت می دهد
14
00:00:31,260 –> 00:00:33,630
بهترین کتابخانه یادگیری ماشین
15
00:00:33,630 –> 00:00:35,910
در جهان به ویژه ما استفاده خواهیم کرد
16
00:00:35,910 –> 00:00:38,160
تبرئه زینت به ساختن
17
00:00:38,160 –> 00:00:40,530
نظارت بر یادگیری
18
00:00:40,530 –> 00:00:42,149
تکنیک هایی که در آنها خواهید آموخت
19
00:00:42,149 –> 00:00:44,040
این ویدیو به شما این امکان را می دهد
20
00:00:44,040 –> 00:00:46,829
خیلی چیزها مثل تخمین قیمت
21
00:00:46,829 –> 00:00:48,450
از یک آپارتمان پیش بینی این دوره از
22
00:00:48,450 –> 00:00:50,760
کیف پول یک شی را در عکس تشخیص می دهد
23
00:00:50,760 –> 00:00:53,460
یا حتی شانس زنده ماندن خود را محاسبه کنید
24
00:00:53,460 –> 00:00:55,379
در فاجعه ای مانند آن
25
00:00:55,379 –> 00:00:56,070
تایتانیک
26
00:00:56,070 –> 00:00:57,930
اما قبل از همه اینها بیایید به سرعت ببینیم چه چیزی
27
00:00:57,930 –> 00:00:59,880
این یادگیری ماشینی است
28
00:00:59,880 –> 00:01:02,950
[موسیقی]
29
00:01:03,930 –> 00:01:06,550
یادگیری ماشینی هنر است
30
00:01:06,550 –> 00:01:08,680
به یک ماشین توانایی بدهید
31
00:01:08,680 –> 00:01:10,979
برای یادگیری بدون برنامه ریزی آن به نوعی
32
00:01:10,979 –> 00:01:12,100
صریح
33
00:01:12,100 –> 00:01:14,530
این تعریف تاریخی است
34
00:01:14,530 –> 00:01:17,020
در حال حاضر در تعطیلات دستگاه
35
00:01:17,020 –> 00:01:17,470
یادگیری
36
00:01:17,470 –> 00:01:19,630
این شامل توسعه یک مدل است
37
00:01:19,630 –> 00:01:22,840
ریاضیات از داده ها
38
00:01:22,840 –> 00:01:25,900
آزمایش برای این سه وجود دارد
39
00:01:25,900 –> 00:01:28,560
نظارت بر یادگیری تکنیک ها
40
00:01:28,560 –> 00:01:31,390
یادگیری بدون نظارت و
41
00:01:31,390 –> 00:01:33,909
یادگیری تقویتی در
42
00:01:33,909 –> 00:01:35,649
این ویدیو ما بر روی آن تمرکز خواهیم کرد
43
00:01:35,649 –> 00:01:37,030
محبوب ترین تکنیک
44
00:01:37,030 –> 00:01:40,270
یادگیری نظارت اما شما
45
00:01:40,270 –> 00:01:41,979
آیا ما در جزئیات خواهیم دید
46
00:01:41,979 –> 00:01:43,930
دو تکنیک دیگر خیلی زود
47
00:01:43,930 –> 00:01:46,000
در ویدیوهای آینده پس در نظر بگیرید
48
00:01:46,000 –> 00:01:46,570
اشتراک در
49
00:01:46,570 –> 00:01:48,970
اگر نمی خواهید آنها را از دست بدهید، وارد شوید
50
00:01:48,970 –> 00:01:51,580
ماشین نظارت یادگیری
51
00:01:51,580 –> 00:01:54,759
داده هایی را دریافت می کند که مشخص می شود
52
00:01:54,759 –> 00:01:57,490
توسط متغیرهای x باید از a یادداشت شود
53
00:01:57,490 –> 00:01:59,950
متغیر y در واژگان
54
00:01:59,950 –> 00:02:01,630
یادگیری ماشینی ما تماس می گیریم
55
00:02:01,630 –> 00:02:04,450
متغیر x انگشتان کلمه است
56
00:02:04,450 –> 00:02:06,880
انگلیسی برای گفتن ویژگی های
57
00:02:06,880 –> 00:02:08,829
متغیر y زمانی که بعداً نامگذاری شد
58
00:02:08,829 –> 00:02:11,560
کنیزان که به معنای آداب است
59
00:02:11,560 –> 00:02:14,530
سپس در یادگیری نظارت بر
60
