در این مطلب، ویدئو هوش مصنوعی در مقابل یادگیری ماشینی در مقابل یادگیری عمیق | یادگیری ماشینی با پایتون 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: 00:08:04
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,399 –> 00:00:02,720
هوش یک ویژگی مرتبط
2
00:00:02,720 –> 00:00:04,319
با انسان است،
3
00:00:04,319 –> 00:00:06,160
بنابراین وقتی میخواهیم این
4
00:00:06,160 –> 00:00:08,080
هوش را در یک ماشین تقلید
5
00:00:08,080 –> 00:00:11,840
کنیم، آن را هوش مصنوعی مینامیم،
6
00:00:11,840 –> 00:00:14,639
بنابراین طبق تعریف، هر روشی که
7
00:00:14,639 –> 00:00:15,920
رفتار انسان را تقلید کند
8
00:00:15,920 –> 00:00:19,359
به عنوان هوش مصنوعی شناخته میشود
9
00:00:19,359 –> 00:00:22,160
، ماشینها با استفاده از کد برنامهریزی میشوند
10
00:00:22,160 –> 00:00:23,760
و در کدنویسی
11
00:00:23,760 –> 00:00:26,480
روشهای مختلفی داریم. مثلاً اگر عبارات
12
00:00:26,480 –> 00:00:27,359
while حلقهها
13
00:00:27,359 –> 00:00:30,800
برای حلقهها و غیره است، بنابراین
14
00:00:30,800 –> 00:00:33,440
اگر بتوانیم رفتار انسان را تکرار کنیم، استفاده از این روشها
15
00:00:33,440 –> 00:00:36,239
هوش مصنوعی خواهد بود،
16
00:00:36,239 –> 00:00:39,360
اما عملکرد چندان خوبی نخواهد داشت
17
00:00:39,360 –> 00:00:40,000
، زیرا
18
00:00:40,000 –> 00:00:42,239
این روش یک روش برنامهنویسی صریح است
19
00:00:42,239 –> 00:00:43,440
20
00:00:43,440 –> 00:00:45,760
که به این معنی است که ما هر یک را تعریف میکنیم.
21
00:00:45,760 –> 00:00:47,520
سناریوی ممکن
22
00:00:47,520 –> 00:00:51,440
و اگر آن سناریو اتفاق بیفتد،
23
00:00:51,440 –> 00:00:53,760
اگر مثالی از یک خودروی خودران
24
00:00:53,760 –> 00:00:55,440
را در نظر بگیریم، چه باید کرد، این بدان معناست
25
00:00:55,440 –> 00:00:57,680
که ما در حال تعریف تک تک
26
00:00:57,680 –> 00:00:58,800
احتمالاتی هستیم
27
00:00:58,800 –> 00:01:00,879
که ممکن است در جاده در حین رانندگی اتفاق بیفتد،
28
00:01:00,879 –> 00:01:02,239
29
00:01:02,239 –> 00:01:04,400
مانند اینکه یک انسان در جلوی ما باشد.
30
00:01:04,400 –> 00:01:05,680
31
00:01:05,680 –> 00:01:07,920
اگر در جاده آب هست باید بایستیم باید
32
00:01:07,920 –> 00:01:08,960
سرعت خود را کم کنیم
33
00:01:08,960 –> 00:01:11,439
و اگر چراغ سبز روشن است باید
34
00:01:11,439 –> 00:01:12,799
35
00:01:12,799 –> 00:01:14,880
همین الان رانندگی کنیم سناریوها بسیار
36
00:01:14,880 –> 00:01:17,840
ساده به نظر می رسند اگر به صورت جداگانه به آنها نگاه کنید،
37
00:01:17,840 –> 00:01:21,119
اما چه می شود اگر یک انسان جلوی
38
00:01:21,119 –> 00:01:22,080
جاده خیس باشد
39
00:01:22,080 –> 00:01:24,240
و چراغ راهنمایی سبز باشد
40
00:01:24,240 –> 00:01:25,360
در همان زمان
41
00:01:25,360 –> 00:01:28,400
چه کاری باید انجام دهید، بنابراین در تئوری
42
00:01:28,400 –> 00:01:31,040
سناریوهای ممکن بی نهایت وجود دارد پس
43
00:01:31,040 –> 00:01:33,280
بنویسید همه این سناریوها
44
00:01:33,280 –> 00:01:35,520
امکان پذیر نیستند،
45
00:01:35,520 –> 00:01:37,520
بنابراین در اینجا یادگیری ماشین به کمک می آید،
46
00:01:37,520 –> 00:01:38,640
47
00:01:38,640 –> 00:01:40,560
اکنون یادگیری ماشین بخشی از
48
00:01:40,560 –> 00:01:42,240
هوش مصنوعی است،
49
00:01:42,240 –> 00:01:44,240
اما تفاوت اصلی
50
00:01:44,240 –> 00:01:45,520
اینجاست که مبتنی بر
51
00:01:45,520 –> 00:01:48,479
برنامه نویسی صریح نیست، به این معنی که
52
00:01:48,479 –> 00:01:50,880
به جای اینکه ما قوانین را تعریف کنیم
53
00:01:50,880 –> 00:01:54,640
، ماشین خودش قوانین را یاد می
54
00:01:54,640 –> 00:01:57,439
گیرد، مثالی می زنیم، فرض می کنیم می
55
00:01:57,439 –> 00:01:58,640
خواهیم ماشین
56
00:01:58,640 –> 00:02:02,079
تفاوت بین گربه و سگ را بیاموزد،
57
00:02:02,079 –> 00:02:03,840
در این مورد برخی از
58
00:02:03,840 –> 00:02:05,600
ویژگی های گربه
59
00:02:05,600 –> 00:02:08,080
و برخی از ویژگی های سگ را که
60
00:02:08,080 –> 00:02:09,038
آنها را
61
00:02:09,038 –> 00:02:11,440
از یکدیگر جدا می کند،
62
00:02:11,440 –> 00:02:12,239
تعریف می کنیم.
