در این مطلب، ویدئو آموزش پردازش تصویر با استفاده از پایتون | پردازش تصویر چیست | 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: 1:58:40
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,220
پردازش تصویر یک قانون بسیار اساسی را ایفا می
2
00:00:02,220 –> 00:00:05,130
کند و زمینه های متعددی مانند
3
00:00:05,130 –> 00:00:07,319
علوم کامپیوتر اپتیک، ریاضیات و
4
00:00:07,319 –> 00:00:10,260
فیزیک سطح در مورد بینایی کامپیوتر،
5
00:00:10,260 –> 00:00:12,660
کاربردهای
6
00:00:12,660 –> 00:00:15,030
آن شامل تشخیص چهره و تشخیص اثر انگشت از راه
7
00:00:15,030 –> 00:00:17,100
8
00:00:17,100 –> 00:00:19,199
9
00:00:19,199 –> 00:00:21,480
دور است. در مورد
10
00:00:21,480 –> 00:00:23,039
پردازش تصویر در ذهن ما
11
00:00:23,039 –> 00:00:25,680
این آموزش را در مورد پردازش تصویر با استفاده از
12
00:00:25,680 –> 00:00:28,160
پایتون ارائه
13
00:00:34,670 –> 00:00:36,900
کردهایم قبل از اینکه جلسه را ادامه دهیم،
14
00:00:36,900 –> 00:00:38,850
میخواهم به شما عزیزان اطلاع دهم که ما
15
00:00:38,850 –> 00:00:41,130
یک پلتفرم کاملا رایگان
16
00:00:41,130 –> 00:00:43,200
به نام آکادمی یادگیری عالی راهاندازی کردهایم، اما شما به
17
00:00:43,200 –> 00:00:45,239
آن دسترسی دارید. برای دورههای رایگان مانند
18
00:00:45,239 –> 00:00:47,460
iCloud و بازاریابی دیجیتال،
19
00:00:47,460 –> 00:00:48,690
میتوانید جزئیات را در توضیحات
20
00:00:48,690 –> 00:00:51,360
زیر بررسی کنید، حالا بیایید نگاهی گذرا
21
00:00:51,360 –> 00:00:53,160
به دستور کار داشته باشیم که با
22
00:00:53,160 –> 00:00:55,830
درک مفهوم پردازش تصویر شروع
23
00:00:55,830 –> 00:00:57,809
میکنیم، سپس مفاهیم عادیسازی دستهای را درک خواهیم کرد.
24
00:00:57,809 –> 00:01:00,690
و منظم سازی در نهایت
25
00:01:00,690 –> 00:01:03,030
ما یک دم جامع خواهیم داشت
26
00:01:03,030 –> 00:01:05,220
که روند تصویر را پیاده سازی می کند با شبکه های عصبی عمیق آواز بخوانیم،
27
00:01:05,220 –> 00:01:08,700
پس بیایید در
28
00:01:08,700 –> 00:01:10,590
مورد اولین موضوع صحبت کنیم، این یک
29
00:01:10,590 –> 00:01:12,810
چالش بزرگ در صنعت ما است، در حال حاضر
30
00:01:12,810 –> 00:01:15,740
چرا این مثال بسیار ساده را می گویم آیا
31
00:01:15,740 –> 00:01:19,800
شما بچه ها در مورد NLP شنیده اید، فکر می
32
00:01:19,800 –> 00:01:21,539
کنم بله، برخی از موارد اجرا شده را به شما نشان داده ام
33
00:01:21,539 –> 00:01:24,960
بله، همچنین شما بچه ها در مورد بینایی کامپیوتر کاملاً شنیده اید،
34
00:01:24,960 –> 00:01:28,229
بنابراین
35
00:01:28,229 –> 00:01:32,220
اساساً این موضوعات چیست یا ما
36
00:01:32,220 –> 00:01:35,210
می توانیم پردازش صدا را هم اکنون صدا کنیم
37
00:01:35,210 –> 00:01:38,759
و این موضوعات چیست، این است که شما یک
38
00:01:38,759 –> 00:01:41,640
داده از پیش آموزش دیده دارید، یعنی اگر
39
00:01:41,640 –> 00:01:43,860
در مورد NLP صحبت می کنید، دارید اجازه دهید
40
00:01:43,860 –> 00:01:45,599
بگوییم اگر در NLP با
41
00:01:45,599 –> 00:01:49,610
آن صحبت می کنید، در مورد نوعی
42
00:01:49,610 –> 00:01:52,170
