در این مطلب، ویدئو پایتون برای یادگیری ماشین | آموزش یادگیری ماشین | آموزش پایتون | یادگیری عالی 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: 1:08:45
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:24,320 –> 00:00:26,560
خیلی خب بچه ها به این جلسه خوش آمدید
2
00:00:26,560 –> 00:00:27,039
3
00:00:27,039 –> 00:00:29,679
با یادگیری عالی که نام من anardrav است
4
00:00:29,679 –> 00:00:30,880
و در این جلسه
5
00:00:30,880 –> 00:00:32,399
می خواهیم نگاهی به
6
00:00:32,399 –> 00:00:34,480
درک همه چیزهایی که بچه ها باید
7
00:00:34,480 –> 00:00:35,200
در مورد
8
00:00:35,200 –> 00:00:37,760
پایتون برای یادگیری ماشین بدانید در حال حاضر
9
00:00:37,760 –> 00:00:39,840
اگر در جلسه من تنظیم شده باشید بیاندازیم.
10
00:00:39,840 –> 00:00:42,399
مطمئناً چیزهای خوبی در مورد محبوبیت پایتون
11
00:00:42,399 –> 00:00:43,360
12
00:00:43,360 –> 00:00:45,760
و البته روشی که روند یادگیری ماشینی در
13
00:00:45,760 –> 00:00:47,600
حال فراگیری جهان است را می دانید،
14
00:00:47,600 –> 00:00:49,200
بنابراین امیدوارم همه شما
15
00:00:49,200 –> 00:00:52,079
برای این جلسه هیجان زده باشید، بچه ها
16
00:00:52,079 –> 00:00:53,600
قبل از اینکه ادامه دهیم و با جلسه شروع کنیم.
17
00:00:53,600 –> 00:00:54,160
18
00:00:54,160 –> 00:00:56,000
به من اطلاع دهید که به کادر چت بروید و
19
00:00:56,000 –> 00:00:57,600
به من اطلاع دهید که یک
20
00:00:57,600 –> 00:00:59,920
بله یا خیر سریع تایپ کنید بله سریع تایپ کنید اگر واقعاً می توانید
21
00:00:59,920 –> 00:01:01,199
صدای من را خوب بشنوید
22
00:01:01,199 –> 00:01:03,359
و اگر می توانید اوه می دانید که من را درست پیدا کنم،
23
00:01:03,359 –> 00:01:05,600
بنابراین یکبار تأیید به من بدهید
24
00:01:05,600 –> 00:01:08,240
میتوانید ادامه دهید و
25
00:01:08,240 –> 00:01:09,840
جلسه را درست شروع کنید، بنابراین بچهها
26
00:01:09,840 –> 00:01:12,159
سریع به جعبه چت بروید و به من تأیید
27
00:01:12,159 –> 00:01:15,920
کنید، میبینم که همه شما در حال تنظیم کردن در
28
00:01:15,920 –> 00:01:19,280
gopala مایکل اوه مانیشا و گیمرها هستید، بچهها
29
00:01:19,280 –> 00:01:21,280
به جلسه خوش آمدید، بنابراین این
30
00:01:21,280 –> 00:01:24,000
اتفاق خواهد افتاد. 60 65 دقیقه این جلسه را بررسی خواهیم کرد
31
00:01:24,000 –> 00:01:26,400
، شما
32
00:01:26,400 –> 00:01:28,880
چیزهای زیادی می دانید که چگونه می توانید
33
00:01:28,880 –> 00:01:30,799
برخی از مهارت های مورد نیاز را آماده کنید
34
00:01:30,799 –> 00:01:33,680
و خیلی بیشتر درست است، بنابراین پراتهامش می گوید
35
00:01:33,680 –> 00:01:35,840
بله گوپال کریشنان می گوید بله مایکل می گوید
36
00:01:35,840 –> 00:01:36,240
بله
37
00:01:36,240 –> 00:01:38,560
و اوه یک نفر می گوید بله، بچه ها بسیار عالی
38
00:01:38,560 –> 00:01:40,400
از تایید شما بسیار متشکرم،
39
00:01:40,400 –> 00:01:40,960
فکر می کنم
40
00:01:40,960 –> 00:01:44,000
ما می توانیم با شروع
41
00:01:44,000 –> 00:01:46,399
نگاهی به دستور کار
42
00:01:46,399 –> 00:01:48,320
در حال حاضر ادامه دهیم، خانم ها و آقایان در این
43
00:01:48,320 –> 00:01:50,240
جلسه زنده، آنچه را که قرار است نگاهی به آن بیندازیم.
44
00:01:50,240 –> 00:01:51,520
45
00:01:51,520 –> 00:01:54,240
out اول از همه متوجه
46
00:01:54,240 –> 00:01:55,360
شدیم که ما به
47
00:01:55,360 –> 00:01:56,880
پایتون برای یادگیری ماشین نگاهی خواهیم انداخت، اما باید بفهمید
48
00:01:56,880 –> 00:01:57,840
49
00:01:57,840 –> 00:02:00,159
که چرا پایتون برای یادگیری ماشینی چرا
50
00:02:00,159 –> 00:02:02,320
c plus plus چرا جاوا نیست
51
00:02:02,320 –> 00:02:04,560
یا چرا هیچ چیز دیگری درست نیست. اول
52
00:02:04,560 –> 00:02:05,840
از همه، بیایید مطمئن شویم
53
00:02:05,840 –> 00:02:08,160
که درک دقیقی از این موضوع داریم که چرا
54
00:02:08,160 –> 00:02:10,160
پایتون باید زبان اصلی شما
55
00:02:10,160 –> 00:02:11,360
برای یادگیری ماشینی باشد،
56
00:02:11,360 –> 00:02:13,360
پس از پایان کار با آن، اوه،
57
00:02:13,360 –> 00:02:15,120
وقتی متقاعد شدید می دانید
58
00:02:15,120 –> 00:02:15,599
که هی
59
00:02:15,599 –> 00:02:17,360
پایتون در واقع یک زبان است. ما انتخاب بسیار خوبی
60
00:02:17,360 –> 00:02:18,560
هستیم به برخی
61
00:02:18,560 –> 00:02:19,360
از این
62
00:02:19,360 –> 00:02:21,280
مهارتهای فوقالعاده مهم که
63
00:02:21,280 –> 00:02:22,400
لازم است نگاهی بیندازیم، اوه
64
00:02:22,400 –> 00:02:24,160
شما میدانید که شما واقعاً به
65
00:02:24,160 –> 00:02:26,080
درک و چگونگی
66
00:02:26,080 –> 00:02:27,680
ادامه کار در
67
00:02:27,680 –> 00:02:28,959
مسیر یادگیری ماشینی خود نگاهی بیاندازید،
68
00:02:28,959 –> 00:02:30,080
بنابراین ما بعداً به برخی از
69
00:02:30,080 –> 00:02:32,080
این مهارتها نگاهی میاندازم، من
70
00:02:32,080 –> 00:02:33,920
شما را از طریق انواع
71
00:02:33,920 –> 00:02:35,360
مختلف یادگیری ماشین راهنمایی میکنم که ما به درستی به
72
00:02:35,360 –> 00:02:36,959
یادگیری نظارت شده و بدون نظارت
73
00:02:36,959 –> 00:02:38,640
آموزش تقویتی آموزش
74
00:02:38,640 –> 00:02:40,239
میدهیم، اوه، همه آنها را بررسی میکنیم.
75
00:02:40,239 –> 00:02:42,160
من در تمام این موقعیتها هر جا که بتوانم مثالهای دنیای واقعی را به شما میدهم
76
00:02:42,160 –> 00:02:43,440
77
00:02:43,440 –> 00:02:45,840
78
00:02:45,840 –> 00:02:47,120
و به شما قول میدهم که
79
00:02:47,120 –> 00:02:48,879
اوه، حتی اگر شما فردی باشید
80
00:02:48,879 –> 00:02:50,800
که مطلقاً هرگز نام پایتون را نشنیدهاید
81
00:02:50,800 –> 00:02:52,480
که احتمالاً هرگز در زندگی شما از یادگیری ماشینی استفاده نکرده است،
82
00:02:52,480 –> 00:02:53,280
83
00:02:53,280 –> 00:02:55,680
باز هم میتوانید بخش
84
00:02:55,680 –> 00:02:57,519
زیادی از یادگیری
85
00:02:57,519 –> 00:02:58,959
را که قرار است به درستی حذف کنید، از بین ببرید، بنابراین هدف
86
00:02:58,959 –> 00:03:00,480
من از این جلسه این است که مطمئن
87
00:03:00,480 –> 00:03:02,000
شوم با شما در مورد
88
00:03:02,000 –> 00:03:02,879
اهمیت پایتون در
89
00:03:02,879 –> 00:03:04,400
مورد نحوه استفاده از آن صحبت خواهم کرد. آیا میتوانید
90
00:03:04,400 –> 00:03:06,080
روی یادگیری تمرکز کنید و البته
91
00:03:06,080 –> 00:03:06,800
چگونه میتوانید
92
00:03:06,800 –> 00:03:08,879
در واقع جلسه را شروع
93
00:03:08,879 –> 00:03:09,840
94
00:03:09,840 –> 00:03:11,840
کنید، خیلی خوب، ما افراد زیادی در
95
00:03:11,840 –> 00:03:13,840
بخش نظرات داریم.
96
00:03:13,840 –> 00:03:16,239
97
00:03:16,239 –> 00:03:18,319
به زبان انگلیسی
98
00:03:18,319 –> 00:03:19,440
و مطمئن شوید که
99
00:03:19,440 –> 00:03:21,519
قسمت نظرات
100
00:03:21,519 –> 00:03:24,959
را هرزنامه نمیفرستید، بسیار خوب، فوق العاده بیسواجیت میگوید شما
101
00:03:24,959 –> 00:03:26,640
عالی هستید آقا، خوب biswajes بسیار متشکرم از
102
00:03:26,640 –> 00:03:28,560
کلمات محبت آمیز شما، امیدوارم شما بچهها
103
00:03:28,560 –> 00:03:30,080
در کانال یادگیری عالی یوتیوب مشترک شوید
104
00:03:30,080 –> 00:03:31,200
105
00:03:31,200 –> 00:03:32,879
زیرا ما اینجا داریم متخصصان چند موضوعی
106
00:03:32,879 –> 00:03:34,400
107
00:03:34,400 –> 00:03:36,959
تخصص کامل خود را در
108
00:03:36,959 –> 00:03:38,560
حوزه های مختلف به شما ارائه می دهند، بنابراین بچه ها اگر
109
00:03:38,560 –> 00:03:40,000
در کانال مشترک شده اید همین الان
110
00:03:40,000 –> 00:03:41,920
به جعبه چت بروید و
111
00:03:41,920 –> 00:03:43,360
یک بله سریع تایپ
112
00:03:43,360 –> 00:03:45,519
کنید، درست است، در حالی که شما بچه ها
113
00:03:45,519 –> 00:03:47,760
این کار را انجام می دهید، به ما اجازه دهید
114
00:03:47,760 –> 00:03:49,599
بدون هیچ مقدمه ای شروع کردیم، ما
115
00:03:49,599 –> 00:03:50,799
می توانیم شروع کنیم،
116
00:03:50,799 –> 00:03:52,959
اما اجازه دهید سریع بررسی کنم آیا می
117
00:03:52,959 –> 00:03:54,159
دانستید با شما بچه ها،
118
00:03:54,159 –> 00:03:55,760
حالا اول از همه خانم ها و آقایان،
119
00:03:55,760 –> 00:03:57,760
شما نباید سوسو باشید وقتی به شما میگویم پایتون محبوبترین زبان برنامهنویسی جهان امروزی است متعجب شدم،
120
00:03:57,760 –> 00:03:58,319
121
00:03:58,319 –> 00:04:00,400
122
00:04:00,400 –> 00:04:02,560
123
00:04:02,560 –> 00:04:05,519
زیرا استفاده از آن بسیار آسان
124
00:04:05,519 –> 00:04:07,760
است و در تمام
125
00:04:07,760 –> 00:04:08,640
حوزهها قرار میگیرد، درست
126
00:04:08,640 –> 00:04:10,239
زمانی که به توسعه وب
127
00:04:10,239 –> 00:04:12,000
فکر میکنید به توسعه بازی فکر کنید به علم داده فکر کنید.
