در این مطلب، ویدئو TensorFlow در 10 دقیقه | آموزش TensorFlow برای مبتدیان | Deep Learning & TensorFlow | ادورکا 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: 00:09:00
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:12,000 –> 00:00:14,569
یادگیری ماشینی
یک رشته پیچیده است،
2
00:00:14,569 –> 00:00:17,587
اما پیادهسازی
مدلهای یادگیری ماشینی بسیار
3
00:00:17,587 –> 00:00:19,300
کمتر دلهرهآور و
4
00:00:19,300 –> 00:00:20,800
دشوارتر از گذشته است. با تشکر
5
00:00:20,800 –> 00:00:24,100
از چارچوبهای یادگیری ماشینی
مانند TensorFlow Google
6
00:00:24,100 –> 00:00:25,600
که
7
00:00:25,600 –> 00:00:29,135
فرآیند کسب دادهها، مدل آموزشی،
حل پیشبینیها
8
00:00:29,135 –> 00:00:31,700
و اصلاح
نتایج آینده را آسان میکند. ایجاد شده توسط
9
00:00:31,700 –> 00:00:35,106
تیم مغز گوگل
tensorflow یک کتابخانه منبع باز
10
00:00:35,106 –> 00:00:36,600
برای محاسبات عددی
11
00:00:36,600 –> 00:00:40,111
و یادگیری ماشینی در مقیاس بزرگ است.
12
00:00:40,111 –> 00:00:41,700
Tensorflow مطالعهای از مدلها و الگوریتمهای یادگیری ماشین
13
00:00:41,700 –> 00:00:43,200
و یادگیری عمیق
14
00:00:43,200 –> 00:00:45,910
را با هم ترکیب میکند و
آنها را
15
00:00:45,910 –> 00:00:47,100
از طریق استعارهای رایج
16
00:00:47,100 –> 00:00:50,100
که از یادگیری ماشین
و همه محصولات آن
17
00:00:50,100 –> 00:00:54,200
برای بهبود موتور جستجو استفاده میکند
، مفید میسازد، شرح تصویر ترجمه
18
00:00:54,200 –> 00:00:57,658
یا توصیههایی را برای
ارائه یک مفهوم واقعی به شما میدهد. به عنوان مثال،
19
00:00:57,658 –> 00:01:01,373
کاربران گوگل می
توانند جستجوی سریع تر و دقیق تر را
20
00:01:01,373 –> 00:01:03,200
با هوش مصنوعی تجربه کنند.
21
00:01:03,200 –> 00:01:06,242
اگر کاربر یک کلمه کلیدی را
در نوار جستجو تایپ
22
00:01:06,242 –> 00:01:10,000
کند، گوگل توصیهای
در مورد دنیای بعدی ارائه میکند، نه
23
00:01:10,000 –> 00:01:12,600
به عنوان یک جریان که
توسط بسیاری از شرکتها
24
00:01:12,600 –> 00:01:15,162
در صنایع استفاده میشود و
برای نام بردن از چند مورد،
25
00:01:15,162 –> 00:01:16,616
ابتدا اجازه دهید با Airbnb
26
00:01:16,616 –> 00:01:18,900
، پیشرو جهانی شروع کنیم.
بازار آنلاین
27
00:01:18,900 –> 00:01:20,500
و خدمات مهمان نوازی.
28
00:01:20,500 –> 00:01:22,911
تیم مبتکرانه
و علم داده Airbnb از
29
00:01:22,911 –> 00:01:24,378
یادگیری ماشینی
30
00:01:24,378 –> 00:01:26,800
با استفاده از تنسورفلو برای
طبقه بندی تصاویر
31
00:01:26,800 –> 00:01:27,990
و تشخیص اشیا
32
00:01:27,990 –> 00:01:31,100
در مقیاس استفاده می کند و به بهبود
تجربه مهمان کمک می کند
33
00:01:31,100 –> 00:01:31,894
و ما
34
00:01:31,894 –> 00:01:35,600
در مورد صنعت مراقبت های بهداشتی
با استفاده از tensorflow صحبت کردیم GE Healthcare
35
00:01:35,600 –> 00:01:39,400
در حال آموزش یک شبکه عصبی
برای شناسایی آناتومیک خاص
36
00:01:39,400 –> 00:01:42,506
در طول مغز است. معاینه MRI
برای کمک به بهبود سرعت
37
00:01:42,506 –> 00:01:46,208
و قابلیت اطمینان اکنون
PayPal از آن به عنوان جریانی برای ماندن
38
00:01:46,208 –> 00:01:47,385
در لبه برش
39
00:01:47,385 –> 00:01:48,505
تشخیص تقلب
40
00:01:48,505 –> 00:01:50,879
با استفاده از تنسورفلو عمیق
ترنس برای یادگیری
41
00:01:50,879 –> 00:01:52,630
و مدلسازی ژنراتور استفاده میکند.
42
00:01:52,630 –> 00:01:54,200
43
00:01:54,200 –> 00:01:57,900
44
00:01:57,900 –> 00:02:01,131
تجربه کاربران قانونی
45
00:02:01,131 –> 00:02:04,100
از طریق افزایش دقت
در شناسایی.
46
00:02:04,100 –> 00:02:07,800
تلفن همراه چین از tensorflow
برای بهبود میزان موفقیت خود در کانال قطع
47
00:02:07,800 –> 00:02:10,430
عنصر شبکه استفاده میکند
،
48
00:02:10,430 –> 00:02:13,641
در حالی که
یک تانسورفول سرگرمکننده عمیق Fist ایجاد کرده است
49
00:02:13,641 –> 00:02:17,400
که میتواند به طور خودکار
برش را در طول زمان پیشبینی کند،
50
00:02:17,400 –> 00:02:19,000
عملیات گزارش را تأیید کرده
51
00:02:19,000 –> 00:02:21,100
و ناهنجاریهای شبکه را شناسایی کند
52
00:02:21,100 –> 00:02:24,000
و این قبلاً
با موفقیت از
53
00:02:24,000 –> 00:02:29,000
بزرگترین شبکه جهان پشتیبانی کرده است.
