در این مطلب، ویدئو گردش کار علم داده خود را با پایتون و ویژوال استودیو Code | BOD102 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: 00:47:36
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,110 –> 00:00:02,700
همه نام من جفری است یک
2
00:00:02,700 –> 00:00:04,560
مدیر برنامه اینجا در مایکروسافت برای
3
00:00:04,560 –> 00:00:06,210
علم داده پایتون و ابزارهای هوش مصنوعی در
4
00:00:06,210 –> 00:00:10,349
تیم کد ویژوال استودیو همه من سید هستم من یک
5
00:00:10,349 –> 00:00:11,910
مدیر برنامه در همان تیم هستم
6
00:00:11,910 –> 00:00:13,799
جفری و در این ویدیو ما خواهیم بود
7
00:00:13,799 –> 00:00:15,960
8
00:00:15,960 –> 00:00:17,520
ویژگیهای نوتبوکهای مشتری جدید خود را در افزونه پایتون
9
00:00:17,520 –> 00:00:19,890
برای کدهای ویژوال استودیو و
10
00:00:19,890 –> 00:00:21,689
همچنین نحوه
11
00:00:21,689 –> 00:00:23,340
ویژگیهای پایه یادگیری ماشینی Azure برای یادگیری ماشین
12
00:00:23,340 –> 00:00:25,529
کدهای ویژوال استودیو و همچنین
13
00:00:25,529 –> 00:00:26,880
نحوه استفاده از آنها برای افزایش جریان کار
14
00:00:26,880 –> 00:00:28,170
علم داده خود را به شما نشان میدهیم.
15
00:00:28,170 –> 00:00:30,300
برای این ویدیو ما
16
00:00:30,300 –> 00:00:32,340
یک مدل یادگیری عمیق را برای
17
00:00:32,340 –> 00:00:34,469
پیشبینی و طبقهبندی نژادهای حیوانات خانگی آموزش میدهیم و سپس
18
00:00:34,469 –> 00:00:35,790
در طول این پروژه به ما
19
00:00:35,790 –> 00:00:37,800
نشان میدهیم که این
20
00:00:37,800 –> 00:00:39,809
آشکارساز فلفلی را در کد ویژوال استودیو توسعه میدهیم
21
00:00:39,809 –> 00:00:41,219
تا به شما نشان دهیم که چگونه همه ویژگیهای علم داده
22
00:00:41,219 –> 00:00:43,980
میتوانند به شما کمک می کند تا
23
00:00:43,980 –> 00:00:45,780
کار خود و تمام ویژگی های علم داده را گسترش دهید،
24
00:00:45,780 –> 00:00:48,120
زیرا کد نیز باید ارائه دهد، بنابراین
25
00:00:48,120 –> 00:00:49,500
سید اکنون یک نسخه نمایشی از آخرین ردیاب های حیوان خانگی ما را به شما نشان می دهد.
26
00:00:49,500 –> 00:00:51,270
در
27
00:00:51,270 –> 00:00:54,629
حین ساختن این ویدیو در فضای ابری نصب می شود تا
28
00:00:54,629 –> 00:00:56,789
همانطور که شما بچه ها می توانید ببینید، من یک عکس از
29
00:00:56,789 –> 00:00:59,190
یک بیگل بسیار زیبا در مرورگر خود دارم
30
00:00:59,190 –> 00:01:01,859
و کاری که می خواهم انجام دهم این است
31
00:01:01,859 –> 00:01:04,739
که این تصویر را می گیرم و می خواهم آن را به
32
00:01:04,739 –> 00:01:06,420
مدل من ارسال کنید تا ببینم آیا می
33
00:01:06,420 –> 00:01:09,119
تواند دقیقاً نژادی را
34
00:01:09,119 –> 00:01:11,939
که این تصویر نشان می دهد پیش بینی کند، بنابراین من فقط
35
00:01:11,939 –> 00:01:14,070
آخرین قسمت این URL را کپی کردم و اکنون می خواهم
36
00:01:14,070 –> 00:01:15,659
به این برگه بروید، جایی که خواهید
37
00:01:15,659 –> 00:01:16,830
دید که من یک نقطه پایانی دارم. که
38
00:01:16,830 –> 00:01:19,409
با مدل من مطابقت دارد و من فقط
39
00:01:19,409 –> 00:01:21,000
می خواهم این انتخاب قبلی را بچسبانم
40
00:01:21,000 –> 00:01:24,350
و بنابراین وقتی اینتر را می زنم یک فرهنگ لغت به من داده می شود
41
00:01:24,350 –> 00:01:27,180
که شامل
42
00:01:27,180 –> 00:01:29,790
مجموعه های مختلفی از نژادهای حیوان خانگی و
43
00:01:29,790 –> 00:01:31,619
همچنین دیکشنری است که مدل نسبت به آن اطمینان بیشتری دارد.
44
00:01:31,619 –> 00:01:33,869
این نژاد بیگلی است که
45
00:01:33,869 –> 00:01:36,390
در اینجا می بینید و فوق العاده است، بنابراین
46
00:01:36,390 –> 00:01:38,280
مدل می تواند به درستی آن
47
00:01:38,280 –> 00:01:40,259
تصویر بیگل یا نژاد
48
00:01:40,259 –> 00:01:42,630
تصویر بیگلی را که من از قبل داشتم پیش بینی کند و بنابراین اکنون
49
00:01:42,630 –> 00:01:44,100
چیزی که من فقط به شما نشان خواهم داد یک
50
00:01:44,100 –> 00:01:46,649
تصویر متفاوت است. تا
51
00:01:46,649 –> 00:01:48,360
بتوانیم ثابت کنیم که فقط این را بر
52
00:01:48,360 –> 00:01:50,399
نمیگردانیم هر بار یک فرهنگ لغت یکسان است
53
00:01:50,399 –> 00:01:52,799
و بنابراین اگر من به این بالا بروید، می
54
00:01:52,799 –> 00:01:54,659
بینید که من یک عکس از یک
55
00:01:54,659 –> 00:01:57,360
بوکسور واقعا بداخلاق دارم و می خواهم ببینم
56
00:01:57,360 –> 00:01:59,610
آیا مدل می تواند به درستی پیش بینی کند که
57
00:01:59,610 –> 00:02:01,530
این تصویر یک بوکسور را نشان می دهد یا خیر.
58
00:02:01,530 –> 00:02:03,000
فقط میخواهم دوباره این را کپی کنم، به اینجا برگرد،
59
00:02:03,000 –> 00:02:07,500
سپس این ضربه را وارد کنید و
60
00:02:07,500 –> 00:02:08,878
خواهید دید که نژادی
61
00:02:08,878 –> 00:02:10,800
که برمیگرداند و بیشتر به آن اطمینان
62
00:02:10,800 –> 00:02:13,140
دارد، نژاد بوکسور است، بنابراین کارهای کوچک بسیار خوبی است،
63
00:02:13,140 –> 00:02:13,560
64
00:02:13,560 –> 00:02:18,090
بنابراین قبل از اینکه شروع به
65
00:02:18,090 –> 00:02:19,500
دسترسی به نوتبوکهای مشتری کنیم. ویژگی ها از
66
00:02:19,500 –> 00:02:21,480
داخل کد BS حذف می شوند – اول از همه
67
00:02:21,480 –> 00:02:24,060
کد ویژوال استودیو را نصب کنید، اما در واقع
68
00:02:24,060 –> 00:02:25,739
پس از نصب کد بله،
69
00:02:25,739 –> 00:02:27,930
به پسوند پایتون نیز نیاز خواهید داشت، بنابراین برای
70
00:02:27,930 –> 00:02:29,370
دریافت پسوند پایتون می توانید به
71
00:02:29,370 –> 00:02:31,200
سمت چپ بروید و روی موارد استثنا کلیک کنید.
