در این مطلب، ویدئو چگونه یک زنجیره تامین را با یادگیری ماشین، AWS و پایتون خودکار کردم 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: 00:08:28
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,350 –> 00:00:07,990
[موسیقی]
2
00:00:08,809 –> 00:00:11,010
سلام به همه و خوش آمدید به
3
00:00:11,010 –> 00:00:13,230
کانال امروز من میخواهم ویدیویی را
4
00:00:13,230 –> 00:00:15,630
در مورد نحوه خودکارسازی زنجیره تامین با استفاده از
5
00:00:15,630 –> 00:00:17,910
یادگیری ماشینی Amazon Web Services و
6
00:00:17,910 –> 00:00:19,650
سپس اسکریپت Python
7
00:00:19,650 –> 00:00:21,480
مرور کنم.
8
00:00:21,480 –> 00:00:23,609
لزوماً یک آموزش در مورد نحوه انجام آن است،
9
00:00:23,609 –> 00:00:25,590
بنابراین اگر سؤالی در مورد کاری که من به
10
00:00:25,590 –> 00:00:27,330
طور خاص انجام دادم دارید، لطفاً در نظرات زیر به من اطلاع دهید
11
00:00:27,330 –> 00:00:29,160
اگر این ویدیو به اندازه کافی
12
00:00:29,160 –> 00:00:30,630
کشش پیدا کرد، حتماً یک
13
00:00:30,630 –> 00:00:32,969
آموزش کامل در مورد نحوه انجام همه کارها خواهم ساخت، بنابراین اگر
14
00:00:32,969 –> 00:00:34,469
شما علاقه مند به این هستم که لطفاً
15
00:00:34,469 –> 00:00:36,180
دکمه لایک را در زیر فشار دهید، چهار مرحله اصلی وجود دارد
16
00:00:36,180 –> 00:00:38,010
که من برای پیاده سازی
17
00:00:38,010 –> 00:00:40,050
الگوریتم یادگیری ماشین زنجیره تامین دنبال کردم
18
00:00:40,050 –> 00:00:42,210
، اولین آن داده است هر
19
00:00:42,210 –> 00:00:43,710
کاری که هنگام یادگیری ماشینی انجام می دهید
20
00:00:43,710 –> 00:00:45,059
، اگر داده ای نداشته باشید.
21
00:00:45,059 –> 00:00:46,770
سیستم جمع آوری و هیچ راهی وجود
22
00:00:46,770 –> 00:00:48,390
ندارد که بتوانید از
23
00:00:48,390 –> 00:00:50,399
آن داده ها برای پیش بینی استفاده کنید، بنابراین اولین
24
00:00:50,399 –> 00:00:51,960
شرط این است که شما راهی برای
25
00:00:51,960 –> 00:00:53,760
جمع آوری داده ها در محیط کاری خود داشته باشید.
26
00:00:53,760 –> 00:00:56,160
مرحله دومی که من دنبال کردم داده
27
00:00:56,160 –> 00:00:57,989
c است. مهندسی ویژگیها یا مهندسی ویژگی همانطور که
28
00:00:57,989 –> 00:00:59,789
مهندسان یادگیری ماشین
29
00:00:59,789 –> 00:01:01,109
به آن میگویند این است که شما باید
30
00:01:01,109 –> 00:01:03,480
دادههای خوب را از دادههای بد کشف کنید،
31
00:01:03,480 –> 00:01:04,769
به این معنی که باید راهی
32
00:01:04,769 –> 00:01:07,380
برای درک سیستم خود به اندازهای
33
00:01:07,380 –> 00:01:09,360
بیابید که فقط از دادههای خوب در آموزش استفاده کنید. مدل شما
34
00:01:09,360 –> 00:01:11,100
مرحله سوم انتخاب
35
00:01:11,100 –> 00:01:12,479
روش یادگیری ماشین واقعی است که میخواهیم
36
00:01:12,479 –> 00:01:14,040
از آن استفاده کنیم، الگوریتمهای مختلفی
37
00:01:14,040 –> 00:01:15,540
وجود دارد و شما باید الگوریتمی را
38
00:01:15,540 –> 00:01:17,130
پیدا کنید که متناسب با مشکل شما باشد.
39
00:01:17,130 –> 00:01:18,720
مرحله چهارم تجسم
40
00:01:18,720 –> 00:01:20,820
نتایج شما است که باید بتوانید به آن نگاه کنید.
41
00:01:20,820 –> 00:01:22,049
از طریق نتایج
42
00:01:22,049 –> 00:01:24,090
الگوریتم یادگیری ماشین خود، مواردی را که
43
00:01:24,090 –> 00:01:25,860
برای شما مهم هستند بیابید و خیلی سریع روی آنها عمل
44
00:01:25,860 –> 00:01:27,720
کنید، من سعی می کنم تمام این
45
00:01:27,720 –> 00:01:29,970
مراحل را به طور خلاصه در این ویدیو پوشش دهم، اگر می
46
00:01:29,970 –> 00:01:31,680
خواهید یک آموزش کامل داشته باشید، لطفاً در قسمت اول به من اطلاع دهید.
