در این مطلب، ویدئو یادگیری ماشینی افزایشی/ML آنلاین با River Python (ML on Data in Motion) 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: 00:27:19
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,320 –> 00:00:01,920
بسیار خوب پس دوباره خوش آمدید نام من
2
00:00:01,920 –> 00:00:03,600
جسی است و در این آموزش فوق العاده و
3
00:00:03,600 –> 00:00:04,640
هیجان انگیز
4
00:00:04,640 –> 00:00:06,560
سعی می کنیم ابزارهای مختلفی را
5
00:00:06,560 –> 00:00:08,000
ببینیم که می توانیم از آنها برای انجام
6
00:00:08,000 –> 00:00:10,400
یادگیری ماشین آنلاین یا یادگیری ماشینی افزایشی
7
00:00:10,400 –> 00:00:11,120
استفاده کنیم،
8
00:00:11,120 –> 00:00:13,360
بنابراین یادگیرندگان ماشین سنتی
9
00:00:13,360 –> 00:00:15,200
که ما آنها را می شناسیم چیزی است که به آن می گویند.
10
00:00:15,200 –> 00:00:17,119
یادگیری ماشینی آفلاین درست یا
11
00:00:17,119 –> 00:00:18,720
یادگیری ماشین دستهای، بنابراین در این صورت
12
00:00:18,720 –> 00:00:21,359
شما یک داده دستهای در دادههای دستهای درست دارید
13
00:00:21,359 –> 00:00:22,560
که قبلاً در حالت استراحت هستند
14
00:00:22,560 –> 00:00:24,560
و سپس از آن یاد میگیرید و
15
00:00:24,560 –> 00:00:26,240
سپس مجبور میشوید مدل خود را بسازید،
16
00:00:26,240 –> 00:00:28,160
سپس پیشبینی خود را انجام میدهید، سپس خوب تولید میکنید.
17
00:00:28,160 –> 00:00:30,160
مفهوم دیگری وجود دارد که به
18
00:00:30,160 –> 00:00:31,760
آن یادگیری ماشین آنلاین
19
00:00:31,760 –> 00:00:34,079
می گویند که در آن شما یادگیری ماشینی را روی
20
00:00:34,079 –> 00:00:35,120
جریان
21
00:00:35,120 –> 00:00:37,840
داده ها به درستی انجام می دهید، بنابراین یک مثال ساده این است
22
00:00:37,840 –> 00:00:38,480
که
23
00:00:38,480 –> 00:00:40,160
با آنچه قبلاً
24
00:00:40,160 –> 00:00:41,760
یادگیری ماشینی سنتی که یادگیری ماشینی آفلاین است می
25
00:00:41,760 –> 00:00:42,559
26
00:00:42,559 –> 00:00:44,160
شناسید، شما مقداری داده دارید و سپس
27
00:00:44,160 –> 00:00:45,760
داده ها را تقسیم می کنید. در تست آموزش،
28
00:00:45,760 –> 00:00:48,399
مهندسی ویژگی را انجام میدهید،
29
00:00:48,399 –> 00:00:49,280
مدل خود را میسازید،
30
00:00:49,280 –> 00:00:51,600
سپس آن را مستقیماً در
31
00:00:51,600 –> 00:00:53,440
تولید سنتی قرار میدهید یادگیری ماشینی آفلاین
32
00:00:53,440 –> 00:00:54,079
درست است،
33
00:00:54,079 –> 00:00:55,600
بنابراین مفهوم یادگیری ماشینی آفلاین
34
00:00:55,600 –> 00:00:57,680
یا یادگیری دستهای این است که
35
00:00:57,680 –> 00:00:59,520
شما قبلاً آدرس دادههای خود را
36
00:00:59,520 –> 00:01:01,440
دارید، همه دادههایی را که نیاز دارید در اختیار دارید،
37
00:01:01,440 –> 00:01:03,199
آنها هم اکنون در آنجا هستند، دادهها آدرسدهی میشوند
38
00:01:03,199 –> 00:01:05,360
و شما تمام دادهها را به
39
00:01:05,360 –> 00:01:06,240
صورت دستهای در
40
00:01:06,240 –> 00:01:08,000
اختیار دارید. از آن دادههای خاص یاد بگیرید،
41
00:01:08,000 –> 00:01:09,280
42
00:01:09,280 –> 00:01:10,799
مدل خود را از دادههایی
43
00:01:10,799 –> 00:01:13,119
که مدل خود را میسازید آموزش میدهید، سپس آن را
44
00:01:13,119 –> 00:01:15,600
به درستی در تولید قرار میدهید
45
00:01:15,600 –> 00:01:17,280
، اما اگر دادههایی دارید که در حال حرکت هستند،