تجزیه و تحلیل احساسات
43
00:01:52,170 –> 00:01:54,030
صحبت می کنید که مشتری در مورد آن صحبت می کند این است که او در مورد ما مثبت منفی صحبت می کند
44
00:01:54,030 –> 00:01:57,149
خوب بد اگر می خواهید
45
00:01:57,149 –> 00:01:59,250
بسیار زیاد باشد اگر می خواهید این نوع
46
00:01:59,250 –> 00:02:01,709
پردازش را انجام دهید. انبوه شما می توانید
47
00:02:01,709 –> 00:02:03,899
اکنون اینجا از تجزیه و تحلیل احساسات
48
00:02:03,899 –> 00:02:06,119
49
00:02:06,119 –> 00:02:09,508
NLP استفاده کنید
50
00:02:09,508 –> 00:02:13,230
تا این کار
51
00:02:13,230 –> 00:02:15,750
را انجام دهید. و
52
00:02:15,750 –> 00:02:17,760
ترکیبات ممکن در اینجا به خودی خود برای
53
00:02:17,760 –> 00:02:20,400
اینکه بتوانم شبکه عصبی خود را به خوبی آموزش دهم،
54
00:02:20,400 –> 00:02:20,730
55
00:02:20,730 –> 00:02:24,720
این فایل ها معمولاً بسیار سنگین هستند، اگر
56
00:02:24,720 –> 00:02:27,780
نمونه ای از رنگ قرمز را به شما نشان دهم، اگر
57
00:02:27,780 –> 00:02:30,060
به این نگاه کنید، این یک فایل مجموعه ای است
58
00:02:30,060 –> 00:02:33,420
که با من برای گل ها در دسترس است، بنابراین
59
00:02:33,420 –> 00:02:36,360
اگر دارید میخواهم اگر تصویری به من بدهید
60
00:02:36,360 –> 00:02:38,310
و اگر میخواهم آن
61
00:02:38,310 –> 00:02:40,500
تصویر را در یکی از این گلها طبقهبندی کنم،
62
00:02:40,500 –> 00:02:42,960
برای آموزش مدلم به این نوع تصاویر به عنوان پشتیبان نیاز
63
00:02:42,960 –> 00:02:45,600
دارم که بگویم این یک
64
00:02:45,600 –> 00:02:47,200
لاله
65
00:02:47,200 –> 00:02:52,150
است یا این میتواند یک
66
00:02:52,150 –> 00:02:53,860
جواهرساز باشد. بنابراین ممکن است چند مثال مثبت وجود داشته باشد
67
00:02:53,860 –> 00:02:55,629
که می تواند برخی از
68
00:02:55,629 –> 00:02:58,120
مثال های منفی باشد که ما درباره آنها نمی دانیم، بنابراین
69
00:02:58,120 –> 00:03:00,310
این اولین چالشی است که ما معمولاً با آن مواجه هستیم
70
00:03:00,310 –> 00:03:04,599
که چگونه این نوع پیکره ها را دریافت کنیم، بنابراین اگر
71
00:03:04,599 –> 00:03:08,290
در مورد پردازش صدا صحبت می
72
00:03:08,290 –> 00:03:09,519
کنید، مطمئن نیستم که آیا شما بچه ها من
73
00:03:09,519 –> 00:03:14,049
هر زمان چیزی در مورد صدا به شما نشان دادم هرگز نه
74
00:03:14,049 –> 00:03:16,870
حق در آخر شما چیزی گفتید و
75
00:03:16,870 –> 00:03:20,019
کاملاً درست است بله عالی است به طوری
76
00:03:20,019 –> 00:03:22,660
که پردازش صدا تصور کنید چقدر
77
00:03:22,660 –> 00:03:25,930
سطح صدا را باید ضبط کند
78
00:03:25,930 –> 00:03:28,510
تا بفهمد که مجموعه ای که ما
79
00:03:28,510 –> 00:03:30,790
داشتیم از آن بود. گوگل در حال حاضر رایگان است، بنابراین ما
80
00:03:30,790 –> 00:03:31,690
از آن استفاده می کنیم
81
00:03:31,690 –> 00:03:35,530
گوگل به اندازه کافی مهربان بود که
82
00:03:35,530 –> 00:03:37,660
افراد خاصی را از قومیت های خاص
83
00:03:37,660 –> 00:03:40,900
در مناطق خاصی جمع آوری کرد تا نوع خاصی از کلمات
84
00:03:40,900 –> 00:03:43,000
را صحبت کنند تا هر زمان که چیزی صحبت می کنم