00:02:14,530 –> 00:02:17,709
هدف این است که ماشین یاد بگیرد
61
00:02:17,709 –> 00:02:21,519
پیش بینی مقدار y بر اساس
62
00:02:21,519 –> 00:02:24,610
x faders به او داده شده به همین دلیل است
63
00:02:24,610 –> 00:02:27,070
که y نیز هدف نامیده می شود
64
00:02:27,070 –> 00:02:28,750
متغیر که به معنی
65
00:02:28,750 –> 00:02:31,780
بنابراین برای موفقیت در انجام این کار ما
66
00:02:31,780 –> 00:02:33,970
با دادن پر از بخشش شروع کنید
67
00:02:33,970 –> 00:02:36,970
سپس روی ماشین یک داده تشکیل می دهیم
68
00:02:36,970 –> 00:02:37,360
7
69
00:02:37,360 –> 00:02:40,510
سپس نوع مدل را مشخص می کنیم
70
00:02:40,510 –> 00:02:42,340
که ماشین باید یاد بگیرد
71
00:02:42,340 –> 00:02:44,769
s یک مدل خطی از a است
72
00:02:44,769 –> 00:02:46,900
مدل چند جمله ای یک درخت
73
00:02:46,900 –> 00:02:48,790
تصمیم یا شبکه عصبی
74
00:02:48,790 –> 00:02:51,400
مدل های زیادی وجود دارد
75
00:02:51,400 –> 00:02:52,480
در یادگیری ماشینی
76
00:02:52,480 –> 00:02:55,209
در گذر ما نیز مشخص می کنیم
77
00:02:55,209 –> 00:02:57,700
پارامترهای hypers مدل ما توسط
78
00:02:57,700 –> 00:02:59,500
به عنوان مثال چند شعبه باید وجود داشته باشد
79
00:02:59,500 –> 00:03:01,600
در درخت تصمیم به خوبی داشته باشید
80
00:03:01,600 –> 00:03:02,859
چند نورون
81
00:03:02,859 –> 00:03:05,079
باید در شبکه ما وجود داشته باشد
82
00:03:05,079 –> 00:03:06,640
زمانی که همه این کارها را انجام دادیم، نورون ها
83
00:03:06,640 –> 00:03:08,829
دستگاه شروع به کار خواهد کرد
84
00:03:08,829 –> 00:03:11,130
از یک الگوریتم استفاده خواهد کرد
85
00:03:11,130 –> 00:03:13,710
بهینه سازی برای پیدا کردن آنچه هستند
86
00:03:13,710 –> 00:03:16,260
پارامترهای مدلی که به ما می دهد
87
00:03:16,260 –> 00:03:18,660
بهترین عملکرد برای
88
00:03:18,660 –> 00:03:20,670
داده ها از داده های ما 7
89
00:03:20,670 –> 00:03:22,530
به این مرحله می گویند
90
00:03:22,530 –> 00:03:25,080
آموزش و یک بار این مرحله
91
00:03:25,080 –> 00:03:27,780
تمام شد، مدل ما به پایان رسید
92
00:03:27,780 –> 00:03:30,530
یادگیری ماشین آماده استفاده است
93
00:03:30,530 –> 00:03:33,060
هنگامی که دستگاه جدید دریافت می کند
94
00:03:33,060 –> 00:03:34,980
این بار داده بدون برچسب
95
00:03:34,980 –> 00:03:38,190
از مدل برای پیش بینی استفاده خواهد کرد
96
00:03:38,190 –> 00:03:40,680
ارزش y در اینجا چیست؟
97
00:03:40,680 –> 00:03:42,060
حالا بدانید چگونه کار می کند
98
00:03:42,060 –> 00:03:44,880
نظارت بر یادگیری از طریق این
99
00:03:44,880 –> 00:03:46,830
روشی که هر دو می توانیم حل کنیم
100
00:03:46,830 –> 00:03:48,840
مسائل رگرسیون
101
00:03:48,840 –> 00:03:50,610
وقتی y یک متغیر پیوسته است
102
00:03:50,610 –> 00:03:53,280
یعنی یک متغیر کمی
103
00:03:53,280 –> 00:03:56,760
و مسائل طبقه بندی
104
00:03:56,760 –> 00:03:59,160
وقتی y یک متغیر گسسته باشد، اینطور است
105
00:03:59,160 –> 00:04:01,890
می گویند یک متغیر کیفی و من دارم