46
00:01:17,280 –> 00:01:19,439
این همه آدرسی نیست که یکی یکی میآید
47
00:01:19,439 –> 00:01:20,320
48
00:01:20,320 –> 00:01:22,000
و شما میخواهید برای انجام یادگیری ماشینی بر روی
49
00:01:22,000 –> 00:01:23,360
آن، این مفهوم
50
00:01:23,360 –> 00:01:25,439
به درستی یادگیری ماشین آنلاین نامیده میشود،
51
00:01:25,439 –> 00:01:27,119
بنابراین دادهها
52
00:01:27,119 –> 00:01:30,159
به صورت بیتی وارد میشوند و فقط به صورت
53
00:01:30,159 –> 00:01:32,159
جریانی در جریان دادهها یک در
54
00:01:32,159 –> 00:01:34,240
یک فاز در یک زمان مانند این درست میشوند،
55
00:01:34,240 –> 00:01:35,920
بنابراین باید ml را انجام دهید. در این داده خاص،
56
00:01:35,920 –> 00:01:36,479
57
00:01:36,479 –> 00:01:38,320
یکی دیگر را پیشبینی میکنید
58
00:01:38,320 –> 00:01:40,079
، یک بار دیگر پیشبینی میکنید، زمانی که
59
00:01:40,079 –> 00:01:41,759
پیشبینی را درست انجام میدهید یا آن را آموزش میدهید،
60
00:01:41,759 –> 00:01:43,759
بنابراین این مفهوم انجام
61
00:01:43,759 –> 00:01:45,520
یادگیری ماشینی صادقانه در جریان داده یا
62
00:01:45,520 –> 00:01:46,960
داده است. در
63
00:01:46,960 –> 00:01:49,280
حرکت چیزی است که به آن یادگیری ماشین افزایشی
64
00:01:49,280 –> 00:01:50,479
می
65
00:01:50,479 –> 00:01:52,720
گویند، بنابراین بسیار مفید
66
00:01:52,720 –> 00:01:54,000
است، بسیار مفید است، در صورتی که
67
00:01:54,000 –> 00:01:55,439
می خواهید توصیه هایی ایجاد کنید، پس از
68
00:01:55,439 –> 00:01:57,040
آن چیزی در مورد کاربر نمی دانید
69
00:01:57,040 –> 00:01:59,200
و می خواهید چیزی غیرفعال بسازید، بسیار مفید است.
70
00:01:59,200 –> 00:02:02,320
در محل
71
00:02:02,320 –> 00:02:04,719
برای کمک به انجام برخی پیشبینیها خوب است، پس
72
00:02:04,719 –> 00:02:05,360
بیایید به عقب برگردیم
73
00:02:05,360 –> 00:02:06,799
و ببینیم چگونه میتوان این مورد را پیادهسازی کرد، برخی
74
00:02:06,799 –> 00:02:08,720
از ابزارهایی که میتوانید برای انجام
75
00:02:08,720 –> 00:02:10,560
یادگیری ماشینی افزایشی آنلاین استفاده کنید، بنابراین
76
00:02:10,560 –> 00:02:12,080
برای آفلاین وجود داشت که
77
00:02:12,080 –> 00:02:14,160
همه میدانند یادگیری مداری پایتون
78
00:02:14,160 –> 00:02:15,120
tensorflow،
79
00:02:15,120 –> 00:02:17,120
اگرچه برای آفلاین مفید هستند.
80
00:02:17,120 –> 00:02:18,480
آنها همچنین تکنیکهایی دارند که میتوانید
81
00:02:18,480 –> 00:02:19,599
برای آنلاین نیز از آنها استفاده
82
00:02:19,599 –> 00:02:21,200
کنید، پس بیایید دوباره به عقب برگردیم و
83
00:02:21,200 –> 00:02:22,959
آن را بررسی کنیم، بنابراین برای جمعبندی مجدد یادگیری ماشینی آفلاین
84
00:02:22,959 –> 00:02:24,239
به این معنی است که شما یک دسته
85
00:02:24,239 –> 00:02:25,040
داده دارید
86
00:02:25,040 –> 00:02:26,959
و سپس دادهها آدرسدهی میشوند، سپس میخواهید
87
00:02:26,959 –> 00:02:28,160
از آن یاد بگیرید.
88
00:02:28,160 –> 00:02:30,319
و سپس پیشبینیهای خود را به صورت آنلاین انجام دهید این است
89
00:02:30,319 –> 00:02:32,400
که شما این هویتها را دارید که
90
00:02:32,400 –> 00:02:34,959
در جریان هستند یا دادهها در حال حرکت هستند، آنها در
91
00:02:34,959 –> 00:02:36,239
حال یادگیری ماشینی بر روی آن هستند مانند
92
00:02:36,239 –> 00:02:37,360
دادههای بلادرنگ.