47
00:01:31,680 –> 00:01:33,180
چیزی که ما باید به آن
48
00:01:33,180 –> 00:01:35,100
نگاه کنیم، جمع آوری داده هایمان است، بنابراین برای
49
00:01:35,100 –> 00:01:36,570
من داده هایی که در زنجیره تامین کار می کردم،
50
00:01:36,570 –> 00:01:38,400
مصرف
51
00:01:38,400 –> 00:01:40,320
مواد خام بود که توسط شماره قطعات
52
00:01:40,320 –> 00:01:42,930
در اینجا هر ماه ارائه می شود. بر اساس ماه
53
00:01:42,930 –> 00:01:45,180
و ستون شاخص، به عنوان مثال،
54
00:01:45,180 –> 00:01:46,890
شماره قطعه ما بیش از 136
55
00:01:46,890 –> 00:01:50,220
در ماه جولای 2011، چهل و
56
00:01:50,220 –> 00:01:52,140
یک هزار و سیصد و شصت را مصرف می کند، بنابراین
57
00:01:52,140 –> 00:01:53,700
اساساً من یک سری زمانی برای
58
00:01:53,700 –> 00:01:55,229
هر یک از این شماره های قطعه دارم، این
59
00:01:55,229 –> 00:01:56,729
داده ها را برای چندین سال دارم. و تعداد زیادی از
60
00:01:56,729 –> 00:01:58,920
شمارههای قطعه در حال کوچکنمایی، میتوانیم ببینیم
61
00:01:58,920 –> 00:02:00,899
که این مجموعه داده چقدر بزرگ است که ما
62
00:02:00,899 –> 00:02:03,180
شخصاً این دادهها را به دست آوردیم.
63
00:02:03,180 –> 00:02:05,070
64
00:02:05,070 –> 00:02:07,110
65
00:02:07,110 –> 00:02:08,848
66
00:02:08,848 –> 00:02:10,288
تمیز کردن داده ها و مهندسی ویژگی
67
00:02:10,288 –> 00:02:11,290
68
00:02:11,290 –> 00:02:13,120
برای ما است زیرا ما در یک زنجیره تامین کار می کنیم،
69
00:02:13,120 –> 00:02:15,189
اگر تقاضایی وجود داشته
70
00:02:15,189 –> 00:02:16,750
باشد که بتوانیم آن
71
00:02:16,750 –> 00:02:18,700
را پوشش دهیم، نمی خواهیم در آینده کمتر از هر تعداد تقاضای پیش بینی شده خود باشیم،
72
00:02:18,700 –> 00:02:20,560
به این معنی که ما
73
00:02:20,560 –> 00:02:21,939
میخواهیم دسترسی کامل به مشتری داشته
74
00:02:21,939 –> 00:02:23,829
باشیم و آماده باشیم تا
75
00:02:23,829 –> 00:02:25,659
هر محصولی را که مشتری ما میخواهد بسازیم،
76
00:02:25,659 –> 00:02:27,640
بنابراین حتی اگر برخی از این ستونها
77
00:02:27,640 –> 00:02:29,680
بسیار کم استفاده میشوند، هنوز باید
78
00:02:29,680 –> 00:02:31,120
آنها را در خود نگه داریم، هرچند یک متر
79
00:02:31,120 –> 00:02:32,439
الگوریتم یادگیری achine ممکن است خیلی
80
00:02:32,439 –> 00:02:34,359
دقیق نباشد و برای پیشبینی این سری
81
00:02:34,359 –> 00:02:36,220
زمانی هنوز باید به آن فرصت دهیم تا
82
00:02:36,220 –> 00:02:36,939
مرحله سوم
83
00:02:36,939 –> 00:02:38,290
انتخاب الگوریتمی که میخواهیم استفاده کنیم.