72
00:02:31,200 –> 00:02:33,269
برگه و
73
00:02:33,269 –> 00:02:35,760
کلمه کلیدی pipe bond را جستجو کنید، بنابراین در اینجا اولین
74
00:02:35,760 –> 00:02:37,920
نتیجه باید پسوند میکروفون
75
00:02:37,920 –> 00:02:40,410
برای مایکروسافت باشد و در اینجا می توانید
76
00:02:40,410 –> 00:02:43,260
روی install کلیک کنید، من قبلاً
77
00:02:43,260 –> 00:02:44,489
افزونه را به خاطر این ویدیو نصب کردم،
78
00:02:44,489 –> 00:02:46,230
اما زمانی که واقعاً پسوند پایتون
79
00:02:46,230 –> 00:02:47,310
نصب شده، می توانید در واقع
80
00:02:47,310 –> 00:02:49,650
شروع به باز کردن یک نوت بوک مشتری کنید، بنابراین
81
00:02:49,650 –> 00:02:50,790
اگر یک نوت بوک موجود دارید، می توانید
82
00:02:50,790 –> 00:02:52,350
آن را باز کنید، اما اگر می خواهید یک
83
00:02:52,350 –> 00:02:53,940
نوت بوک جدید ایجاد کنید، فقط می توانید
84
00:02:53,940 –> 00:02:55,830
پالت فرمان را با میانبر
85
00:02:55,830 –> 00:02:58,440
صفحه کلید میانبر ctrl shift باز کنید. ویژگی P یا
86
00:02:58,440 –> 00:03:00,209
command shift در مک و
87
00:03:00,209 –> 00:03:02,250
جستجوی دستور ایجاد یک
88
00:03:02,250 –> 00:03:05,340
نوت بوک خالی جدید Jupiter و آویزان کردن روی
89
00:03:05,340 –> 00:03:07,500
آن چیزی را که ما ویرایشگر نوت بوک خود می نامیم باز می کند
90
00:03:07,500 –> 00:03:09,900
و در این حالت خوشحال خواهید شد که می توانید
91
00:03:09,900 –> 00:03:12,090
نوت بوک سنتی مشتری خود را ببینید و می
92
00:03:12,090 –> 00:03:14,239
خواهید سلول های خود را ذخیره کنید. اقدامات سلولی خود
93
00:03:14,239 –> 00:03:17,910
را میتوانید در اینجا اضافه کنید و این میتواند
94
00:03:17,910 –> 00:03:18,900
اساساً ویرایشگر نوتبوک
95
00:03:18,900 –> 00:03:20,250
انعطافپذیری نوتبوکهای ارزانتر را
96
00:03:20,250 –> 00:03:22,440
به عنوان یک ابزار علم داده
97
00:03:22,440 –> 00:03:24,209
ترکیب کند، اما همچنین آن را با قدرت
98
00:03:24,209 –> 00:03:25,769
کد در مقابل و پسوند پایتون به عنوان یک
99
00:03:25,769 –> 00:03:29,850
ویرایشگر خط لوله قوی و IDE ترکیب میکند.
100
00:03:29,850 –> 00:03:31,260
نسخه ی نمایشی آشکارساز حیوانات خانگی من قبلاً
101
00:03:31,260 –> 00:03:35,250
یک نوت بوک دوپر دیگر ایجاد کرده ام، بنابراین یک
102
00:03:35,250 –> 00:03:36,660
ابزار از پیش نوشته شده کد برای این
103
00:03:36,660 –> 00:03:38,670
نسخه نمایشی خاص فقط به خاطر
104
00:03:38,670 –> 00:03:41,459
این ویدیو، اما یکی از اولین هاست. مراحل
105
00:03:41,459 –> 00:03:44,130
ایجاد این ردیاب حیوانات خانگی و
106
00:03:44,130 –> 00:03:45,720
به طور کلی بسیاری از وظایف علم
107
00:03:45,720 –> 00:03:47,700
داده، ارائه مجموعه داده است، بنابراین برای ردیاب حیوانات خانگی
108
00:03:47,700 –> 00:03:48,780
از
109
00:03:48,780 –> 00:03:50,639
چیزی به نام مجموعه داده های حیوانات خانگی آکسفورد استفاده
110
00:03:50,639 –> 00:03:52,170
خواهیم کرد، این فقط یک مجموعه داده از دانشگاه
111
00:03:52,170 –> 00:03:54,450
آکسفورد است. که شامل
112
00:03:54,450 –> 00:03:56,670
حدود 37 دسته مختلف از
113
00:03:56,670 –> 00:04:00,209
نژادهای مختلف گربه و سگ است و در
114
00:04:00,209 –> 00:04:01,739
مرحله اول، بنابراین ما در واقع اولین
115
00:04:01,739 –> 00:04:03,269
گام این است که در واقع می خواهیم
116
00:04:03,269 –> 00:04:05,519
این مجموعه داده را بر روی ماشین ترم دانلود کنیم، بنابراین
117
00:04:05,519 –> 00:04:07,230
برخی از توابع کمکی از قبل نوشته شده است.
118
00:04:07,230 –> 00:04:09,090
به ما کمک کنید تا این کار را انجام دهیم، بنابراین من این تابع
119
00:04:09,090 –> 00:04:11,060
به نام fetch antara را دارم که در
120
00:04:11,060 –> 00:04:13,980
واقع این مجموعه داده و tarah را در
121
00:04:13,980 –> 00:04:17,430
دستگاه محلی من دانلود می کند و در نهایت
122
00:04:17,430 –> 00:04:19,440
این تابع را دارم که فقط
123
00:04:19,440 –> 00:04:21,959
مجموعه داده را سازماندهی می کند تا بتوانید در
124
00:04:21,959 –> 00:04:23,550
فهرست تصاویر من مشاهده کنید. چون من قبلاً این را اجرا
125
00:04:23,550 –> 00:04:26,660
کرده ام،
126
00:04:26,660 –> 00:04:28,880
تمام 37 دسته از نژادهای حیوانات خانگی من را در
127
00:04:28,880 –> 00:04:32,630
زیرشاخه های مربوطه خود دارد، بنابراین
128
00:04:32,630 –> 00:04:34,700
اولین کاری که ما انجام می دهیم این است که
129
00:04:34,700 –> 00:04:36,130
شما واقعاً مجموعه داده های خود را
130
00:04:36,130 –> 00:04:39,080
دانلود کنید. یکی
131
00:04:39,080 –> 00:04:40,730
از بهترین کارهایی که در ابتدا به عنوان یک دانشمند داده باید انجام دهید این
132
00:04:40,730 –> 00:04:42,200
است که مجموعه داده خود را واقعاً بررسی کنید
133
00:04:42,200 –> 00:04:43,430
زیرا واقعاً می خواهید
134
00:04:43,430 –> 00:04:44,930
تجسم کنید که با چه داده هایی کار می کنید
135
00:04:44,930 –> 00:04:46,760
تا آنها را درک کنید و مطمئن شوید که
136
00:04:46,760 –> 00:04:49,730
داده های شما واقعاً سالم و خوب هستند.
137
00:04:49,730 –> 00:04:51,320
دوباره چند توابع کمکی نوشتم
138
00:04:51,320 –> 00:04:52,190
تا به من کمک کند این کار را انجام دهم،
139
00:04:52,190 –> 00:04:55,400
بنابراین به برخی از توابع کمک میکنم
140
00:04:55,400 –> 00:04:57,350
که اساساً تمام تصاویر را
141
00:04:57,350 –> 00:05:00,320
از این دایرکتوری دریافت میکنند و آنها را در یک
142
00:05:00,320 –> 00:05:02,680
متغیر قرار میدهند و همچنین این
143
00:05:02,680 –> 00:05:04,850
تابع رسم را دقیقاً در جایی که من از MATLAB استفاده میکنم قرار میدهد.
144
00:05:04,850 –> 00:05:07,700
جلسه نمودار فقط تجسم کنید که با چه
145
00:05:07,700 –> 00:05:09,590
دادههایی کار میکنیم، بنابراین برای
146
00:05:09,590 –> 00:05:11,690
اجرای این سلول، میتوانم روی
147
00:05:11,690 –> 00:05:14,180
نماد سلول اجرا در اینجا کلیک کنم که سلول را اجرا
148
00:05:14,180 –> 00:05:17,540
میکند یا میتوانم از کلید میانبر مشتری استفاده کنم، بنابراین اگر
149
00:05:17,540 –> 00:05:19,130
بتوانم این را اجرا کنم، میتوانم آن را نیز اجرا کنم. سلول
150
00:05:19,130 –> 00:05:22,100
با استفاده از میانبر ctrl enter و
151
00:05:22,100 –> 00:05:23,630
میتوانید ببینید که سلول را نیز اجرا میکند،
152
00:05:23,630 –> 00:05:25,280
بنابراین ما از مدیر برای کلیدهای میانبر پشتیبانی میکنیم،
153
00:05:25,280 –> 00:05:26,960
مانند
154
00:05:26,960 –> 00:05:29,810
حذف سلولها در حال حرکت سلولها به بالا و پایین
155
00:05:29,810 –> 00:05:34,040
و غیره، زیرا ما در
156
00:05:34,040 –> 00:05:35,360
ویرایشگر نوتبوک هستیم و چون ما در
157
00:05:35,360 –> 00:05:38,000
کد BS هستیم، دسترسی کاملی به
158
00:05:38,000 –> 00:05:40,580
اطلاعات نیز داریم، بنابراین در این سلول میخواهم
159
00:05:40,580 –> 00:05:45,290
37 دسته مختلف نژاد حیوانات خانگی را ترسیم کنم
160
00:05:45,290 –> 00:05:46,280
که در واقع میتوانیم
161
00:05:46,280 –> 00:05:47,840
تجسم کنیم که با چه دادههایی سروکار داریم،
162
00:05:47,840 –> 00:05:49,850
بنابراین در اینجا من این تابع نامیده میشود.