93
00:02:37,360 –> 00:02:39,840
یک مشاهده در یک زمان، بنابراین
94
00:02:39,840 –> 00:02:41,519
مزیت آنلاین این است که
95
00:02:41,519 –> 00:02:42,959
در مواردی که چیزی در مورد پاساژ نمیدانید بسیار مفید است
96
00:02:42,959 –> 00:02:44,080
97
00:02:44,080 –> 00:02:46,319
و تطبیقی است، بنابراین بسیار مفید است، بنابراین ما
98
00:02:46,319 –> 00:02:47,920
یتوانیم از دو موردی که بر
99
00:02:47,920 –> 00:02:51,360
ی انجام یادگیری ماشینی افزایشی در
100
00:02:51,360 –> 00:02:53,280
ت یا ماشین آنلاین استفاده کنیم، استفاده کنیم. یادگیری این است که
101
00:02:53,280 –> 00:02:56,080
اگر رودخانه دارید، ریوا یک
102
00:02:56,080 –> 00:02:57,280
کتابخانه زیبای پایتون است که مانند
103
00:02:57,280 –> 00:02:59,360
scikit-learn برای
104
00:02:59,360 –> 00:03:00,640
یادگیری ماشین آنلاین است یا
105
00:03:00,640 –> 00:03:02,159
مدار برای داده ها در یادگیری ماشین متحرک زندگی می کند
106
00:03:02,159 –> 00:03:02,959
107
00:03:02,959 –> 00:03:04,879
که ترکیبی از جرم یا
108
00:03:04,879 –> 00:03:06,720
کرم مانند کرم آب و هوا
109
00:03:06,720 –> 00:03:09,280
است که از آن می آید. نام increment right
110
00:03:09,280 –> 00:03:11,040
increment یا creamer
111
00:03:11,040 –> 00:03:12,400
و سپس psychic multiflora که
112
00:03:12,400 –> 00:03:14,319
برای کار بر روی داده های جریانی نیز مفید است،
113
00:03:14,319 –> 00:03:15,840
بنابراین
114
00:03:15,840 –> 00:03:18,800
کرم و سپس multiflo را با هم ترکیب می
115
00:03:18,800 –> 00:03:20,640
کنند تا رودخانه درست را تولید کنند، بنابراین شما می توانید این api
116
00:03:20,640 –> 00:03:22,000
برای این یکی دوتای آنها api یکسان است.
117
00:03:22,000 –> 00:03:22,959
بسیار
118
00:03:22,959 –> 00:03:25,360
شبیه است خوب، همچنین برخی از
119
00:03:25,360 –> 00:03:26,879
بسته های پایتون شناخته شده دیگر مانند
120
00:03:26,879 –> 00:03:29,440
تا حدودی بیشتر هستند و همچنین دارای استریم db4 هستند
121
00:03:29,440 –> 00:03:30,239
که با
122
00:03:30,239 –> 00:03:33,440
اسپارک pi یا اسپارک آپاچی اسپارک جریان
123
00:03:33,440 –> 00:03:34,879
داده r کار می کنند. ight که بسیار مفید است،
124
00:03:34,879 –> 00:03:36,080
بنابراین اینها بستههای دیگری هستند
125
00:03:36,080 –> 00:03:38,640
که میتوانید از آنها برای انجام
126
00:03:38,640 –> 00:03:41,760
یادگیری ماشینی افزایشی آنلاین استفاده کنید،
127
00:03:41,760 –> 00:03:43,680
بنابراین بسیار مفید است، بنابراین
128
00:03:43,680 –> 00:03:45,040
اگر میخواهید
129
00:03:45,040 –> 00:03:47,760
ml را آنلاین انجام دهید، فقط میخواهید ml را در
130
00:03:47,760 –> 00:03:49,440
جریان پخش کنید، از این بسته استفاده میکنم. داده ها و همچنین برای شناسایی
131
00:03:49,440 –> 00:03:49,920
مفهوم
132
00:03:49,920 –> 00:03:51,840
دریفت مدل دریفت،
133
00:03:51,840 –> 00:03:53,280
بسته های فوق العاده ای
134
00:03:53,280 –> 00:03:54,959
در این دو بسته وجود دارد که به شما این امکان را می دهد که
135
00:03:54,959 –> 00:03:56,480
بتوانید
136
00:03:56,480 –> 00:03:59,120
دریفت را در مدل خود شناسایی و تشخیص دهید، البته چالش
137
00:03:59,120 –> 00:04:00,000
های استفاده از این
138
00:04:00,000 –> 00:04:02,000
مدل خاص اینطور نیست که مدیریت آن دشوار باشد.
139
00:04:02,000 –> 00:04:03,599
زیرا بر خلاف آفلاین بسیار تطبیق پذیر هستند
140
00:04:03,599 –> 00:04:05,040
، هنگامی که
141
00:04:05,040 –> 00:04:06,959
تمام کارهایی را که آنها را به کار می گیرید به پایان رساندید، به همین ترتیب آن
142
00:04:06,959 –> 00:04:10,000
را مدیریت می کنید، اگر اگر
143
00:04:10,000 –> 00:04:11,280
مدل
144
00:04:11,280 –> 00:04:12,959
ها عملکرد خود را از دست بدهند در صورت
145
00:04:12,959 –> 00:04:14,560
خراب شدن مدل، می توانید
146
00:04:14,560 –> 00:04:17,040
داده های جدید را مجدداً جمع آوری کنید و سپس
147
00:04:17,040 –> 00:04:17,918
148
00:04:17,918 –> 00:04:19,759
یک مدل قناری را درست به جای آن بیاورید. و برای
149
00:04:19,759 –> 00:04:21,440
اینکه فقط چلنجر
150
00:04:21,440 –> 00:04:23,040
یا چلنجر و مدل قناری
151
00:04:23,040 –> 00:04:24,560
که مفهومی متفاوت است را بیرون بیاورید، بعداً
152
00:04:24,560 –> 00:04:25,759
در مورد آن صحبت میکنید،
153
00:04:25,759 –> 00:04:27,120
پس بیایید این را نصب کنیم.