128
00:04:12,000 –> 00:04:14,319
به داده های بزرگ
129
00:04:14,319 –> 00:04:16,399
فکر کنید به تجزیه و تحلیل داده ها فکر
130
00:04:16,399 –> 00:04:17,759
کنید دوباره فکر کنید من فقط می توانم
131
00:04:17,759 –> 00:04:20,320
به شما بگویم همه این نام های دامنه و
132
00:04:20,320 –> 00:04:21,519
پایتون در
133
00:04:21,519 –> 00:04:23,680
همه جا به قدری جذابیت پیدا می کند که به
134
00:04:23,680 –> 00:04:25,680
نظر من شاید در 10 سال
135
00:04:25,680 –> 00:04:27,600
آینده استاندارد طلایی برای یک
136
00:04:27,600 –> 00:04:28,720
زبان برنامه نویسی
137
00:04:28,720 –> 00:04:30,479
در جهان باشد. در واقع اگر کسی در حال حاضر از من بپرسد
138
00:04:30,479 –> 00:04:32,160
چه زبان برنامه نویسی را
139
00:04:32,160 –> 00:04:34,880
به کسی پیشنهاد می دهید که با دستان خود یاد بگیرد،
140
00:04:34,880 –> 00:04:36,160
من می گویم پایتون
141
00:04:36,160 –> 00:04:38,320
و اوه شما می دانید که البته
142
00:04:38,320 –> 00:04:40,320
انتخاب های بسیار خوبی وجود دارد، cc plus
143
00:04:40,320 –> 00:04:41,040
plus هنوز هم
144
00:04:41,040 –> 00:04:43,840
زبان های فوق العاده قدرتمندی هستند،
145
00:04:43,840 –> 00:04:45,840
اما وقتی شما نگاهی به نحوه
146
00:04:45,840 –> 00:04:47,440
رشد درست پایتون بیندازید، به عنوان مثال،
147
00:04:47,440 –> 00:04:49,919
آیا می دانستید نام پایتون چگونه نامگذاری شده است،
148
00:04:49,919 –> 00:04:51,440
مردم معمولا فکر می کنند که نام آن از
149
00:04:51,440 –> 00:04:53,520
نام یک مار گرفته شده است. ython نوع
150
00:04:53,520 –> 00:04:54,240
مار
151
00:04:54,240 –> 00:04:56,800
چاه پایتون در واقع به نام
152
00:04:56,800 –> 00:04:59,040
مار نامگذاری نشده است و نام آن از یک برنامه تلویزیونی گرفته شده است
153
00:04:59,040 –> 00:05:01,120
که اوه بنیانگذار خالق
154
00:05:01,120 –> 00:05:03,280
پیتون جودو و روسوم برای تماشای آن استفاده می کرد
155
00:05:03,280 –> 00:05:05,120
و نام این برنامه تلویزیونی به عنوان
156
00:05:05,120 –> 00:05:07,280
سیرک پرنده پایتون مونتی نامیده می شود. اکنون این
157
00:05:07,280 –> 00:05:10,000
یک برنامه تلویزیونی کمدی در اوایل دهه 1960 است و
158
00:05:10,000 –> 00:05:12,160
او فقط میخواست به آن ادای احترام کند،
159
00:05:12,160 –> 00:05:15,120
بنابراین او آن را به همین نام نامگذاری کرد، بنابراین
160
00:05:15,120 –> 00:05:16,880
میدانید که در همان روزگاری که
161
00:05:16,880 –> 00:05:18,479
نگاهی به
162
00:05:18,479 –> 00:05:20,880
زبانها میاندازید، بسیار پیچیده بود.
163
00:05:20,880 –> 00:05:21,680
164
00:05:21,680 –> 00:05:24,400
برای کار بر روی پایتون باید در نحو بسیار پیچیده ای متخصص باشید،
165
00:05:24,400 –> 00:05:25,840
اما امروز
166
00:05:25,840 –> 00:05:27,919
اگر می دانید چگونه با زبان انگلیسی
167
00:05:27,919 –> 00:05:30,320
کار کنید، می توانید با پایتون کار کنید
168
00:05:30,320 –> 00:05:32,000
که بسیار عالی است
169
00:05:32,000 –> 00:05:34,800
و این در کنار
170
00:05:34,800 –> 00:05:36,720
زبان فوق العاده قدرتمند آن را می شناسید.
171
00:05:36,720 –> 00:05:39,199
آیا صدها و هزاران
172
00:05:39,199 –> 00:05:39,840
شرکت
173
00:05:39,840 –> 00:05:41,680
در سراسر جهان از آن استفاده می کنند، درست است، وقتی من می گویم
174
00:05:41,680 –> 00:05:43,360
هزاران شرکت، منطقی است
175
00:05:43,360 –> 00:05:44,720
زیرا اگر به لینکدین بروید، اگر همین الان به indeed.com بروید و
176
00:05:44,720 –> 00:05:45,680
به تعداد افتتاحیه ها
177
00:05:45,680 –> 00:05:46,960
نگاهی بیندازید،
178
00:05:46,960 –> 00:05:48,800
فقط تایپ کنید پایتون
179
00:05:48,800 –> 00:05:50,880
u h در نقش های شغلی درست،
180
00:05:50,880 –> 00:05:52,720
هزاران فرصت شغلی را در آنجا خواهید دید،
181
00:05:52,720 –> 00:05:54,720
بنابراین در پایان روز همیشه
182
00:05:54,720 –> 00:05:56,240
یک نیاز دائمی برای
183
00:05:56,240 –> 00:05:56,960
توسعه دهندگان
184
00:05:56,960 –> 00:05:59,199
پایتون وجود دارد، مخصوصاً یک توسعه دهنده پایتون در
185
00:05:59,199 –> 00:06:00,560
جامعه یادگیری ماشینی
186
00:06:00,560 –> 00:06:02,960
قطعاً درست است، بنابراین بسیاری از افراد،
187
00:06:02,960 –> 00:06:04,880
بسیاری از شرکت ها کسانی که قبلاً
188
00:06:04,880 –> 00:06:06,400
هرگز یادگیری ماشینی را امتحان نکردهاند، اکنون زنده میشوند و
189
00:06:06,400 –> 00:06:08,000
میگویند ما میخواهیم
190
00:06:08,000 –> 00:06:09,600
یادگیری ماشینی را برای محصولاتمان پیادهسازی
191
00:06:09,600 –> 00:06:11,440
کنیم، برنامههایمان یا
192
00:06:11,440 –> 00:06:12,400
هر چیز دیگری که باشد،
193
00:06:12,400 –> 00:06:14,720
بنابراین همیشه نقشی وجود دارد که
194
00:06:14,720 –> 00:06:16,720
همیشه شغلی ایجاد میشود و
195
00:06:16,720 –> 00:06:18,720
البته از آنجایی که این کار نیاز دارد. تخصص زیاد
196
00:06:18,720 –> 00:06:21,199
، دستمزدها کاملاً فوقالعاده است و همچنین
197
00:06:21,199 –> 00:06:22,720
198
00:06:22,720 –> 00:06:24,800
بچههای فوقالعاده، بنابراین رسیدن به اولین نکته
199
00:06:24,800 –> 00:06:26,639
در دستور کار که چرا شما بچهها باید
200
00:06:26,639 –> 00:06:27,280
201
00:06:27,280 –> 00:06:30,479
یادگیری پایتون را در نظر بگیرید، بزرگترین دلیلی که میتوانم
202
00:06:30,479 –> 00:06:31,120
به شما بگویم
203
00:06:31,120 –> 00:06:33,840
این است که این یک زبان برنامهنویسی
204
00:06:33,840 –> 00:06:34,560
205
00:06:34,560 –> 00:06:37,120
هدفمند از ابتدای پیدایش آن است. نسخه های جدیدتر
206
00:06:37,120 –> 00:06:39,199
پایتون با هر نسخه
207
00:06:39,199 –> 00:06:40,960
، چنین پیشرفت هایی وجود داشته است که
208
00:06:40,960 –> 00:06:43,360
اساساً آن را به گونه ای تراز
209
00:06:43,360 –> 00:06:45,680
می کند که احساس می کند. برای همین درست ساخته شده است،
210
00:06:45,680 –> 00:06:46,720
بنابراین
211
00:06:46,720 –> 00:06:48,560
معمولاً هر زمان که شما بچه ها قصد خرید
212
00:06:48,560 –> 00:06:50,080
لباس یا چیزی شبیه به آن را
213
00:06:50,080 –> 00:06:51,680
دارید، حداقل برای برخی از ما احساس می کنید که می خواهید
214
00:06:51,680 –> 00:06:53,199
یک
215
00:06:53,199 –> 00:06:55,919
کت و شلوار سفارشی داشته باشید آه اوه شما یک کت و شلوار یا یک کت
216
00:06:55,919 –> 00:06:56,800
و شلوار یا چیزی شبیه به آن می شناسید.
217
00:06:56,800 –> 00:06:58,800
در مقایسه با
218
00:06:58,800 –> 00:07:00,400
آنچه که ترجیح میدهید از قفسه بخرید، واقعاً به خوبی برای شما
219
00:07:00,400 –> 00:07:00,800
220
00:07:00,800 –> 00:07:03,199
مناسب است. درست در مورد آن فکر کنید، به همین ترتیب python
221
00:07:03,199 –> 00:07:04,960
این احساس را برای یادگیری ماشین به شما میدهد،
222
00:07:04,960 –> 00:07:06,000
زیرا
223
00:07:06,000 –> 00:07:09,039
کتابخانههای زیادی دارد و کمکهای
224
00:07:09,039 –> 00:07:10,240
زیادی دارد و عملکردهای بسیاری دارد
225
00:07:10,240 –> 00:07:12,080
که در پایان روز به شما کمک می کند
226
00:07:12,080 –> 00:07:13,520
در واقع بنشینید و
227
00:07:13,520 –> 00:07:16,000
روی منطق تمرکز کنید نه اینکه
228
00:07:16,000 –> 00:07:16,880
سر خود را در مورد
229
00:07:16,880 –> 00:07:18,800
نحو پیچیده بشکنید.
230
00:07:18,800 –> 00:07:20,800
231
00:07:20,800 –> 00:07:22,560
232
00:07:22,560 –> 00:07:24,319
233
00:07:24,319 –> 00:07:25,599
234
00:07:25,599 –> 00:07:27,840
فقط نحو را درست بنویسید
235
00:07:27,840 –> 00:07:28,800
زیرا می
236
00:07:28,800 –> 00:07:30,639
دانم پاسخی که شما بچه ها خواهید داد
237
00:07:30,639 –> 00:07:32,720
و زمان بیشتری برای کار روی
238
00:07:32,720 –> 00:07:33,520
منطق دارم
239
00:07:33,520 –> 00:07:35,680
و این توانایی را دارم که بگویم
240
00:07:35,680 –> 00:07:37,360
سلام خوب است اگر من فقط منطقی را
241
00:07:37,360 –> 00:07:38,479
که می توانم پیدا کنم کد را
242
00:07:38,479 –> 00:07:40,960
درست بنویسید که بسیار مهم است نه فقط
243
00:07:40,960 –> 00:07:42,639
برای یک الگوریتم یادگیری ماشینی ساده،
244
00:07:42,639 –> 00:07:43,120
بلکه
245
00:07:43,120 –> 00:07:44,400
به خصوص زمانی که با
246
00:07:44,400 –> 00:07:46,400
مدل های پیچیده درست کار می
247
00:07:46,400 –> 00:07:48,400
کنید، این واقعاً بسیار مهم است، بنابراین
248
00:07:48,400 –> 00:07:49,520
در پایان روز
249
00:07:49,520 –> 00:07:51,599
وقتی برای چیزی ساخته شده است،
250
00:07:51,599 –> 00:07:53,680
مطمئناً این کار را انجام خواهد داد. به گونه ای توسعه داده
251
00:07:53,680 –> 00:07:55,599
شود که با
252
00:07:55,599 –> 00:07:57,360
روندهای فعلی که ما داریم همراه باشد
253
00:07:57,360 –> 00:07:59,199
و وقتی به روندهای فعلی نگاهی بیاندازید،
254
00:07:59,199 –> 00:08:00,879
255
00:08:00,879 –> 00:08:02,879
همه یک زبان برنامه نویسی می خواهند
256
00:08:02,879 –> 00:08:04,479
که برای پویایی ساخته شده باشد،
257
00:08:04,479 –> 00:08:07,520
وقتی من می گویم پویایی،
258
00:08:07,520 –> 00:08:08,879
شما می دانید. امروز شما در حال کار روی یک
259
00:08:08,879 –> 00:08:10,160
پروژه بسیار کوچک هستید، زیرا شما بچه ها
260
00:08:10,160 –> 00:08:11,759
یادگیرنده هستید، ممکن است با
261
00:08:11,759 –> 00:08:13,360
یک پروژه بسیار ساده شروع کنید،
262
00:08:13,360 –> 00:08:15,599
شاید چند ماه دیگر
263
00:08:15,599 –> 00:08:17,599
روی پروژه های واقعاً بزرگ کار کنید،
264
00:08:17,599 –> 00:08:18,560
بنابراین
265
00:08:18,560 –> 00:08:20,800
در همان مرحله شما خود را شروع کنید. نمی
266
00:08:20,800 –> 00:08:22,639
توانید بگویید هی،
267
00:08:22,639 –> 00:08:23,360
اکنون کار کردن
268
00:08:23,360 –> 00:08:25,039
در مورد پایتون دشوارتر است، شما نمی
269
00:08:25,039 –> 00:08:26,800
توانید آن را بگویید زیرا
270
00:08:26,800 –> 00:08:28,639
صرف نظر از پیچیدگی
271
00:08:28,639 –> 00:08:31,599
پروژه شما، نحو پایتون w بله، شما
272
00:08:31,599 –> 00:08:31,919
273
00:08:31,919 –> 00:08:33,760
با پایتون کار می کنید همچنان به همان شکل باقی می ماند،
274
00:08:33,760 –> 00:08:35,279
بنابراین
275
00:08:35,279 –> 00:08:37,679
پیچیدگی شما برطرف
276
00:08:37,679 –> 00:08:39,679
نمی شود، پیچیدگی مشکل شما به شما منعکس نمی شود و
277
00:08:39,679 –> 00:08:40,640
به شما می گوید که هی
278
00:08:40,640 –> 00:08:42,799
پایتون آن را پیچیده
279
00:08:42,799 –> 00:08:43,679
می کند
280
00:08:43,679 –> 00:08:45,519
، این بزرگترین مزیتی است که چرا همه
281
00:08:45,519 –> 00:08:47,360
می خواهند به درستی روی پایتون بپرند
282
00:08:47,360 –> 00:08:49,279
و چه زمانی. شما به ماهیت پایتون نگاهی بیندازید،
283
00:08:49,279 –> 00:08:51,120
البته این یک
284
00:08:51,120 –> 00:08:52,399
زبان برنامه نویسی متن باز است
285
00:08:52,399 –> 00:08:54,640
که فکر می کنم دوباره می دانید
286
00:08:54,640 –> 00:08:55,680
287
00:08:55,680 –> 00:08:56,959
ما باید از خالق
288
00:08:56,959 –> 00:08:59,200
پایتون جودو ون روسوم تشکر کنیم که او یک
289
00:08:59,200 –> 00:09:00,640
گوهر مطلق است.