163
00:05:49,850 –> 00:05:51,860
ترسیمی که گرید نیست، بنابراین اگر
164
00:05:51,860 –> 00:05:53,960
بخواهم اجرا کنم می توانم نمودار بنویسم و ما فقط در گر
165
00:05:53,960 –> 00:05:55,220
د هستیم و می توانید ببینید همانطور که من تایپ می کنم intel
166
00:05:55,220 –> 00:05:57,290
isense با پیشنهادات ظاهر می شود بنابراین من
167
00:05:57,290 –> 00:06:00,160
ی خواهم این کار را انجام دهم و سپس اینجا را به ای
168
00:06:00,160 –> 00:06:02,210
دلیل که تابعی است به من
169
00:06:02,210 –> 00:06:04,010
ی گوید چه کرنمری نیاز دارم تا
170
00:06:04,010 –> 00:06:05,660
داده های تصاویر و تعداد ستون ها را بگیرد
171
00:06:05,660 –> 00:06:08,990
که من تعریف کرده ام
172
00:06:08,990 –> 00:06:11,360
چند ستون از تصاویر را می خواهم در
173
00:06:11,360 –> 00:06:13,130
این گرافیک نشان دهم، بنابراین در اینجا داده های تصاویر را ارسال می کنم
174
00:06:13,130 –> 00:06:16,760
و سپس من همچنین
175
00:06:16,760 –> 00:06:19,820
6 را فقط به عنوان عدد دلخواه می گویم و دوباره
176
00:06:19,820 –> 00:06:21,260
می توانم سلول را دوباره با
177
00:06:21,260 –> 00:06:24,520
کنترل میانبر enter اجرا کنم
178
00:06:31,290 –> 00:06:36,100
و می توانید بعد از اجرای اره در زیر مشاهده کنید
179
00:06:36,100 –> 00:06:38,380
که من می توانم نمودار زنده رسم مات خود را
180
00:06:38,380 –> 00:06:40,900
در اینجا با شش ستون ببینم که
181
00:06:40,900 –> 00:06:42,940
شامل تمام گودال های مختلف است. نژادهایی
182
00:06:42,940 –> 00:06:45,640
که من با آنها کار می کنم بنابراین اگر من میخواستم به
183
00:06:45,640 –> 00:06:47,080
نمودار نگاه دقیقتری بیندازم، زیرا
184
00:06:47,080 –> 00:06:48,700
نمودار کم است اما کوچک است، یا
185
00:06:48,700 –> 00:06:50,770
186
00:06:50,770 –> 00:06:53,590
اگر بخواهم به افراد دیگر نشان دهم یا
187
00:06:53,590 –> 00:06:55,870
این نمودار بالا را با دیگران به اشتراک بگذارم،
188
00:06:55,870 –> 00:06:57,220
میتوانم فقط روی نمودار حرکت کنم. و
189
00:06:57,220 –> 00:06:59,920
شما یک نماد را خواهید دید که ظاهر می شود و این
190
00:06:59,920 –> 00:07:02,800
چیزی را باز می کند که ما آن را نمایشگر طرح داستانی خود می نامیم، بنابراین در
191
00:07:02,800 –> 00:07:03,970
این نمایشگر نمودار می توانید کارهای زیادی
192
00:07:03,970 –> 00:07:05,560
را انجام دهید مانند اینکه بتوانید روی طرح خود بزرگنمایی کنید،
193
00:07:05,560 –> 00:07:08,290
بنابراین اینها فقط تصاویر هستند، بنابراین
194
00:07:08,290 –> 00:07:10,030
بسیار پیش پا افتاده است. اگر چیزی
195
00:07:10,030 –> 00:07:11,860
شبیه یک نمودار دارید و می خواهید بررسی
196
00:07:11,860 –> 00:07:13,210
کنید، مثلاً x-intercepts یا
197
00:07:13,210 –> 00:07:14,890
y-intercepts خود را بهتر بررسی کنید، در اینجا یک راه
198
00:07:14,890 –> 00:07:16,930
برای انجام آن وجود دارد و دوباره ویژگی بسیار جالب دیگر این
199
00:07:16,930 –> 00:07:19,300
است که می توانید
200
00:07:19,300 –> 00:07:22,690
این اساساً این نمودار را با فرمت های مختلف ذخیره یا صادر کنید.
201
00:07:22,690 –> 00:07:24,550
می توانید آن را به صورت PNG یا
202
00:07:24,550 –> 00:07:27,100
JPEG ذخیره کنید و سپس آن تصویر را به صورت
203
00:07:27,100 –> 00:07:31,000
ایمیل یا هر چیز دیگری با دیگران به اشتراک بگذارید، بنابراین اگر
204
00:07:31,000 –> 00:07:33,460
به نوت بوک اصلی برگردیم می توانیم
205
00:07:33,460 –> 00:07:36,670
ببینیم که قبلاً این کاشی را اجرا کرده ام و
206
00:07:36,670 –> 00:07:38,950
فکر می کنم یکی از چالش ها
207
00:07:38,950 –> 00:07:39,970
خوب است. یک چیز بد اما یکی از
208
00:07:39,970 –> 00:07:41,500
چالش ها ges of the juban notebooks به این
209
00:07:41,500 –> 00:07:43,420
دلیل است که بسیار منعطف است که در آن شما می
210
00:07:43,420 –> 00:07:45,130
توانید سلول ها را در هر جایی که می خواهید داشته باشید، می
211
00:07:45,130 –> 00:07:47,140
توانید سلول ها را به بالا و پایین حرکت دهید، می توانید سلول ها
212
00:07:47,140 –> 00:07:48,430
را بدون نظم اجرا کنید، می توانید سلول ها را
213
00:07:48,430 –> 00:07:50,230
چندین بار اجرا کنید.
214
00:07:50,230 –> 00:07:52,090
215
00:07:52,090 –> 00:07:55,000
متغیرهای خود و متغیرهای شما را ردیابی کنید
216
00:07:55,000 –> 00:07:57,310
تا آسانتر شود،
217
00:07:57,310 –> 00:07:58,810
ما این ویژگی جدید به نام
218
00:07:58,810 –> 00:08:01,360
این ویژگی را داریم که اضافه کردیم متأسفانه به نام
219
00:08:01,360 –> 00:08:03,850
خرس کاوش میکند، بنابراین به آن دسترسی داشته باشید،
220
00:08:03,850 –> 00:08:07,030
فقط میتوانید روی نوار ابزار بالا بروید
221
00:08:07,030 –> 00:08:08,620
و روی کاوشگر درجهپذیر کلیک کنید. نماد
222
00:08:08,620 –> 00:08:11,470
و اینجا در واقع تمام
223
00:08:11,470 –> 00:08:12,760
متغیرهای موجود در نوت بوک شما را نشان می دهد
224
00:08:12,760 –> 00:08:15,310
که در حال حاضر فعال هستند و
225
00:08:15,310 –> 00:08:18,700
به روزترین مقدار آن چقدر است بنابراین در اینجا می توانید
226
00:08:18,700 –> 00:08:20,440
ببینید که همین خون ایجاد شده است که
227
00:08:20,440 –> 00:08:23,290
داده های تصاویر است و برخی از پارامترهای مفید یا مانند آن را به من می گوید
228
00:08:23,290 –> 00:08:26,590
این یک لیست نوع است،
229
00:08:26,590 –> 00:08:28,480
بنابراین یک نوع لیست است و اندازه آن را به من می گوید،
230
00:08:28,480 –> 00:08:30,730
بنابراین این 37 با هر یک
231
00:08:30,730 –> 00:08:32,470
از سه دسته هفتگانه مطابقت دارد و
232
00:08:32,470 –> 00:08:34,450
همچنین می توانید پیش نمایشی از
233
00:08:34,450 –> 00:08:38,200
مقدار این داده بگیرید، بنابراین در واقع یک داده دیگر است.