106
00:04:01,890 –> 00:04:03,090
خبر بسیار خوبی است زیرا در
107
00:04:03,090 –> 00:04:05,400
این ویدیو ما هر دو را انجام خواهیم داد
108
00:04:05,400 –> 00:04:07,410
رگرسیون ها و طبقه بندی ها
109
00:04:07,410 –> 00:04:09,330
اما قبل از آن چند مورد را برای شما می گذارم
110
00:04:09,330 –> 00:04:11,550
ثانیه برای هضم همه چیز ما
111
00:04:11,550 –> 00:04:12,060
فقط دیدم
112
00:04:12,060 –> 00:04:14,490
دریغ نکنید که برای بازگشت دوباره استراحت کنید
113
00:04:14,490 –> 00:04:15,300
کمی عقب تر
114
00:04:15,300 –> 00:04:16,680
و اگر سوالی دارید
115
00:04:16,680 –> 00:04:19,410
همانطور که می دانید در نظر ارسال شده است
116
00:04:19,410 –> 00:04:21,238
ما به همه نظرات در مورد پاسخ می دهیم
117
00:04:21,238 –> 00:04:22,048
این کانال یوتیوب
118
00:04:22,048 –> 00:04:23,520
بیا، بیا فوراً همدیگر را ببینیم
119
00:04:23,520 –> 00:04:27,050
صحبت در مورد این کیت بینی خود را
120
00:04:27,330 –> 00:04:29,150
[موسیقی]
121
00:04:29,150 –> 00:04:31,320
برای انجام یادگیری ماشین با
122
00:04:31,320 –> 00:04:33,000
تبرئه می کند زینت آن بسیار است
123
00:04:33,000 –> 00:04:33,660
ساده
124
00:04:33,660 –> 00:04:35,610
همه مدل ها و همه الگوریتم ها
125
00:04:35,610 –> 00:04:38,280
یادگیری ماشین قبلا بوده است
126
00:04:38,280 –> 00:04:40,050
با معماری پیاده سازی شده است
127
00:04:40,050 –> 00:04:42,810
شی گرا که در آن هر کدام
128
00:04:42,810 –> 00:04:45,990
مدل کلاس خود را برای
129
00:04:45,990 –> 00:04:48,450
یک مدل ایجاد کنید تا یک شی تولید کنیم
130
00:04:48,450 –> 00:04:51,180
از کلاس مربوط به این مدل
131
00:04:51,180 –> 00:04:53,550
در راه تبرئه مورخ است
132
00:04:53,550 –> 00:04:56,100
آنچه به نام برآوردگر ما می توانیم
133
00:04:56,100 –> 00:04:58,320
همچنین در پرانتز را مشخص کنید
134
00:04:58,320 –> 00:05:01,200
پارامترهای hypers مدل ما توسط
135
00:05:01,200 –> 00:05:02,760
مثال برای نزول گرادیان در
136
00:05:02,760 –> 00:05:05,130
می تواند یادگیری آن را مشخص کند یا
137
00:05:05,130 –> 00:05:06,750
برای یک ملکه از همان جنگل می توانیم
138
00:05:06,750 –> 00:05:09,000
تعداد درختان را به وضوح مشخص کنید
139
00:05:09,000 –> 00:05:11,100
اگر این چیزها را نمی دانید پس
140
00:05:11,100 –> 00:05:12,780
انجام این دستگاه دشوار خواهد بود
141
00:05:12,780 –> 00:05:13,200
یادگیری
142
00:05:13,200 –> 00:05:15,150
اما شما این کار را در وب سایت انجام نمی دهید
143
00:05:15,150 –> 00:05:17,730
از سایکی نوبت یک آموزش در وجود دارد
144
00:05:17,730 –> 00:05:19,950
انگلیسی که همه اینها را برای شما توضیح می دهد و هست
145
00:05:19,950 –> 00:05:21,330
در غیر این صورت هنوز کانال یوتیوب من است
146
00:05:21,330 –> 00:05:23,669
با ویدیوهای من به زبان فرانسوی بنابراین a
147
00:05:23,669 –> 00:05:26,460
هنگامی که مدل خود را مقداردهی اولیه کردیم، ما
148
00:05:26,460 –> 00:05:29,430
خواهد توانست او را برای ارزیابی او آموزش دهد و