290
00:09:00,640 –> 00:09:03,440
آقا و این زبان برنامه نویسی
291
00:09:03,440 –> 00:09:04,080
که ما
292
00:09:04,080 –> 00:09:05,760
به خوبی اصلاح کرده ایم به دلیل
293
00:09:05,760 –> 00:09:07,200
تلاش جامعه است، درست است که
294
00:09:07,200 –> 00:09:09,040
هزاران و هزاران توسعه دهنده
295
00:09:09,040 –> 00:09:10,880
در سراسر جهان تلاش خود
296
00:09:10,880 –> 00:09:12,959
را برای توسعه
297
00:09:12,959 –> 00:09:14,720
رایگان پایتون در پایان روز انجام می دهند تا
298
00:09:14,720 –> 00:09:16,399
از جامعه مطمئن شوند. زبانی برای
299
00:09:16,399 –> 00:09:17,200
کار کردن دارد،
300
00:09:17,200 –> 00:09:19,440
بنابراین وقتی یادگیری خود را
301
00:09:19,440 –> 00:09:20,880
با پایتون شروع میکنید، مطمئناً یک سوال خواهید داشت که
302
00:09:20,880 –> 00:09:22,480
میگویید روند آینده چیست،
303
00:09:22,480 –> 00:09:23,839
شاید دو سالها بعد
304
00:09:23,839 –> 00:09:25,440
زبانی وجود خواهد داشت که
305
00:09:25,440 –> 00:09:26,160
پایتون
306
00:09:26,160 –> 00:09:28,480
را سرنگون میکند، توسعه پایتون
307
00:09:28,480 –> 00:09:30,320
به گونهای پیش میرود که
308
00:09:30,320 –> 00:09:32,160
حداقل به نظر من معتقدم که
309
00:09:32,160 –> 00:09:33,680
حداقل برای پنج ده سال آینده این زبان برای آینده قابل اثبات
310
00:09:33,680 –> 00:09:35,680
است.
311
00:09:35,680 –> 00:09:38,480
شک دارید که پایتون همچنان پابرجا باشد، اوه
312
00:09:38,480 –> 00:09:40,320
شما میدانید مرحله برتر زبان برنامهنویسی را میدانید،
313
00:09:40,320 –> 00:09:41,680
314
00:09:41,680 –> 00:09:44,240
زیرا اوه اوه، میدانید که پایتون در حال حاضر
315
00:09:44,240 –> 00:09:46,320
در برنامههای کاربردی و دامنههای زیادی ادغام شده است
316
00:09:46,320 –> 00:09:47,920
317
00:09:47,920 –> 00:09:49,680
که ایجاد سوئیچ برای پنج
318
00:09:49,680 –> 00:09:52,000
ده سال آینده در واقع حتی دشوار است. اگر
319
00:09:52,000 –> 00:09:53,760
زبانی وجود دارد که پایتون را به درستی شکست
320
00:09:53,760 –> 00:09:54,320
321
00:09:54,320 –> 00:09:57,519
دهد، بنابراین وقتی با پایتون کار
322
00:09:57,519 –> 00:09:59,680
می کنید، باید یک چیز را درست متوجه شوید
323
00:09:59,680 –> 00:10:02,720
که توابع کتابخانه ها این است که
324
00:10:02,720 –> 00:10:04,880
به زبان برنامه نویسی قدرت
325
00:10:04,880 –> 00:10:06,640
می دهد و این همان چیزی است که به آن قدرت می دهد
326
00:10:06,640 –> 00:10:08,480
و در رابطه با پایتون من میدانم که شما
327
00:10:08,480 –> 00:10:09,680
از قبل میدانید که
328
00:10:09,680 –> 00:10:12,240
این با یک کتابخانه بزرگ همراه
329
00:10:12,240 –> 00:10:13,279
330
00:10:13,279 –> 00:10:15,440
331
00:10:15,440 –> 00:10:17,040
332
00:10:17,040 –> 00:10:19,519
است. در دنیای اوه
333
00:10:19,519 –> 00:10:20,640
می دانید در دنیای توسعه پایتون
334
00:10:20,640 –> 00:10:22,640
وقتی می گویید هی من یک مشکل
335
00:10:22,640 –> 00:10:23,279
336
00:10:23,279 –> 00:10:25,200
دارم می توانم به شما بگویم که در پایتون کتابخانه ای وجود دارد
337
00:10:25,200 –> 00:10:26,880
که به شما کمک می کند آن
338
00:10:26,880 –> 00:10:28,560
مشکل را به روشی آسان حل کنید به
339
00:10:28,560 –> 00:10:30,480
طوری که باید بزرگترین مشکل شما باشد.
340
00:10:30,480 –> 00:10:32,240
نکته مثبتی است که باید به درستی نگاه کرد و
341
00:10:32,240 –> 00:10:35,040
پایتون بسیار محبوب است زیرا در پایان روز یک
342
00:10:35,040 –> 00:10:37,519
پایگاه کاربر بسیار بزرگ دارد و جامعه بسیار بزرگی
343
00:10:37,519 –> 00:10:38,399
دارد
344
00:10:38,399 –> 00:10:40,240
و این یک
345
00:10:40,240 –> 00:10:42,399
انجمن عالی است بر خلاف هر چیز دیگری
346
00:10:42,399 –> 00:10:43,680
که من درست دیدهام
347
00:10:43,680 –> 00:10:44,959
. ممکن است شاهد سرریز پشته بوده
348
00:10:44,959 –> 00:10:46,399
باشید، مطمئن هستم که شما ممکن است
349
00:10:46,399 –> 00:10:47,839
همه این وب سایت های دیگر را دیده باشید که در آن
350
00:10:47,839 –> 00:10:49,360
افراد برای درخواست کمک به آنها مراجعه می کنند
351
00:10:49,360 –> 00:10:51,200
و در نهایت می دانید که دیگران به آنها کمک می
352
00:10:51,200 –> 00:10:53,839
کنند، پایتون یکی از مهربان ترین
353
00:10:53,839 –> 00:10:54,800
جوامع است که
354
00:10:54,800 –> 00:10:57,040
حتی اگر فردی که این موارد را دارد شما می
355
00:10:57,040 –> 00:10:58,399
دانید که ممکن است احساس کنید این
356
00:10:58,399 –> 00:11:00,320
سؤال بسیار احمقانه ای است که آنها می پرسند،
357
00:11:00,320 –> 00:11:02,079
اما پاسخ هایی که آنها برای این
358
00:11:02,079 –> 00:11:03,920
سؤالات می گیرند بسیار زیبا هستند به طوری
359
00:11:03,920 –> 00:11:05,680
که شما یک شور و اشتیاق را احساس خواهید
360
00:11:05,680 –> 00:11:07,279
کرد که آن آتش را در درون خود احساس خواهید کرد
361
00:11:07,279 –> 00:11:09,279
تا در واقع بیشتر کشف کنید. این به این دلیل است که
362
00:11:09,279 –> 00:11:10,800
شما به درستی می دانید که
363
00:11:10,800 –> 00:11:12,720
اگر در جایی گیر کرده اید، می توانید
364
00:11:12,720 –> 00:11:14,480
به راحتی کمک دریافت کنید،
365
00:11:14,480 –> 00:11:17,760
بنابراین توانایی در ساخت زرادخانه خود
366
00:11:17,760 –> 00:11:19,839
در هنگام ساختن زرادخانه برنامه نویسی
367
00:11:19,839 –> 00:11:21,920
بسیار مهم است، درست است و
368
00:11:21,920 –> 00:11:25,680
وقتی به پایتون به عنوان یک زبان
369
00:11:25,680 –> 00:11:27,200
فکر می کنید، چند نفر از شما هستند. بچه ها با
370
00:11:27,200 –> 00:11:28,800
زبان هایی مانند java c
371
00:11:28,800 –> 00:11:31,760
یا c plus plus کار کرده اند زیرا نحو آنها
372
00:11:31,760 –> 00:11:34,160
بسیار پیچیده بود اگر نقطه ویرگول را از دست بدهید این یک
373
00:11:34,160 –> 00:11:34,399
374
00:11:34,399 –> 00:11:36,399
خطا است، اوه می دانید
375
00:11:36,399 –> 00:11:38,320
که معنی چیزها را درست
376
00:11:38,320 –> 00:11:41,360
متوجه نمی شوید stdio what is con io uh
377
00:11:41,360 –> 00:11:42,079
چیست منظور از
378
00:11:42,079 –> 00:11:44,880
c در معنای c out right چیست
379
00:11:44,880 –> 00:11:45,680
مگر اینکه
380
00:11:45,680 –> 00:11:48,800
آموزش دیده باشید و بدانید که
381
00:11:48,800 –> 00:11:50,720
به عنوان یک مبتدی به عنوان یک فرد تازه کار به آن نگاه می
382
00:11:50,720 –> 00:11:52,480
کنید و بی اطلاع خواهید بود،
383
00:11:52,480 –> 00:11:54,399
اما این را امتحان کنید و به یک
384
00:11:54,399 –> 00:11:56,480
کد پایتون نگاهی بیندازید. و من به شما قول می دهم که
385
00:11:56,480 –> 00:11:57,760
می توانید
386
00:11:57,760 –> 00:11:59,680
بسیاری از چیزها را بفهمید، البته ممکن است
387
00:11:59,680 –> 00:12:01,040
درک
388
00:12:01,040 –> 00:12:02,240
منطق یا هر چیز دیگری برای شما دشوار باشد،
389
00:12:02,240 –> 00:12:04,399
اما اگر فقط به نحو نگاه کنید،
390
00:12:04,399 –> 00:12:05,839
احساس خواهید کرد که این در
391
00:12:05,839 –> 00:12:07,760
مقایسه با سایر موارد بسیار آسان است. با
392
00:12:07,760 –> 00:12:09,200
زبان برنامه نویسی او موافق هستید
393
00:12:09,200 –> 00:12:10,639
و نظرات را به من
394
00:12:10,639 –> 00:12:11,200
اطلاع دهید
395
00:12:11,200 –> 00:12:14,399
زیرا این چیزی است که به پایتون قدرت می دهد
396
00:12:14,399 –> 00:12:16,560
، همه این چیزهای کوچک هستند
397
00:12:16,560 –> 00:12:18,959
که در نهایت باعث
398
00:12:18,959 –> 00:12:21,440
محبوبیت پایتون یا جامعه
399
00:12:21,440 –> 00:12:22,959
یا هر چیز دیگری نمی
400
00:12:22,959 –> 00:12:25,360
شود.
401
00:12:25,360 –> 00:12:27,120
توسعه سریع به قدری برای
402
00:12:27,120 –> 00:12:28,959
یادگیری ماشینی هماهنگ است که در پایان
403
00:12:28,959 –> 00:12:30,399
روز وقتی احساس می کنید من
404
00:12:30,399 –> 00:12:33,360
به یک زبان نیاز دارم برای یادگیری پایتون
405
00:12:33,360 –> 00:12:34,000
می دانید
406
00:12:34,000 –> 00:12:35,600
من برای یادگیری یادگیری ماشین به یک زبان نیاز دارم
407
00:12:35,600 –> 00:12:37,760
متاسفم می دانید که به دنبال آن خواهید بود
408
00:12:37,760 –> 00:12:38,560
در
409
00:12:38,560 –> 00:12:40,320
هیچ زبان دیگری وقتی آن را با پایتون مقایسه می
410
00:12:40,320 –> 00:12:42,079
کنید، زیرا دوباره احساس می کند که در
411
00:12:42,079 –> 00:12:42,560
خانه
412
00:12:42,560 –> 00:12:44,160
است، احساس می کند برای این منظور ساخته شده
413
00:12:44,160 –> 00:12:46,160
است و شما از آن قدردانی خواهید
414
00:12:46,160 –> 00:12:47,120
کرد که من
415
00:12:47,120 –> 00:12:49,200
در پایان این جلسه انجام می دهم، مطمئنم
416
00:12:49,200 –> 00:12:50,880
درست است،
417
00:12:50,880 –> 00:12:52,880
بنابراین به بخشی که در آن
418
00:12:52,880 –> 00:12:55,040
در مورد مهارت های
419
00:12:55,040 –> 00:12:56,959
مختلفی که برای یادگیری ماشین با استفاده از
420
00:12:56,959 –> 00:12:58,000
پایتون
421
00:12:58,000 –> 00:12:59,839
در حال حاضر مورد نیاز است بحث خواهیم کرد، همه این مهارت هایی که می خواهم
422
00:12:59,839 –> 00:13:01,120
به شما
423
00:13:01,120 –> 00:13:03,120
بگویم، چیزی است که با تجربه به دست خواهید آورد.