63
00:02:12,239 –> 00:02:14,879
به جای اینکه
64
00:02:14,879 –> 00:02:15,680
بگوییم
65
00:02:15,680 –> 00:02:18,800
سگها گوشهای بزرگتری نسبت به گربهها دارند،
66
00:02:18,800 –> 00:02:21,360
به تعداد اتفاق میافتد، بنابراین بر اساس این ویژگیها،
67
00:02:21,360 –> 00:02:22,000
دستگاه میتواند
68
00:02:22,000 –> 00:02:24,720
تفاوت بین آنها را بیاموزد. در
69
00:02:24,720 –> 00:02:25,040
70
00:02:25,040 –> 00:02:28,800
حال حاضر این مسئله به عنوان یک مشکل طبقه بندی شناخته می شود
71
00:02:28,800 –> 00:02:30,800
72
00:02:30,800 –> 00:02:32,560
که در آن ما تعداد محدودی
73
00:02:32,560 –> 00:02:35,120
کلاس داریم و باید
74
00:02:35,120 –> 00:02:38,640
داده های جدید را در یکی از این کلاس ها مرتب کنیم.
75
00:02:38,640 –> 00:02:40,879
نوع اصلی دیگر مشکل
76
00:02:40,879 –> 00:02:42,480
مشکل رگرسیون است
77
00:02:42,480 –> 00:02:45,040
که در آن ما یک کلاس پیوسته داریم. تعداد به جای
78
00:02:45,040 –> 00:02:45,519
79
00:02:45,519 –> 00:02:49,120
طبقه بندی های محدود، بنابراین بیایید
80
00:02:49,120 –> 00:02:50,080
مثالی از
81
00:02:50,080 –> 00:02:53,599
املاک و مستغلات را در نظر بگیریم، فرض کنیم می
82
00:02:53,599 –> 00:02:55,440
خواهیم قیمت یک خانه را
83
00:02:55,440 –> 00:02:58,800
بر اساس مکان تعداد تخت ها
84
00:02:58,800 –> 00:03:02,159
و اندازه آن بر حسب فوت مربع بدانیم، بنابراین این سه
85
00:03:02,159 –> 00:03:05,760
مقدار اساساً ویژگی های ما هستند،
86
00:03:05,760 –> 00:03:07,840
بنابراین ما به آن خواهیم پرداخت. برخی از
87
00:03:07,840 –> 00:03:09,040
دادههای قبلی را ماشینسازی کنید
88
00:03:09,040 –> 00:03:11,440
که در آن ما مکان تعداد
89
00:03:11,440 –> 00:03:12,080
90
00:03:12,080 –> 00:03:15,360
تختها، اندازه و قیمت را میدانیم، بنابراین وقتی
91
00:03:15,360 –> 00:03:16,800
دستگاه خودش را آموزش
92
00:03:16,800 –> 00:03:18,879
داد، میتواند
93
00:03:18,879 –> 00:03:20,959
94
00:03:20,959 –> 00:03:22,720
با توجه به موقعیت مکانی تعداد
95
00:03:22,720 –> 00:03:24,319
اتاق خوابها به
96
00:03:24,319 –> 00:03:27,519
اندازه فوت مربع، تخمینی از قیمت خانه جدید ارائه دهد. توجه داشته باشید که
97
00:03:27,519 –> 00:03:29,440
قیمت در اینجا یک عدد پیوسته
98
00:03:29,440 –> 00:03:33,599
مانند 352 000 است.
99
00:03:33,599 –> 00:03:36,000
اگر این یک مشکل طبقه بندی بود،
100
00:03:36,000 –> 00:03:36,640
101
00:03:36,640 –> 00:03:40,159
طبقات قیمت پایین متوسط
102
00:03:40,159 –> 00:03:43,920
یاد بودند، بنابراین دو نوع اصلی ما
103
00:03:43,920 –> 00:03:45,360
ین آلات مشکلات یادگیری
104
00:03:45,360 –> 00:03:49,599
طبقه بندی و رگرسیون هستند،
105
00:03:49,840 –> 00:03:51,840
اما حتی با یادگیری ماشینی، این
106
0