149
00:05:29,430 –> 00:05:31,890
با استفاده از سه روش از آن استفاده کنید
150
00:05:31,890 –> 00:05:34,350
در همه طبقات یافت می شود
151
00:05:34,350 –> 00:05:36,750
کیت سای آن را زینت می دهد و این چیزی است که باعث می شود
152
00:05:36,750 –> 00:05:39,510
این کیت ها آن را کاملاً عالی تزئین می کنند
153
00:05:39,510 –> 00:05:41,250
اگر همه این مدل ها دارای مکانیزم باشند
154
00:05:41,250 –> 00:05:44,070
رابط کاربری آنها متفاوت و خوب است
155
00:05:44,070 –> 00:05:47,729
استفاده همیشه یکسان است
156
00:05:47,729 –> 00:05:48,930
به این معنی است که برای توسعه یک
157
00:05:48,930 –> 00:05:50,729
رگرسیون خطی یا برای گسترش
158
00:05:50,729 –> 00:05:53,400
درخت تصمیمی که خواهید نوشت
159
00:05:53,400 –> 00:05:54,960
تقریبا همون کد
160
00:05:54,960 –> 00:05:57,690
بنابراین برای آموزش مدل خود ما
161
00:05:57,690 –> 00:06:00,930
از روش تناسب استفاده می کند که در آن ما
162
00:06:00,930 –> 00:06:03,930
می تواند داده های x/y ما را ارسال کند که
163
00:06:03,930 –> 00:06:06,000
باید به دو صورت ارائه شود
164
00:06:06,000 –> 00:06:08,249
میزهای حصیری بسیار متمایز
165
00:06:08,249 –> 00:06:09,899
به هر حال، این جداول همیشه باید
166
00:06:09,899 –> 00:06:12,359
دارای دو بعد اولی
167
00:06:12,359 –> 00:06:14,009
ابعاد برای تعداد نمونه
168
00:06:14,009 –> 00:06:16,919
موجود در داده های 7 و دوم
169
00:06:16,919 –> 00:06:19,049
بعد برای تعداد ماهیگیرانی که
170
00:06:19,049 –> 00:06:21,689
ما در تاریخ 7 داریم و برای y خواهد بود
171
00:06:21,689 –> 00:06:22,859
نه تعداد آینده
172
00:06:22,859 –> 00:06:25,589
اما تعداد هدف یعنی یک
173
00:06:25,589 –> 00:06:27,899
جت بر این نکته اصرار دارد زیرا آن را
174
00:06:27,899 –> 00:06:29,759
اغلب اتفاق می افتد که مردم فراموش می کنند
175
00:06:29,759 –> 00:06:31,529
تغییر بعد 1 به
176
00:06:31,529 –> 00:06:33,059
داخل بردار y
177
00:06:33,059 –> 00:06:35,699
به طور خلاصه، زمانی که مدل ما آموزش داده شد، ما
178
00:06:35,699 –> 00:06:37,859
می تواند با روش نمره گذاری آن را ارزیابی کند
179
00:06:37,859 –> 00:06:39,809
در این روش یک روش جدید ساخته اند
180
00:06:39,809 –> 00:06:43,110
زمان گذشته x y و این زمان داده می شود
181
00:06:43,110 –> 00:06:45,389
دستگاه سی از داده های x استفاده می کند
182
00:06:45,389 –> 00:06:47,549
پیش بینی کنید و این را مقایسه کنید
183
00:06:47,549 –> 00:06:50,129
پیش بینی در مقادیر y که داده شده است
184
00:06:50,129 –> 00:06:51,989
در روش و یک بار شما
185
00:06:51,989 –> 00:06:54,029
از عملکرد راضی هستند
186
00:06:54,029 –> 00:06:55,589
مدل خود را پس شما می توانید
187
00:06:55,589 –> 00:06:57,269
از آن برای ساختن جدید استفاده کنید
188
00:06:57,269 –> 00:06:59,009
پیش بینی با استفاده از روش
189
00:06:59,009 –> 00:07:02,279
پیش بینی بنابراین در اینجا چهار خط از
190
00:07:02,279 –> 00:07:04,199
کدی که باید به خاطر بسپارید
191
00:07:04,199 –> 00:07:05,549