424
00:13:03,120 –> 00:13:04,639
در حال حاضر مهارت های خاصی وجود دارد که می توانم
425
00:13:04,639 –> 00:13:06,560
به شما بگویم سلام بچه ها شروع به یادگیری پایتون
426
00:13:06,560 –> 00:13:07,839
کنید این کار را انجام دهید تا
427
00:13:07,839 –> 00:13:09,600
شروع به یادگیری توابع کنید اوه شروع به
428
00:13:09,600 –> 00:13:11,120
یادگیری برای حلقه ها کنید همه اینها درست هستند،
429
00:13:11,120 –> 00:13:13,200
من می دانم که شما بچه ها همه این کارها را انجام خواهید داد
430
00:13:13,200 –> 00:13:13,760
431
00:13:13,760 –> 00:13:16,320
اما من به شما می گویم که اوه در حالی که شما
432
00:13:16,320 –> 00:13:18,320
خود را یاد می گیرید، اگر روی
433
00:13:18,320 –> 00:13:20,399
این چهار مهارت بسیار مهم
434
00:13:20,399 –> 00:13:21,600
که می خواهم به شما بگویم تمرکز کنید
435
00:13:21,600 –> 00:13:24,639
، متوجه خواهید شد که از
436
00:13:24,639 –> 00:13:26,399
الان تا زمانی که
437
00:13:26,399 –> 00:13:28,079
قصد دارید شغلی در
438
00:13:28,079 –> 00:13:29,760
زمینه یادگیری ماشین پایتون پیدا کنید یا وقتی می خواهید
439
00:13:29,760 –> 00:13:31,839
دامنه را به درستی وارد کنید،
440
00:13:31,839 –> 00:13:34,720
10 برابر بیشتر
441
00:13:34,720 –> 00:13:36,320
از یک روش معمولی برای
442
00:13:36,320 –> 00:13:40,079
یادگیری درست به شما کمک می کند، بنابراین اولین چیز این است که
443
00:13:40,079 –> 00:13:42,000
اگر در مورد یادگیری
444
00:13:42,000 –> 00:13:43,600
پایتون برای یادگیری ماشینی بسیار جدی هستید، اجازه دهید
445
00:13:43,600 –> 00:13:44,399
این
446
00:13:44,399 –> 00:13:46,800
ماشین را به شما بگویم. یادگیری روی دادههای زیادی کار میکند،
447
00:13:46,800 –> 00:13:48,160
شما به دادههای زیادی نیاز دارید
448
00:13:48,160 –> 00:13:50,160
تا
449
00:13:50,160 –> 00:13:51,760
الگوریتمهای یادگیری ماشین خود را آموزش دهید،
450
00:13:51,760 –> 00:13:54,560
بنابراین در این صورت باید فردی باشید
451
00:13:54,560 –> 00:13:56,720
که یا به دادهها علاقه
452
00:13:56,720 –> 00:13:59,360
دارید یا باید فردی باشید که بله، من
453
00:13:59,360 –> 00:14:01,760
میدانم که دادهها یک موجودیت هستند و اگر
454
00:14:01,760 –> 00:14:02,720
من به شما ادامه بدهم، میدانم که
455
00:14:02,720 –> 00:14:05,279
در دادهها خراشیده یا عمیقتر شوم، در
456
00:14:05,279 –> 00:14:07,040
واقع میدانم که میتوانم
457
00:14:07,040 –> 00:14:09,600
بینشهای زیبایی از آنها به دست بیاورم، میتوانم دریافت کنم،
458
00:14:09,600 –> 00:14:11,120
شما الگوهای بسیاری را میشناسید که
459
00:14:11,120 –> 00:14:12,320
در داده ها پنهان است،
460
00:14:12,320 –> 00:14:14,800
بنابراین شما واقعاً به این رویکرد نیاز دارید و
461
00:14:14,800 –> 00:14:15,519
462
00:14:15,519 –> 00:14:17,360
به عنوان یک مبتدی قابل درک است که اگر روی
463
00:14:17,360 –> 00:14:18,639
آن کار نکرده
464
00:14:18,639 –> 00:14:20,320
باشید، این رویکرد خاص را به درستی می شناسید،
465
00:14:20,320 –> 00:14:22,399
اما کار روی آن و
466
00:14:22,399 –> 00:14:24,240
نگاه کردن به داده هایی مانند دوست خود
467
00:14:24,240 –> 00:14:25,680
در طول کل این
468
00:14:25,680 –> 00:14:27,040
فرآیند واقعاً پیش می رود. خیلی به شما کمک می کنم
469
00:14:27,040 –> 00:14:29,120
چون خنده دار به نظر می رسد،
470
00:14:29,120 –> 00:14:31,519
اما من خودم را در حال صحبت با داده ها می دانم،
471
00:14:31,519 –> 00:14:32,959
بنابراین اگر این
472
00:14:32,959 –> 00:14:34,560
سوال را از شما بپرسم داده های من چه پاسخی به من می دهد، استفاده
473
00:14:34,560 –> 00:14:35,600
صحیح
474
00:14:35,600 –> 00:14:37,440
از این رویکرد
475
00:14:37,440 –> 00:14:38,720
نه تنها یادگیری را بصری می کند،
476
00:14:38,720 –> 00:14:41,440
بلکه برای به دست آوردن
477
00:14:41,440 –> 00:14:43,600
تخصص سریعتر درست در مورد آن فکر کنید
478
00:14:43,600 –> 00:14:47,120
و دومین چیزی که اوه بچه ها
479
00:14:47,120 –> 00:14:47,760
قبلاً این
480
00:14:47,760 –> 00:14:50,160
python یا یادگیری ماشین را به عنوان یک
481
00:14:50,160 –> 00:14:51,279
دامنه به
482
00:14:51,279 –> 00:14:53,839
تنهایی می دانید بسیار محبوب است، درست بسیار
483
00:14:53,839 –> 00:14:54,720
بسیار محبوب
484
00:14:54,720 –> 00:14:56,800
یک مهندس یادگیری ماشین نقش
485
00:14:56,800 –> 00:14:58,000
همیشه در
486
00:14:58,000 –> 00:14:59,839
سه یا چهار جایگاه
487
00:14:59,839 –> 00:15:01,199
برتر در 10 شرکت برتر
488
00:15:01,199 –> 00:15:03,519
در قرن بیست و یکم است، در حال حاضر
489
00:15:03,519 –> 00:15:05,920
بسیار محبوب است،
490
00:15:05,920 –> 00:15:08,160
زمانی که بسیار محبوب است، یک
491
00:15:08,160 –> 00:15:09,519
مزیت این است که حقوق شگفت انگیزی دریافت خواهید کرد،
492
00:15:09,519 –> 00:15:11,760
حقوق های بسیار زیبا و
493
00:15:11,760 –> 00:15:13,760
بسیار عالی
494
00:15:13,760 –> 00:15:16,480
شما همچنین رقابت زیادی دریافت خواهید کرد
495
00:15:16,480 –> 00:15:18,240
در مورد آن فکر کنید
496
00:15:18,240 –> 00:15:20,480
اگر همه می دانند که البته
497
00:15:20,480 –> 00:15:21,839
این بازاری است که در آن مردم واقعاً به شما حقوق می
498
00:15:21,839 –> 00:15:23,920
دهند و شما از شغل خود لذت خواهید برد که
499
00:15:23,920 –> 00:15:25,680
همه می خواهند وارد آن شوند و
500
00:15:25,680 –> 00:15:28,000
همه تلاش می کنند درست به آن فکر کنید.
501
00:15:28,000 –> 00:15:30,560
بنابراین چیزی که برای برتری در این حوزه نیاز دارید این
502
00:15:30,560 –> 00:15:31,680
است که
503
00:15:31,680 –> 00:15:34,160
توانایی تفکر خارج از چارچوب داشته باشید، آه، من
504
00:15:34,160 –> 00:15:34,959
به شما می گویم که
505
00:15:34,959 –> 00:15:36,639
معمولاً هر زمان که کسی می گوید هی
506
00:15:36,639 –> 00:15:38,639
مشکلی وجود دارد که می خواهم حل
507
00:15:38,639 –> 00:15:40,240
کنید آیا فکر می کنید فقط یک راه وجود دارد که
508
00:15:40,240 –> 00:15:41,680
می توانید حل کنید آن مشکل
509
00:15:41,680 –> 00:15:43,199
شاید به محض اینکه به
510
00:15:43,199 –> 00:15:45,199
مشکل فکر کردید بله، اولین ایده آن قسمت اول را خواهید داشت،
511
00:15:45,199 –> 00:15:46,720
512
00:15:46,720 –> 00:15:49,120
اما اگر در مورد آن با جزئیات فکر کنید، هر
513
00:15:49,120 –> 00:15:50,959
مشکلی که در دنیای امروز داریم،
514
00:15:50,959 –> 00:15:52,639
راه های متعددی برای شرق
515
00:15:52,639 –> 00:15:55,120
به آن نزدیک شوید و آن را حل کنید، شما به عنوان فردی
516
00:15:55,120 –> 00:15:56,000
که مایل به استفاده از
517
00:15:56,000 –> 00:15:57,920
پایتون برای یادگیری ماشینی هستید،
518
00:15:57,920 –> 00:16:00,160
واقعاً باید در مورد این فکر کنید
519
00:16:00,160 –> 00:16:02,639
که چگونه می توانم به روشی متفاوت به این موضوع نزدیک
520
00:16:02,639 –> 00:16:04,160
شوم، مطمئن هستم که از مردم شنیده اید
521
00:16:04,160 –> 00:16:06,800
که این فکر را می کنند.
522
00:16:06,800 –> 00:16:09,600
در این مورد، شما واقعاً مجبور نیستید
523
00:16:09,600 –> 00:16:11,120
خارج از چارچوب یا هر چیز دیگری فکر کنید،
524
00:16:11,120 –> 00:16:12,079
525
00:16:12,079 –> 00:16:14,000
بلکه فقط باید راهی برای
526
00:16:14,000 –> 00:16:15,759
برخورد با مشکل به روشی متفاوت
527
00:16:15,759 –> 00:16:17,199
که مردم عادی انجام میدهند
528
00:16:17,199 –> 00:16:18,320
پیدا کنید.
529
00:16:18,320 –> 00:16:20,160
بزرگترین نکتهای را که برای مصاحبههای خود به آن نیاز دارید
530
00:16:20,160 –> 00:16:21,600
یا چیزی شبیه به آن به
531
00:16:21,600 –> 00:16:23,199
شما میدهیم، هر زمان که معمولاً اگر برای
532
00:16:23,199 –> 00:16:24,800
مصاحبه یادگیری ماشینی میروید، معمول است
533
00:16:24,800 –> 00:16:26,800
که مصاحبهکننده از شما بخواهد
534
00:16:26,800 –> 00:16:28,320
احتمالاً مشکل کوچکی به شما میدهد و
535
00:16:28,320 –> 00:16:29,680
میگوید سلام. آیا می توانید یک
536
00:16:29,680 –> 00:16:30,959
الگوریتم یادگیری ماشینی برای این کار پیاده سازی کنید آیا می
537
00:16:30,959 –> 00:16:32,320
توانید یک مدل کوچک برای این یا
538
00:16:32,320 –> 00:16:33,759
چیزی شبیه به آن ایجاد
539
00:16:33,759 –> 00:16:36,000
کنید وقتی که چنین مشکلی به شما داده می شود
540
00:16:36,000 –> 00:16:38,240
اگر فقط یک راه حل بنویسید
541
00:16:38,240 –> 00:16:40,399
در واقع خوب است اما اگر این کار را انجام دهید اگر
542
00:16:40,399 –> 00:16:41,759
از مصاحبه کننده بپرسید یک سوال با
543
00:16:41,759 –> 00:16:43,680
گفتن سلام من سه راه را می دانم که چگونه
544
00:16:43,680 –> 00:16:45,440
می توانم این مشکل را حل کنم و می توانم به شما بگویم کدام
545
00:16:45,440 –> 00:16:47,040
یک کارآمدترین است که کدام
546
00:16:47,040 –> 00:16:48,320
کم کارآمدترین است.
547
00:16:48,320 –> 00:16:50,320
548
00:16:50,320 –> 00:16:51,680
549
00:16:51,680 –> 00:16:53,440
پاسخ دهید زیرا
550
00:16:53,440 –> 00:16:55,440
داشتن چنین رویکردی
551
00:16:55,440 –> 00:16:57,440
که به آنها میگویم انتخابی در مورد آنچه باید انتخاب کنید به شما میدهم،
552
00:16:57,440 –> 00:16:58,800
553
00:16:58,800 –> 00:17:00,399
نه تنها برای
554
00:17:00,399 –> 00:17:02,160
مصاحبهکننده، بلکه برای مدیران شما،
555
00:17:02,160 –> 00:17:02,959
مشتریان
556
00:17:02,959 –> 00:17:05,119
شما، پروژه شما بسیار
557
00:17:05,119 –> 00:17:06,319
558
00:17:06,319 –> 00:17:08,880
تاثیرگذار است. شما به سرعت
559
00:17:08,880 –> 00:17:10,799
در زنجیره ای از اوه رشد می کنید، می دانید پایتون
560
00:17:10,799 –> 00:17:12,000
برای یادگیری ماشین درست
561
00:17:12,000 –> 00:17:13,839
سومین چیز، ایجاد مهارت های منطقی است
562
00:17:13,839 –> 00:17:15,439
درست
563
00:17:15,439 –> 00:17:16,959
، مهم ترین چیزی که شما بچه ها باید
564
00:17:16,959 –> 00:17:18,959
روی آن کار کنید این است که
565
00:17:18,959 –> 00:17:21,520
بفهمید چگونه می توانید آن چیز را به کار ببرید،
566
00:17:21,520 –> 00:17:22,640
مثلا اگر شما
567
00:17:22,640 –> 00:17:24,160
سعی می کنید یک الگوریتم یادگیری ماشینی
568
00:17:24,160 –> 00:17:26,160
را به جای تغییر
569
00:17:26,160 –> 00:17:27,839
نحو پیاده سازی کنید نه اینکه فقط
570
00:17:27,839 –> 00:17:29,919
می دانید چگونه می توانید آن را انجام دهید
571
00:17:29,919 –> 00:17:31,600
و آن را کپی کنید و آن را پیاده سازی کنید
572
00:17:31,600 –> 00:17:32,880
یا چیزی شبیه به این
573
00:17:32,880 –> 00:17:35,760
وقتی
574
00:17:35,760 –> 00:17:37,039
میخواهید نگاهی به
575
00:17:37,039 –> 00:17:38,640
یادگیری تحت نظارت، یادگیری بدون نظارت
576
00:17:38,640 –> 00:17:40,080
یا چیزی شبیه به آن بیاندازید، چرا درست استفاده میشود، معمولاً
577
00:17:40,080 –> 00:17:42,000
متوجه میشوید که چیست و چرا
578
00:17:42,000 –> 00:17:42,880
لازم است،
579
00:17:42,880 –> 00:17:44,880
اما در پایان دوره باید روی چه چیزی تمرکز
580
00:17:44,880 –> 00:17:46,000
کنید. روز این است
581
00:17:46,000 –> 00:17:49,360
که چگونه می توانید از آن برای
582
00:17:49,360 –> 00:17:51,679
حل مشکلات استفاده کنید، اگر تمایل دارید
583
00:17:51,679 –> 00:17:52,240
584
00:17:52,240 –> 00:17:54,640
به آن پاسخ
585
00:17:54,640 –> 00:17:56,480
دهید.
