در این مطلب، ویدئو آموزش پایتون: افزایش گرادیان شدید با 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: 00:03:54
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,710 –> 00:00:04,410
سلام نام من سرگئی فوگلسون است و
2
00:00:04,410 –> 00:00:06,120
به این دوره در زمینه
3
00:00:06,120 –> 00:00:08,340
تقویت گرادیان با تقویت XG خوش آمدید. من یک دانشمند داده هستم
4
00:00:08,340 –> 00:00:10,320
که در رسانه کار می کنم و از
5
00:00:10,320 –> 00:00:12,480
XG boost به طور گسترده برای انواع
6
00:00:12,480 –> 00:00:14,670
مشکلات یادگیری ماشین استفاده کرده ام.
7
00:00:14,670 –> 00:00:16,200
این دوره را با کمپ داده ایجاد کردم. برای کمک به
8
00:00:16,200 –> 00:00:18,119
دیگران برای درک سریع نحوه استفاده از
9
00:00:18,119 –> 00:00:19,860
این پیاده سازی بسیار محبوب
10
00:00:19,860 –> 00:00:22,140
تقویت گرادیان، بیایید
11
00:00:22,140 –> 00:00:24,720
برای درک تقویت XG شروع کنیم،
12
00:00:24,720 –> 00:00:26,250
باید در مورد موضوعات گسترده تر
13
00:00:26,250 –> 00:00:27,980
14
00:00:27,980 –> 00:00:30,779
درخت تصمیم گیری طبقه بندی نظارت شده و تقویت که
15
00:00:30,779 –> 00:00:32,700
در سراسر این فصل برای شروع آن را پوشش خواهیم داد، صحبت کنیم.
16
00:00:32,700 –> 00:00:34,679
بیایید به طور خلاصه مرور کنیم که
17
00:00:34,679 –> 00:00:36,989
یادگیری نظارت شده چیست و انواع
18
00:00:36,989 –> 00:00:38,820
مشکلاتی که روشهای آن میتوانند
19
00:00:38,820 –> 00:00:42,600
در هسته یادگیری نظارت شده برای آن اعمال شوند،
20
00:00:42,600 –> 00:00:44,489
که نوعی مشکل یادگیری است که تقویتهای XG
21
00:00:44,489 –> 00:00:46,230
را میتوان بر اساس
22
00:00:46,230 –> 00:00:49,109
دادههای برچسبگذاری شده
23
00:00:49,109 –> 00:00:51,390
به کار برد.
24
00:00:51,390 –> 00:00:53,399
رفتار مشکلی که میخواهید حل کنید یا
25
00:00:53,399 –> 00:00:55,649
آنچه را که میخواهید پیشبینی کنید، برای
26
00:00:55,649 –> 00:00:57,780
مثال ارزیابی اینکه آیا یک
27
00:00:57,780 –> 00:00:59,789
تصویر خاص حاوی یک صورت شخص یک
28
00:00:59,789 –> 00:01:02,579
مشکل طبقهبندی است در اینجا
29
00:01:02,579 –> 00:01:04,800
دادههای آموزشی تصاویری هستند که به بردارهای
30
00:01:04,800 –> 00:01:07,079
مقادیر پیکسل تبدیل میشوند و برچسبها
31
00:01:07,079 –> 00:01:08,880
یا زمانی که تصویر حاوی یک
32
00:01:08,880 –> 00:01:11,640
چهره است یکی هستند یا زمانی که تصویر
33
00:01:11,640 –> 00:01:14,850
حاوی چهره نیست، با توجه به این دو نوع
34
00:01:14,850 –> 00:01:16,140
یادگیری نظارت شده وجود دارد. مشکلاتی
35
00:01:16,140 –> 00:01:17,820
که اکثریت قریب به اتفاق موارد استفاده از
36
00:01:17,820 –> 00:01:19,950
مشکلات طبقه بندی و
37
00:01:19,950 –> 00:01:22,560
مشکلات رگرسیون را تشکیل می دهند،
38
00:01:22,560 –> 00:01:24,479
در اینجا فقط در مورد مشکلات طبقه بندی صحبت خواهیم کرد
39
00:01:24,479 –> 00:01:27,439
و رگرسیون را به فصل 2
40
00:01:27,439 –> 00:01:29,310
41
00:01:29,310 –> 00:01:31,560
42
00:01:31,560 –> 00:01:34,320
43
00:01:34,320 –> 00:01:35,759
44
00:01:35,759 –> 00:01:38,009
واگذار می کنیم. با توجه به برخی نقل قول ها، یک
45
00:01:38,009 –> 00:01:39,420
مسئله یادگیری باینری نظارت شده است و
46
00:01:39,420 –> 00:01:41,610
پیش بینی اینکه آیا یک تصویر حاوی
47
00:01:41,610 –> 00:01:43,890
یکی از چندین گونه پرنده است یا خیر، یک
48
00:01:43,890 –> 00:01:45,859
مسئله یادگیری با نظارت چند طبقه است، در
49
00:01:45,859 –> 00:01:48,359
هنگام برخورد با مشکلات یادگیری با نظارت باینری
50
00:01:48,359 –> 00:01:51,810
، AUC یا ناحیه زیر
51
00:01:51,810 –> 00:01:53,009
منحنی مشخصه عملکرد گیرنده
52
00:01:53,009 –> 00:01:56