154
00:04:27,120 –> 00:04:28,880
بسته های خاص پس برای نصب آن فقط با
155
00:04:28,880 –> 00:04:30,080
کاغذ
156
00:04:30,080 –> 00:04:32,320
نصب رودخانه بروید تا پکیج را نصب کنید یا فروشگاه قبلی
157
00:04:32,320 –> 00:04:33,919
کرمی و بسته دیگری را
158
00:04:33,919 –> 00:04:35,440
نصب کنید و سپس مدارهای کاغذی را به تنهایی نصب کنید تا بتوان از هر یک از
159
00:04:35,440 –> 00:04:36,479
آنها برای
160
00:04:36,479 –> 00:04:39,440
یادگیری ماشینی افزایشی آنلاین استفاده کرد، بنابراین
161
00:04:39,440 –> 00:04:40,880
بیایید با اولین مورد
162
00:04:40,880 –> 00:04:43,120
کار با رودخانه من می خواهم
163
00:04:43,120 –> 00:04:44,479
پانداها را درست
164
00:04:44,479 –> 00:04:46,960
وارد کنم و سپس بیایید بسته ای را که
165
00:04:46,960 –> 00:04:48,080
قرار است بارگیری کنم در
166
00:04:48,080 –> 00:04:51,840
بسته میلی لیتری خود وارد کنیم، ما می خواهیم رودخانه را وارد کنیم
167
00:04:51,840 –> 00:04:54,000
تا صورت بازیابی را بررسی کنیم سپس بعداً
168
00:04:54,000 –> 00:04:55,199
افزایش را بررسی کنید
169
00:04:55,199 –> 00:04:56,720
بنابراین با رقابت بسیاری از چیزها شما می توانید
170
00:04:56,720 –> 00:04:58,400
انجام دهید، بیایید خودتان بسته خاص را کاوش
171
00:04:58,400 –> 00:04:58,960
کنید
172
00:04:58,960 –> 00:05:00,880
که روش های این
173
00:05:00,880 –> 00:05:02,720
روش های کتابخانه خاص
174
00:05:02,720 –> 00:05:05,919
با ir و river چیست، بنابراین آن را بررسی کنید تا در
175
00:05:05,919 –> 00:05:07,280
نظر بگیرید که ما
176
00:05:07,280 –> 00:05:10,320
همه این موارد را در آنجا داریم، ما
177
00:05:10,320 –> 00:05:13,280
یک مدل فرعی برای تشخیص ناهنجاری برای
178
00:05:13,280 –> 00:05:14,560
خوشه های تصویر کار داریم.
179
00:05:14,560 –> 00:05:16,960
ساخت خطوط لوله برای مجموعه داده ها برای
180
00:05:16,960 –> 00:05:18,479
ماژول برای بررسی و دریفت
181
00:05:18,479 –> 00:05:20,080
و مونتاژ تکنیک های
182
00:05:20,080 –> 00:05:21,680
ارزیابی استخراج ویژگی مدل
183
00:05:21,680 –> 00:05:23,280
می توانید اکثر این مدل های خطوط مدار را مشاهده کنید
184
00:05:23,280 –> 00:05:25,120
در آنجا دقیقاً
185
00:05:25,120 –> 00:05:27,280
حالت خطی را می شناسید تقریباً همان api ماتریس راست
186
00:05:27,280 –> 00:05:29,759
187
00:05:30,240 –> 00:05:32,560
همسایگان پایه زنده و رستوران
188
00:05:32,560 –> 00:05:33,280
خوب است،
189
00:05:33,280 –> 00:05:36,000
بنابراین من می خواهم بتوانم همه
190
00:05:36,000 –> 00:05:37,440
چیزهای مختلف را همانطور که پشتیبانی می کند دریافت کنم، بنابراین من
191
00:05:37,440 –> 00:05:39,120
فقط یک تابع ساده ایجاد کردم
192
00:05:39,120 –> 00:05:40,639
که این تابع خاص است،
193
00:05:40,639 –> 00:05:42,479
بنابراین api درست مانند نام دوچرخه سوار است،
194
00:05:42,479 –> 00:05:44,240
بنابراین اگر از خط دوچرخه سوار استفاده می کنید،
195
00:05:44,240 –> 00:05:45,680
فقط یک
196
00:05:45,680 –> 00:05:47,520
خط مدار را به سمت راست تغییر دهید، اگر به این شکل پیش می رود،
197
00:05:47,520 –> 00:05:49,199
فقط باید به سمت رودخانه بروید زیرا
198
00:05:49,199 –> 00:05:50,560
api تقریباً همان
199
00:05:50,560 –> 00:05:52,800
200
00:05:55,120 –> 00:05:57,280
مدل خطی راست رگرسیون لجستیک وارداتی است
201
00:05:57,280 –> 00:05:59,680
یا چند جمله ای از ساده bayes
202
00:05:59,680 –> 00:06:01,360
و استخراج ویژگی شما صدای پشتیبان دارید،
203
00:06:01,360 –> 00:06:02,960
ما بردار شمارش