234
00:08:38,200 –> 00:08:40,150
به عنوان مثال، اگر من به سلول بعدی خود
235
00:08:40,150 –> 00:08:41,150
236
00:08:41,150 –> 00:08:42,950
در اینجا اسکرول کنم، فقط همه اینها را دوباره اجرا می کنم و
237
00:08:42,950 –> 00:08:45,670
اینجا جایی است که داده ها را به یک آرایه numpy تبدیل می کنم،
238
00:08:45,670 –> 00:08:48,560
بنابراین می توانید ببینید که وقتی سلول را می خوانم،
239
00:08:48,560 –> 00:08:51,710
متغیر جدید با
240
00:08:51,710 –> 00:08:53,900
تصاویر MP نشان داده می شود و اگر می خواهم به
241
00:08:53,900 –> 00:08:56,330
دادههای من نگاه دقیقتری بیندازید، دکمهای در
242
00:08:56,330 –> 00:08:57,920
سمت راست وجود دارد که تاریخ دکمه شما را نشان میدهد
243
00:08:57,920 –> 00:09:00,470
و اگر روی آن کلیک کنید
244
00:09:00,470 –> 00:09:03,890
، همان دادهها در قالبی مانند اکسل باز میشود
245
00:09:03,890 –> 00:09:08,300
که ما آن را آبجوی دادههایمان مینامیم.
246
00:09:08,300 –> 00:09:10,730
میتوانید ببینید که میتوانید
247
00:09:10,730 –> 00:09:12,140
تمام ردیفهای دادههای خود را ببینید، میتوانید
248
00:09:12,140 –> 00:09:13,630
ستونها را نیز روی سرصفحهها
249
00:09:13,630 –> 00:09:16,130
ببینید و در اینجا یک راه واقعاً خوب دیگر
250
00:09:16,130 –> 00:09:19,310
برای تجسم مجموعه دادههای شما یکی دیگر
251
00:09:19,310 –> 00:09:20,960
از ویژگیهای ما در این است،
252
00:09:20,960 –> 00:09:22,820
توانایی فیلتر کردن ردیفها، بنابراین این یک مثال بی اهمیت تر،
253
00:09:22,820 –> 00:09:24,470
زیرا تنها 37 دسته مختلف وجود دارد،
254
00:09:24,470 –> 00:09:26,000
اما فرض کنید
255
00:09:26,000 –> 00:09:28,160
شما هزاران یا حتی ده ها
256
00:09:28,160 –> 00:09:30,140
هزار ردیف داده دارید، اگر می خواهید
257
00:09:30,140 –> 00:09:31,850
داده های خود را فیلتر کنید، فقط می توانید روی
258
00:09:31,850 –> 00:09:33,170
دکمه ردیف های فیلتر کلیک کنید و در واقع
259
00:09:33,170 –> 00:09:35,060
فقط آنچه را که می خواهید جستجو کنید. من فقط بیایید
260
00:09:35,060 –> 00:09:37,340
بگویم من می خواهم برای اطمینان از اینکه مجموعه داده من دارای
261
00:09:37,340 –> 00:09:39,770
یک pug در آن است، می توانم pug را جستجو کنم و می توانم
262
00:09:39,770 –> 00:09:44,240
ببینم که یک ردیف برای آن وجود دارد، بنابراین اگر
263
00:09:44,240 –> 00:09:46,670
این نسخه پشتیبان را ببندم و به
264
00:09:46,670 –> 00:09:50,720
دفترچه یادداشت خود برگردم یکی دیگر از ویژگی های جالب دیگری
265
00:09:50,720 –> 00:09:53,810
که برای کمک به آن اضافه کرده ایم. دانشمندان
266
00:09:53,810 –> 00:09:56,600
داده چیزی است که ما آن را اجرا به خط می نامیم، بنابراین اجرا
267
00:09:56,600 –> 00:09:59,180
به خط یک تجربه اشکال زدایی است
268
00:09:59,180 –> 00:10:00,860
که برای دانشمندان داده ساخته شده است که فقط
269
00:10:00,860 –> 00:10:02,710
خط به خط کد شما را طی می کند و
270
00:10:02,710 –> 00:10:05,570
اساساً دیدن وضعیت
271
00:10:05,570 –> 00:10:20,660
یا نحوه تغییر کد شما مفید است و بنابراین یکی دیگر
272
00:10:20,660 –> 00:10:23,150
از ویژگی های من است. want to showcase چیزی است
273
00:10:23,150 –> 00:10:25,820
به نام اجرا به خط و اجرا به خط
274
00:10:25,820 –> 00:10:27,890
اساساً تجربه ای مانند اشکال زدایی است
275
00:10:27,890 –> 00:10:30,350
که ما به طور خاص برای دانشمندان داده ساخته ایم
276
00:10:30,350 –> 00:10:32,540
و کاری که انجام می دهد این است
277
00:10:32,540 –> 00:10:34,160
که اساساً فقط
278
00:10:34,160 –> 00:10:36,350
خط به خط کد شما را اجرا می کند و گام به گام می گذارد و کمک می کند.
279
00:10:36,350 –> 00:10:39,050
شما اشکال زدایی می کنید یا فقط
280
00:10:39,050 –> 00:10:41,030
خطاهای کد خود را بررسی می کنید، بنابراین فرض کنید من
281
00:10:41,030 –> 00:10:43,370
این کد را دارم که سعی می کند
282
00:10:43,370 –> 00:10:47,000
تصاویر من و آرایه numpy را به یک CV برای
283
00:10:47,000 –> 00:10:49,040
فرمت تبدیل کند، بنابراین فرض کنید می خواهم آن را به نمایش بگذارم
284
00:10:49,040 –> 00:10:51,650
یا تجزیه و تحلیل تصویر انجام دهم که واقعاً می توانم انجام دهم.
285
00:10:51,650 –> 00:10:55,130
بدون این کد ابتدا
286
00:10:55,130 –> 00:10:56,720
ببینید اوه این خطا وجود دارد که
287
00:10:56,720 –> 00:11:00,560
نشانگر مورد انتظار برای SRC را نشان می دهد که ممکن
288
00:11:00,560 –> 00:11:02,180
است لزوماً معنی آن را ندانم، بنابراین
289
00:11:02,180 –> 00:11:04,010
در اینجا یک فرصت بسیار خوب است که
290
00:11:04,010 –> 00:11:07,670
می توانم از run by light استفاده کنم تا بتوانم
291
00:11:07,670 –> 00:11:09,560
با کلیک کردن روی run by از اجرا به خط فراخوانی کنم. نماد خط
292
00:11:09,560 –> 00:11:11,720
در سلول و میتوانید ببینید که او
293
00:11:11,720 –> 00:11:15,050
در اولین خط سلول متوقف میشود و در اینجا
294
00:11:15,050 –> 00:11:16,640
من عمل گزینه را دارم، بنابراین
295
00:11:16,640 –> 00:11:18,380
به خط بعدی میروم یا فقط این
296
00:11:18,380 –> 00:11:20,690
جلسه دوست به خط را به طور کامل پایان میدهم، اما
297
00:11:20,690 –> 00:11:22,160
واقعاً چه اتفاقی افتاده است. آنچه واقعاً عالی
298
00:11:22,160 –> 00:11:25,310
است این است که این ویژگی اجرای خطی
299
00:11:25,310 –> 00:11:27,140
به اکسپلورر کلامی ما متصل است، بنابراین وقتی وارد
300
00:11:27,140 –> 00:11:31,070
301
00:11:31,070 –> 00:11:32,780
میشوید، میتوانید بهروزرسانی متغیرهای خود را ببینید یا وقتی وارد کد خود میشوید، میتوانید
302
00:11:32,780 –> 00:11:34,220
بهروزرسانی متغیرهای خود را ببینید، بنابراین میتوانید این
303
00:11:34,220 –> 00:11:35,600
کار واقعاً خوب است. میخواهم ببینم که
304
00:11:35,600 –> 00:11:37,160
کد شما در چه وضعیتی قرار دارد، ببینید آیا
305
00:11:37,160 –> 00:11:39,650
واقعاً بهدرستی بهروزرسانی میشود یا نه، و در اینجا اگر
306
00:11:39,650 –> 00:11:40,790
سعی میکنم به دنبال علت
307
00:11:40,790 –> 00:11:41,990
ایجاد مو در سلول باشم، فقط از
308
00:11:41,990 –> 00:11:44,120
مرحله دستورات وارد کردن به اولین
309
00:11:44,120 –> 00:11:46,340
کد خط واقعی میروم که واقعاً میخواهم تست و
310
00:11:46,340 –> 00:11:49,340
من ج ببینید چه تصویری در حال ایجاد است و بنابراین
311
00:11:49,340 –> 00:11:50,510
من باید یک تاپل ایجاد کنم که
312
00:11:50,510 –> 00:11:52,210
احتمالاً همان چیزی است که باعث خطا می شود
313
00:11:52,210 –> 00:11:55,820
زیرا این تابع و تصویر P
314
00:11:55,820 –> 00:11:59,600
اساساً انتظار یک تصویر را به
315
00:11:59,600 –> 00:12:01,970
جای سرنگونی دارند، بنابراین متوجه شدم که این
316
00:12:01,970 –> 00:12:04,700
فقط بالای خود تصویر است و
317
00:12:04,700 –> 00:12:06,350
بنابراین میخواهم واقعاً آن را ایزوله کنم، بنابراین
318
00:12:06,350 –> 00:12:09,590
در اینجا میتوانم جلسه اجرا به خط را متوقف
319
00:12:09,590 –> 00:12:13,160
کنم، میتوانم اولین عنصر را دریافت کنم و سپس
320
00:12:13,160 –> 00:12:15,790
میتوانم سلول را دوباره اجرا کنم و میتوان دید
321
00:12:15,790 –> 00:12:18,920
که تصویر OpenCV همان buzz جدیدی است
322
00:12:18,920 –> 00:12:20,210
که ایجاد شده است و به نظر میرسد درست است،
323
00:12:20,210 –> 00:12:25,010
بنابراین ما کد خود را حل و اشکال زدایی کردیم، بنابراین
324
00:12:25,010 –> 00:12:26,900
گام بعدی برای ساختن ردیاب حیوانات خانگی
325
00:12:26,900 –> 00:12:29,360
این است که وقتی مجموعه داده های خود را
326
00:12:29,360 –> 00:12:31,640
دانلود کردیم، مجموعه داده های خود را استخراج کردیم
327
00:12:31,640 –> 00:12:33,620
و می توانید آن را در دفترچه یادداشت خود منتقل کنید
328
00:12:33,620 –> 00:12:36,530
و به قوس داده های ما نگاه کنید.