توسعه مدل های ماشین
192
00:07:05,549 –> 00:07:07,589
شاخ زدن با برائت ها زینت می دهد
193
00:07:07,589 –> 00:07:10,679
اساسا اگر شما آن را به یاد داشته باشید پس شما
194
00:07:10,679 –> 00:07:13,529
80 درصد چیزهایی که باید در مورد آن بدانید را بدانید
195
00:07:13,529 –> 00:07:15,569
همانطور که گفتم زبان را تخلیه می کند
196
00:07:15,569 –> 00:07:16,019
همین الان
197
00:07:16,019 –> 00:07:18,209
در اینجا کد توسعه یک مدل است
198
00:07:18,209 –> 00:07:19,549
رگرسیون خطی
199
00:07:19,549 –> 00:07:21,779
در اینجا کد توسعه یک مدل است
200
00:07:21,779 –> 00:07:24,449
رگرسیون لجستیک و کد برای
201
00:07:24,449 –> 00:07:25,949
یک الگوریتم حامل بردار
202
00:07:25,949 –> 00:07:28,199
کد یک الگوی تصادفی را ماشین کنید
203
00:07:28,199 –> 00:07:31,589
جنگل به طور خلاصه همیشه همین است
204
00:07:31,589 –> 00:07:33,989
اگر به دنبال مدل های او بگردید، آن را تمام کنید
205
00:07:33,989 –> 00:07:36,209
در مستندات خواهید دید که آنها
206
00:07:36,209 –> 00:07:38,549
به ماژول های مختلف تقسیم می شوند
207
00:07:38,549 –> 00:07:41,009
به عنوان مثال ماژول مدل خطی
208
00:07:41,009 –> 00:07:43,289
شامل مدل های خطی و
209
00:07:43,289 –> 00:07:47,729
grächen رسیدن و sgd پسرفت
210
00:07:47,729 –> 00:07:49,589
همسایگان ماژول شامل
211
00:07:49,589 –> 00:07:52,169
الگوریتم های اعداد کلیدی و
212
00:07:52,169 –> 00:07:54,539
ماژول svm شامل الگوریتم هایی برای
213
00:07:54,539 –> 00:07:57,449
ماشین بردار پشتیبانی بنابراین برای
214
00:07:57,449 –> 00:07:59,579
استفاده از تمام الگوریتم های آن لازم است
215
00:07:59,579 –> 00:08:01,619
با وارد کردن ماژول ها شروع کنید
216
00:08:01,619 –> 00:08:04,229
خبرنگار و اینها را نیاورد
217
00:08:04,229 –> 00:08:06,089
کیت آن را به خودی خود تزئین می کند در غیر این صورت شما
218
00:08:06,089 –> 00:08:08,159
برنامه کار نخواهد کرد و اگر
219
00:08:08,159 –> 00:08:09,839
در میان این همه الگوریتم به شما
220
00:08:09,839 –> 00:08:10,919
نمی دانم کدام را انتخاب کنم
221
00:08:10,919 –> 00:08:12,509
پس توصیه میکنم تماشا کنید
222
00:08:12,509 –> 00:08:15,299
این نقشه به شما کمک می کند تا
223
00:08:15,299 –> 00:08:18,110
برآوردگر خوبی برای برنامه شما
224
00:08:18,110 –> 00:08:20,630
در اینجا با تمام آنچه می توانم به شما اطمینان دهم این است
225
00:08:20,630 –> 00:08:22,340
که می دانید چگونه مدل ها را توسعه دهید
226
00:08:22,340 –> 00:08:24,470
یادگیری ماشینی درجه یک
227
00:08:24,470 –> 00:08:26,420
پس ما منتظر شما هستیم
228
00:08:26,420 –> 00:08:27,980
بلافاصله پیشنهاد تغییر به
229
00:08:27,980 –> 00:08:29,980
عمل
230
00:08:29,980 –> 00:08:32,890
[موسیقی]
231
00:08:32,890 –> 00:08:35,419
کاری که من به شما پیشنهاد می کنم این است
232
00:08:35,419 –> 00:08:37,760
حل یک مشکل رگرسیون با
233
00:08:37,760 –> 00:08:39,049
saitzyk moors
234
00:08:39,049 –> 00:08:42,740
بنابراین من در اینجا مجموعه داده های زیر را دارم که