204
00:06:02,960 –> 00:06:05,280
نداریم، ما پشتیبان داریم، شما tfid دارید،
205
00:06:05,280 –> 00:06:07,039
بنابراین اگر بخواهم همه
206
00:06:07,039 –> 00:06:08,960
مدل های فرعی مختلف را کاوش کنم، یک
207
00:06:08,960 –> 00:06:11,039
تابع ساده در مورد آن ایجاد کرده ام،
208
00:06:11,039 –> 00:06:12,880
بنابراین همان کاری که انجام دادیم در اینجا با
209
00:06:12,880 –> 00:06:14,560
drl که
210
00:06:14,560 –> 00:06:16,560
همه این چیزها را دریافت کردیم آنها را
211
00:06:16,560 –> 00:06:18,400
به یک تابع ساده تبدیل کردم که
212
00:06:18,400 –> 00:06:19,440
تمام موارد را به
213
00:06:19,440 –> 00:06:22,000
درستی بررسی می کند، شما می توانید از این
214
00:06:22,000 –> 00:06:22,639
تابع خاص استفاده
215
00:06:22,639 –> 00:06:23,840
کنید. o از طریق بسته خود نگاه کنید،
216
00:06:23,840 –> 00:06:25,840
اینها را بردارید زیرا اینها
217
00:06:25,840 –> 00:06:27,039
مدلهای فرعی نیستند
218
00:06:27,039 –> 00:06:28,400
و سپس ما میخواهیم مدل باقیمانده را دریافت
219
00:06:28,400 –> 00:06:29,600
کنیم و آنها را اضافه کنیم و
220
00:06:29,600 –> 00:06:31,199
مدل خود را درست تولید کنیم
221
00:06:31,199 –> 00:06:32,960
و یک قاب داده با همه
222
00:06:32,960 –> 00:06:34,800
مدلهای فرعی مختلف درست کنیم
223
00:06:34,800 –> 00:06:36,319
که می توانید استفاده کنید. برای هر بسته ای که می
224
00:06:36,319 –> 00:06:37,680
خواهید هر کاری انجام دهید باید تغییر دهید که
225
00:06:37,680 –> 00:06:39,360
باید
226
00:06:39,360 –> 00:06:41,039
این یکی را در اینجا تغییر دهید، درست گوش
227
00:06:41,039 –> 00:06:43,039
کنید، فقط نام بسته را
228
00:06:43,039 –> 00:06:44,639
تغییر دهید بسیار خوب، پس بیایید ادامه دهیم و روی
229
00:06:44,639 –> 00:06:46,160
آن کار کنیم تا رودخانه مال من شود.
230
00:06:46,160 –> 00:06:49,440
df right
231
00:06:49,440 –> 00:06:52,000
ویژگی get all من برای بسته ای به نام
232
00:06:52,000 –> 00:06:53,520
river خواهد بود،
233
00:06:53,520 –> 00:06:55,360
بنابراین در صورت داشتن هر گونه سوال یا
234
00:06:55,360 –> 00:06:57,199
مشارکت می توانید
235
00:06:57,199 –> 00:06:58,720
به بخش نظرات زیر
236
00:06:58,720 –> 00:07:00,080
237
00:07:00,080 –> 00:07:00,720
238
00:07:00,720 –> 00:07:02,080
مراجعه کنید.
239
00:07:02,080 –> 00:07:03,280
آن را بررسی کنید، میتوانید ببینید که اینها
240
00:07:03,280 –> 00:07:04,960
همه
241
00:07:04,960 –> 00:07:06,800
مدلهای فرعی مختلف هستند درست در مورد 33 مورد از آنها، شما برای
242
00:07:06,800 –> 00:07:08,160
همه چیز تشخیص ناهنجاری را دارید،
243
00:07:08,160 –> 00:07:09,680
در صورتی که میخواهید
244
00:07:09,680 –> 00:07:11,759
شناسایی دیگری انجام دهید، پایه
245
00:07:11,759 –> 00:07:14,240
شما دارای طبقهبندیکننده آشکارساز دریفت است.
246
00:07:14,240 –> 00:07:15,039
lusters
247
00:07:15,039 –> 00:07:16,800
k به این معنی است که اگر میخواهید بازیها را روی دادههای جریانی انجام دهید،
248
00:07:16,800 –> 00:07:18,960
بازیهای استریم دارید،
249
00:07:18,960 –> 00:07:19,520
250
00:07:19,520 –> 00:07:21,280
همچنین اگر میخواهید انجام دهید، میبینید که
251
00:07:21,280 –> 00:07:22,560
خط لولهای وجود دارد که او میخواهد
252
00:07:22,560 –> 00:07:23,120
خطوط لوله
253
00:07:23,120 –> 00:07:26,560
بسازد، مانند اتحادیه ترانسفورماتور خط مداری
254
00:07:26,560 –> 00:07:28,319
مانند خط دوچرخهسواران، اینها همه مجموعه دادهها
255
00:07:28,319 –> 00:07:29,680
هستند.