جابجایی صدها میلیون iot HSS.
54
00:02:29,400 –> 00:02:31,658
بیایید در
مورد ویژگی تنسورفلو صحبت کنیم.
55
00:02:31,658 –> 00:02:34,600
چه چیزی آن را
از سایر رقبا متمایز می کند.
56
00:02:34,600 –> 00:02:37,394
بنابراین جریان Tessa
چندین سطح از انتزاعات را ارائه می دهد،
57
00:02:37,394 –> 00:02:40,100
بنابراین شما می توانید
مورد مناسب را برای نیازهای خود انتخاب کنید.
58
00:02:40,100 –> 00:02:40,800
میتوانید
59
00:02:40,800 –> 00:02:43,800
با استفاده
از API سطح بالا Kira، مدلهایی بسازید و آموزش دهید،
60
00:02:43,900 –> 00:02:45,399
که شروع کار
61
00:02:45,399 –> 00:02:48,400
با tensorflow و یادگیری ماشین را
بسیار آسان میکند.
62
00:02:48,400 –> 00:02:51,801
اگر به انعطافپذیری بیشتری نیاز دارید،
اجرای Iker
63
00:02:51,801 –> 00:02:55,100
امکان تکرار فوری
و اشکالزدایی بصری را در
64
00:02:55,100 –> 00:02:57,000
هنگام فعال کردن اجرای مشتاق میدهد،
65
00:02:57,000 –> 00:03:00,000
66
00:03:00,000 –> 00:03:01,780
به جای ساختن نمودارهایی
67
00:03:01,780 –> 00:03:04,372
که بعداً اجرا میشوند،
68
00:03:04,372 –> 00:03:05,998
مسیر مستقیمی برای محافظت فراهم میکند، فوراً هستههای
69
00:03:05,998 –> 00:03:08,500
tensorflow را اجرا میکنید.
دستگاهها
70
00:03:08,500 –> 00:03:11,807
یا web tensorflow به شما امکان میدهد
مدل خود را آموزش داده و به کار بگیرید.
71
00:03:11,807 –> 00:03:13,572
واقعاً مهم نیست از چه زبان
72
00:03:13,572 –> 00:03:15,855
یا پلتفرمی
استفاده میکنید، میتوانید
73
00:03:15,855 –> 00:03:18,900
مدلهای پیشرفته را
بدون کاهش
74
00:03:18,900 –> 00:03:20,100
سرعت یا عملکرد بسازید و آموزش دهید.
75
00:03:20,100 –> 00:03:22,200
این جریان به
شما انعطافپذیری
76
00:03:22,200 –> 00:03:26,300
و کنترل را با ویژگیهایی
مانند API عملکردی Kira
77
00:03:26,300 –> 00:03:28,933
و زیرردهبندی مدل
APA برای ایجاد
78
00:03:28,933 –> 00:03:30,500
توپولوژیهای پیچیده میدهد.
79
00:03:30,500 –> 00:03:33,264
جریانی نیز وجود دارد که
از اکوسیستمی
80
00:03:33,264 –> 00:03:35,200
از افزودنیهای قدرتمند بر روی کتابخانهها
81
00:03:35,200 –> 00:03:38,392
و مدلها برای آزمایش
نام جریانهای tisza
82
00:03:38,392 –> 00:03:41,000
که مستقیماً از
چارچوب اصلی آن مشتق شده است، پشتیبانی میکند.
83
00:03:41,000 –> 00:03:44,200
تمام محاسبات شامل تانسور جریانی را انجام می دهد.
84
00:03:44,200 –> 00:03:47,830
بنابراین یک تانسور یک بردار
یا یک ماتریس از n بعد است
85
00:03:47,830 –> 00:03:51,823
که نشان دهنده نوع انجام
تمام عملیات
86
00:03:51,823 –> 00:03:55,460
در یک نمودار است و
نمودار مجموعه ای از محاسبات است
87
00:03:55,460 –> 00:03:57,584
که به صورت متوالی انجام می شود.
88
00:03:57,584 –> 00:04:00,027
هر عملیات را
نت باز می نامند
89
00:04:00,027 –> 00:04:02,200
و به یکدیگر متصل می شوند.
90
00:04:02,200 –> 00:04:04,609
یک جریان وجود دارد
که به توسعه دهندگان اجازه می دهد تا
91
00:04:04,609 –> 00:04:07,100
نمودارهای جریان داده را ایجاد کنند
که ساختارهایی هستند
92
00:04:07,100 –> 00:04:10,521
که نحوه حرکت داده ها را در
یک نمودار یا یک سری
93
00:04:10,521 –> 00:04:11,725
گره های پردازشی توصیف می کنند.
94
00:04:11,725 –> 00:04:13,019
هر گره در
95
00:04:13,019 –> 00:04:16,279
نمودار یک عملیات ریاضی را نشان می
دهد و هر اتصال
96
00:04:16,279 –> 00:04:19,799
یا لبه بین یادداشت ها
یک آرایه داده چند بعدی
97
00:04:19,800 –> 00:04:22,322
یا جریان تست کششی است که
همه اینها
98
00:04:22,322 –> 00:04:23,883
را از طریق زبان پایتون برای برنامه نویس فراهم می کند
99
00:04:23,883 –> 00:04:27,148
تا آن زمان یادگیری و کار با آن آسان است.
100
00:04:27,148 –>