235
00:08:42,740 –> 00:08:44,630
من از دو جدول ایجاد کردم
236
00:08:44,630 –> 00:08:47,420
دبی یک جدول x و یک جدول y باشد
237
00:08:47,420 –> 00:08:49,760
این نقاشی ها را هنگام تماشا خلق کردم
238
00:08:49,760 –> 00:08:52,070
تا مشخص شود که آنها دو نفر دارند
239
00:08:52,070 –> 00:08:52,580
ابعاد
240
00:08:52,580 –> 00:08:54,650
پس چه کاری می توانستیم انجام دهیم
241
00:08:54,650 –> 00:08:57,740
وجود چنین مجموعه داده ای که همه باشد
242
00:08:57,740 –> 00:08:59,300
به سادگی برای توسعه یک مدل از
243
00:08:59,300 –> 00:09:01,580
رگرسیون خطی برای آن می رود
244
00:09:01,580 –> 00:09:03,950
نیاز به وارد کردن کلاس خطی است
245
00:09:03,950 –> 00:09:07,550
رگرسیون از بسته خطی به تنهایی
246
00:09:07,550 –> 00:09:09,590
مدل پس این اولین چیز است
247
00:09:09,590 –> 00:09:10,970
که ما قصد داریم فرانسوی را ترک کنیم
248
00:09:10,970 –> 00:09:12,980
نقاط خطی یک در را مدل می کنند
249
00:09:12,980 –> 00:09:15,350
رگرسیون خطی یک بار
250
00:09:15,350 –> 00:09:17,360
تنها کاری که باید انجام دهیم این است
251
00:09:17,360 –> 00:09:19,310
چهار خط کد را کپی کنید
252
00:09:19,310 –> 00:09:20,810
که قبلا دیده ایم
253
00:09:20,810 –> 00:09:22,910
بنابراین ما با ایجاد یک شی از شروع می کنیم
254
00:09:22,910 –> 00:09:25,580
کلاس رگرسیون خطی و
255
00:09:25,580 –> 00:09:27,620
در اینجا نیازی به نوشتن نیست
256
00:09:27,620 –> 00:09:29,300
کمترین چیز داخل پرانتز
257
00:09:29,300 –> 00:09:32,150
از آنجایی که در کلاس خطی grächen ما
258
00:09:32,150 –> 00:09:33,440
کمترین روش را اجرا می کند
259
00:09:33,440 –> 00:09:35,900
مربع هایی که از ده جفت استفاده نمی شود
260
00:09:35,900 –> 00:09:37,160
پارامتر از پایین نمی آید
261
00:09:37,160 –> 00:09:39,290
گرادیان یا آن چیزهایی که داریم
262
00:09:39,290 –> 00:09:41,630
مدل ما را ایجاد کنید سپس آن را آموزش خواهیم داد
263
00:09:41,630 –> 00:09:43,520
با روش fit و ما آن را آموزش خواهیم داد
264
00:09:43,520 –> 00:09:46,280
روی داده های ما x y و سپس می رویم
265
00:09:46,280 –> 00:09:48,380
تا بتوانیم آن را ارزیابی کنیم
266
00:09:48,380 –> 00:09:51,020
به عنوان مثال در همان داده x y و
267
00:09:51,020 –> 00:09:54,260
بنابراین ما نمره 88٪ را به دست می آوریم
268
00:09:54,260 –> 00:09:57,230
در واقع ضریب است
269
00:09:57,230 –> 00:09:58,790
تعیین که در این محاسبه می شود
270
00:09:58,790 –> 00:10:01,700
مورد وجود دارد، یعنی سه ماهه اول و
271
00:10:01,700 –> 00:10:04,010
روش حداقل مربعات اما در
272
00:10:04,010 –> 00:10:05,840
گلدسته اش می توانید از هر کدام استفاده کنید
273
00:10:05,840 –> 00:10:07,460
بسیاری از تکنیک های ارزیابی دیگر
274
00:10:07,460 –> 00:10:09,080
و ما آنها را در آینده خواهیم دید
275
00:10:09,080 –> 00:10:09,440
فیلم های
276
00:10:09,440 –> 00:10:11,450
در نهایت از روش استفاده خواهیم کرد
277
00:10:11,450 –> 00:10:13,160
پیش بینی برای ساختن خبر
278
00:10: