در این مطلب، ویدئو پایتون برای هوش مصنوعی | هوش مصنوعی با پایتون | آموزش هوش مصنوعی | 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: 00:41:34
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:04,480 –> 00:00:05,680
سلام به همه،
2
00:00:05,680 –> 00:00:08,160
پس این خشن است، من
3
00:00:08,160 –> 00:00:09,200
مربی جلسه امروز
4
00:00:09,200 –> 00:00:11,599
هوش مصنوعی با پایتون
5
00:00:11,599 –> 00:00:13,280
خواهم بود، بنابراین قبل از اینکه وارد
6
00:00:13,280 –> 00:00:13,599
جلسه بشوم،
7
00:00:13,599 –> 00:00:15,519
می خواهم در مورد اینکه چرا پایتون
8
00:00:15,519 –> 00:00:17,199
به عنوان یکی از
9
00:00:17,199 –> 00:00:18,960
زبان های برنامه نویسی برای هوش مصنوعی برای
10
00:00:18,960 –> 00:00:19,520
11
00:00:19,520 –> 00:00:22,320
آموزش فعلی ما انتخاب شده است صحبت کنم. پایتون یکی
12
00:00:22,320 –> 00:00:23,199
از
13
00:00:23,199 –> 00:00:25,680
محبوبترین زبانهایی است که امروزه توسط توسعهدهندگان از زمان اختراعش مورد استفاده قرار میگیرد
14
00:00:25,680 –> 00:00:26,480
15
00:00:26,480 –> 00:00:28,800
، بنابراین
16
00:00:28,800 –> 00:00:30,080
توسط شخصی با نام
17
00:00:30,080 –> 00:00:33,360
وان روسام شما در سال 1991 اختراع شد، بنابراین از
18
00:00:33,360 –> 00:00:35,760
زمان آغاز به کار پرکاربردترین
19
00:00:35,760 –> 00:00:36,480
زبان
20
00:00:36,480 –> 00:00:39,680
همراه با c plus و java so python در
21
00:00:39,680 –> 00:00:40,239
22
00:00:40,239 –> 00:00:43,360
present پرکاربردترین زبان است که ما
23
00:00:43,360 –> 00:00:45,360
رقیب دیگری برای پایتون داریم که
24
00:00:45,360 –> 00:00:48,399
r است که در حال حاضر با پایتون رقابت می کند
25
00:00:48,399 –> 00:00:49,120
اما
26
00:00:49,120 –> 00:00:52,239
پایتون از r محبوب تر است بنابراین r در
27
00:00:52,239 –> 00:00:54,559
مقایسه با پایتون دارای معایبی است
28
00:00:54,559 –> 00:00:56,079
اما قرار نیست در مورد
29
00:00:56,079 –> 00:00:57,680
معایب pi
30
00:00:57,680 –> 00:01:00,079
r صحبت کنیم. اکنون ما فقط در مورد پایتون صحبت می کنیم،
31
00:01:00,079 –> 00:01:00,879
32
00:01:00,879 –> 00:01:02,879
بنابراین عمدتا پایتون یک
33
00:01:02,879 –> 00:01:04,080
زبان مفسر است که
34
00:01:04,080 –> 00:01:07,040
کاربران می توانند یک خط کد بنویسند و
35
00:01:07,040 –> 00:01:07,360
36
00:01:07,360 –> 00:01:09,840
بلافاصله آن را اجرا کنند. در واقع بدون نوشتن
37
00:01:09,840 –> 00:01:10,880
38
00:01:10,880 –> 00:01:12,960
ماژول کامل، یک زبان برنامه نویسی سطح بالا
39
00:01:12,960 –> 00:01:14,240
است و می توان آن
40
00:01:14,240 –> 00:01:16,880
را با اضافه کردن سناریوهای پیچیده اجرا کرد، بنابراین
41
00:01:16,880 –> 00:01:17,840
آنچه را
42
00:01:17,840 –> 00:01:19,840
که می توانید با استفاده از
43
00:01:19,840 –> 00:01:22,000
زبان های برنامه نویسی دیگر انجام دهید، می توانید با استفاده از پایتون انجام دهید
44
00:01:22,000 –> 00:01:24,840
تا پایتون بر روی زبان برنامه نویسی ساخته شود
45
00:01:24,840 –> 00:01:26,720
و در
46
00:01:26,720 –> 00:01:29,280
ادامه می خواهم برای صحبت در مورد دستور کار
47
00:01:29,280 –> 00:01:30,400
جلسه امروزمان،
48
00:01:30,400 –> 00:01:31,840
بنابراین قصد داریم در مورد
49
00:01:31,840 –> 00:01:34,159
مقدمه هوش مصنوعی
50
00:01:34,159 –> 00:01:37,040
توسط پایتون برای ai و ویژگی
51
00:01:37,040 –> 00:01:39,680
های python و بسته های پایتون برای ai و
52
00:01:39,680 –> 00:01:42,159
همچنین ورود به معرفی
53
00:01:42,159 –> 00:01:43,600
هوش
54
00:01:43,600 –> 00:01:45,680
مصنوعی بنابراین هوش مصنوعی کمی
55
00:01:45,680 –> 00:01:47,280
پیش زمینه صحبت کنیم. می خواستم بدهد
56
00:01:47,280 –> 00:01:50,479
بنابراین در سال 1943 شروع شد، بنابراین با
57
00:01:50,479 –> 00:01:52,079
وجود اینکه در آن زمان نامی داده نشد
58
00:01:52,079 –> 00:01:52,880
59
00:01:52,880 –> 00:01:56,079
، اولین کار در سال 1943 توسط
60
00:01:56,079 –> 00:01:59,600
مک کلود و چاله های آبی در سال 1943 انجام شد، بنابراین بعداً
61
00:01:59,600 –> 00:02:01,600
متوجه شدند که متعلق به
62
00:02:01,600 –> 00:02:04,799
هوش مصنوعی پس از آن ibm
63
00:02:04,799 –> 00:02:08,000
است. یک ابزار خاص
64
00:02:08,000 –> 00:02:10,878
به نام ibm watson را توسعه داد که در واقع در
65
00:02:10,878 –> 00:02:12,319
مسابقه geoparty
66
00:02:12,319 –> 00:02:16,239
در سال 2011 برنده شد، جایی که یک پرس و جو پیچیده و همچنین هوشمندی را حل کرد.
67
00:02:16,239 –> 00:02:19,280
چند معما در آن وجود دارد، بنابراین
68
00:02:19,280 –> 00:02:22,480
این یک برنامه زنده است که در آن ibm
69
00:02:22,480 –> 00:02:25,680
ویژگی های ibm watson را نمایش می دهد یا نشان می دهد و
70
00:02:25,680 –> 00:02:27,040
اکنون می خواهیم در مورد تقاضای ai صحبت کنیم،
71
00:02:27,040 –> 00:02:30,080
بنابراین با تقاضای ai به این
72
00:02:30,080 –> 00:02:30,720
معنا
73
00:02:30,720 –> 00:02:33,920
که زمانی که ai محبوبیت خود را به دست آورد، بنابراین برخی از آنها وجود دارد.