586
00:17:56,480 –> 00:17:58,240
587
00:17:58,240 –> 00:18:00,559
588
00:18:00,559 –> 00:18:02,880
توانایی افزایش مقیاس
589
00:18:02,880 –> 00:18:03,440
590
00:18:03,440 –> 00:18:05,120
است که امروز روی یک
591
00:18:05,120 –> 00:18:07,200
مجموعه داده بسیار کوچک کار می کنید و روی
592
00:18:07,200 –> 00:18:08,640
یک الگوریتم یادگیری ماشینی بسیار کوچک کار می کنید،
593
00:18:08,640 –> 00:18:09,440
594
00:18:09,440 –> 00:18:11,120
اما به محض اینکه وارد اولین
595
00:18:11,120 –> 00:18:12,480
کار خود شوید، شانس بسیار خوبی وجود دارد که
596
00:18:12,480 –> 00:18:14,320
قرار است روی یک مجموعه داده عظیم با
597
00:18:14,320 –> 00:18:15,679
یک تیم بسیار بزرگ
598
00:18:15,679 –> 00:18:17,919
کار کنید که روی یک زندگی واقعی یا یک
599
00:18:17,919 –> 00:18:19,919
پروژه صنعتی یا چیزی شبیه به این
600
00:18:19,919 –> 00:18:22,000
کار میکنند، اگر
601
00:18:22,000 –> 00:18:23,280
602
00:18:23,280 –> 00:18:26,080
با چالشهای متعدد خود را تقویت کردهاید، درست فکر کنید.
603
00:18:26,080 –> 00:18:27,520
es و
604
00:18:27,520 –> 00:18:28,799
میدانید که روی چالشهای برنامهنویسی کار
605
00:18:28,799 –> 00:18:30,400
کردهاید، به چندین پروژه حمله کردهاید
606
00:18:30,400 –> 00:18:31,120
607
00:18:31,120 –> 00:18:33,679
و چیزهایی را کشف کردهاید و
608
00:18:33,679 –> 00:18:35,280
فقط آن شکافی را
609
00:18:35,280 –> 00:18:37,200
که بین چیزهایی که اخیراً
610
00:18:37,200 –> 00:18:40,160
آموختهاید و اینکه چگونه میتوانید از آن به بهترین شکل استفاده کنید، پر کردهاید.
611
00:18:40,160 –> 00:18:42,480
از تواناییهای شما که مهارت
612
00:18:42,480 –> 00:18:44,960
برای این بخش بسیار مهم است،
613
00:18:44,960 –> 00:18:45,600
614
00:18:45,600 –> 00:18:48,720
بنابراین بچهها ما توضیح دادهایم که
615
00:18:48,720 –> 00:18:50,960
چرا باید پایتون را یاد بگیرید، همچنین
616
00:18:50,960 –> 00:18:52,720
تا حد زیادی
617
00:18:52,720 –> 00:18:54,240
متوجه شدهایم که برخی از این مهارتها چیست که
618
00:18:54,240 –> 00:18:54,799
معمولاً
619
00:18:54,799 –> 00:18:57,200
در مورد آنها صحبت نمیشود. هر زمان که
620
00:18:57,200 –> 00:18:58,640
می گویید مهارت های مورد نیاز چیست،
621
00:18:58,640 –> 00:18:59,840
مردم به شما می گویند
622
00:18:59,840 –> 00:19:00,960
یادگیری پایتون،
623
00:19:00,960 –> 00:19:02,480
شروع به یادگیری یادگیری ماشینی کنید، این
624
00:19:02,480 –> 00:19:04,880
کار را انجام دهید، اما افراد این مهارت ها را
625
00:19:04,880 –> 00:19:07,280
خواهند گفت، شما می دانید که ممکن است آن را
626
00:19:07,280 –> 00:19:08,480
خوانده باشید، ممکن است در مورد آن شنیده باشید،
627
00:19:08,480 –> 00:19:10,320
اما این مهارت ها مواردی
628
00:19:10,320 –> 00:19:12,160
که شما را در
629
00:19:12,160 –> 00:19:13,919
درازمدت هدایت خواهند کرد، بنابراین بسیار مهم است که شما
630
00:19:13,919 –> 00:19:15,120
بچه ها روی این موضوع تمرکز کنید،
631
00:19:15,120 –> 00:19:19,120
بنابراین اوه چیرانجیف می گوید آقا من یک
632
00:19:19,120 –> 00:19:20,640
سوال در مورد یادگیری ماشینی چیرینجی دارم،
633
00:19:20,640 –> 00:19:22,160
لطفاً به بخش نظر بگویید.
634
00:19:22,160 –> 00:19:24,000
یک سوال بپرسید من دوست دارم به آن پاسخ
635
00:19:24,000 –> 00:19:26,960
بدهم که آنجانا درست می گوید جولیا یا پایتون خوب
636
00:19:26,960 –> 00:19:28,480
آنجانا برای مورد یادگیری ماشینی،
637
00:19:28,480 –> 00:19:28,799
من
638
00:19:28,799 –> 00:19:31,679
قطعاً پایتون را پیشنهاد می کنم درست
639
00:19:31,679 –> 00:19:33,360
آه تقریباً مانند مسابقه ای است که در بهشت ساخته شده است، ح
640
00:19:33,360 –> 00:19:34,720
اقل به نظر من که قبلا بوده ام.
641
00:19:34,720 –> 00:19:35,760
642
00:19:35,760 –> 00:19:36,880
643
00:19:36,880 –> 00:19:38,720
الان حدود پنج سال است که روی پایتون و یادگیری ماشین کار میکنم، بنابراین
644
00:19:38,720 –> 00:19:40,480
من قطعاً معتقدم که باید همین الان
645
00:19:40,480 –> 00:19:41,360
646
00:19:41,360 –> 00:19:44,160
به سراغ زبان بروید.
647
00:19:44,160 –> 00:19:45,280
648
00:19:45,280 –> 00:19:47,520
649
00:19:47,520 –> 00:19:48,400
650
00:19:48,400 –> 00:19:50,240
651
00:19:50,240 –> 00:19:51,760
یادگیری ماشینی در
652
00:19:51,760 –> 00:19:53,120
این لحظه از
653
00:19:53,120 –> 00:19:55,440
یادگیری ماشین، حوزهای است
654
00:19:55,440 –> 00:19:56,720
که به
655
00:19:56,720 –> 00:19:58,640
معنای واقعی کلمه در هر زمینهای که امروز داریم به ما کمک میکند
656
00:19:58,640 –> 00:20:00,400
، اما چیزی که باید
657
00:20:00,400 –> 00:20:01,440
بدانید این است که
658
00:20:01,440 –> 00:20:03,679
یادگیری ماشین پایهای برای
659
00:20:03,679 –> 00:20:05,360
هوش مصنوعی است
660
00:20:05,360 –> 00:20:07,760
و واقعا باید با شما
661
00:20:07,760 –> 00:20:09,360
در مورد
662
00:20:09,360 –> 00:20:11,919
روندها یا در مورد آینده Ai صحبت کنم، زیرا
663
00:20:11,919 –> 00:20:12,400
باز هم
664
00:20:12,400 –> 00:20:14,080
هر دامنه ای که در مورد آن در بخش مالی فروش صحبت می کنید،
665
00:20:14,080 –> 00:20:15,760
666
00:20:15,760 –> 00:20:18,880
لجستیک درست است، بهداشت و درمان w
667
00:20:18,880 –> 00:20:20,400
هر گاه در مورد هر دامنه ای فکر می کنید
668
00:20:20,400 –> 00:20:22,400
همه در همه این حوزه های فنی
669
00:20:22,400 –> 00:20:24,080
غیر فنی به هر آنچه که
670
00:20:24,080 –> 00:20:26,080
همه می خواهند به آن
671
00:20:26,080 –> 00:20:28,320
برسند شما سطحی از هوش را به آنها می شناسید آنها
672
00:20:28,320 –> 00:20:30,080
می خواهند سطحی از هوش را به محصولات خود بیاورند در
673
00:20:30,080 –> 00:20:30,880
674
00:20:30,880 –> 00:20:32,799
صورتی که چنین است اگر شما هستید
675
00:20:32,799 –> 00:20:34,240
با دانستن این نکته بسیار واضح است که
676
00:20:34,240 –> 00:20:36,880
اوه، این ما را به سمت
677
00:20:36,880 –> 00:20:39,200
شما می برد که یک یا دو قدم به آن چیزی نزدیکتر شوید
678
00:20:39,200 –> 00:20:41,520
که برای شما بسیار مهم است، بنابراین
679
00:20:41,520 –> 00:20:43,039
در پایان روز،
680
00:20:43,039 –> 00:20:43,919
یادگیری
681
00:20:43,919 –> 00:20:46,880
ماشینی یادگیری ماشین چیزی نیست جز برنامه ها
682
00:20:46,880 –> 00:20:48,559
و الگوریتمهایی که در پایان
683
00:20:48,559 –> 00:20:49,039
روز
684
00:20:49,039 –> 00:20:52,000
به شما کمک میکنند به گونهای به شما کمک کنند که
685
00:20:52,000 –> 00:20:52,720
686
00:20:52,720 –> 00:20:54,799
توانایی یادگیری چیزها را به تنهایی داشته باشد، این
687
00:20:54,799 –> 00:20:56,240
توانایی را دارد که
688
00:20:56,240 –> 00:20:59,280
به تنهایی پیشرفت کند، بنابراین
689
00:20:59,280 –> 00:21:01,200
هر زمان که برنامهای مینویسید
690
00:21:01,200 –> 00:21:02,799
مطمئن هستم که شما می توانید یک برنامه را به سه روش مختلف بنویسید،
691
00:21:02,799 –> 00:21:03,919
692
00:21:03,919 –> 00:21:05,520
اما کاری که شما در اینجا انجام می دهید این است که
693
00:21:05,520 –> 00:21:07,760
به ماشین یاد می دهید که
694
00:21:07,760 –> 00:21:10,960
همه چیز را به تنهایی درک کند، اکنون ممکن است بگویید
695
00:21:10,960 –> 00:21:13,840
هی می دانم که یادگیری ماشینی این است که می
696
00:21:13,840 –> 00:21:15,120
دانید در حال آموزش کامپیوتر هستید اما
697
00:21:15,120 –> 00:21:16,640
تو نیستی nk کامپیوتر شما در حال حاضر
698
00:21:16,640 –> 00:21:17,919
هوشمند است
699
00:21:17,919 –> 00:21:19,600
و پاسخ به آن قابل بحث است
700
00:21:19,600 –> 00:21:21,280
زیرا در پایان روز
701
00:21:21,280 –> 00:21:23,280
می دانید که ممکن است سریع ترین
702
00:21:23,280 –> 00:21:24,720
کامپیوتر جهان را در حال حاضر در مقابل خود داشته باشید،
703
00:21:24,720 –> 00:21:25,600
704
00:21:25,600 –> 00:21:28,000
اما اگر تازه شروع به غواصی عمیق در
705
00:21:28,000 –> 00:21:30,640
مورد نحوه درک آن کنید. در
706
00:21:30,640 –> 00:21:33,120
ابتدایی ترین سطح خود، فقط دو چیز را درک می کند
707
00:21:33,120 –> 00:21:33,840
که
708
00:21:33,840 –> 00:21:37,200
صفر است و یکی درست است،
709
00:21:37,200 –> 00:21:38,880
ترکیبی را ایجاد می کند و تریلیون ها
710
00:21:38,880 –> 00:21:40,559
ترکیب صفر و یک می سازد تا
711
00:21:40,559 –> 00:21:41,280
در واقع
712
00:21:41,280 –> 00:21:42,960
اوهوم، می دانید که در واقع رایانه
713
00:21:42,960 –> 00:21:44,880
من در حال حاضر این کار را انجام می دهد تا به شما نشان دهد
714
00:21:44,880 –> 00:21:46,640
آهان این ppd خاص که درست می
715
00:21:46,640 –> 00:21:49,039
بینید، بنابراین در پایان روز
716
00:21:49,039 –> 00:21:51,679
بله، می تواند هوشمندانه به نظر برسد،
717
00:21:51,679 –> 00:21:52,240
اما
718
00:21:52,240 –> 00:21:54,320
وقتی شروع به فرو رفتن در
719
00:21:54,320 –> 00:21:55,520
یادگیری ماشینی می کنید، متوجه خواهید شد،
720
00:21:55,520 –> 00:21:57,520
اوه، خوب، بنابراین ما
721
00:21:57,520 –> 00:21:58,720
باید به این روش برویم.
722
00:21:58,720 –> 00:22:00,559
الگوریتم یادگیری ماشین ما را آموزش دهید
723
00:22:00,559 –> 00:22:02,240
زیرا شما به آن عکس می دهید
724
00:22:02,240 –> 00:22:04,400
به محض اینکه تصویری را می بیند آن را
725
00:22:04,400 –> 00:22:05,360
درک نمی کند
726
00:22:05,360 –> 00:22:06,880
، تصویر را بر
727
00:22:06,880 –> 00:22:08,960
حسب اعداد بر حسب پیکسل بر حسب
728
00:22:08,960 –> 00:22:09,360
729
00:22:09,360 –> 00:22:11,360
uh you kn می بیند. اوه همه این مقادیر و همه
730
00:22:11,360 –> 00:22:12,799
اینها درست است، بنابراین
731
00:22:12,799 –> 00:22:16,000
شما باید راهی
732
00:22:16,000 –> 00:22:17,520
برای آموزش این الگوریتمهای یادگیری ماشین داشته باشید
733
00:22:17,520 –> 00:22:19,200
و به خصوص با توجه
734
00:22:19,200 –> 00:22:19,600
به
735
00:22:19,600 –> 00:22:21,039
یادگیری ماشینی، میدانید که
736
00:22:21,039 –> 00:22:23,280
انواع مختلفی از یادگیری ماشینی دارید، درست
737
00:22:23,280 –> 00:22:25,679
یادگیری تحت نظارت و بدون نظارت
738
00:22:25,679 –> 00:22:26,320
یادگیری
739
00:22:26,320 –> 00:22:29,200
و یادگیری تقویتی در حال حاضر به
740
00:22:29,200 –> 00:22:30,400
شما قول می دهم که از
741
00:22:30,400 –> 00:22:32,080
یادگیری نظارت شده بدون نظارت و در
742
00:22:32,080 –> 00:22:34,240
واقع حتی از یادگیری تقویتی در زندگی واقعی خود استفاده کرده اید،
743
00:22:34,240 –> 00:22:35,360
744
00:22:35,360 –> 00:22:37,039
حتی اگر برنامه نویس نیستید، حتی
745
00:22:37,039 –> 00:22:39,039
اگر هرگز از یادگیری ماشینی استفاده نکرده اید،
746
00:22:39,039 –> 00:22:41,360
شما از این مفاهیم استفاده کرده اید.
747
00:22:41,360 –> 00:22:44,240
به شما بگویم بیایید
748
00:22:44,240 –> 00:22:46,080
749
00:22:46,080 –> 00:22:48,080
اکنون با یادگیری نظارت شده شروع کنیم، خانم ها و آقایان در یادگیری تحت نظارت چه اتفاقی می
750
00:22:48,080 –> 00:22:49,360
751
00:22:49,360 –> 00:22:51,039
افتد، فقط همین حالا به
752
00:22:51,039 –> 00:22:52,880
صفحه نمایش خود با دقت
753
00:22:52,880 –> 00:22:54,559
نگاه کنید، عکس های گل ها را
754
00:22:54,559 –> 00:22:56,240
می بینید و عکس هایی از دمبل ها
755
00:22:56,240 –> 00:22:57,760
را خواهید دید. حالا یک عکس از ماشین را
756
00:22:57,760 –> 00:23:00,880
درست ببینید حتی اگر نقاب زده بودم
757
00:23:00,880 –> 00:23:02,240
اینها درست هستند، می بینید که من
758
00:23:02,240 –> 00:23:03,919
گل دمبل و ماشین
759
00:23:03,919 –> 00:23:06,159
را نوشته ام. حتی اگر این
760
00:23:06,159 –> 00:23:07,760
روی صفحه نمایش داده نمی شد این را پوشانده بود،
761
00:23:07,760 –> 00:23:09,120
آیا فکر نمی کنید می توانستید حدس
762
00:23:09,120 –> 00:23:11,039
بزنید چه چیزی را روی صفحه خود دیده
763
00:23:11,039 –> 00:23:12,320
اید و می بینید
764
00:23:12,320 –> 00:23:14,640
چرا اینطور است زیرا شما
765
00:23:14,640 –> 00:23:15,760
آن را درست یاد گرفته اید.
766
00:23:15,760 –> 00:23:18,400
این تنها عکسی از
767
00:23:18,400 –> 00:23:20,159
گلی نیست که در تمام
768
00:23:20,159 –> 00:23:21,600
زندگی
769
00:23:21,600 –> 00:23:23,120
تان دیده اید، این تنها دمبلی نیست که در تمام زندگی تان دیده اید،
770
00:23:23,120 –> 00:23:24,240
این تنها ماشینی
771
00:23:24,240 –> 00:23:26,720
نیست که در تمام زندگی تان دیده اید،
772
00:23:26,720 –> 00:23:28,400
پس اوه
773
00:23:28,400 –> 00:23:30,400
برای رایانه شما همه اینها
774
00:23:30,400 –> 00:23:32,080
کاملاً کاملاً جدید هستند زیرا در نهایت
775
00:23:32,080 –> 00:23:32,720
776
00:23:32,720 –> 00:23:35,039
با توجه به یادگیری نظارت شده همانطور
777
00:23:35,039 –> 00:23:36,799
که از نام خود نشان می دهد
778
00:23:36,799 –> 00:23:38,320
در هنگام آموزش الگوریتم یادگیری ماشین شما
779
00:23:38,320 –> 00:23:40,480
به نوعی نظارت نیاز دارد
780
00:23:40,480 –> 00:23:41,360
781
00:23:41,360 –> 00:23:43,840
اکنون منظور من از آن بسیار ساده است
782
00:23:43,840 –> 00:23:45,039
وقتی که شما مجدداً یک الگوریتم یادگیری ماشینی را آموزش دهید،
783
00:23:45,039 –> 00:23:45,760
784
00:23:45,760 –> 00:23:47,200
به خصوص در مورد یادگیری نظارت شده،
785
00:23:47,200 –> 00:23:49,200
شما تصاویری از
786
00:23:49,200 –> 00:23:50,000
گل ها
787
00:23:50,000 –> 00:23:52,559
را به آن می دهید تا بفهمد، از چندین
788
00:23:52,559 –> 00:23:54,400
عکس از گل ها استفاده می کند تا
789
00:23:54,400 –> 00:23:56,559
بفهمد که یک گل چگونه به نظر می رسد، متوجه می
790
00:23:56,559 –> 00:23:58,960
شود که یک گل h همانطور که برای داشتن گلبرگ
791
00:23:58,960 –> 00:24:00,640
باید یک جوانه در بین آن داشته باشد،
792
00:24:00,640 –> 00:24:02,640
باید یک ساقه داشته باشد، شاید یک
793
00:24:02,640 –> 00:24:03,120
دو
794
00:24:03,120 –> 00:24:05,360
ریشه برگ داشته باشد و همه اینها درست است، بنابراین
795
00:24:05,360 –> 00:24:07,440
هزاران تصویر از
796
00:24:07,440 –> 00:24:09,279
گل را ببیند و خوب باشد، پس این
797
00:24:09,279 –> 00:24:11,200
این چیزی است که یک گل شبیه
798
00:24:11,200 –> 00:24:13,279
آن است که یادگیری تحت نظارت است، اما در اینجا
799
00:24:13,279 –> 00:24:14,640
چیزی که شما می گویید این است که
800
00:24:14,640 –> 00:24:16,960
هی اینجا یک عکس از یک گل است
801
00:24:16,960 –> 00:24:18,559
که به آن می گویید 100
802
00:24:18,559 –> 00:24:20,400
که این یک گل است و
803
00:24:20,400 –> 00:24:22,400
می گوید خوب است، بنابراین اگر این یک گل است. اجازه
804
00:24:22,400 –> 00:24:24,320
دهید از این استفاده کنم تا یاد بگیرم که همه گل های دیگر چگونه به
805
00:24:24,320 –> 00:24:25,679
نظر می رسند
806
00:24:25,679 –> 00:24:27,840
که به معنای بسیار ساده،
807
00:24:27,840 –> 00:24:29,200
خانم ها و آقایان تحت نظارت
808
00:24:29,200 –> 00:24:31,279
هستند، بنابراین حتی در زندگی واقعی خود
809
00:24:31,279 –> 00:24:32,640
نیز همین کار را
810
00:24:32,640 –> 00:24:32,960
در
811
00:24:32,960 –> 00:24:34,559
زمانی که در کودکی یاد می گرفتید انجام می دادید.
812
00:24:34,559 –> 00:24:36,080
دو تا
813
00:24:36,080 –> 00:24:38,320
ماشین می دیدی و متوجه می شدی که یک ماشین
814
00:24:38,320 –> 00:24:39,120
815
00:24:39,120 –> 00:24:40,960
در حال حاضر چه شکلی است، دوچرخه را نخواهی دید و به
816
00:24:40,960 –> 00:24:43,200
اشتباه نمی گویید ماشین است
817
00:24:43,200 –> 00:24:45,440
، مطمئنم هیچ کدام از شما این کار را درست انجام نمی دهید
818
00:24:45,440 –> 00:24:47,600
چرا چون مغزتان آموزش دیده است.
819
00:24:47,600 –> 00:24:49,360
الگوریتم های سر شما در s آموزش دیده اند
820
00:24:49,360 –> 00:24:51,200
روشی که در آن به محض اینکه به
821
00:24:51,200 –> 00:24:52,000
یک ماشین نگاه کرد
822
00:24:52,000 –> 00:24:53,679
، نه تنها متوجه میشوید که ماشین است، بلکه
823
00:24:53,679 –> 00:24:55,840
میتوانید حدس بزنید چه مدلی است، چه رنگی
824
00:24:55,840 –> 00:24:56,240
است،
825
00:24:56,240 –> 00:24:58,720
اوه شما میدانید که چقدر سریع در
826
00:24:58,720 –> 00:25:00,799
کدام کشورها حرکت میکند، بنابراین میتوانید مثل یک
827
00:25:00,799 –> 00:25:02,240
تن ماشین پیدا کنید. چیزهای مختلف
828
00:25:02,240 –> 00:25:04,320
به راحتی در ذهن شما با توجه به
829
00:25:04,320 –> 00:25:05,360
یادگیری نظارت شده انجام می
830
00:25:05,360 –> 00:25:08,000
دهیم، ما به انجام یک کار بسیار مشابه به
831
00:25:08,000 –> 00:25:09,120
درستی ادامه می دهیم،
832
00:25:09,120 –> 00:25:11,679
بنابراین در واقع گروه هایی وجود دارند که
833
00:25:11,679 –> 00:25:13,039
وقتی به یادگیری ماشین نگاهی بیندازید،
834
00:25:13,039 –> 00:25:14,240
به شما گفتم که یادگیری ماشین
835
00:25:14,240 –> 00:25:15,679
به
836
00:25:15,679 –> 00:25:17,520
یادگیری ماشین نظارت شده تقسیم می شود. بدون نظارت
837
00:25:17,520 –> 00:25:18,880
و تقویت
838
00:25:18,880 –> 00:25:20,799
در خود نظارت ما دو
839
00:25:20,799 –> 00:25:22,960
بخش به نام های رگرسیون و
840
00:25:22,960 –> 00:25:24,480
طبقه بندی داریم که
841
00:25:24,480 –> 00:25:26,720
اکنون رگرسیون بسیار جالب
842
00:25:26,720 –> 00:25:28,559
است، قول می دهم
843
00:25:28,559 –> 00:25:30,320
اگر دستیار گوگل یا
844
00:25:30,320 –> 00:25:32,320
سیری خود را همین الان باز کنید و بگویید
845
00:25:32,320 –> 00:25:34,240
هوای فردا
846
00:25:34,240 –> 00:25:35,919
صبح چگونه است، از این استفاده کنید. آیا فکر
847
00:25:35,919 –> 00:25:37,520
نمی کنید به شما پاسخی بدهد، به
848
00:25:37,520 –> 00:25:38,960
شما پاسخ خواهد داد، پاسخ بسیار دقیقی به شما خواهد داد،
849
00:25:38,960 –> 00:25:40,559
850
00:25:40,559 –> 00:25:42,559
بنابراین با توجه به رگرسیون،
851
00:25:42,559 –> 00:25:44,000
مفهومی است که شما در آن هستید
852
00:25:44,000 –> 00:25:46,480
ارزشهای گذشته و ارزشهای حال را در نظر
853
00:25:46,480 –> 00:25:48,480
میگیرید و در واقع سعی میکنید پیشبینی کنید
854
00:25:48,480 –> 00:25:50,240
که در آینده چه اتفاقی میافتد،
855
00:25:50,240 –> 00:25:52,640
میتوانید به دو روش پیشبینی کنید،
856
00:25:52,640 –> 00:25:54,480
یکی که میتوانید بهطور تصادفی درست حدس بزنید،
857
00:25:54,480 –> 00:25:56,159
به شما میگویم که فردا در بنگلور آفتابی است.
858
00:25:56,159 –> 00:25:57,600
به احتمال بسیار زیاد
859
00:25:57,600 –> 00:25:59,600
فردا کل روز باران خواهد بارید،
860
00:25:59,600 –> 00:26:01,440
اما اگر از گوگل این سوال را بپرسید
861
00:26:01,440 –> 00:26:02,640
داده های زیادی
862
00:26:02,640 –> 00:26:05,279
دارد که می تواند یک حدس بسیار
863
00:26:05,279 –> 00:26:07,440
بسیار دقیق و حساب
864
00:26:07,440 –> 00:26:10,159
شده با پشتوانه داده ها به شما بدهد و بگوید سلام فردا
865
00:26:10,159 –> 00:26:11,120
70
866
00:26:11,120 –> 00:26:13,120
شانس وجود دارد. باران و شما بچه ها ممکن است
867
00:26:13,120 –> 00:26:14,799
قبلاً مشاهده کرده باشید که بسیار
868
00:26:14,799 –> 00:26:15,840
دقیق است، بنابراین این
869
00:26:15,840 –> 00:26:18,640
طبقه بندی رگرسیون است که
870
00:26:18,640 –> 00:26:19,600
شما اکنون در زندگی واقعی خود از آن استفاده کرده اید،
871
00:26:19,600 –> 00:26:21,520
اگر من به شما چند پرتقال
872
00:26:21,520 –> 00:26:23,279
بدهم و اگر به شما یک دو
873
00:26:23,279 –> 00:26:25,120
سیب درست بدهم، بنابراین من. من آن را مخلوط می
874
00:26:25,120 –> 00:26:26,720
کنم و می خواهم آن را در یک کیسه به شما بدهم
875
00:26:26,720 –> 00:26:28,880
و اگر بگویم سلام بچه ها می توانید این را
876
00:26:28,880 –> 00:26:29,919
بر اساس میوه تقسیم کنید
877
00:26:29,919 –> 00:26:32,159
درست می توانید این را بر اساس نوع میوه فیلتر کنید،
878
00:26:32,159 –> 00:26:33,600
فکر نمی کنید بچه ها می توانید این کار را
879
00:26:33,600 –> 00:26:35,440
انجام دهید. همه سیب ها را در سمت چپ قرار دهید
880
00:26:35,440 –> 00:26:37,279
همه پرتقالها در سمت راست هستند،
881
00:26:37,279 –> 00:26:38,960
اما اکنون اگر الگوریتم یادگیری ماشین خود را
882
00:26:38,960 –> 00:26:41,200
برای یادگیری این کار و
883
00:26:41,200 –> 00:26:41,679
انجام آن انتخاب
884
00:26:41,679 –> 00:26:43,360
کنید، از روشی برای یادگیری
885
00:26:43,360 –> 00:26:45,200
به نام طبقهبندی استفاده میکنید، در آنجا من بسیار ساده هستم،
886
00:26:45,200 –> 00:26:46,799
887
00:26:46,799 –> 00:26:49,679
بنابراین اگر یادگیری نظارت شده به شما مربوط است.
888
00:26:49,679 –> 00:26:50,080
889
00:26:50,080 –> 00:26:51,840
ماشین هی این همان چیزی است که
890
00:26:51,840 –> 00:26:53,440
اکنون از آن برای یادگیری استفاده کنید
891
00:26:53,440 –> 00:26:55,200
درست مثل این که بگویید می دانید این یک
892
00:26:55,200 –> 00:26:56,799
کتاب درسی است آن را یاد بگیرید و در نهایت بیایید
893
00:26:56,799 –> 00:26:58,000
یک امتحان بنویسید.
894
00:26:58,000 –> 00:27:00,799
895
00:27:00,799 –> 00:27:02,159
896
00:27:02,159 –> 00:27:05,120
897
00:27:05,120 –> 00:27:06,799
تصویر
898
00:27:06,799 –> 00:27:08,720
گل من تصویر یکسانی از ماشین دارم
899
00:27:08,720 –> 00:27:10,159
من همان تصویری از دمبل دارم
900
00:27:10,159 –> 00:27:12,320
اما در اینجا کاری که می خواهم انجام دهم این است
901
00:27:12,320 –> 00:27:13,200
که بگویم هی
902
00:27:13,200 –> 00:27:15,200
اینجا تصویر یک گل است اما به آن نمی
903
00:27:15,200 –> 00:27:17,120
گویم که این یک گل است گل من می گویم
904
00:27:17,120 –> 00:27:18,880
هی می فهمی چه چیزی
905
00:27:18,880 –> 00:27:20,640
را می بینی و درست به من می گویی،
906
00:27:20,640 –> 00:27:23,919
بنابراین جدا از اینکه فقط
907
00:27:23,919 –> 00:27:26,159
ورودی های واقعی را به آن می دهم،
908
00:27:26,159 –> 00:27:27,919
به هیچ وجه آن را به هیچ وجه نمی گویم، من نخواهم
909
00:27:27,919 –> 00:27:29,360
بود دادن هر برچسبی
910
00:27:29,360 –> 00:27:32,159
که واقعاً به چه چیزی بگوید دادهها همان کاری است
911
00:27:32,159 –> 00:27:34,559
که انجام میدهد، خودش شروع به یادگیری میکند
912
00:27:34,559 –> 00:27:36,240
، ساختاری را پیدا میکند و
913
00:27:36,240 –> 00:27:38,559
با استفاده از یادگیری خود میداند که
914
00:27:38,559 –> 00:27:40,559
یک دمبل با استفاده از یادگیری خود چگونه به نظر میرسد،
915
00:27:40,559 –> 00:27:42,480
میداند که یک ماشین چگونه به نظر میرسد،
916
00:27:42,480 –> 00:27:43,840
حتی اگر نداند که به این
917
00:27:43,840 –> 00:27:45,919
نام خوانده میشود. یک ماشین اما به محض اینکه
918
00:27:45,919 –> 00:27:47,279
عکس دیگری از یک ماشین می
919
00:27:47,279 –> 00:27:49,520
بیند می فهمد هی، پس این همان چیزی است
920
00:27:49,520 –> 00:27:50,480
که در حال انجام است،
921
00:27:50,480 –> 00:27:53,039
بنابراین یک رویکردی است که
922
00:27:53,039 –> 00:27:54,799
شما فقط از آن ساختاری را
923
00:27:54,799 –> 00:27:56,159
می خواهید که در آن فقط ماهیت را به آن آموزش می دهید
924
00:27:56,159 –> 00:27:56,880
925
00:27:56,880 –> 00:27:58,399
و در نهایت به
926
00:27:58,399 –> 00:28:01,120
عقب برگردید تا به شما پاسخ دهید این
927
00:28:01,120 –> 00:28:03,919
روش یادگیری به نظر من کاملاً شگفتانگیز است
928
00:28:03,919 –> 00:28:04,880
929
00:28:04,880 –> 00:28:07,440
و در اینجا نیز دو نوع بسیار ساده وجود دارد،
930
00:28:07,440 –> 00:28:08,399
931
00:28:08,399 –> 00:28:09,760
یکی ما چیزی به نام
932
00:28:09,760 –> 00:28:11,440
خوشهبندی داریم.
933
00:28:11,440 –> 00:28:13,520
اوه دوباره شما از این درست استفاده کنید، بنابراین اگر من بدهم
934
00:28:13,520 –> 00:28:15,440
شما سیب های خام و اگر من به شما
935
00:28:15,440 –> 00:28:16,640
سیب را برای خوردن آماده
936
00:28:16,640 –> 00:28:18,080
کنم، فرض کنید چند تا از آنها هنوز
937
00:28:18,080 –> 00:28:20,399
سبز هستند و رسیده نیستند، دو تای آنها فوق العاده
938
00:28:20,399 –> 00:28:21,760
قرمز رسیده و آبدار هستند،
939
00:28:21,760 –> 00:28:23,760
حالا اگر بگویم هی می
940
00:28:23,760 –> 00:28:26,080
توانید این را بین میوه خام و میوه رسیده طبقه بندی کنید.
941
00:28:26,080 –> 00:28:26,960
942
00:28:26,960 –> 00:28:29,279
نمیتوانی آنقدر خوب که قبلاً این کار را انجام
943
00:28:29,279 –> 00:28:30,720
دادهای، مطمئن هستم که درست زمانی که
944
00:28:30,720 –> 00:28:31,919
به خرید مواد غذایی رفتهای یا
945
00:28:31,919 –> 00:28:32,880
946
00:28:32,880 –> 00:28:34,320
چیزی با پدر و مادرت میدانی،
947
00:28:34,320 –> 00:28:35,520
یا چیزی شبیه به آن
948
00:28:35,520 –> 00:28:36,640
را انجام میدادی. این
949
00:28:36,640 –> 00:28:38,799
که به معنای واقعی کلمه خوشهبندی است و اگر
950
00:28:38,799 –> 00:28:40,880
به رایانهتان بفهمانید که آیا
951
00:28:40,880 –> 00:28:42,240
الگوریتم یادگیری ماشینی را دریافت میکنید تا
952
00:28:42,240 –> 00:28:42,799
متوجه شوید
953
00:28:42,799 –> 00:28:44,799
که چه ویژگیهایی را دریافت میکنید یا در این مورد به
954
00:28:44,799 –> 00:28:46,080
آن ویژگیهایی میگوییم
955
00:28:46,080 –> 00:28:48,399
که هنگام
956
00:28:48,399 –> 00:28:49,919
انجام این مقایسه یا هنگام
957
00:28:49,919 –> 00:28:50,880
خوشهبندی آن
958
00:28:50,880 –> 00:28:54,080
در گروههای بسیار مشابه، باید به دنبال چه ویژگیهایی باشد. درست است،
959
00:28:54,080 –> 00:28:55,520
بنابراین نه تنها
960
00:28:55,520 –> 00:28:57,360
چیزی به نام تداعی وجود دارد که در اینجا
961
00:28:57,360 –> 00:28:59,520
اکنون ارتباط بسیار خارقالعاده و
962
00:28:59,520 –> 00:29:01,360
شیک است،
963
00:29:01,360 –> 00:29:02,880
مجدداً شما ممکن است مستقیماً از انجمن استفاده نکرده باشید،
964
00:29:02,880 –> 00:29:04,960
اما
965
00:29:04,960 –> 00:29:05,600
966
00:29:05,600 –> 00:29:08,000
اگر میخواهید به آمازون یا هر تجارت الکترونیکی دیگری از آن استفاده کنید، اکنون از آن استفاده
967
00:29:08,000 –> 00:29:09,919
میکردید. سایتی مانند آن و
968
00:29:09,919 –> 00:29:10,320
اگر
969
00:29:10,320 –> 00:29:12,559
فقط بگویید سلام، اکنون می خواهم چند مداد بخرم
970
00:29:12,559 –> 00:29:13,440
971
00:29:13,440 –> 00:29:15,440
چه کاری که آمازون انجام می دهد به محض
972
00:29:15,440 –> 00:29:17,360
اینکه چند مداد به سبد خرید خود اضافه
973
00:29:17,360 –> 00:29:19,840
کردید، در واقع سعی می کند بگوید سلام
974
00:29:19,840 –> 00:29:21,760
افرادی که مداد
975
00:29:21,760 –> 00:29:24,399
خریدهاند، یک دفترچه یادداشت کوچک یا
976
00:29:24,399 –> 00:29:25,679
چیزی شبیه به آن نیز خریدهاند، پس آیا میخواهید
977
00:29:25,679 –> 00:29:27,360
آن را بخرید، اگر
978
00:29:27,360 –> 00:29:30,080
دیدید که واقعاً
979
00:29:30,080 –> 00:29:31,360
این الگوریتم یادگیری ماشینی آنهاست،
980
00:29:31,360 –> 00:29:32,320
اساساً ربات هوش مصنوعی آنهاست که به آنها
981
00:29:32,320 –> 00:29:34,559
میگوید سلام،
982
00:29:34,559 –> 00:29:36,399
پس اگر شخصی دارد یک خودکار یا
983
00:29:36,399 –> 00:29:37,679
کاغذ یا چیزی شبیه به آن خریده است، احتمال زیادی وجود دارد
984
00:29:37,679 –> 00:29:39,360
که او
985
00:29:39,360 –> 00:29:41,120
چیزهای دیگر را بخرد، بنابراین بیایید در واقع
986
00:29:41,120 –> 00:29:42,240
توصیه کنیم
987
00:29:42,240 –> 00:29:43,919
اکنون ممکن است فکر کنید که هی، پس چه کسی
988
00:29:43,919 –> 00:29:45,840
میخرد که من برای یک خودکار آمدم، من فقط یک قلم میخرم.
989
00:29:45,840 –> 00:29:46,640
قلم
990
00:29:46,640 –> 00:29:48,640
اما شرکتی مانند آمازون
991
00:29:48,640 –> 00:29:50,480
حدود 30 35
992
00:29:50,480 –> 00:29:53,520
از کل فروش خود را
993
00:29:53,520 –> 00:29:55,679
تنها با
994
00:29:55,679 –> 00:29:57,760
استفاده از این مفهوم تداعی
995
00:29:57,760 –> 00:29:59,679
تنها با گفتن به مردم با گفتن به مردم هی افرادی که
996
00:29:59,679 –> 00:30:01,200
این را خریده اند نیز خرید کرده اند، میلیون ها و میلیون ها دلار از کل فروش
997
00:30:01,200 –> 00:30:02,880
خود را به فروش می رساند.
998
00:30:02,880 –> 00:30:04,880
این همان کاری است که آنها انجام میدهند
999
00:30:04,880 –> 00:30:05,840
و در پایان روز با
1000
00:30:05,840 –> 00:30:07,679
انجام درست این کار درآمد زیادی به دست میآورند،
1001
00:30:07,679 –> 00:30:09,919
بنابراین یک برنامه کاربردی جذاب است
1002
00:30:09,919 –> 00:30:13,039
که اکنون در دنیای واقعی استفاده
1003
00:30:13,039 –> 00:30:14,960
میشود. ng انجام می شود
1004
00:30:14,960 –> 00:30:16,720
یادگیری بدون نظارت انجام می شود اما
1005
00:30:16,720 –> 00:30:17,679
چیزی به نام
1006
00:30:17,679 –> 00:30:20,000
1007
00:30:20,000 –> 00:30:21,520
یادگیری تقویتی وجود دارد
1008
00:30:21,520 –> 00:30:23,279
که وقتی به آن نگاه می کنید بچه ها به
1009
00:30:23,279 –> 00:30:24,960
بخش نظرات بروید و به من بگویید اگر
1010
00:30:24,960 –> 00:30:26,240
حیوان خانگی داشته
1011
00:30:26,240 –> 00:30:27,760
اید اگر دارید به من اطلاع دهید اگر دارید به من اطلاع
1012
00:30:27,760 –> 00:30:29,679
دهید. یک گربه اگر سگ دارید به من اطلاع دهید زیرا اگر
1013
00:30:29,679 –> 00:30:30,159
سگ دارید
1014
00:30:30,159 –> 00:30:32,080
این مثال واقعاً خوب کار خواهد کرد
1015
00:30:32,080 –> 00:30:34,880
، به شما می گویم چرا
1016
00:30:34,880 –> 00:30:36,960
تا به حال دیده اید که مربی
1017
00:30:36,960 –> 00:30:38,640
واقعاً به سگی آموزش می دهد
1018
00:30:38,640 –> 00:30:40,640
شما چیزهای زیادی را می دانید که چگونه چگونه بنشیند.
1019
00:30:40,640 –> 00:30:42,320
دست بدهید و همه اینها
1020
00:30:42,320 –> 00:30:45,039
اگر به دقت مشاهده کنید، مربی
1021
00:30:45,039 –> 00:30:46,640
در واقع
1022
00:30:46,640 –> 00:30:48,880
یک بیسکویت کوچک
1023
00:30:48,880 –> 00:30:50,000
به
1024
00:30:50,000 –> 00:30:52,399
سگ می دهد، می دانید اگر سگ واقعاً در
1025
00:30:52,399 –> 00:30:54,320
حال حاضر به آنچه مربی می گوید گوش می دهد،
1026
00:30:54,320 –> 00:30:56,720
من می دانم که برخی از گربه ها این کار را انجام می دهند و برخی از
1027
00:30:56,720 –> 00:30:58,320
گربهها فقط دم خود را تکان میدهند و
1028
00:30:58,320 –> 00:30:59,600
درست فرار میکنند تا
1029
00:30:59,600 –> 00:31:02,000
روی گربهها کار نکند، اما این مثال به
1030
00:31:02,000 –> 00:31:03,919
زیبایی روی سگها
1031
00:31:03,919 –> 00:31:06,480
کار میکند، بنابراین بیایید بگوییم که ما
1032
00:31:06,480 –> 00:31:08,399
سگ را آموزش میدهیم که
1033
00:31:08,399 –> 00:31:10,640
اگر به درستی آن را آموزش میدهید، اکنون به شما دست بدهد.
1034
00:31:10,640 –> 00:31:12,399
می دانم میدانید اگر یک مربی حرفهای
1035
00:31:12,399 –> 00:31:14,399
در حال آموزش آن باشد
1036
00:31:14,399 –> 00:31:15,919
، یک بیسکویت کوچک به آن میدهد،
1037
00:31:15,919 –> 00:31:18,240
بنابراین نظر سگ این است که اگر من
1038
00:31:18,240 –> 00:31:19,360
دست بدهم،
1039
00:31:19,360 –> 00:31:21,440
میدانید که اگر
1040
00:31:21,440 –> 00:31:22,640
دست بدهم، بیسکویت
1041
00:31:22,640 –> 00:31:24,559
میگیرم. چیزی برای خوردن
1042
00:31:24,559 –> 00:31:26,000
بیاورم، من یک خوراکی یا چیزی شبیه آن درست میکنم،
1043
00:31:26,000 –> 00:31:28,320
بنابراین سگ روی آن تمرکز میکند، من
1044
00:31:28,320 –> 00:31:29,120
آن بیسکویت را
1045
00:31:29,120 –> 00:31:32,080
میخواهم، همین الان آن خوراکی را میخواهم
1046
00:31:32,080 –> 00:31:34,000
، اگر به سگی بروید، مربی اگر سگ
1047
00:31:34,000 –> 00:31:35,919
را فرار کند، بیسکویت نمیدهد. سگ و بگو
1048
00:31:35,919 –> 00:31:37,600
هی می توانم دست بدهم یا چیز دیگری
1049
00:31:37,600 –> 00:31:39,360
و اگر سگ فقط دمش را تکان می دهد و
1050
00:31:39,360 –> 00:31:40,080
فرار
1051
00:31:40,080 –> 00:31:42,480
می کند هیچ گونه پاداشی دریافت نمی کند،
1052
00:31:42,480 –> 00:31:43,200
1053
00:31:43,200 –> 00:31:45,600
به طور مشابه در اینجا در یادگیری تقویتی، الگوریتم
1054
00:31:45,600 –> 00:31:47,039
یادگیری ماشینی خود را آموزش
1055
00:31:47,039 –> 00:31:48,240
می دهید تا به
1056
00:31:48,240 –> 00:31:51,760
سمت پاداش های خاصی کار کند. سعی میکند
1057
00:31:51,760 –> 00:31:53,200
به الگوریتم یادگیری ماشینی
1058
00:31:53,200 –> 00:31:53,679
بگوید هی
1059
00:31:53,679 –> 00:31:56,080
تعداد پاداشهایی را که
1060
00:31:56,080 –> 00:31:56,880
به دست
1061
00:31:56,880 –> 00:31:59,760
1062
00:31:59,760 –> 00:32:00,399
1063
00:32:00,399 –> 00:32:02,559
میآورید به حداکثر برسانید و اگر یادگیری شما اشتباه پیش رفت یا چیزی اشتباه شد، دوباره خودتان
1064
00:32:02,559 –> 00:32:04,080
را به گونهای تنظیم میکنید که پاداشهای شما بیشتر شود،
1065
00:32:04,080 –> 00:32:06,399
بنابراین در مورد سگ.
1066
00:32:06,399 –> 00:32:08,320
اگر سگ شما فرار کند مربی سوت می زند
1067
00:32:08,320 –> 00:32:10,080
و او بیسکویت را به او نشان می دهد
1068
00:32:10,080 –> 00:32:11,919
و سگ برمی گردد و می گوید خوب
1069
00:32:11,919 –> 00:32:13,120
حالا بیسکویت را درست می گیرم و
1070
00:32:13,120 –> 00:32:15,120
دوباره او را مجبور می کند دست بدهد و
1071
00:32:15,120 –> 00:32:16,799
اوه او می دهد. بیسکویت کوچولو در حین
1072
00:32:16,799 –> 00:32:19,279
آموزش
1073
00:32:19,279 –> 00:32:21,519
آن نیز بسیار مهم است، زیرا
1074
00:32:21,519 –> 00:32:24,480
باز هم این مثال در دنیای
1075
00:32:24,480 –> 00:32:26,880
واقعی که چگونه این سگ ها را
1076
00:32:26,880 –> 00:32:28,720
آموزش می دهیم چگونه با این حیوانات خانگی کار می کنیم
1077
00:32:28,720 –> 00:32:29,519
دقیقاً همان طور است
1078
00:32:29,519 –> 00:32:31,440
که می دانید یادگیری تقویتی نیز
1079
00:32:31,440 –> 00:32:32,720
کار می کند. اکنون
1080
00:32:32,720 –> 00:32:34,640
در اینجا در یادگیری تقویتی، از آنجایی
1081
00:32:34,640 –> 00:32:36,080
که ما فقط در مورد برنامه ها و
1082
00:32:36,080 –> 00:32:36,880
الگوریتم ها صحبت می کنیم،
1083
00:32:36,880 –> 00:32:39,039
اوه، جدا از یک پاداش،
1084
00:32:39,039 –> 00:32:40,159
نوعی
1085
00:32:40,159 –> 00:32:42,000
توبیخ نیز خواهید داشت، نوعی مجازات خواهید داشت
1086
00:32:42,000 –> 00:32:43,840
تا
1087
00:32:43,840 –> 00:32:45,679
الگوریتم یادگیری ماشین شما بفهمد
1088
00:32:45,679 –> 00:32:47,840
که در حال انجام است. به روشی اشتباه
1089
00:32:47,840 –> 00:32:49,760
در زندگی واقعی اگر سگ شما فرار کند تنها کاری
1090
00:32:49,760 –> 00:32:51,440
که مربی انجام می دهد سوت زدن یا نشان
1091
00:32:51,440 –> 00:32:52,640
دادن بیسکویت یا چیزی است،
1092
00:32:52,640 –> 00:32:54,320
اما در اینجا شما نمی توانید یک بیسکویت را درست نشان دهید،
1093
00:32:54,320 –> 00:32:56,080
بنابراین یک عدد
1094
00:32:56,080 –> 00:32:58,080
یک متریک یک نرخ خطا دارید که به
1095
00:32:58,080 –> 00:33:00,159
شما خواهد گفت که در حال دور شدن از هدف خود هستید،
1096
00:33:00,159 –> 00:33:03,440
بنابراین دریافت
1097
00:33:03,440 –> 00:33:05,039
الگوریتم یادگیری ماشینی
1098
00:33:05,039 –> 00:33:08,000
به سمت هدف و تراز کردن آن به منظور
1099
00:33:08,000 –> 00:33:09,919
ایجاد حس
1100
00:33:09,919 –> 00:33:11,679
جهت، چیزی است که در اینجا در
1101
00:33:11,679 –> 00:33:13,840
یادگیری
1102
00:33:13,840 –> 00:33:17,120
تقویتی مهم است. ما نگاهی
1103
00:33:17,120 –> 00:33:19,120
به درک یادگیری تحت نظارت،
1104
00:33:19,120 –> 00:33:21,440
یادگیری بدون نظارت انداختهایم و حتی
1105
00:33:21,440 –> 00:33:22,880
متوجه شدهایم که در
1106
00:33:22,880 –> 00:33:24,000
1107
00:33:24,000 –> 00:33:25,760
تمام زندگیمان از یادگیری تقویتی استفاده کردهایم، اگر تا به
1108
00:33:25,760 –> 00:33:28,080
حال یک حیوان خانگی داشتهاید، حتی اگر حیوان خانگی
1109
00:33:28,080 –> 00:33:29,919
نداشته باشید، تعداد زیادی از آنها را دیدهاید. موارد درست است،
1110
00:33:29,919 –> 00:33:31,440
بنابراین اگر میتوانید به موارد دیگری فکر کنید،
1111
00:33:31,440 –> 00:33:32,960
به بخش نظرات سر
1112
00:33:32,960 –> 00:33:36,159
بزنید و همین الان به من بگویید anisha میگوید سلام
1113
00:33:36,159 –> 00:33:36,720
،
1114
00:33:36,720 –> 00:33:38,480
من کمی گیج شدهام که وقتی باید
1115
00:33:38,480 –> 00:33:40,960
شروع به یادگیری ai کنیم، من در مرحله
1116
00:33:40,960 –> 00:33:42,000
اول cs
1117
00:33:42,000 –> 00:33:43,679
هستم و ansha این یک مشکل است. سوال بسیار خوبی است اگر
1118
00:33:43,679 –> 00:33:45,919
شما شروع به یادگیری
1119
00:33:45,919 –> 00:33:47,360
سفر خود به دنیای علوم کامپیوتر کرده اید،
1120
00:33:47,360 –> 00:33:48,720
اجازه دهید به شما بگویم که
1121
00:33:48,720 –> 00:33:50,640
اکنون زمان مناسبی برای
1122
00:33:50,640 –> 00:33:52,399
شروع با ai است،
1123
00:33:52,399 –> 00:33:54,880
زمانی که در حال ساختن به ai هستید. من قبلاً
1124
00:33:54,880 –> 00:33:57,120
در ابتدای جلسه به شما گفتم
1125
00:33:57,120 –> 00:33:58,799
درک این نکته بسیار مهم است که
1126
00:33:58,799 –> 00:34:00,640
یادگیری ماشینی یک
1127
00:34:00,640 –> 00:34:01,440
مفهوم اساسی است
1128
00:34:01,440 –> 00:34:03,760
که بدون آن نمیتوانید در حال حاضر برای درک ai کار کنید.
1129
00:34:03,760 –> 00:34:05,120
1130
00:34:05,120 –> 00:34:07,360
رایجترین راه برای دستیابی به
1131
00:34:07,360 –> 00:34:09,280
ai استفاده از مفهومی به نام یادگیری عمیق
1132
00:34:09,280 –> 00:34:09,918
1133
00:34:09,918 –> 00:34:11,679
در حال حاضر است. به نظر شما یادگیری عمیق
1134
00:34:11,679 –> 00:34:12,960
چگونه درست به وجود آمده است
1135
00:34:12,960 –> 00:34:14,879
، تقریباً از تمام مفاهیم
1136
00:34:14,879 –> 00:34:16,480
یادگیری ماشینی استفاده میکند، اما این کار را در
1137
00:34:16,480 –> 00:34:17,760
سطح بسیار متفاوتی انجام میدهد،
1138
00:34:17,760 –> 00:34:19,520
بنابراین اگر یادگیری ماشینی را درک نکنید
1139
00:34:19,520 –> 00:34:21,679
و مستقیماً
1140
00:34:21,679 –> 00:34:23,359
آن را دنبال کنید، بسیار دشوار خواهد بود.
1141
00:34:23,359 –> 00:34:24,800
در حالی که
1142
00:34:24,800 –> 00:34:27,839
شما شروع به یادگیری می
1143
00:34:27,839 –> 00:34:30,320
کنید به شما اشاره کردم، من به شدت به شما پیشنهاد می کنم در جهت درک پایتون کار کنید و
1144
00:34:30,320 –> 00:34:32,079
درک کنید که چگونه می توانید از پایتون برای
1145
00:34:32,079 –> 00:34:33,040
یادگیری
1146
00:34:33,040 –> 00:34:34,719
ماشینی استفاده کنید، وقتی روی تخصص خود
1147
00:34:34,719 –> 00:34:36,399
در مورد یادگیری ماشین کار می کنید، در نهایت خواهید
1148
00:34:36,399 –> 00:34:37,918
فهمید که
1149
00:34:37,918 –> 00:34:39,359
چگونه یادگیری عمیق را ایجاد کنید. به شبکه های عصبی بسازید
1150
00:34:39,359 –> 00:34:40,079
1151
00:34:40,079 –> 00:34:42,719
و در نهایت برای رسیدن به هدف
1152
00:34:42,719 –> 00:34:44,480
عالی کار کنید، امیدوارم به سوال شما پاسخ داده
1153
00:34:44,480 –> 00:34:45,839
1154
00:34:45,839 –> 00:34:48,159
شود انیشا اکنون در حال تمرین برخی از
1155
00:34:48,159 –> 00:34:49,839
تظاهراتی که میخواهم به شما
1156
00:34:49,839 –> 00:34:51,119
بچهها درست نشان دهم، به شما گفتم که اکنون به
1157
00:34:51,119 –> 00:34:53,359
دموهای عملی نگاهی میاندازیم،
1158
00:34:53,359 –> 00:34:55,440
خانمها و آقایان، یک چیز را که
1159
00:34:55,440 –> 00:34:56,960
باید در رابطه با این
1160
00:34:56,960 –> 00:34:58,800
دموها درک کنید که میخواهم به شما
1161
00:34:58,800 –> 00:35:01,280
نشان دهم. روی نحو
1162
00:35:01,280 –> 00:35:02,640
تمرکز کنید و فقط روی حال تمرکز نکنید،
1163
00:35:02,640 –> 00:35:04,400
من می دانم که برخی از شما ممکن
1164
00:35:04