329
00:12:36,530 –> 00:12:38,030
مطمئن شوید که همه چیز خوب به نظر می رسد ما می توانیم آموزش را
330
00:12:38,030 –> 00:12:40,430
شروع کنیم، بنابراین برای انجام
331
00:12:40,430 –> 00:12:41,980
آموزش، آموزش
332
00:12:41,980 –> 00:12:46,130
انتقال را به مدل مربی اعمال می کنیم، بنابراین
333
00:12:46,130 –> 00:12:47,780
برای یادگیری انتقال از یک
334
00:12:47,780 –> 00:12:50,330
مدل از قبل موجود به نام موبایل نت و
335
00:12:50,330 –> 00:12:52,580
موبایل استفاده می کنیم. t روی دسته ای از
336
00:12:52,580 –> 00:12:53,810
اشیاء مختلف
337
00:12:53,810 –> 00:12:55,760
آموزش دیده است که قبلاً آموزش دیده اند، اما ما در واقع
338
00:12:55,760 –> 00:12:59,390
آخرین لایه این مدل را
339
00:12:59,390 –> 00:13:02,360
برای نسخه نمایشی آشکارساز حیوانات خانگی خود آموزش خواهیم داد، بنابراین من این
340
00:13:02,360 –> 00:13:04,460
عملکرد یا این کمک به اصلاح اسکریپت را دارم
341
00:13:04,460 –> 00:13:06,020
که اساساً آموزش را برای
342
00:13:06,020 –> 00:13:06,980
من انجام می دهد و فقط
343
00:13:06,980 –> 00:13:08,839
این نوت بوک را کمی تمیز کنید، اما می توانید
344
00:13:08,839 –> 00:13:11,480
ببینید که ما در حال عبور از موبایل نت به
345
00:13:11,480 –> 00:13:13,970
عنوان مدل قبل از تجارت خود هستیم، آن را به
346
00:13:13,970 –> 00:13:16,430
فهرست راهنمای تصویر به عنوان مجموعه داده های ما نشان می دهم و سپس
347
00:13:16,430 –> 00:13:18,199
برخی اطلاعات مفید دیگر می تواند
348
00:13:18,199 –> 00:13:20,000
نرخ یادگیری را به صورت دلخواه در
349
00:13:20,000 –> 00:13:21,350
این تنظیم کند. و مراحل آموزش
350
00:13:21,350 –> 00:13:25,070
را هم گفته ام، بنابراین دوباره این سلول را
351
00:13:25,070 –> 00:13:27,050
قبلاً به خاطر زمان اجرا کردم، اما می
352
00:13:27,050 –> 00:13:28,790
توانید ببینید بعد از اینکه آموزش را به
353
00:13:28,790 –> 00:13:31,639
صورت محلی روی دستگاهم انجام دادم، می توانید ببینید که
354
00:13:31,639 –> 00:13:34,310
من یک دقت دارم. حدود 78 درصد است
355
00:13:34,310 –> 00:13:37,639
که بسیار خوب است، اما فقط برای
356
00:13:37,639 –> 00:13:39,860
اینکه شرایطی به شما بدهم وقتی این مجموعه
357
00:13:39,860 –> 00:13:42,079
داده برای اولین بار مجموعه داده های حیوانات خانگی اسکار ظاهر شد، بله،
358
00:13:42,079 –> 00:13:44,600
فکر می کنم شش یا هفت سال پیش بهترین
359
00:13:44,600 –> 00:13:46,820
محققان در جهان فقط می
360
00:13:46,820 –> 00:13:48,740
توانستند به دقت حدودی دست یابند. پنجاه و نه
361
00:13:48,740 –> 00:13:50,329
پ rcent و این همان قدرت رقابتی
362
00:13:50,329 –> 00:13:52,490
بود که آنها در آن زمان داشتند، بنابراین می توانید ببینید
363
00:13:52,490 –> 00:13:54,440
که چگونه یادگیری عمیق و
364
00:13:54,440 –> 00:13:55,970
زمینه یادگیری ماشینی در
365
00:13:55,970 –> 00:13:57,860
چند سال گذشته آنقدر رشد کرده است که من فقط
366
00:13:57,860 –> 00:14:01,160
با یک لپ تاپ معمولی می توانم با دقت 78 درصد
367
00:14:01,160 –> 00:14:04,490
و شما همچنین می توانید ببینید که آموزش روی دستگاه من
368
00:14:04,490 –> 00:14:06,850
حدود 5 دقیقه و 23 ثانیه طول کشید
369
00:14:06,850 –> 00:14:10,490
که به نظر من
370
00:14:10,490 –> 00:14:11,540
می توانیم خیلی بهتر انجام دهیم، به خصوص
371
00:14:11,540 –> 00:14:14,510
اینکه این مجموعه داده بسیار کوچک است
372
00:14:14,510 –> 00:14:16,160
و می توانید ببینید
373
00:14:16,160 –> 00:14:19,040
که من با مشتری محلی خود می نوشتم. اگر
374
00:14:19,040 –> 00:14:20,649
میخواهید نشان دهید که میخواهید از یک
375
00:14:20,649 –> 00:14:23,269
اتاق قدرت محاسباتی یک ماشین راه دور استفاده کنید،
376
00:14:23,269 –> 00:14:25,790
ما این ویژگی را نیز داریم، بنابراین برای انجام این کار،
377
00:14:25,790 –> 00:14:27,319
فقط میتوانید پالت آدمربایی را
378
00:14:27,319 –> 00:14:29,690
دوباره باز کنید، بنابراین Shift P را کنترل کنید
379
00:14:29,690 –> 00:14:32,000
و دستور تعیین ریموت محلی را جستجو کنید.