74
00:02:33,920 –> 00:02:34,400
75
00:02:34,400 –> 00:02:36,800
محدودیتها یا مواردی وجود دارند
76
00:02:36,800 –> 00:02:38,000
77
00:02:38,000 –> 00:02:40,800
که باعث افزایش تقاضای
78
00:02:40,800 –> 00:02:41,280
ai میشوند،
79
00:02:41,280 –> 00:02:42,959
بنابراین یکی از آنها
80
00:02:42,959 –> 00:02:45,120
قدرت محاسباتی بیشتر است، بنابراین هر
81
00:02:45,120 –> 00:02:46,879
الگوریتم ai قدرت محاسباتی زیادی را
82
00:02:46,879 –> 00:02:47,519
83
00:02:47,519 –> 00:02:49,760
به همراه دارد به دلیل وضعیت فعلی ما
84
00:02:49,760 –> 00:02:50,720
در مقایسه با
85
00:02:50,720 –> 00:02:52,720
دهههای 80 و 90 که داریم. قدرت محاسباتی بیشتر
86
00:02:52,720 –> 00:02:54,560
به دلیل پیشرفت
87
00:02:54,560 –> 00:02:57,440
در فناوری و جایی که
88
00:02:57,440 –> 00:02:59,200
واحدهای پردازش حافظه بزرگ در واحد پردازش حافظه
89
00:02:59,200 –> 00:03:00,159
90
00:03:00,159 –> 00:03:02,319
به دلیل تقاضای ai وارد بازار می
91
00:03:02,319 –> 00:03:04,319
شوند
92
00:03:04,319 –> 00:03:06,159
و سرمایه گذاری های گسترده تری
93
00:03:06,159 –> 00:03:07,519
در این زمینه وجود دارد
94
00:03:07,519 –> 00:03:09,680
که اکثر دولت
95
00:03:09,680 –> 00:03:11,440
ها و شرکت ها متوجه شدند.
96
00:03:11,440 –> 00:03:13,599
اهمیت هوش مصنوعی آنها شروع به
97
00:03:13,599 –> 00:03:14,959
سرمایه گذاری روی هوش مصنوعی کردند
98
00:03:14,959 –> 00:03:18,159
به خصوص شرکت های طرفدار مانند فن منظورم
99
00:03:18,159 –> 00:03:18,800
فیس بوک
100
00:03:18,800 –> 00:03:22,319
آمازون اپل نتفلیکس مایکروسافت
101
00:03:22,319 –> 00:03:25,280
همه آنها شروع به سرمایه گذاری کردند. Sting in ai و
102
00:03:25,280 –> 00:03:26,159
که در واقع
103
00:03:26,159 –> 00:03:28,400
علاقه زیادی به این تحقیق پیدا کرد،
104
00:03:28,400 –> 00:03:29,680
تحقیقات زیادی
105
00:03:29,680 –> 00:03:32,159
نیز در زمینه ai انجام شد که در واقع
106
00:03:32,159 –> 00:03:33,599
مشاغل زیادی ایجاد
107
00:03:33,599 –> 00:03:36,799
کرد زیرا تقاضا برای ai در
108
00:03:36,799 –> 00:03:37,840
109
00:03:37,840 –> 00:03:41,120
مقایسه با سال 2000 در ابتدای سال 2000 چندین برابر
110
00:03:41,120 –> 00:03:43,840
شده است. همچنین 50 شرکت شروع به جمعآوری
111
00:03:43,840 –> 00:03:44,959
دادههای زیادی کردهاند،
112
00:03:44,959 –> 00:03:47,599
بنابراین آنها شروع به ثبت اطلاعات کردهاند
113
00:03:47,599 –> 00:03:48,480
که در واقع
114
00:03:48,480 –> 00:03:50,959
دادهها کلیدی برای افزایش
115
00:03:50,959 –> 00:03:51,760
حجم دادهها
116
00:03:51,760 –> 00:03:54,640
، آموزش بهتری است که الگوریتمها میتوانند
117
00:03:54,640 –> 00:03:55,040
داشته باشند
118
00:03:55,040 –> 00:03:57,120
و خروجی بهتری که تولید میکنند.
119
00:03:57,120 –> 00:03:58,159
120
00:03:58,159 –> 00:04:00,239
121
00:04:00,239 –> 00:04:02,000
داده هایی که آنها در اختیار دارند
122
00:04:02,000 –> 00:04:04,640
در واقع به Ei کمک کرد تا نتایج بهتری به
123
00:04:04,640 –> 00:04:05,840
دست آورد که
124
00:04:05,840 –> 00:04:08,959
به نوبه خود به افزایش تقاضای ai کمک کرد
125
00:04:08,959 –> 00:04:11,120
زیرا تحقیقات به دلیل
126
00:04:11,120 –> 00:04:12,959
سرمایه گذاری های گسترده تر
127
00:04:12,959 –> 00:04:15,599
قدرت محاسباتی بالاتر در دسترس بودن داده ها
128
00:04:15,599 –> 00:04:16,478
129
00:04:16,478 –> 00:04:18,399
بسیاری از تحقیقات تحقیقاتی نیز
130
00:04:18,399 –> 00:04:19,600
131
00:04:19,600 –> 00:04:21,839
در این زمینه شروع شد. اختراع الگوریتمهای بهتر
132
00:04:21,839 –> 00:04:23,280
اتفاق افتاد،
133
00:04:23,280 –> 00:04:25,440
بنابراین به دلیل الگوریتمهای بهتر،
134
00:04:25,440 –> 00:04:26,960
اثربخشی
135
00:04:26,960 –> 00:04:30,240
راهحلها افزایش یافت.
136
00:04:30,240 –> 00:04:32,240
حتی شرکتهای غیرتکنولوژیکی را وادار به
137
00:04:32,240 –> 00:04:33,759
سرمایهگذاری در هوش مصنوعی کردم،
138
00:04:33,759 –> 00:04:36,400
بنابراین او نه تنها صنعت فناوری را متحول کرد،
139
00:04:36,400 –> 00:04:38,639
بلکه
140
00:04:38,639 –> 00:04:40,720
لجستیک را نیز متحول کرد، همچنین
141
00:04:40,720 –> 00:04:42,479
142
00:04:42,479 –> 00:04:43,520
صنایع دارویی
143
00:04:43,520 –> 00:04:46,080
و صنایع هوایی و صنایع حمل و نقل زنجیره تامین را نیز متحول کرد و
144
00:04:46,080 –> 00:04:47,120
چیزی شبیه به هم اکنون
145
00:04:47,120 –> 00:04:50,000
در هر شرکتی پیادهسازی میشود.
146
00:04:50,000 –> 00:04:50,560
این در
147
00:04:50,560 –> 00:04:52,320
واقع دلیل اصلی تقاضا برای
148
00:04:52,320 –> 00:04:54,560
هوش مصنوعی در حال حاضر است، من فکر میکنم
149
00:04:54,560 –> 00:04:57,120
تا پایان سال 2020
150
00:04:57,120 –> 00:04:59,759
تقریباً 2.3 میلیون شغل
151
00:04:59,759 –> 00:05:01,280
برای
152
00:05:01,280 –> 00:05:03,520
هوش مصنوعی ایجاد خواهد شد.