85
00:03:43,000 –> 00:03:45,040
سعی می کند لهجه و کلمه من را
86
00:03:45,040 –> 00:03:47,380
با نزدیک ترین مقدار مطابقت دهد. سعی میکند
87
00:03:47,380 –> 00:03:49,480
پیشبینی کند که من میگویم که اگر
88
00:03:49,480 –> 00:03:51,910
هفته گذشته هرچه را که من میگویم مشاهده کردید، صد
89
00:03:51,910 –> 00:03:53,920
نفر یکسان نبود، اما بله، بیشتر
90
00:03:53,920 –> 00:03:56,319
متوجه شد که من میخواستم بگویم،
91
00:03:56,319 –> 00:03:59,170
بنابراین چالش کامل برای هر
92
00:03:59,170 –> 00:04:01,989
شبکه عصبی در اینجا این است که این نوع
93
00:04:01,989 –> 00:04:04,209
ترکیبها را جمعآوری کند. که ما می توانیم شبکه ای را آموزش
94
00:04:04,209 –> 00:04:06,600
دهیم که ما آن را به عنوان تقویت کننده می نامیم،
95
00:04:06,600 –> 00:04:09,430
خوب شما می توانید آن
96
00:04:09,430 –> 00:04:11,380
موضوع را با تقویت ارتباط دهید حالا منظور من
97
00:04:11,380 –> 00:04:13,510
از تقویت چیست بگذارید بگوییم
98
00:04:13,510 –> 00:04:16,089
شما این را به عنوان یک تصویر به شبکه عصبی خود داده اید
99
00:04:16,089 –> 00:04:18,700
و می گویید که این الان یک گربه است.
100
00:04:18,700 –> 00:04:21,430
چه می شود اگر تصویرم را کج کنم یا اگر
101
00:04:21,430 –> 00:04:24,160
تصویرم را بچرخانم چه می شود یا اگر تصویرم را برش
102
00:04:24,160 –> 00:04:26,350
دهم چه می شود اگر روی تصویرم زوم کنم
103
00:04:26,350 –> 00:04:29,680
چه می شود اگر با این کار انجام دهید اگر
104
00:04:29,680 –> 00:04:31,960
شبکه عصبی را روی این تنها
105
00:04:31,960 –> 00:04:33,820
یک عکس آموزش دهید چه می شود؟ گفتن این یک گربه است و
106
00:04:33,820 –> 00:04:36,280
اگر این را به او یک شبکه عصبی ساده
107
00:04:36,280 –> 00:04:38,500
ارائه دهید، آن را نمی گیرد چرا
108
00:04:38,500 –> 00:04:40,990
زیرا اگر پیکسل های
109
00:04:40,990 –> 00:04:43,419
موجود در اینجا را مشاهده کنید و اگر همان
110
00:04:43,419 –> 00:04:45,370
مکان ها را در تصویر فعلی خود بگیرید
111
00:04:45,370 –> 00:04:47,740
ممکن است فضای خالی وجود داشته باشد، بنابراین بدیهی است
112
00:04:47,740 –> 00:04:50,260
که بیشتر با آن مطابقت ندارد، بنابراین
113
00:04:50,260 –> 00:04:52,539
برای ما بسیار مهم است که مطمئن
114
00:04:52,539 –> 00:04:54,820
شویم قبل از اینکه دادهای را به یک
115
00:04:54,820 –> 00:04:56,500
شبکه عصبی بدهیم،
116
00:04:56,500 –> 00:04:58,599
تقویت مناسبی را
117
00:04:58,599 –> 00:05:02,010
انجام دادهایم، به این معنی که این نوع تغییرات را انجام دادهایم،
118
00:05:02,010 –> 00:05:05,050
حالا این در دست ماست که آیا باید
119
00:05:05,050 –> 00:05:06,310
این کار را انجام دهید تا توابع خاصی
120
00:05:06,310 –> 00:05:07,960
در شبکههای عصبی موجود باشد که
121
00:05:07,960 –> 00:05:10,240
به ما امکان میدهد تقویت را انجام دهیم، بنابراین
122
00:05:10,240 –> 00:05:11,890
از ما میپرسد که آیا میخواهید بچرخانید،
123
00:05:11,890 –> 00:05:13,780
اگر میخواهید برش دهید، اگر
124
00:05:13,780 –> 00:05:15,790
میخواهید هر کاری را که میخواهید بزرگنمایی کنید، به درستی انجام
125
00:05:15,790 –> 00:05:15,970
دهید.