380
00:14:32,000 –> 00:14:34,430
سرور Cooper برای اتصالات، بنابراین
381
00:14:34,430 –> 00:14:37,310
به طور پیشفرض روی آن کلیک میکنید، به صورت پیشفرض روی این تنظیم میشود
382
00:14:37,310 –> 00:14:39,019
که فقط از یک ماشین محلی استفاده میکند،
383
00:14:39,019 –> 00:14:41,870
اما اگر یک فرد jus از راه دور
384
00:14:41,870 –> 00:14:43,839
دارید، در حال اجرا در ابر یا
385
00:14:43,839 –> 00:14:46,250
روی سرور راه دور شما در Chrome یا
386
00:14:46,250 –> 00:14:48,079
چیزی که میتوانید روی آن کلیک کنید k روی این موجود
387
00:14:48,079 –> 00:14:49,399
و اینجاست که در واقع می توانید
388
00:14:49,399 –> 00:14:54,110
URL سرور کوپر خود را وارد کنید و هنگامی که
389
00:14:54,110 –> 00:14:55,220
آن را وارد کردید، در واقع شروع
390
00:14:55,220 –> 00:14:58,010
به اتصال به آن سرور راه دور می کنید و
391
00:14:58,010 –> 00:14:59,120
همچنین هنگامی که روی سرور راه دور قرار گرفتید،
392
00:14:59,120 –> 00:15:02,420
هسته ما آثار شما را در سرورهای راه دور انتخاب
393
00:15:02,420 –> 00:15:03,649
می کند. همچنین اگر روی این
394
00:15:03,649 –> 00:15:06,230
کلیک کنید، لیستی از تمام هستههای سیستم خود را میبینید،
395
00:15:06,230 –> 00:15:08,240
بنابراین در حال حاضر محلیها هستند
396
00:15:08,240 –> 00:15:09,500
که خلافکاران راه دور من درست است، اما
397
00:15:09,500 –> 00:15:10,639
اگر روی یک ماشین ردیف
398
00:15:10,639 –> 00:15:12,350
هستید، هستههای راه دور را به شما نشان میدهد و در اینجا میتوانید
399
00:15:12,350 –> 00:15:13,639
به سرعت بین
400
00:15:13,639 –> 00:15:14,990
هستههای مختلف خود جابهجا شوید، فرض کنید کرنل دیگری دارید
401
00:15:14,990 –> 00:15:17,420
که دارای
402
00:15:17,420 –> 00:15:18,860
بستهبندی مشخصی است که به آن نیاز دارید، میتوانید آن را در آنجا جابهجا کنید،
403
00:15:18,860 –> 00:15:21,110
404
00:15:21,110 –> 00:15:23,880
بسیار سپاسگزاریم جفری برای اینکه به ما نشان داد که چگونه
405
00:15:23,880 –> 00:15:25,560
مدل خود را به صورت محلی در
406
00:15:25,560 –> 00:15:27,570
دستگاه خود و سپس در دستگاه خود آموزش دهیم. یک VM ماهرانه
407
00:15:27,570 –> 00:15:28,880
با استفاده از قابلیتهای سرور از راه دور
408
00:15:28,880 –> 00:15:32,190
که افزونه پایتون ارائه میکند، بنابراین
409
00:15:32,190 –> 00:15:33,720
میدانم برخی از شما ممکن است به خوبی به این فکر کنید
410
00:15:33,720 –> 00:15:35,940
که اگر من یک سرور راه دور نداشته
411
00:15:35,940 –> 00:15:38,010
باشم که بتوانم از آن استفاده کنم یا میدانید اگر بخواهم
412
00:15:38,010 –> 00:15:40,230
یکی از آنها را بچرخانم چه میشود؟ r بسیاری از آنها را امتحان کنم تا بتوانم
413
00:15:40,230 –> 00:15:42,090
کارهای آموزشی مختلف را اجرا کنم و
414
00:15:42,090 –> 00:15:44,730
چیزهایی مانند نرخ یادگیری خود را مانند
415
00:15:44,730 –> 00:15:46,590
سایر پارامترهای هایپر دیگر یا حتی
416
00:15:46,590 –> 00:15:48,720
مجموعه داده ای که استفاده می کنم را تغییر دهم و سپس
417
00:15:48,720 –> 00:15:50,220
از همه آن اجراهای مختلف به خوبی می
418
00:15:50,220 –> 00:15:51,660
دانید که می خواهم به بهترین عملکرد را
419
00:15:51,660 –> 00:15:53,130
دارد و من میخواهم از آن برای
420
00:15:53,130 –> 00:15:56,340
استقرار استفاده کنم و بنابراین اینجاست که میخواهم
421
00:15:56,340 –> 00:15:58,320
یادگیری ماشینی Azure را به شما معرفی کنم،
422
00:15:58,320 –> 00:16:00,990
بنابراین آنچه بعد از یادگیری ماشینی
423
00:16:00,990 –> 00:16:03,420
بسیار سریع است، یک سرویس ابری است
424
00:16:03,420 –> 00:16:05,190
که مجموعهای از ابزارها
425
00:16:05,190 –> 00:16:07,440
و قابلیتها را در اختیار شما قرار میدهد. برای کمک به شما در ساخت قطار
426
00:16:07,440 –> 00:16:09,390
و استقرار مدل های خود به شیوه ای بسیار سریعتر
427
00:16:09,390 –> 00:16:11,970
و کارآمدتر، بنابراین اکنون
428
00:16:11,970 –> 00:16:14,040
چند چیز را گفتم که گفتم مطمئناً
429
00:16:14,040 –> 00:16:16,110
سرویس ابری را گفتم اما یک لحظه صبر کنید من حسادت می کنم
430
00:16:16,110 –> 00:16:17,940
کد آیا این بدان معنی است
431
00:16:17,940 –> 00:16:20,310
که من نیاز دارم برای رفتن، باید بروم و
432
00:16:20,310 –> 00:16:22,530
یک SDK یاد بگیرم، باید بروم و مجموعهای از
433
00:16:22,530 –> 00:16:24,990
ابزارهای خط فرمان را یاد بگیرم یا میدانید آیا باید
434
00:16:24,990 –> 00:16:26,550
نقشه کد در مقابل را ترک کنم تا به
435
00:16:26,550 –> 00:16:28,560
مرورگر بروم تا بتوانم
436
00:16:28,560 –> 00:16:31,950
منابع Asha خود را به خوبی مدیریت کنم. جایی که می خواهم
437
00:16:31,950 –> 00:16:33,270
تی بعدی را معرفی کنم hing to you
438
00:16:33,270 –> 00:16:35,760
که افزونه یادگیری ماشین لاجوردی
439
00:16:35,760 –> 00:16:37,830
در مقابل کد است، اگر به این
440
00:16:37,830 –> 00:16:39,780
برگه افزونه در سمت راست بروید،
441
00:16:39,780 –> 00:16:42,450
میتوانم یک برنامه افزودنی را جستجو کنم، میتوانم
442
00:16:42,450 –> 00:16:43,920
یک برنامه افزودنی را در اینجا با تایپ کردن
443
00:16:43,920 –> 00:16:46,320
یادگیری ماشین و اولین
444
00:16:46,320 –> 00:16:48,030
چیزی که نشان میدهد جستجو کنم. up این
445
00:16:48,030 –> 00:16:50,760
افزونه یادگیری ماشینی جمع کننده است، اگر
446
00:16:50,760 –> 00:16:53,820
آن را نصب کنم، یک برگه بیرونی جدید در
447
00:16:53,820 –> 00:16:55,380
سمت چپ دارم که می توانم به آن پیمایش
448
00:16:55,380 –> 00:16:57,930
کنم و در اینجا خواهید دید که یک صفحه وجود دارد
449
00:16:57,930 –> 00:16:59,790
که با افزونه یادگیری ماشینی Azure مطابقت دارد
450
00:16:59,790 –> 00:17:02,640
و همچنین هر
451
00:17:02,640 –> 00:17:05,210
برنامه افزودنی Azure دیگری که من نصب کرده ام،
452
00:17:05,210 –> 00:17:08,040
بنابراین اکنون آنچه را که در این صفحه یادگیری ماشین می بینم به
453
00:17:08,040 –> 00:17:10,109
خوبی اولین
454
00:17:10,109 –> 00:17:12,359
چیزی که نشان داده می شود مجموعه ای از اشتراک ها است
455
00:17:12,359 –> 00:17:14,190
که به حساب Asscher من تعلق دارند در
456
00:17:14,190 –> 00:17:15,750
صورتی که تعداد دقیقی نداشته باشید.
457
00:17:15,750 –> 00:17:17,880
از شما خواسته میشود که وارد شوید و بنابراین
458
00:17:17,880 –> 00:17:19,290
وقتی وارد سیستم شدید،
459
00:17:19,290 –> 00:17:22,079
میتوانید اشتراکی را در آنجا راهاندازی کنید.
460
00:17:22,079 –> 00:17:24,599
461
00:17:24,599 –> 00:17:26,190
462
00:17:26,190 –> 00:17:27,630
یک اشتراک و اگر بخواهید
463
00:17:27,630 –> 00:17:29,910
آن را فیلتر کنید، مثل اینکه من اینجا دارم،
464
00:17:29,910 –> 00:17:32,130
فقط می توانید روی نماد فیلتر کلیک کنید و
465
00:17:32,130 –> 00:17:34,540
یک فیلتر سریع دریافت خواهید کرد که می
466
00:17:34,540 –> 00:17:37,450
توانید اشتراک های خود را از آن انتخاب کنید، اگر من
467
00:17:37,450 –> 00:17:39,580
در این گره اشتراک پایین بیفتم، آنچه می
468
00:17:39,580 –> 00:17:41,770
بینم مجموعه ای از فضاهای کاری یادگیری ماشین است.