153
00:05:03,520 –> 00:05:05,199
154
00:05:05,199 –> 00:05:05,759
155
00:05:05,759 –> 00:05:08,560
اما در ai
156
00:05:08,560 –> 00:05:09,600
157
00:05:09,600 –> 00:05:12,080
الگوریتمهای عمیقتر و پیشرفتهتری
158
00:05:12,080 –> 00:05:12,880
159
00:05:12,880 –> 00:05:15,440
داریم که در آن نیازی به
160
00:05:15,440 –> 00:05:16,720
انتخاب ویژگیها
161
00:05:16,720 –> 00:05:19,919
نیست، بنابراین نظریه و
162
00:05:19,919 –> 00:05:20,800
توسعه
163
00:05:20,800 –> 00:05:23,680
علوم کامپیوتر قادر به انجام وظایفی است
164
00:05:23,680 –> 00:05:24,320
165
00:05:24,320 –> 00:05:26,880
که معمولاً به هوش انسانی نیاز دارند، بنابراین ai
166
00:05:26,880 –> 00:05:28,160
چیزی است که
167
00:05:28,160 –> 00:05:31,199
168
00:05:31,199 –> 00:05:32,960
169
00:05:32,960 –> 00:05:34,479
زمانی که صحبت از تصمیم گیری تشخیص گفتار درک بصری می شود، الگوریتم ها مانند تصمیمات انسان رفتار می کنند یا تصمیم می
170
00:05:34,479 –> 00:05:36,960
گیرند.
171
00:05:36,960 –> 00:05:39,919
و ترجمه زبانها، بنابراین
172
00:05:39,919 –> 00:05:42,400
بستههایی مانند google translate در حال حاضر
173
00:05:42,400 –> 00:05:44,160
حتی apis در دسترس دارند
174
00:05:44,160 –> 00:05:46,000
که میتوانید با api تماس بگیرید و
175
00:05:46,000 –> 00:05:47,360
176
00:05:47,360 –> 00:05:49,039
اسپانیایی را به انگلیسی یا انگلیسی به
177
00:05:49,039 –> 00:05:50,639
هندی ترجمه کنید، بنابراین
178
00:05:50,639 –> 00:05:54,000
همه اینها در انتهای
179
00:05:54,000 –> 00:05:55,600
پشتیبان اجرا میشوند و
180
00:05:55,600 –> 00:05:57,520
آن زبانها را به
181
00:05:57,520 –> 00:05:59,120
زبانهایی که میخواستیم
182
00:05:59,120 –> 00:06:02,639
و به درک بصری میرسیم، بنابراین
183
00:06:02,639 –> 00:06:04,800
الگوریتمهای بینایی رایانهای که
184
00:06:04,800 –> 00:06:06,319
در واقع
185
00:06:06,319 –> 00:06:08,080
یک تصویر خاص را مشخص میکند، چه سگ باشد یا
186
00:06:08,080 –> 00:06:09,759
یک گربه، بنابراین از این نوع
187
00:06:09,759 –> 00:06:12,880
خروجیها در صورت نیاز، از ai و
188
00:06:12,880 –> 00:06:16,080
uh استفاده میکنیم که الگوریتم را تنظیم میکند یا آدرسهای اینترنتی
189
00:06:16,080 –> 00:06:18,319
فناوری را که ما انجام میدهیم. در هوش مصنوعی
190
00:06:18,319 –> 00:06:20,160
ما یادگیری ماشینی داریم که
191
00:06:20,160 –> 00:06:22,160
اولین معماری است که
192
00:06:22,160 –> 00:06:25,280
صنعت شروع به استفاده از آن کرد، بنابراین
193
00:06:25,280 –> 00:06:26,639
ما الگوریتمهای طبقهبندی الگوریتمهای خوشهبندی
194
00:06:26,639 –> 00:06:28,319
195
00:06:28,319 –> 00:06:31,440
و الگوریتمهای رگرسیون را در اینترنت داریم،
196
00:06:31,440 –> 00:06:35,199
بنابراین هر چیزی که عمیق نباشد یا چیزی وجود داشته
197
00:06:35,199 –> 00:06:36,560
باشد که
198
00:06:36,560 –> 00:06:38,880
شبکه عصبی نباشد که اکثر آنها سقوط
199
00:06:38,880 –> 00:06:40,560
در یادگیری ماشین شما
200
00:06:40,560 –> 00:06:43,360
بعدی nlp است، بنابراین اگر مجموعه الگوریتم
201
00:06:43,360 –> 00:06:44,800
با داده های
202
00:06:44,800 –> 00:06:48,240
زبان یا متن سروکار دارد، en ما
203
00:06:48,240 –> 00:06:50,160
آن نوع الگوریتمها را در
204
00:06:50,160 –> 00:06:51,440
الگوریتمهای nlp دستهبندی میکنیم که در آن
205
00:06:51,440 –> 00:06:54,479
تجزیه و تحلیل متن را با استفاده از متن انجام
206
00:06:54,479 –> 00:06:57,440
میدهیم، احساسات را از متن بیرون میکشیم، یا
207
00:06:57,440 –> 00:06:58,400
208
00:06:58,400 –> 00:07:00,800
اگر اصلاً یک پیکره متن
209
00:07:00,800 –> 00:07:02,639
خاص به ما داده میشود،
210
00:07:02,639 –> 00:07:05,599
اگر میخواهید بدانید چه چیزی
211
00:07:05,599 –> 00:07:06,479
پرحرفترین است.
212
00:07:06,479 –> 00:07:08,560
آیتمهای درون متن میتوانیم از word cloud استفاده کنیم،
213
00:07:08,560 –> 00:07:11,360
بنابراین همه اینها تحت nlp قرار میگیرند
214
00:07:11,360 –> 00:07:13,680
و به پایگاه دانش میآیند، بنابراین
215
00:07:13,680 –> 00:07:16,479
پایگاه دانش بیشتر شبیه یک پایگاه داده
216
00:07:16,479 –> 00:07:17,919
با نوعی هوشمندی است
217
00:07:17,919 –> 00:07:19,759
که در آن اکثر
218
00:07:19,759 –> 00:07:21,440
شرکتها شروع به پیادهسازی
219
00:07:21,440 –> 00:07:22,240
پایگاه دانشی در جایی
220
00:07:22,240 –> 00:07:23,919
که در آن ذخیره میکنند، شدهاند. دادهها و زمانی که
221
00:07:23,919 –> 00:07:25,680
کسی
222
00:07:25,680 –> 00:07:28,160
میخواهد دادهها را جستجو کند که بازیابی اطلاعات
223
00:07:28,160 –> 00:07:29,039
سریعتر است،
224
00:07:29,039 –> 00:07:31,759
زیرا روشی که اقلام دادهها به هم
225
00:07:31,759 –> 00:07:32,720
226
00:07:32,720 –> 00:07:35,680
متصل میشوند دارای هوش هستند و
227
00:07:35,680 –> 00:07:38,080
به این دلیل که بازیابی سریعتر
228
00:07:38,080 –> 00:07:39,919
اتفاق میافتد، یادگیری عمیق است، بنابراین یادگیری عمیق
229
00:07:39,919 –> 00:07:42,479
یا هوا میتواند انجام شود. به عنوان
230
00:07:42,479 –> 00:07:44,160
مترادف یکدیگر نامیده می شوند،
231
00:07:44,160 –> 00:07:46,560
جایی که اگر از شبکه های عصبی با
232
00:07:46,560 –> 00:07:48,400
افراد بیشتری استفاده کنید، لایه هایی که ما آنها را یادگیری عمیق می نامیم
233
00:07:48,400 –> 00:07:49,280
234
00:07:49,280 –> 00:07:51,680
، در مرحله بعدی بینایی کامپیوتری است وقتی که شما
235
00:07:51,680 –> 00:07:54,720
d با نگاه کردن به تصاویر
236
00:07:54,720 –> 00:07:57,759
یا برخی زیباییشناسی بصری دادهها،
237
00:07:57,759 –> 00:08:00,560
آن الگوریتمهایی را که بهعنوان الگوریتمهای بینایی کامپیوتری تنظیم میشوند، مینامیم و
238
00:08:00,560 –> 00:08:02,800
239
00:08:02,800 –> 00:08:06,080
سپس سیستمهای خبره را مینامیم، بنابراین سیستمهای خبره
240
00:08:06,080 –> 00:08:08,639
آنهایی هستند که در آنها یک ابزار یادگیری ماشینی خاص
241
00:08:08,639 –> 00:08:10,560
یا ابزار هوش مصنوعی ساخته شده است
242
00:08:10,560 –> 00:08:13,759
و در واقع یک رابط کاربری میگیرد.