84
00:02:38,290 –> 00:02:40,840
85
00:02:40,840 –> 00:02:43,090
86
00:02:43,090 –> 00:02:44,799
چرا این یکی را
87
00:02:44,799 –> 00:02:46,989
با استفاده از گرافیک روی صفحه انتخاب کردم، اما لطفاً
88
00:02:46,989 –> 00:02:48,189
بدانید که
89
00:02:48,189 –> 00:02:49,959
در مقایسه با سایر
90
00:02:49,959 –> 00:02:52,329
الگوریتمهای یادگیری ماشین، چیزهای بیشتری در این انتخاب وجود دارد، الگوریتم عمیق AR
91
00:02:52,329 –> 00:02:55,450
از AWS در واقع
92
00:02:55,450 –> 00:02:57,609
هر سری زمانی در مجموعه را در نظر میگیرد، بنابراین
93
00:02:57,609 –> 00:02:59,019
به جای استفاده از آن الگوریتمی مانند
94
00:02:59,019 –> 00:03:00,819
کنترل از راه دور که فقط یک سری زمانی را می گیرد
95
00:03:00,819 –> 00:03:03,129
و آن را پیش بینی می کند. AR عمیق
96
00:03:03,129 –> 00:03:04,870
در واقع هر
97
00:03:04,870 –> 00:03:07,000
سری زمانی در مجموعه را در نظر می گیرد و یک
98
00:03:07,000 –> 00:03:08,799
مدل بزرگ برای پیش بینی نتایج هر
99
00:03:08,799 –> 00:03:10,780
سری زمانی می سازد که از یک
100
00:03:10,780 –> 00:03:12,519
مدل تکی برای آن استفاده می کنید. تجسم داده هایی
101
00:03:12,519 –> 00:03:15,189
که من از نوت بوک مشتری در یک
102
00:03:15,189 –> 00:03:16,959
نوت بوک مشتری استفاده می کنم، شما می توانید کد پایتون را اجرا کنید
103
00:03:16,959 –> 00:03:19,120
و با دیگران همکاری کنید، این
104
00:03:19,120 –> 00:03:20,680
دقیقا همان چیزی است که من برای آن نیاز داشتم. این پروژه
105
00:03:20,680 –> 00:03:22,479
به همین دلیل است که من این را انتخاب کردم، گزینههای دیگری نیز وجود دارد
106
00:03:22,479 –> 00:03:23,769
که میتوانید برای این کار انتخاب کنید.
107
00:03:23,769 –> 00:03:25,900
Google collab یکی از مواردی است که
108
00:03:25,900 –> 00:03:27,760
ممکن است شما نیز در نظر بگیرید، بنابراین اکنون اجازه دهید
109
00:03:27,760 –> 00:03:29,859
به جزئیات بپردازیم چگونه میتوانیم آن را انجام دهیم اولین
110
00:03:29,859 –> 00:03:31,479
کاری که باید انجام دهیم این است که بارگذاری
111
00:03:31,479 –> 00:03:33,609
اطلاعات اکسل ما در سطل
112
00:03:33,609 –> 00:03:36,129
آمازون s3 آمازون s3 فقط یک راه حل ذخیره سازی ساده
113
00:03:36,129 –> 00:03:38,290
است و معنی آن این است که شما
114
00:03:38,290 –> 00:03:40,030
فقط فایل ها را در اینجا قرار می دهید و سپس می توانید
115
00:03:40,030 –> 00:03:41,620
واقعاً به این فایل ها از سایر خدمات آمازون دسترسی پیدا کنید،
116
00:03:41,620 –> 00:03:43,720
بنابراین من یک سطل ایجاد کردم
117
00:03:43,720 –> 00:03:45,190
و سپس من در برگه اکسل
118
00:03:45,190 –> 00:03:47,049
در سطل بعدی قرار داده شده است، ما باید از
119
00:03:47,049 –> 00:03:49,150
پلت فرم یادگیری ماشینی آمازون استفاده کنیم که
120
00:03:49,150 –> 00:03:50,979
به آن Sage maker و sage maker می
121
00:03:50,979 –> 00:03:52,569
گویند. من به تازگی یک نوت بوک ایجاد
122
00:03:52,569 –> 00:03:54,909
کردم که کد پایتون من را نگه می دارد، این نوت بوک ها فقط
123
00:03:54,909 –> 00:03:56,620
نوت بوک های مشتری هستند، به این معنی که ما
124
00:03:56,620 –> 00:03:58,269
می توانیم با آنها همکاری کنیم. سایر کاربران در
125
00:03:58,269 –> 00:04:00,069
این روش جریان داده های ما به این صورت است
126
00:04:00,069 –> 00:04:01,810
که ما داده ها را از
127
00:04:01,810 –> 00:04:03,909
سطل s3 که به تازگی در آن قرار داده ایم، آن را
128
00:04:03,909 –> 00:04:05,979
به Sage maker می بریم و سپس
129
00:04:05,979 –> 00:04:07,750
داده های خروجی را از sage maker و fe می گیریم.
130
00:04:07,750 –> 00:04:09,579
131
00:04:09,579 –> 00:04:11,439
پس از قرار دادن آن
132
00:04:11,439 –> 00:04:13,449
برگه اکسل در یک سطل s3،
133
00:04:13,449 –> 00:04:15,220
آن را به یک برگه اکسل برگردانید و سپس میتوانیم آن را
134
00:04:15,220 –> 00:04:17,079
در اسکریپت پایتون خود برای دستکاری
135
00:04:17,079 –> 00:04:18,039
مقادیر زیر نمودارهای
136
00:04:18,039 –> 00:04:19,510
باز شده استفاده کنیم. نوت بوک را
137
00:04:19,510 –> 00:04:21,130
کمی به کد نگاه می کنیم، اما اگر می خواهید یک
138
00:04:21,130 –> 00:04:22,960
آموزش کامل در این مورد داشته باشید، حتما ویدیو را دوست داشته باشید
139
00:04:22,960 –> 00:04:24,729
،