469
00:17:41,770 –> 00:17:44,230
همه شما که
470
00:17:44,230 –> 00:17:45,280
با فضاهای کاری یادگیری ماشین آشنایی ندارید
471
00:17:45,280 –> 00:17:47,230
، بهترین راه برای فکر کردن در مورد
472
00:17:47,230 –> 00:17:50,160
آن این است که یک
473
00:17:50,160 –> 00:17:54,490
گروه برش مکان متمرکز از دارایی ها و منابع
474
00:17:54,490 –> 00:17:56,110
است که قرار است هنگام ساخت
475
00:17:56,110 –> 00:17:58,810
قطار و استقرار مدل های خود و برای
476
00:17:58,810 –> 00:18:01,090
همه موارد استفاده کنید. شما که اینجا فضای کاری
477
00:18:01,090 –> 00:18:02,860
برای انتخاب ندارید مشکلی نیست
478
00:18:02,860 –> 00:18:05,080
، افزونه پس از یادگیری ماشینی
479
00:18:05,080 –> 00:18:06,970
یک روش واقعا آسان و
480
00:18:06,970 –> 00:18:09,520
کارآمد برای ایجاد یک فضای کاری در اختیار شما قرار می دهد
481
00:18:09,520 –> 00:18:11,560
که فقط روی این دکمه در اینجا کلیک کنید و
482
00:18:11,560 –> 00:18:13,840
سپس مجموعه ای از ورودی های سریع را مرور کنید.
483
00:18:13,840 –> 00:18:15,700
گزینهها، بنابراین اولین چیزی که از من
484
00:18:15,700 –> 00:18:18,340
خواسته میشود یک نام است، بنابراین میتوانم
485
00:18:18,340 –> 00:18:20,260
آن را فضای کاری آزمایشی خود بنامم، سپس میتوانم اشتراکی را انتخاب
486
00:18:20,260 –> 00:18:21,760
کنم که میخواهم این
487
00:18:21,760 –> 00:18:23,230
فضای کاری را در آن ایجاد کنم، بنابراین میخواهم API پایتون را انتخاب کنم
488
00:18:23,230 –> 00:18:25,780
و ابزار m/l یکی و سپس می توانم آن
489
00:18:25,780 –> 00:18:27,700
را انتخاب کنم، می توانم یک
490
00:18:27,700 –> 00:18:29,200
گروه تحقیقاتی جدید ایجاد کنم یا می توانم یک گروه
491
00:18:29,200 –> 00:18:30,640
موجود را انتخاب کنم، خواهید دید
492
00:18:30,640 –> 00:18:32,500
که از قابلیت های جستجو در
493
00:18:32,500 –> 00:18:35,020
انتخاب سریع ورودی ها برای یافتن یکی از ورودی ها استفاده خواهم کرد.
494
00:18:35,020 –> 00:18:37,270
بدانید که من قبلا ایجاد کرده ام و سپس
495
00:18:37,270 –> 00:18:39,280
در نهایت از من خواسته می شود که یک SKU فضای کاری را انتخاب کنم،
496
00:18:39,280 –> 00:18:41,920
بنابراین در این مورد من دو گزینه
497
00:18:41,920 –> 00:18:44,140
اساسی و سازمانی دارم، من
498
00:18:44,140 –> 00:18:45,880
به جزئیات تفاوت
499
00:18:45,880 –> 00:18:48,340
بین SKU ها نمی پردازم، اما این اطلاعات
500
00:18:48,340 –> 00:18:50,620
در صفحات قیمت گذاری یادگیری ماشینی Azure در دسترس شماست
501
00:18:50,620 –> 00:18:53,200
و بنابراین من
502
00:18:53,200 –> 00:18:54,790
نیز قصد ایجاد فضای کاری
503
00:18:54,790 –> 00:18:56,250
را ندارم فقط به این دلیل که مدتی طول
504
00:18:56,250 –> 00:18:58,840
می کشد تا ایجاد شود، بنابراین من فقط می
505
00:18:58,840 –> 00:19:00,340
خواهم از اینجا فرار کنم و در عوض می خواهم
506
00:19:00,340 –> 00:19:01,720
روی فضای کاری که قبلا ایجاد کردهام تمرکز میکنم
507
00:19:01,720 –> 00:19:03,280
، بنابراین خواهید دید که
508
00:19:03,280 –> 00:19:05,860
من این فضای کاری ردیاب حیوانات خانگی
509
00:19:05,860 –> 00:19:07,780
را دارم و اگر این یادداشت فضای کاری را پایین
510
00:19:07,780 –> 00:19:11,110
بیاورم، فهرستی از داراییها و
511
00:19:11,110 –> 00:19:13,420
منابعی که با
512
00:19:13,420 –> 00:19:17,590
مفاهیم یادگیری ماشینی Azure مطابقت دارند نشان داده میشود. خیلی خوبه پس
513
00:19:17,590 –> 00:19:19,210
اولین چیزی که میخوام باهات صحبت کنم
514
00:19:19,210 –> 00:19:21,250
وقتی به این منابع در اینجا نگاه می کنیم
515
00:19:21,250 –> 00:19:23,410
، چیزی است که قبلاً به
516
00:19:23,410 –> 00:19:25,870
طور خلاصه به آن اشاره کردم، این ایده است که
517
00:19:25,870 –> 00:19:28,150
می دانید من می خواهم چندین شغل آموزشی را اجرا
518
00:19:28,150 –> 00:19:30,850
کنم و می خواهم
519
00:19:30,850 –> 00:19:33,310
هر یک از آن اجراها را به خوبی ارزیابی کنم، گاهی اوقات
520
00:19:33,310 –> 00:19:35,470
می خواهم انجام دهم. یک گروه بندی منطقی از
521
00:19:35,470 –> 00:19:37,000
آنها و واقعاً
522
00:19:37,000 –> 00:19:40,930
آزمایشها در اینجا هستند، بنابراین با پسوند AML
523
00:19:40,930 –> 00:19:42,550
میتوانم روی این
524
00:19:42,550 –> 00:19:44,530
گره آزمایشی کلیک کنم و میتوانم
525
00:19:44,530 –> 00:19:45,880
تمام آزمایشهای دیگری را که تعریف کردهام ببینم،
526
00:19:45,880 –> 00:19:48,010
بنابراین خواهید دید که در اینجا من یک
527
00:19:48,010 –> 00:19:50,140
آشکارساز دارم. آزمایش کنید، اما اگر این مورد را رها کنم
528
00:19:50,140 –> 00:19:52,300
، هیچ اجرا
529
00:19:52,300 –> 00:19:53,290
530
00:19:53,290 –> 00:19:55,270
وجود ندارد، متأسفم، یک اجرا وجود دارد که برای
531
00:19:55,270 –> 00:19:58,300
این آزمایش کامل کردهام، اکنون اگر آن را کوچک کنم،
532
00:19:58,300 –> 00:20:00,580
میتوانم یک
533
00:20:00,580 –> 00:20:02,710
آزمایش کاملاً جدید ایجاد و تعریف کنم، بنابراین من
534
00:20:02,710 –> 00:20:04,240
اکنون روی این آزمایشها کلیک راست میکنم و من
535
00:20:04,240 –> 00:20:06,190
میخواهم بگویم ایجاد آزمایش تنها
536
00:20:06,190 –> 00:20:08,230
چیزی که از من خواسته میشود یک نام است، بنابراین
537
00:20:08,230 –> 00:20:09,610
در این مورد ممکن است آن را
538
00:20:09,610 –> 00:20:12,760
ردیاب حیوانات خانگی آن آشکارساز بنامم – و من این کار
539
00:20:12,760 –> 00:20:14,950
را انجام خواهم داد. اینتر را بزنید و خواهید دید که
540
00:20:14,950 –> 00:20:18,370
th یک پسوند ml است که این
541
00:20:18,370 –> 00:20:20,470
آزمایش را برای من ایجاد می کند و
542
00:20:20,470 –> 00:20:22,330
voila اکنون در تجارت من است، بنابراین خواهید دید
543
00:20:22,330 –> 00:20:24,280
که این کار بسیار آسان بود، من مجبور نبودم
544
00:20:24,280 –> 00:20:26,260
کار زیادی انجام دهم، تنها کاری که باید انجام می دادم این بود
545
00:20:26,260 –> 00:20:28,600
که به طور مستقیم و از طریق یک تک با درخت ارتباط برقرار کنم.