243
00:08:13,759 –> 00:08:15,680
در
244
00:08:15,680 –> 00:08:18,639
دادهها وارد رابط میشود و
245
00:08:18,639 –> 00:08:20,160
تصمیم یا خروجی را
246
00:08:20,160 –> 00:08:23,039
پس از گرفتن ورودیهای کاربر تغییر میدهد، بنابراین آنها
247
00:08:23,039 –> 00:08:25,120
تحت الگوریتمهای سیستم خبره قرار
248
00:08:25,120 –> 00:08:26,960
میگیرند، بنابراین اینها تجارت عادی هستند که ما استفاده میکنیم، میتوانیم
249
00:08:26,960 –> 00:08:28,639
از هر یک از الگوریتمهای یادگیری ماشین nlp یا
250
00:08:28,639 –> 00:08:29,360
یادگیری عمیق
251
00:08:29,360 –> 00:08:31,599
در ساختن سیستمهای خبره استفاده کنیم.
252
00:08:31,599 –> 00:08:33,039
ما تعامل بیشتری در
253
00:08:33,039 –> 00:08:34,240
سیستم خبره خواهیم
254
00:08:34,240 –> 00:08:36,559
داشت، به همین دلیل است که وقتی
255
00:08:36,559 –> 00:08:38,479
تصمیمات بر اساس ورودی پارامتری
256
00:08:38,479 –> 00:08:39,200
که
257
00:08:39,200 –> 00:08:42,159
کاربر به آن می دهد تغییر می کند، به عنوان مثال ما در
258
00:08:42,159 –> 00:08:43,279
مورد
259
00:08:43,279 –> 00:08:45,360
درآمد کسب شده توسط یک شرکت خاص
260
00:08:45,360 –> 00:08:46,959
در یک کشور خاص صحبت می کنیم
261
00:08:46,959 –> 00:08:49,839
که چگونه در تولید ناخالص داخلی تغییر می کند. آن کشور
262
00:08:49,839 –> 00:08:51,760
تصمیم می گیرد یا در غیر این صورت
263
00:08:51,760 –> 00:08:53,760
بر درآمد com شرکت تأثیر می گذارد،
264
00:08:53,760 –> 00:08:55,120
بنابراین
265
00:08:55,120 –> 00:08:58,640
اگر کاربر تولید ناخالص داخلی را تغذیه کند و بتواند
266
00:08:58,640 –> 00:09:01,040
فوراً ببیند تغییرات درآمدی
267
00:09:01,040 –> 00:09:02,320
که توسط شرکت
268
00:09:02,320 –> 00:09:05,279
به دست میآید بیشتر مفهومی است که به آن قابلیتهای سناریوسازی میگویند،
269
00:09:05,279 –> 00:09:06,560
270
00:09:06,560 –> 00:09:08,959
اگر آن را در معامله یا ابزاری ارائه دهید،
271
00:09:08,959 –> 00:09:10,560
میتوانیم آن ابزار خاص را به عنوان
272
00:09:10,560 –> 00:09:13,200
قوانین مبتنی بر سیستم خبره بنامیم.
273
00:09:13,200 –> 00:09:15,120
274
00:09:15,120 –> 00:09:18,399
275
00:09:18,399 –> 00:09:21,600
تغییر بر اساس ورودی های کاربر
276
00:09:21,600 –> 00:09:24,160
بعداً در مورد فردی صحبت خواهیم کرد
277
00:09:24,160 –> 00:09:25,760
که در واقع
278
00:09:25,760 –> 00:09:29,120
اولین بار هوش مصنوعی را ابداع کرد، بنابراین
279
00:09:29,120 –> 00:09:31,920
او یک دانشمند کامپیوتر به نام
280
00:09:31,920 –> 00:09:33,040
جان مک کارتی
281
00:09:33,040 –> 00:09:35,120
است.
282
00:09:35,120 –> 00:09:36,880
283
00:09:36,880 –> 00:09:39,600
284
00:09:39,600 –> 00:09:41,279
285
00:09:41,279 –> 00:09:43,839
موضوع مورد علاقه که در آن تحقیقات زیادی می تواند
286
00:09:43,839 –> 00:09:44,320
287
00:09:44,320 –> 00:09:46,720
در این زمینه اتفاق بیفتد و بیشتر موارد استفاده تجاری را
288
00:09:46,720 –> 00:09:48,640
می توان با استفاده از هوش مصنوعی حل کرد،
289
00:09:48,640 –> 00:09:49,519
290
00:09:49,519 –> 00:09:51,440
بنابراین او اولین کسی است که
291
00:09:51,440 –> 00:09:53,120
کلمه هوش مصنوعی را ابداع کرد
292
00:09:53,120 –> 00:09:56,320
بنابراین در ادامه در مورد انواع هوش صحبت
293
00:09:56,320 –> 00:09:59,519
خواهیم کرد. اساساً سه طبقه بندی
294
00:09:59,519 –> 00:10:02,320
در انواع هوا، اولی هوش مصنوعی مصنوعی
295
00:10:02,320 –> 00:10:03,519
296
00:10:03,519 –> 00:10:06,079
و دومی هنر است هوش عمومی رسمی
297
00:10:06,079 –> 00:10:07,200
298
00:10:07,200 –> 00:10:09,680
و طبقهبندی سوم
299
00:10:09,680 –> 00:10:11,040
300
00:10:11,040 –> 00:10:13,519
ابر هوش مصنوعی است که
301
00:10:13,519 –> 00:10:15,839
در بین هر یک از این
302
00:10:15,839 –> 00:10:18,160
طبقهبندیها موانع فناوری وجود دارد، اولی هوش باریک مصنوعی
303
00:10:18,160 –> 00:10:19,760
304
00:10:19,760 –> 00:10:22,240
که در آن الگوریتمها برای
305
00:10:22,240 –> 00:10:23,760
انجام یک کار خاص طراحی شدهاند،
306
00:10:23,760 –> 00:10:26,240
اما به طور موثرتر به عنوان مثال اگر
307
00:10:26,240 –> 00:10:26,959
308
00:10:26,959 –> 00:10:28,959
یک الگوریتم طبقهبندی بسازیم.