256
00:07:29,680 –> 00:07:32,639
همچنین می توانید
257
00:07:32,639 –> 00:07:33,440
با استفاده از admin
258
00:07:33,440 –> 00:07:36,800
یک الگوریتم محبوب بسیار قدرتمند برای
259
00:07:36,800 –> 00:07:38,639
تشخیص دریفت ها در مدل ها
260
00:07:38,639 –> 00:07:41,919
به عنوان اشیاء cos، تشخیص دریفت انجام دهید و سپس
261
00:07:41,919 –> 00:07:43,840
برای روش های مجموعه ای نیز دارید
262
00:07:43,840 –> 00:07:45,360
که آردوین را برای تقویت دیگر ترکیب می کنیم،
263
00:07:45,360 –> 00:07:47,199
همه
264
00:07:47,199 –> 00:07:48,879
طبقه بندی کننده های مختلف الگوریتم های تقویت کننده را
265
00:07:48,879 –> 00:07:50,639
نیز داریم. برای ارزیابی، حق
266
00:07:50,639 –> 00:07:52,560
را برای بهینهسازی
267
00:07:52,560 –> 00:07:54,400
268
00:07:54,400 –> 00:07:55,680
نیز دارید و در صورتی که بخواهید
269
00:07:55,680 –> 00:07:58,800
پردازش آزمایشی یا فقط پردازش ترانسفورماتور را انجام دهید، چیزهای زیادی وجود دارد،
270
00:07:58,800 –> 00:07:59,680
271
00:07:59,680 –> 00:08:01,919
ما همه ترانسفورماتورهای بایناریزر
272
00:08:01,919 –> 00:08:04,080
lda حداقل نرمال ساز اسکالر را داریم، بنابراین
273
00:08:04,080 –> 00:08:05,360
همه چیز مانند خط مدار قبلاً وجود دارد.
274
00:08:05,360 –> 00:08:07,280
درست وجود دارد، بنابراین این یک تابع ساده است
275
00:08:07,280 –> 00:08:09,280
که به شما کمک می کند اکنون مقدار زیادی از
276
00:08:09,280 –> 00:08:11,280
رمز را دریافت کنید، اجازه دهید این کد خاص را ببینیم
277
00:08:11,280 –> 00:08:12,240
بنابراین نکته اخطاری
278
00:08:12,240 –> 00:08:13,360
که لازمه کار با
279
00:08:13,360 –> 00:08:15,039
این بسته خاص است این است که مجموعه داده
280
00:08:15,039 –> 00:08:17,440
باید در قالبی باشد
281
00:08:17,440 –> 00:08:19,120
که همانطور که گفتم داده ها به صورت
282
00:08:19,120 –> 00:08:20,800
یک به یک در جریان می آیند که
283
00:08:20,800 –> 00:08:22,319
این مورد نیاز است،
284
00:08:22,319 –> 00:08:24,720
بنابراین داده ها باید بیایند. در استریمها در بیتها،
285
00:08:24,720 –> 00:08:26,160
بنابراین میتوانید از آن استفاده کنید، بنابراین
286
00:08:26,160 –> 00:08:27,360
در بیشتر موارد میتوانید فقط از یک
287
00:08:27,360 –> 00:08:29,680
فرهنگ لغت استفاده کنید یا فقط میتوانید از یک تاپل مانند چند تایی استفاده کنید،
288
00:08:29,680 –> 00:08:31,039
289
00:08:31,039 –> 00:08:34,000
در صورتی که میخواهید آن را درست
290
00:08:34,000 –> 00:08:35,210
فهرستی از سهگانه چیزی شبیه به آن آموزش دهید
291
00:08:35,210 –> 00:08:36,958
[موسیقی]
292
00:08:36,958 –> 00:08:39,200
بسیار خوب چیزی شبیه به آن یا می توانید
293
00:08:39,200 –> 00:08:41,200
از یک دیکشنری درست استفاده کنید
294
00:08:41,200 –> 00:08:43,599
یا می توانید از csv نیز استفاده کنید، اما
295
00:08:43,599 –> 00:08:44,800
در استفاده از csv باید
296
00:08:44,800 –> 00:08:46,240
آن را به گونه ای قالب بندی کنیم که در این
297
00:08:46,240 –> 00:08:48,160
قالب خاص باشد یا در لیستی
298
00:08:48,160 –> 00:08:51,279
از تاپل ها یا فرهنگ لغت
299
00:08:51,279 –> 00:08:53,360
دوره شما
300
00:08:53,360 –> 00:08:55,519
درست باشد. فقط یکی از آنها وجود دارد
301
00:08:55,519 –> 00:08:56,800
302
00:08:56,800 –> 00:09:01,440
یا csv و سپس hyta panda
303
00:09:01,440 –> 00:09:03,040
درست مانند شما همچنین می توانید
304
00:09:03,040 –> 00:09:04,880
305
00:09:04,880 –> 00:09:07,040
