در این مطلب، ویدئو کتابخانه های پایتون برای یادگیری ماشینی که باید بدانید! 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: 00:04:39
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:08,790 –> 00:00:11,050
بسیار خوب، اکنون که کمی
2
00:00:11,050 –> 00:00:13,440
از انواع پس زمینه
3
00:00:14,990 –> 00:00:16,490
مشکلات یادگیری ماشین را پوشش داده ایم
4
00:00:16,490 –> 00:00:17,869
، هیچ چیز مانند شروع به کار
5
00:00:17,869 –> 00:00:19,010
با برنامه یادگیری ماشینی خودمان
6
00:00:19,010 –> 00:00:21,380
در پایتون نیست و ما هم
7
00:00:21,380 –> 00:00:23,240
اکنون این کار را شروع می کنیم، بنابراین برای انجام این کار، این کار را انجام
8
00:00:23,240 –> 00:00:25,279
می دهیم. از چندین
9
00:00:25,279 –> 00:00:27,170
کتابخانه مهم پایتون که
10
00:00:27,170 –> 00:00:28,130
از کار ما پشتیبانی می کنند استفاده کنید،
11
00:00:28,130 –> 00:00:32,450
این کتابخانه ها شامل پانداهای scikit-learn sie pi
12
00:00:32,450 –> 00:00:37,070
numpy و matplotlib هستند.
13
00:00:37,070 –> 00:00:38,840
14
00:00:38,840 –> 00:00:41,540
15
00:00:41,540 –> 00:00:43,070
16
00:00:43,070 –> 00:00:46,010
البته اگر
17
00:00:46,010 –> 00:00:47,989
نصب پایتون دیگری
18
00:00:47,989 –> 00:00:49,730
دارید، میتوانید کتابخانههایی را که ما
19
00:00:49,730 –> 00:00:51,649
از خط فرمان استفاده میکنیم با استفاده از پیپ
20
00:00:51,649 –> 00:00:56,510
مانند این نصب کنید.
21
00:00:56,510 –> 00:00:58,160
22
00:00:58,160 –> 00:01:01,609
23
00:01:01,609 –> 00:01:03,859
کتابخانه پایتون برای
24
00:01:03,859 –> 00:01:05,180
یادگیری ماشینی و
25
00:01:05,180 –> 00:01:08,060
مبنایی برای این دوره خواهد بود، این یک
26
00:01:08,060 –> 00:01:10,550
پروژه منبع باز است که به طور مداوم در حال
27
00:01:10,550 –> 00:01:12,440
توسعه و بهبود است و
28
00:01:12,440 –> 00:01:14,540
از آرایه بسیار گسترده ای از
29
00:01:14,540 –> 00:01:16,970
الگوریتم های مهم یادگیری ماشینی دارای
30
00:01:16,970 –> 00:01:19,310
مستندات آنلاین عالی و یک
31
00:01:19,310 –> 00:01:22,130
جامعه کاربری بسیار فعال است، زیرا به دلیل
32
00:01:22,130 –> 00:01:24,380
پذیرش گسترده scikit-learn، نمونه
33
00:01:24,380 –> 00:01:26,720
های آموزشی برنامه های کاربردی و نمونه کدهای زیادی دارد
34
00:01:26,720 –> 00:01:29,899
که به صورت آنلاین در دسترس هستند، بنابراین یک
35
00:01:29,899 –> 00:01:32,000
مرجع ارزشمند است که توصیه می کنیم
36
00:01:32,000 –> 00:01:34,909
در حین استفاده از آن استفاده کنید. گذراندن این دوره
37
00:01:34,909 –> 00:01:37,939
راهنمای کاربر scikit-learn و
38
00:01:37,939 –> 00:01:40,219
مستندات api است که شامل
39
00:01:40,219 –> 00:01:42,770
جزئیات بیشتر در مورد الگوریتم های مختلف
40
00:01:42,770 –> 00:01:45,469
موجود در کتابخانه به همراه جزئیات
41
00:01:45,469 –> 00:01:46,909
گزینه های مختلفی است که این
42
00:01:46,909 –> 00:01:51,289
الگوریتم ها از scikit-learn پشتیبانی می
43
00:01:51,289 –> 00:01:53,659
کنند و از دو
44
00:01:53,659 –> 00:01:56,450
کتابخانه محاسباتی علمی پایتون استفاده می کند. Sai pi و
45
00:01:56,450 –> 00:02:00,770
numpy Sai pi یک کتابخانه پایتون است که
46
00:02:00,770 –> 00:02:03,280
از روشهای دستکاری و تجزیه و تحلیل دادهها
47
00:02:03,280 –> 00:02:05,539
که معمولاً در
48
00:02:05,539 –> 00:02:08,060
محاسبات علمی استفاده میشوند،
49
00:02:08,060 –> 00:02:11,980
پشتیبانی میکند، بنابراین این شامل پشتیبانی از توزیعهای آماری
50
00:02:11,980 –> 00:02:15,230
بهینهسازی توابع جبر خطی
51
00:02:15,230 –> 00:02:16,880
و انواع
52
00:02:16,880 –> 00:02:20,300
توابع ریاضی تخصصی در برخی از بخشهای
53
00:02:20,300 –> 00:02:22,430
این دوره میشود. ما از کیک های جانبی استفاده خواهیم کرد
54
00:02:22,430 –> 00:02:23,990
توانایی ارائه آنچه
55
00:02:23,990 –> 00:02:27,170
که ماتریس های پراکنده نامیده م