309
00:10:28,959 –> 00:10:30,160
طبقه بندی
310
00:10:30,160 –> 00:10:32,160
اینکه آیا رتبه خاصی که به یک
311
00:10:32,160 –> 00:10:33,600
محصول خاص داده می
312
00:10:33,600 –> 00:10:37,360
شود خوب یا بد است یا اینکه آیا او
313
00:10:37,360 –> 00:10:40,079
آن را یک محصول خوب یا بد ارزیابی کرده است، بنابراین
314
00:10:40,079 –> 00:10:42,160
اگر الگوریتم را برای یک کار خاص بسازید
315
00:10:42,160 –> 00:10:42,800
316
00:10:42,800 –> 00:10:45,120
و هیچ
317
00:10:45,120 –> 00:10:46,800
هوش دیگری برای انجام
318
00:10:46,800 –> 00:10:48,880
غیر از وظایفی که برای آنها ساخته شده است،
319
00:10:48,880 –> 00:10:51,120
بنابراین ما آنها را به عنوان الگوریتم های هوش باریک مصنوعی دسته بندی می کنیم
320
00:10:51,120 –> 00:10:52,720
321
00:10:52,720 –> 00:10:55,360
که در آن الگوریتم
322
00:10:55,360 –> 00:10:57,600
ها حس مشترکی را که
323
00:10:57,600 –> 00:10:58,880
انسان ها دارند ندارند،
324
00:10:58,880 –> 00:11:02,000
اما می توانند این کار را بر
325
00:11:02,000 –> 00:11:04,399
اساس آموزش بر اساس تاریخ انجام دهند، بنابراین
326
00:11:04,399 –> 00:11:05,440
هر زمان که
327
00:11:05,440 –> 00:11:07,680
الگوریتم خاصی را آموزش دهیم.
328
00:11:07,680 –> 00:11:09,600
اگر دادههای سری زمانی را در نظر بگیریم
329
00:11:09,600 –> 00:11:12,320
، اگر 10 سال باشد، الگوریتمها را آموزش میدهیم
330
00:11:12,320 –> 00:11:13,760
دادهها را روی
331
00:11:13,760 –> 00:11:16,560
هشت سال آموزش میدهیم و دو سال آینده را پیشبینی
332
00:11:16,560 –> 00:11:17,200
333
00:11:17,200 –> 00:11:19,040
میکنیم و وقتی این کار را در طول آزمایش انجام میدهیم و
334
00:11:19,040 –> 00:11:20,320
335
00:11:20,320 –> 00:11:21,600
اگر میخواهید
336
00:11:21,600 –> 00:11:23,600
آینده آینده را پیشبینی کنید، آن را برای دو یا سه سال دیگر پیشبینی میکنیم،
337
00:11:23,600 –> 00:11:24,880
338
00:11:24,880 –> 00:11:27,600
بنابراین الگوریتمها در اینجا ساخته میشوند. برای یک
339
00:11:27,600 –> 00:11:28,079
340
00:11:28,079 –> 00:11:29,839
کار خاص در جایی که آنها هستند در
341
00:11:29,839 –> 00:11:32,079
انجام آن کم و بیش با هر
342
00:11:32,079 –> 00:11:34,079
الگوریتمی که دیدهایم یا
343
00:11:34,079 –> 00:11:36,079
هر ابزاری که
344
00:11:36,079 –> 00:11:39,120
تا دیروقت دیدهایم، چیزی جز
345
00:11:39,120 –> 00:11:40,800
هوش باریک مصنوعی نیست، بنابراین
346
00:11:40,800 –> 00:11:41,680
همه چیز
347
00:11:41,680 –> 00:11:43,360
در هوش باریک مصنوعی قرار میگیرد
348
00:11:43,360 –> 00:11:44,880
حتی الکسا
349
00:11:44,880 –> 00:11:47,839
حتی خودروهای خودکاری است که در واقع
350
00:11:47,839 –> 00:11:49,040
351
00:11:49,040 –> 00:11:51,120
بدون کمک انسان حرکت می کنند، بنابراین همه اینها
352
00:11:51,120 –> 00:11:52,720
تحت هوش مصنوعی باریک
353
00:11:52,720 –> 00:11:53,839
قرار می گیرند
354
00:11:53,839 –> 00:11:55,600
و بسیاری از شرکت های شروع کننده شروع به
355
00:11:55,600 –> 00:11:57,600
سرمایه گذاری در هوش مصنوعی مصنوعی کردند،
356
00:11:57,600 –> 00:11:58,639
357
00:11:58,639 –> 00:12:00,959
بنابراین هوش مصنوعی بعدی است
358
00:12:00,959 –> 00:12:02,399
که
359
00:12:02,399 –> 00:12:06,160
در اینجا الگوریتم ها توانایی
360
00:12:06,160 –> 00:12:09,200
دهانی را خواهند داشت. با
361
00:12:09,200 –> 00:12:10,720
انسان همان سطح
362
00:12:10,720 –> 00:12:13,519
هوش انسان است، هر کاری که انسان می تواند در
363
00:12:13,519 –> 00:12:15,680
هنگام سقوط الگوریتم ها انجام دهد تحت
364
00:12:15,680 –> 00:12:17,600
هوش مصنوعی عمومی
365
00:12:17,600 –> 00:12:20,240
قادر خواهد بود این کار را انجام دهد مانند تشخیص اینکه یک
366
00:12:20,240 –> 00:12:23,120
شخص به سمتی حرکت می کند که انسان ها
367
00:12:23,120 –> 00:12:25,519
همه اینها را حرکت می دهند اگر الگوریتم ها این
368
00:12:25,519 –> 00:12:27,120
قابلیت ها را داشته باشند سپس آنها تحت
369
00:12:27,120 –> 00:12:28,240
هوش مصنوعی
370
00:12:28,240 –> 00:12:31,040
عمومی قرار می گیرند تا
371
00:12:31,040 –> 00:12:31,519
به این
372
00:12:31,519 –> 00:12:33,839
سطح هوش عمومی مصنوعی برسند آه
373
00:12:33,839 –> 00:12:35,279
ما بسیار دور هستیم.