در صورتی که با csv کار می کنید به یک فایل csv و یک pandas نسبت دهید، بنابراین
306
00:09:07,040 –> 00:09:08,480
بیایید ساده ترین رویکرد را درست
307
00:09:08,480 –> 00:09:10,320
ساده ترین ساده ترین روش
308
00:09:10,320 –> 00:09:11,680
را ببینیم، بنابراین وظیفه ما در اینجا است. که ما w برای
309
00:09:11,680 –> 00:09:13,760
پیشبینی سختافزار یا نرمافزار بودن یک تست،
310
00:09:13,760 –> 00:09:16,080
ما تست خود را در اینجا انجام
311
00:09:16,080 –> 00:09:17,839
میدهیم و سپس برچسب آن را داریم،
312
00:09:17,839 –> 00:09:19,920
بنابراین زمینه آزمایشی منحصربهفرد من
313
00:09:19,920 –> 00:09:21,200
مشکل نرمافزاری است
314
00:09:21,200 –> 00:09:22,800
، برنامهای را امتحان کنید که نرمافزار درست است،
315
00:09:22,800 –> 00:09:24,880
بنابراین ما فقط یک داده ساده ساختهایم
316
00:09:24,880 –> 00:09:26,480
که قرار است دادههای آموزشی ما باشید، دادههای اصلی ما
317
00:09:26,480 –> 00:09:28,000
318
00:09:28,000 –> 00:09:30,000
بسیار ساده هستند، فقط تعداد زیادی از آنها و
319
00:09:30,000 –> 00:09:32,080
همچنین یکی برای آزمایش
320
00:09:32,080 –> 00:09:34,800
درست مانند آن درست است، بنابراین بیایید آن را بررسی
321
00:09:34,800 –> 00:09:36,000
کنیم تا این استثنای آزمایشی ما باشد،
322
00:09:36,000 –> 00:09:37,680
بنابراین همانطور که قبلاً در طبقهبندی آزمون
323
00:09:37,680 –> 00:09:38,480
324
00:09:38,480 –> 00:09:41,440
میدانیم که داریم برای تبدیل تست ما به اعداد
325
00:09:41,440 –> 00:09:42,880
درست، باید آن را بردارید، می توانید
326
00:09:42,880 –> 00:09:44,320
از count vectorizer استفاده کنید،
327
00:09:44,320 –> 00:09:46,320
اما با
328
00:09:46,320 –> 00:09:47,760
ترانسفورماتور افزایش دهنده این کیسه صدا
329
00:09:47,760 –> 00:09:48,320
که همان
330
00:09:48,320 –> 00:09:51,040
رویکردی است که شما نیز tfid دارید، نمی توان آن را بردارید، بنابراین این
331
00:09:51,040 –> 00:09:51,519
برای
332
00:09:51,519 –> 00:09:53,200
وارد کردن مدل در حال حرکت مفید است، بنابراین بیایید
333
00:09:53,200 –> 00:09:55,920
بررسی کنیم آن را بیرون میآورم، پس دوباره برمیگردم
334
00:09:55,920 –> 00:09:57,920
و سپس بیایید مدل خود را بسازیم، بنابراین
335
00:09:57,920 –> 00:09:59,519
بعد از همه ورودی،
336
00:09:59,519 –> 00:10:03,680
ما قبلاً tfidf را
337
00:10:03,680 –> 00:10:05,920
از بالا به عقب وارد کردهایم، بنابراین بیایید از back
338
00:10:05,920 –> 00:10:07,680
OS و Motonomia استفاده
339
00:10:07,680 –> 00:10:10,000
کنیم، باید آن را مانند یک پیپ بسازیم. eline
340
00:10:10,000 –> 00:10:11,839
درست است، پس بیایید خط لوله را قرار
341
00:10:11,839 –> 00:10:12,800
دهیم تا کارمان آسان شود،
342
00:10:12,800 –> 00:10:15,760
بنابراین اگر می خواهید درباره
343
00:10:15,760 –> 00:10:17,360
خطوط لوله و برخی چیزهای اضافی با
344
00:10:17,360 –> 00:10:18,320
یادگیری ماشینی بیشتر
345
00:10:18,320 –> 00:10:20,480
بدانید، می توانید پیوندهای زیر را برای اطلاعات بیشتر بررسی
346
00:10:20,480 –> 00:10:21,920
کنید، بنابراین اجازه دهید این را بررسی کنیم
347
00:10:21,920 –> 00:10:25,600
تا من قرار دهم خط لوله من به از
348
00:10:25,760 –> 00:10:29,839
از رودخانه نقطه نگارش
349
00:10:29,839 –> 00:10:32,079
خط لوله واردات درست است که یک بسته است و
350
00:10:32,079 –> 00:10:33,519
سپس اکنون می توانم خط لوله خود را طوری قرار دهم
351
00:10:33,519 –> 00:10:34,880
که یک لوله
352
00:10:34,880 –> 00:10:37,680
برای مدل ساده بیز بود.