546
00:20:28,600 –> 00:20:30,340
کلیک و ورودی من
547
00:20:30,340 –> 00:20:31,990
آزمایشی دارم که تعریف شده است که
548
00:20:31,990 –> 00:20:35,860
اکنون میتوانم کارهای آموزشی خود را در برابر عالی اجرا کنم، بنابراین
549
00:20:35,860 –> 00:20:38,740
اکنون که آزمایشی دارم که شامل
550
00:20:38,740 –> 00:20:40,570
تمام دورههای آموزشی مختلف من باشد، چیزی که
551
00:20:40,570 –> 00:20:44,590
میخواهم مکانی است یا یک محاسبه برای اجرای
552
00:20:44,590 –> 00:20:47,170
مشاغل آموزشی من است. در مقابل، روشی
553
00:20:47,170 –> 00:20:49,240
که می توانم محاسبات موجود را به عنوان
554
00:20:49,240 –> 00:20:50,980
بخشی از فضاهای کاری فعلی خود مشاهده کنم، می توانم
555
00:20:50,980 –> 00:20:53,230
روی این گره کلاسترهای آموزشی کلیک کنم
556
00:20:53,230 –> 00:20:55,750
و خواهید دید که من قبلاً مجموعه ای
557
00:20:55,750 –> 00:20:57,970
از محاسبات یا کلاسترهای آموزشی
558
00:20:57,970 –> 00:21:00,760
دارم که اگر بخواهم آنها را تعریف کرده ام. برای ایجاد یک
559
00:21:00,760 –> 00:21:02,710
کلاستر آموزشی جدید، به همین سادگی است که
560
00:21:02,710 –> 00:21:04,450
روی این گره کلیک راست کنید و بگویید
561
00:21:04,450 –> 00:21:06,640
ایجاد محاسبات از من خواسته می شود دو
562
00:21:06,640 –> 00:21:08,560
نوع محاسباتی متفاوت داشته باشم، بنابراین
563
00:21:08,560 –> 00:21:10,450
کامپیوتر AML یا در این مورد پاسخ می دهد، من می خواهم
564
00:21:10,450 –> 00:21:13,120
AML compute را انتخاب کنم و سپس از من
565
00:21:13,120 –> 00:21:15,040
خواسته شده است که اندازه VM را انتخاب کنم و اکنون چیزی که
566
00:21:15,040 –> 00:21:17,080
در این مورد خوب است این است
567
00:21:17,080 –> 00:21:19,180
که لیستی از گزینه های VM و همچنین
568
00:21:19,180 –> 00:21:22,060
مشخصات آنها به من ارائه می شود اگر بخواهم می توانم
569
00:21:22,060 –> 00:21:25,060
یک نوع خاص از VM را
570
00:21:25,060 –> 00:21:27,730
فقط با وارد کردن مشخصات در اینجا جستجو
571
00:21:27,730 –> 00:21:29,440
کنم، مثلاً ممکن است بخواهم به
572
00:21:29,440 –> 00:21:31,270
دنبال یک محاسبات GPU بگردید تا GPU را تایپ
573
00:21:31,270 –> 00:21:33,520
کنم و خواهید دید که اکنون
574
00:21:33,520 –> 00:21:35,590
لیستی از مبلمان محاسباتی GPU برای انتخاب دارم
575
00:21:35,590 –> 00:21:38,380
، بنابراین برای این کار میخواهم
576
00:21:38,380 –> 00:21:39,940
این مدل بسیار سنگین را انتخاب کنم که
577
00:21:39,940 –> 00:21:42,340
NC است. 12 و سپس من آن را
578
00:21:42,340 –> 00:21:46,300
با نام محاسبه GPU NC 12 ارائه خواهم کرد و خواهید
579
00:21:46,300 –> 00:21:49,600
دید که اگر من اگر
580
00:21:49,600 –> 00:21:51,460
کاراکترهای نامعتبر را در اینجا وارد کنم یا نام هایی داشته
581
00:21:51,460 –> 00:21:53,740
باشم که از اندازه صحیح بیشتر است،
582
00:21:53,740 –> 00:21:55,870
پسوند پسوند من را از آن باز می دارد.
583
00:21:55,870 –> 00:21:58,210
سپس ایجاد آن کامپیوتر را ایجاد کردم
584
00:21:58,210 –> 00:22:00,520
، بنابراین دریافت میکنم تا مستقیماً با
585
00:22:00,520 –> 00:22:01,660
کد حسادت از
586
00:22:01,660 –> 00:22:03,280
طریق پسوند بازخورد دریافت کنم که آیا
587
00:22:03,280 –> 00:22:05,920
این عملیات را بهدرستی اجرا میکنم یا نه، بنابراین
588
00:22:05,920 –> 00:22:09,130
اکنون فقط این را اصلاح میکنم و میگویم میخواهم
589
00:22:09,130 –> 00:22:11,770
ایجاد کنم که میبینید که من یک
590
00:22:11,770 –> 00:22:13,840
JSON دارم که به من ارائه شده است
591
00:22:13,840 –> 00:22:16,210
ep این فقط
592
00:22:16,210 –> 00:22:18,340
مجموعهای از گزینهها را در اختیار من قرار میدهد که میتوانم آنها را تغییر دهم،
593
00:22:18,340 –> 00:22:20,860
مانند تنظیمات مقیاس مانند
594
00:22:20,860 –> 00:22:23,620
اولویت ماشین مجازی، زمان بیکاری گره
595
00:22:23,620 –> 00:22:26,890
و برای این مثال، همه این
596
00:22:26,890 –> 00:22:28,240
موارد برای من خوب به نظر میرسند. از
597
00:22:28,240 –> 00:22:29,590
گزینه های پیش فرض استفاده کنید و من فقط
598
00:22:29,590 –> 00:22:31,510
ذخیره و ادامه را می زنم و اکنون
599
00:22:31,510 –> 00:22:33,400
برنامه افزودنی در حال ایجاد محاسبه برای من است
600
00:22:33,400 –> 00:22:35,560
و خواهید دید که وقتی این محاسبه
601
00:22:35,560 –> 00:22:39,870
ایجاد شد در نمای درختی من نشان داده می شود به
602
00:22:40,110 –> 00:22:42,520
طوری که یک دقیقه طول کشید. اما خواهید دید
603
00:22:42,520 –> 00:22:44,710
که من یک اعلان دریافت کردم مبنی بر اینکه
604
00:22:44,710 –> 00:22:46,360
محاسبات من ایجاد شده است و اکنون می توانم
605
00:22:46,360 –> 00:22:49,740
محاسبات خود را در اینجا در زیر خوشه های آموزشی خود ببینم،
606
00:22:49,740 –> 00:22:52,450
بنابراین اکنون آزمایشی را تعریف کرده ام و
607
00:22:52,450 –> 00:22:55,090
یک محاسبه برای من ایجاد کرده ام تا آزمایش خود را بر اساس آن اجرا کنم
608
00:22:55,090 –> 00:22:57,760
و و بنابراین به نظر می رسد
609
00:22:57,760 –> 00:22:59,110
که همه این چیزها در
610
00:22:59,110 –> 00:23:01,480
کنار هم قرار می گیرند تا من در نهایت بتوانم یک
611
00:23:01,480 –> 00:23:02,890
کار آموزشی در یادگیری ماشینی Azure اجرا
612
00:23:02,890 –> 00:23:04,810
کنم موضوع بعدی که می خواهم با
613
00:23:04,810 –> 00:23:08,470
شما در مورد آن صحبت کنم داده است بنابراین آنچه جفری
614
00:23:08,470 –> 00:23:10,360
با مثال قبلی به شما نشان داد داده
615
00:23:10,360 –> 00:23:11,980
هایی است که او بر روی دستگاه محلی خود دانلود کرد
616
00:23:11,980 –> 00:23:14,170
و و او به عنوان بخشی از
617
00:23:14,170 –> 00:23:15,460
آموزش خود استفاده می کرد، بنابراین اکنون بسیاری از شما ممکن است به
618
00:23:15,460 –> 00:23:17,140
خوبی فکر کنید که می دانید داده های من به
619
00:23:17,140 –> 00:23:19,540
صورت محلی وجود ندارد داده های من در فضای ابری در
620
00:23:19,540 –> 00:23:21,430
جایی است که در منبع خارجی وجود دارد
621
00:23:21,430 –> 00:23:24,910
و بنابراین آنچه من می خواهم بگویم
622
00:23:24,910