374
00:12:35,279 –> 00:12:38,480
شاید تا به حال،
375
00:12:38,480 –> 00:12:41,120
زمانی که الگوریتم ها بهبود پیدا کنند، مانند
376
00:12:41,120 –> 00:12:42,480
تحقیقات زیادی که
377
00:12:42,480 –> 00:12:45,760
در این زمینه انجام شده است، ممکن است به زودی
378
00:12:45,760 –> 00:12:47,680
379
00:12:47,680 –> 00:12:49,040
در سال 2040 به هوش عمومی مصنوعی برسیم
380
00:12:49,040 –> 00:12:52,079
، این همان چیزی است که متخصصان صنعت می گویند،
381
00:12:52,079 –> 00:12:54,320
در حالی که ابر هوش مصنوعی
382
00:12:54,320 –> 00:12:55,440
چیزی است که در
383
00:12:55,440 –> 00:12:58,560
آن الگوریتم ها هستند. بسیار برجسته از
384
00:12:58,560 –> 00:13:02,160
انسان ها، جایی که آنها قادر خواهند بود کار عملی را انجام دهند،
385
00:13:02,160 –> 00:13:05,040
قدرتمندتر یا بسیار بهتر
386
00:13:05,040 –> 00:13:06,000
از انسان ها،
387
00:13:06,000 –> 00:13:08,240
بنابراین درست مانند آنچه در فیلم ها می بینیم، شاید
388
00:13:08,240 –> 00:13:09,440
کسی
389
00:13:09,440 –> 00:13:11,440
فیلم روبو را تماشا کرده باشد که در آن راجنیکانت همه کارها را انجام می دهد
390
00:13:11,440 –> 00:13:13,040
و بسیار
391
00:13:13,040 –> 00:13:14,720
بهتر از انسان ها که در آن
392
00:13:14,720 –> 00:13:16,639
هوش به هر سوالی پاسخ می
393
00:13:16,639 –> 00:13:18,079
دهد. مربوط به
394
00:13:18,079 –> 00:13:20,639
هر یک از زمینه ها مانند علوم ریاضی هر
395
00:13:20,639 –> 00:13:21,600
فناوری است
396
00:13:21,600 –> 00:13:24,399
بنابراین اگر alg ریتم ها قادر
397
00:13:24,399 –> 00:13:25,600
به پاسخگویی هستند
398
00:13:25,600 –> 00:13:28,160
یا می توانند کارها را بسیار
399
00:13:28,160 –> 00:13:28,880
بهتر از
400
00:13:28,880 –> 00:13:31,040
انسان ها انجام دهند، سپس آنها را به عنوان ابر هوش مصنوعی طبقه بندی می کنند
401
00:13:31,040 –> 00:13:32,000
402
00:13:32,000 –> 00:13:35,519
که در حال حاضر
403
00:13:35,519 –> 00:13:38,639
محدودیت هایی برای فناوری وجود دارد
404
00:13:38,639 –> 00:13:40,880
که ما برای رسیدن به آن نقطه
405
00:13:40,880 –> 00:13:43,279
وجود دارد و ترس زیادی در اطراف آن وجود دارد.
406
00:13:43,279 –> 00:13:44,560
همچنین یکی از این موارد زیرا
407
00:13:44,560 –> 00:13:47,600
اگر ماشینها یا الگوریتمهای فرد قادر به عملکرد
408
00:13:47,600 –> 00:13:48,959
بهتر از
409
00:13:48,959 –> 00:13:52,320
انسان و جهان باشد ممکن است به
410
00:13:52,320 –> 00:13:55,199
دست ماشینها برود، بنابراین همانطور که در بیشتر فیلمها میبینیم
411
00:13:55,199 –> 00:13:56,160
412
00:13:56,160 –> 00:13:58,320
فیلمهای علمی تخیلی برای رسیدن به آن مرحله
413
00:13:58,320 –> 00:13:59,839
بسیار فراتر از
414
00:13:59,839 –> 00:14:02,639
چیزی است که در آن هستیم. بنابراین ما در
415
00:14:02,639 –> 00:14:04,639
مرحله هوش مصنوعی باریک هستیم
416
00:14:04,639 –> 00:14:07,120
که به عنوان vki نیز نامیده می شود، در حالی که
417
00:14:07,120 –> 00:14:08,320
هوش عمومی مصنوعی
418
00:14:08,320 –> 00:14:10,639
به نام ai قوی و
419
00:14:10,639 –> 00:14:12,480
هوش فوق العاده مصنوعی به
420
00:14:12,480 –> 00:14:13,760
عنوان super ai نامیده می شود،
421
00:14:13,760 –> 00:14:15,440
بنابراین این سه
422
00:14:15,440 –> 00:14:17,120
طبقه بندی گسترده تر از
423
00:14:17,120 –> 00:14:20,399
انواع ai در حال حاضر هستند و بسیاری از مجلات
424
00:14:20,399 –> 00:14:22,160
ممکن است موارد بیشتری داشته باشند. طبقه بندی ها،
425
00:14:22,160 –> 00:14:22,560
اما
426
00:14:22,560 –> 00:14:25,120
در مقیاس وسیع تر، این چیزی است که در
427
00:14:25,120 –> 00:14:27,279
مرحله بعدی قرار دارد، به همین دلیل است که پایتون برای ai،
428
00:14:27,279 –> 00:14:30,639
بنابراین همانطور که گفتم uh python
429
00:14:30,639 –> 00:14:33,279
چیزی است که یک سو باز است rce و به
430
00:14:33,279 –> 00:14:33,920
431
00:14:33,920 –> 00:14:36,880
طور گسترده برای ai استفاده می شود، برای مثال
432
00:14:36,880 –> 00:14:38,720
اگر زبان دیگری را در مقایسه با
433
00:14:38,720 –> 00:14:40,720
پایتون انتخاب کنید، تعداد خطوط کدی که
434
00:14:40,720 –> 00:14:42,720
در پایتون می نویسید بسیار کمتر است،
435
00:14:42,720 –> 00:14:45,040
بنابراین اگر c و پایتون را مقایسه کنید، شاید یک پنجم خطوطی که می
436
00:14:45,040 –> 00:14:46,480
نویسید
437
00:14:46,480 –> 00:14:48,800
. برای اجرای یک
438
00:14:48,800 –> 00:14:49,920
کار خاص
439
00:14:49,920 –> 00:14:52,079
، می نویسید اگر 50
440
00:14:52,079 –> 00:14:53,279
خط کد را در c
441
00:14:53,279 –> 00:14:56,160
بنویسید، همان کار را در
442
00:14:56,160 –> 00:14:58,079
10 خط کد در پایتون تکمیل می کنید،
443
00:14:58,079 –> 00:15:01,279
بنابراین به کد بسیار کمتری نیاز است زیرا ai
444
00:15:01,279 –> 00:15:04,480
باعث می شود که پایتون کدنویسی زیادی انجام دهد.