353
00:10:37,680 –> 00:10:39,440
354
00:10:39,440 –> 00:10:42,560
و یک خط لوله
355
00:10:42,560 –> 00:10:43,279
356
00:10:43,279 –> 00:10:46,079
برای تمام مراحل چندین تاپیک میگیرد، بنابراین اولین
357
00:10:46,079 –> 00:10:47,279
مورد تبخیرکننده من خواهد بود،
358
00:10:47,279 –> 00:10:50,160
پس بیایید برویم که تقسیمکننده برداری من
359
00:10:50,160 –> 00:10:52,720
درست است و من همیشه پشتم را رد میکنم،
360
00:10:52,720 –> 00:10:55,040
بنابراین میخواهم همه چیز را با حروف کوچک بگیرم،
361
00:10:55,040 –> 00:10:56,320
بنابراین به دلیل وجود
362
00:10:56,320 –> 00:10:59,120
اشکال است. همیشه بنابراین بیایید بگوییم که درست است
363
00:10:59,120 –> 00:11:00,240
364
00:11:00,240 –> 00:11:02,160
و من همچنین می خواهم مدل خود را قرار دهم تا
365
00:11:02,160 –> 00:11:04,240
بتوانم آن را به عنوان مدل پایه زنده خود بنامم،
366
00:11:04,240 –> 00:11:07,760
سپس چند جمله ای قرار می دهم، بنابراین زندگی تک جمله ای
367
00:11:07,760 –> 00:11:10,640
مفید است زیرا شما
368
00:11:10,640 –> 00:11:12,160
با داده های آزمایشی کار می کنید و سپس
369
00:11:12,160 –> 00:11:14,240
ما در حال صحبت هستیم در مورد فرکانس درست است
370
00:11:14,240 –> 00:11:16,320
که چرا ما از
371
00:11:16,320 –> 00:11:18,240
Motonomia Okay Perfect استفاده می کنیم تا
372
00:11:18,240 –> 00:11:19,760
مدل ساده ای برای ما باشد
373
00:11:19,760 –> 00:11:21,120
و یک چیز خوب در مورد این بسته فوق العاده این
374
00:11:21,120 –> 00:11:23,040
است که می توانید
375
00:11:23,040 –> 00:11:26,480
خط لوله را تجسم کنید و همچنین می توانید
376
00:11:26,480 –> 00:11:28,000
خط لوله ای را
377
00:11:28,000 –> 00:11:30,800
که من درست طول مدار ساخته ام
378
00:11:30,800 –> 00:11:31,519
را مشاهده کنید. که
379
00:11:31,519 –> 00:11:32,720
اگر می خواهید در مورد آن یاد بگیرید،
380
00:11:32,720 –> 00:11:34,880
می توانید لینک های زیر را بررسی کنید، فقط آن را
381
00:11:34,880 –> 00:11:36,640
لوله کنید
382
00:11:36,640 –> 00:11:39,040
و آن را برای شما مجازی سازی می کند،
383
00:11:39,040 –> 00:11:40,800
بنابراین اگر روی آن کلیک
384
00:11:40,800 –> 00:11:42,320
کنم، همه ویدیوها را به من می دهد،
385
00:11:42,320 –> 00:11:43,360
بنابراین اگر شما دارای پارامترهای هایپر
386
00:11:43,360 –> 00:11:44,640
و ترفندهای زیادی
387
00:11:44,640 –> 00:11:46,320
هستند که اگر
388
00:11:46,320 –> 00:11:47,760
روی آن کلیک کنم می توانید آنها را اینجا ببینید یا
389
00:11:47,760 –> 00:11:49,360
درست نیست که بسیار جالب است،
390
00:11:49,360 –> 00:11:51,839
بنابراین بسیار جالب است که می
391
00:11:51,839 –> 00:11:53,120
توانید
392
00:11:53,120 –> 00:11:55,519
خط لوله خود را به طور کامل مجازی سازی کنید. در مورد من
393
00:11:55,519 –> 00:11:57,760
میخواهم مراحل
394
00:11:57,760 –> 00:11:59,839
داخل این خط لوله خاص
395
00:11:59,839 –> 00:12:00,880
396
00:12:00,880 –> 00:12:02,959
را بررسی کنم، بنابراین مراحل لوله و نقطه b را بررسی میکنم، بنابراین میخواهم تمام
397
00:12:02,959 –> 00:12:05,040
مراحل را در یک فرهنگ لغت
398
00:12:05,040 –> 00:12:07,040
سفارشدادهشده فهرست کنم تا مجازیساز من را در اینجا با
399
00:12:07,040 –> 00:12:08,720
باگ تمام شده و تمام پارامترها و پارامترها داشته باشیم.
400
00:12:08,720 –> 00:12:10,639
سپس مدل بیز ساده من در o
401
00:12:10,639 –> 00:12:11,839
پارامترهای موجود
402
00:12:11,839 –> 00:12:14,560
بسیار ساده هستند حالا بیایید آن مدل را درست بسازیم،
403
00:12:14,560 –> 00:12:15,519
بیایید
404
00:12:15,519 –> 00:12:19,360
روی داده هایمان جا بیفتیم، بنابراین مفهومی که در اینجا
405
00:12:19,360 –> 00:12:20,800
می خواهیم
406
00:12:20,800 –> 00:12:24,320
یکی یکی یاد بگیریم کاملاً قابل درک است،
407
00:12:24,320 –> 00:12:25,760
زیرا درست است که داده های جریانی است که شما
408
00:12:25,760 –> 00:12:27,519
داده های جریانی را شبیه سازی می کنید،
409
00:12:27,519 –> 00:12:29,760
بنابراین در این بسته خاص ما فقط
410
00:12:29,760 –> 00:12:30,959
با len
411
00:12:30,959 –> 00:12:34,000
یک راست اوه خط یک
412
00:12:34,000 –> 00:12:36,800
درست همه چیز است اوه ما یکی را درست پیش بینی می
413
00:12:36,800 –> 00:12:37,440
414
00:12:37,440 –> 00:12:39,120
کنیم زیرا ما آن را یکی یکی انجام می دهیم
415
00:12:39,120 –> 00:12:40,800
که درک اساسی پشت آن است،
416
00:12:40,800 –> 00:12:42,639
بنابراین بیایید با آن پیش برویم و با گزینه
417
00:12:42,639 –> 00:12:44,560
دو برویم من داده های خود را در اینجا دارم
418
00:12:44,560 –> 00:12:47,760
بنابراین برای x میتوانیم آن را برای x خود صدا کنیم
419
00:12:47,760 –> 00:12:50,480
یا بیایید برای تست و
420
00:12:50,480 –> 00:12:51,600
برچسب
421
00:12:5