445
00:15:04,480 –> 00:15:05,440
ابزار بهتری است
446
00:15:05,440 –> 00:15:08,399
زیرا به تلاش بسیار کمی نیاز دارد،
447
00:15:08,399 –> 00:15:09,440
نمیگویم
448
00:15:09,440 –> 00:15:11,600
تلاش اسمی، اما به کمی
449
00:15:11,600 –> 00:15:13,040
تلاش بیشتر از
450
00:15:13,040 –> 00:15:15,760
الگوریتمهای معمولی نیاز دارد، اما اگر این کار را در پایتون انجام دهید،
451
00:15:15,760 –> 00:15:17,760
مشکل بعدی آن کمتر خواهد بود
452
00:15:17,760 –> 00:15:20,000
، ویژگی دیگری که
453
00:15:20,000 –> 00:15:22,079
پایتون دارد قبل است. کتابخانههای ساخته شدهای
454
00:15:22,079 –> 00:15:23,199
که در پایتون
455
00:15:23,199 –> 00:15:26,160
پایتون داریم از آنجایی که بسیار محبوب شده است، بنابراین
456
00:15:26,160 –> 00:15:27,920
بسیاری از علاقهمندان در واقع
457
00:15:27,920 –> 00:15:30,320
اکثر الگوریتمها را خودکار کردهاند، منظورم این
458
00:15:30,320 –> 00:15:32,240
است که بگویم آنها
459
00:15:32,240 –> 00:15:34,560
بستهبندیهای توابعی ساختهاند که میتوانید فقط
460
00:15:34,560 –> 00:15:36,000
پارامترهای int را در آن جابجا کنید. o
461
00:15:36,000 –> 00:15:38,399
عملکردها و دریافت خروجی مورد نیاز، بنابراین
462
00:15:38,399 –> 00:15:39,680
اگر می
463
00:15:39,680 –> 00:15:41,600
خواهید یک مقاله خبری خاص از یک
464
00:15:41,600 –> 00:15:42,959
وب سایت ایجاد کنید،
465
00:15:42,959 –> 00:15:46,240
کتابخانه های از پیش ساخته شده ای مانند روزنامه 3k
466
00:15:46,240 –> 00:15:48,720
دارید، یک سوپ زیبا دارید که می تواند به
467
00:15:48,720 –> 00:15:50,880
طور خودکار کد html را از
468
00:15:50,880 –> 00:15:53,199
صفحات وب دریافت کند و اسکریپت مقالات خبری از
469
00:15:53,199 –> 00:15:55,600
این قبیل ما کتابخانه های از پیش ساخته شده زیادی
470
00:15:55,600 –> 00:15:57,199
داریم مانند numpy
471
00:15:57,199 –> 00:15:59,680
که در واقع محاسبات ریاضی را
472
00:15:59,680 –> 00:16:00,639
473
00:16:00,639 –> 00:16:03,519
سریعتر محاسبه می کند و ما پانداهایی داریم که
474
00:16:03,519 –> 00:16:05,920
معمولاً برای کار تجزیه و تحلیل داده ها استفاده می کنیم،
475
00:16:05,920 –> 00:16:08,320
جایی که اگر می خواهید داده ها را
476
00:16:08,320 –> 00:16:09,759
در سطح متفاوتی جمع آوری کنید و اگر می خواهید میخواهید
477
00:16:09,759 –> 00:16:11,360
بینشهای مربوط به آن را ببینید، میتوانید از پانداها استفاده کنید
478
00:16:11,360 –> 00:16:12,000
479
00:16:12,000 –> 00:16:14,880
و scikit Learn دارید که محبوبترین
480
00:16:14,880 –> 00:16:15,759
481
00:16:15,759 –> 00:16:18,160
کتابخانه یادگیری ماشینی است که ما داریم
482
00:16:18,160 –> 00:16:18,800
و این
483
00:16:18,800 –> 00:16:20,399
یک تابع از پیش ساخته شده است که به عنوان
484
00:16:20,399 –> 00:16:22,480
تابع از پیش ساخته شده در پایتون موجود است
485
00:16:22,480 –> 00:16:25,680
که کاربران میتوانند دادههای ورودی را ارسال کنند.
486
00:16:25,680 –> 00:16:27,839
آموزش دادهها و آموزش مدلها
487
00:16:27,839 –> 00:16:28,880
در
488
00:16:28,880 –> 00:16:32,240
طرح روانی، بنابراین نمونههایی از الگوریتمهای
489
00:16:32,240 –> 00:16:33,440
موجود در scikit را یاد بگیرید
490
00:16:33,440 –> 00:16:35,440
شاید بتوانید از
491
00:16:35,440 –> 00:16:37,040
رگرسیون خطی استفاده کنید و از
492
00:16:37,040 –> 00:16:39,040
رگرسیون لجستیک استفاده کنید. می توانید از درختان ایستگاه جنگل تصادفی استفاده کنید
493
00:16:39,040 –> 00:16:41,680
که در آن
494
00:16:41,680 –> 00:16:43,839
داده های آموزشی ورودی را منتقل می کنید، می توانید الگوریتم را آموزش دهید
495
00:16:43,839 –> 00:16:44,880
496
00:16:44,880 –> 00:16:47,920
و می توانید آینده را فقط با
497
00:16:47,920 –> 00:16:49,360
دادن متغیرهای مستقل که
498
00:16:49,360 –> 00:16:50,000
در آن متغیر وابسته
499
00:16:50,000 –> 00:16:52,399
می تواند پیش بینی شود، پیش بینی کنید، بنابراین همه این
500
00:16:52,399 –> 00:16:54,399
کارها به دلیل مقدار زیاد ساده می شوند.
501
00:16:54,399 –> 00:16:56,399
کتابخانه های از پیش ساخته شده ای
502
00:16:56,399 –> 00:16:57,839
که در پایتون در دسترس هستند در
503
00:16:57,839 –> 00:16:59,360
مقایسه با سایر
504
00:16:59,360 –> 00:17:02,240
زبان های برنامه نویسی و از آنجایی که در یادگیری
505
00:17:02,240 –> 00:17:04,640
506
00:17:04,640 –> 00:17:07,119
زبان های برنامه نویسی،
507
00:17:07,119 –> 00:17:10,079
پایتون بیشترین
508
00:17:10,079 –> 00:17:10,880
509
00:17:10,880 –> 00:17:13,919
است.
510
00:17:13,919 –> 00:17:14,880
درک یکسانی
511
00:17:14,880 –> 00:17:16,640
از پایتون دارید که
512
00:17:16,640 –> 00:17:18,319
پایتون یکی از آسانترین زبانها برای
513
00:17:18,319 –> 00:17:19,039
یادگیری است
514
00:17:19,039 –> 00:17:22,079
و نیازی نیست
515
00:17:22,079 –> 00:17:24,559
زمان زیادی را برای یادگیری پایتون صرف کنید،
516
00:17:24,559 –> 00:17:25,280
517
00:17:25,280 –> 00:17:27,119
518
00:17:27,119 –> 00:17:28,799
اگر پایتون را بهعنوان یکی از زبانها در نظر بگیرید، فقط میتوانید روی نحوه پیادهسازی یک راهحل تمرکز کنید.
519
00:17:28,799 –> 00:17:31,440
زبان های کدنویسی برای ai و
520
00:17:31,440 –> 00:17:32,000
نکته دیگر این
521
00:17:32,000 –> 00:17:35,039
است که پایتون بسیار محبوب است،
522
00:17:35,039 –> 00:17:35,760
523
00:17:35,760 –> 00:17:37,919
اگر در هر Po خاصی گیر کردید، پشتیبانی گسترده ای از جامعه دارد.
524
00:17:37,919 –> 00:17:39,360
525
00:17:39,360 –> 00:17:42,480
int در حین کدنویسی در پایتون می
526
00:17:42,480 –> 00:17:44,640
توانید آن سوال خاص را در هر
527
00:17:44,640 –> 00:17:48,080
انجمنی که در ابتدا
528
00:17:48,080 –> 00:17:50,400
می خواهید پست کنید، در جستجوی خود پاسخ آن را
529
00:17:50,400 –> 00:17:51,440
پیدا خواهید کرد،
530
00:17:51,440 –> 00:17:53,280
اگر نمی توانید پاسخ سوال
531
00:17:53,280 –> 00:17:55,280
خود را بیابید، می توانید آن را در
532
00:17:55,280 –> 00:17:57,760
هر یک از انجمن هایی که میتوانید
533
00:17:57,760 –> 00:17:59,039
پاسخها را دریافت کنید زیرا بسیاری از
534
00:17:59,039 –> 00:18:00,880
علاقهمندان برای
535
00:18:00,880 –> 00:18:02,480
سؤالاتی که مردم مطرح میکنند، پاسخها را ارسال میکنند،
536
00:18:02,480 –> 00:18:05,520
بنابراین شما از حمایت گسترده جامعه
537
00:18:05,520 –> 00:18:06,720
از پایتون برخوردار هستید،
538
00:18:06,720 –> 00:18:10,160
زیرا بسیاری از توسعهدهندگان یا
539
00:18:10,160 –> 00:18:10,960
540
00:18:10,960 –> 00:18:13,760
دانشمندان یادگیری ماشینی از پایتون به عنوان یکی از
541
00:18:13,760 –> 00:18:15,360
پلتفرمهای برنامهنویسی
542
00:18:15,360 –> 00:18:17,919
این روزها استفاده میکنند. مستقل است
543
00:18:17,919 –> 00:18:20,400
بنابراین پایتون مانند شما مستقل از پلتفرم است،
544
00:18:20,400 –> 00:18:23,280
اگر آن را در اوبونتو کدنویسی کنید،
545
00:18:23,280 –> 00:18:24,160
همچنان می توانید
546
00:18:24,160 –> 00:18:26,960
کد را به ویندوز منتقل کنید و
547
00:18:26,960 –> 00:18:28,720
کاملاً مستقل از پلتفرم است
548
00:18:28,720 –> 00:18:31,440
با تغییرات کوچک در کد، می توانید
549
00:18:31,440 –> 00:18:32,640
به
550
00:18:32,640 –> 00:18:34,880
راحتی کد را به هر یک از سیستم عامل
551
00:18:34,880 –> 00:18:37,280
ها منتقل کنید. از میان تمام این
552
00:18:37,280 –> 00:18:38,320
ویژگیها،
553
00:18:38,320 –> 00:18:41,840
پایتون یکی از گزینههای مناسب برای استفاده از
554
00:18:41,840 –> 00:18:45,120
آن به منظور پیادهسازی الگوریتمهای eil است،
555
00:18:45,120 –> 00:18:49,360
بنابراین سرریز پشتهای بعدی یکی از آنها است.
556
00:18:49,360 –> 00:18:50,880
از وبسایتهایی که
557
00:18:50,880 –> 00:18:53,200
مردم سؤالات را پست میکنند و حتی
558
00:18:53,200 –> 00:18:54,799
مردم به سؤالاتی که
559
00:18:54,799 –> 00:18:56,880
توسعهدهندگان دیگر ارسال کردهاند پاسخ میدهند وقتی
560
00:18:56,880 –> 00:18:58,880
که با c plus plus php
561
00:18:58,880 –> 00:19:02,480
c sharp java و javascript مقایسه میشود، بنابراین پایتون
562
00:19:02,480 –> 00:19:04,720
از
563
00:19:04,720 –> 00:19:05,919
سال 2012
564
00:19:05,919 –> 00:19:07,840
در این نمودار خاص رشد تصاعدی داشته است که نشان میدهد
565
00:19:07,840 –> 00:19:09,600
بسیار یکنواخت است. اگرچه
566
00:19:09,600 –> 00:19:12,640
با جاوا و جاوا اسکریپت قابل مقایسه است،
567
00:19:12,640 –> 00:19:15,039
اما رشدی که پایتون دریافت کرده
568
00:19:15,039 –> 00:19:16,400
است به صورت تصاعدی است،
569
00:19:16,400 –> 00:19:18,799
بنابراین بسیاری از افراد وارد این
570
00:19:18,799 –> 00:19:20,080
پلتفرم میشوند
571
00:19:20,080 –> 00:19:22,240
که پایتون را یاد میگیرند زیرا یادگیری پایتون آسان است
572
00:19:22,240 –> 00:19:23,120
573
00:19:23,120 –> 00:19:26,080
و استفاده از پایتون فقط یک
574
00:19:26,080 –> 00:19:27,440
الگوریتم نیست که بتوانید بسازید.
575
00:19:27,440 –> 00:19:29,600
اما شما می توانید بسیاری از کارهای دیگر را
576
00:19:29,600 –> 00:19:31,919
نیز انجام دهید، مانند ساخت رابط ایجاد
577
00:19:31,919 –> 00:19:32,799
صفحات وب
578
00:19:32,799 –> 00:19:35,120
یا خودکار کردن فرآیندها، همه این کارها را
579
00:19:35,120 –> 00:19:36,880
می توانید با استفاده از پایتون انجام دهید،
580
00:19:36,880 –> 00:19:39,679
بنابراین پایتون یک زبان برنامه نویسی متن باز
581
00:19:39,679 –> 00:19:40,240
است
582
00:19:40,240 –> 00:19:42,880
و می توانید یک
583
00:19:42,880 –> 00:19:44,000
584
00:19:44,000 –> 00:19:46,320
سبک برنامه نویسی شی گرا با استفاده از پایتون بسازید، اما
585
00:19:46,320 –> 00:19:47,520
586
00:19:47,520 –> 00:19:50,880
انجام آن ضروری نیست زیرا حتی بدون دنبال کردن
587
00:19:50,880 –> 00:19:51,440
اوپ
588
00:19:51,440 –> 00:19:55,039
می توانید اجرا کنید یا می توانید
589
00:19:55,039 –> 00:19:56,960
یک ابزار با استفاده از پایتون بسازید. بنابراین این
590
00:19:56,960 –> 00:19:59,120
مزیت پایتون در مقایسه با
591
00:19:59,120 –> 00:20:02,080
سایر زبان های برنامه نویسی است، بنابراین این زبان برنامه نویسی
592
00:20:02,080 –> 00:20:03,360
پرکاربردترین
593
00:20:03,360 –> 00:20:04,960
و در حال رشدترین زبان برنامه نویسی است،
594
00:20:04,960 –> 00:20:07,120
زبان برنامه نویسی بسیار خوبی
595
00:20:07,120 –> 00:20:08,720
برای
596
00:20:08,720 –> 00:20:10,400
597
00:20:10,400 –> 00:20:12,720
تجزیه و تحلیل داده های یادگیری ماشینی و هوش مصنوعی است
598
00:20:12,720 –> 00:20:14,000
و اکثر
599
00:20:14,000 –> 00:20:16,080
کتابخانه هایی که برای یادگیری عمیق ساخته شده
600
00:20:16,080 –> 00:20:17,200
اند ساخته شده
601
00:20:17,200 –> 00:20:19,120
با استفاده از پایتون محبوب ترین
602
00:20:19,120 –> 00:20:20,480
نمونه kira است
603
00:20:20,480 –> 00:20:22,320
که ما در اسلایدهای آینده خود در مورد آن صحبت خواهیم کرد،
604
00:20:22,320 –> 00:20:23,840
بنابراین
605
00:20:23,840 –> 00:20:26,960
بسته های بعدی پایتون برای ai است،
606
00:20:26,960 –> 00:20:28,640
بنابراین اولین موردی که می خواهیم
607
00:20:28,640 –> 00:20:30,720
در مورد آن صحبت کنیم، تنسورفلو