126
00:05:15,970 –> 00:05:18,610
گاهی اوقات حتی به ما اجازه
127
00:05:18,610 –> 00:05:21,700
میدهد رنگها را نیز تغییر دهیم، بنابراین به این میگویند تقویت دادهها،
128
00:05:21,700 –> 00:05:25,830
بنابراین اگر من فقط این
129
00:05:25,830 –> 00:05:29,860
موضوع را ارائه دهم، موضوع اصلی نیست، اما بله
130
00:05:29,860 –> 00:05:32,260
، در مورد آن بسیار صحبت میشود، زیرا
131
00:05:32,260 –> 00:05:34,240
همه ما دسترسی خیلی خوبی به همه موارد نداریم.
132
00:05:34,240 –> 00:05:34,720
همه چیز
133
00:05:34,720 –> 00:05:37,300
درست است، لطفاً به یاد داشته باشید که میگوید
134
00:05:37,300 –> 00:05:39,580
ممکن است مجموعه دادههای بزرگ برای ایجاد
135
00:05:39,580 –> 00:05:41,980
دادههای بیشتر نداشته باشیم، بنابراین چگونه
136
00:05:41,980 –> 00:05:44,140
میتوان دادههای بیشتری ایجاد کرد، میتوانید با استفاده از تکنیک تقویت خود دادههای بیشتری ایجاد کنید،
137
00:05:44,140 –> 00:05:47,200
138
00:05:47,200 –> 00:05:49,510
بنابراین فقط یک مثال از یک
139
00:05:49,510 –> 00:05:51,850
تقویتکننده را در نظر بگیرید. ما می توانیم انجام دهیم
140
00:05:51,850 –> 00:05:54,700
این تصویری است که متعلق به یک سگ است، اگر
141
00:05:54,700 –> 00:05:58,780
می خواهید آنچه را که می گویید تبدیل به
142
00:05:58,780 –> 00:06:00,850
تصویر کنید، بگذارید بگوییم از رنگ او
143
00:06:00,850 –> 00:06:03,370
به رنگ خاکستری تبدیل شده است از آنجا
144
00:06:03,370 –> 00:06:05,470
من آن را به CNN می دهم در
145
00:06:05,470 –> 00:06:08,380
این مورد برای ما آسان است که تشخیص دهیم اگر
146
00:06:08,380 –> 00:06:10,720
فردا برف و چیزهای دیگر آنجا نباشد،
147
00:06:10,720 –> 00:06:13,660
فقط این تعداد چهره در دسترس است، ما
148
00:06:13,660 –> 00:06:16,750
مطمئن نیستیم که شبکه عصبی شما چقدر راحت
149
00:06:16,750 –> 00:06:17,950
خواهد بود که دوربین های کسی را اضافه کنید،
150
00:06:17,950 –> 00:06:20,320
بله
151
00:06:20,320 –> 00:06:22,270
، شبکه عصبی چقدر راحت خواهد
152
00:06:22,270 –> 00:06:24,730
بود تا تشخیص دهیم که یک هاسکی درست است،
153
00:06:24,730 –> 00:06:27,880
بنابراین در این موارد تقویت
154
00:06:27,880 –> 00:06:30,550
کمک بسیار خوبی خواهد بود، بنابراین این یکی از مواردی است
155
00:06:30,550 –> 00:06:32,560
که می توانید بگویید من به تقویت نیاز دارم
156
00:06:32,560 –> 00:06:34,240
و قطعاً در بینایی کامپیوتر شما
157
00:06:34,240 –> 00:06:36,430
به یک نسخه پشتیبان خوب از داده ها نیاز دارید در غیر این صورت
158
00:06:36,430 –> 00:06:41,290
شبکه عصبی هیچ فایده ای ندارد،
159
00:06:41,290 –> 00:06:43,510
همه چیزهایی که می توانیم انجام دهیم،
160
00:06:43,510 –> 00:06:46,270
اوه شما می توانید چرخش را انجام دهید، می توانید چرخش را انجام دهید
161
00:06:46,270 –> 00:06:48,610
پوسته پوسته شدن رنگ به معنای
162
00:06:48,610 –> 00:06:51,940
تغییر U است و تمام این بخش از آن
163
00:06:51,940 –> 00:06:55,150
می تواند سایر تکنیک های خلاقانه باشد، اگر
164
00:06:55,150 –> 00:06:58,420
در مورد شبکه های کانولوشن صحبت کنیم، می
165
00:06:58,420 –> 00:07:01,210
تواند ترجمه باشد. چرخش کشش
166
00:07:01,210 –> 00:07:03,490
به اشتراک گذاری اعوجاج لنز، بنابراین شما می توانید
167
00:07:03,490 –> 00:07:05,020
بسیاری از کارها را در حال حاضر انجام دهید، ممکن است تعجب
168
00:07:05,020 –> 00:07:07,630
کنید که این اصطلاحات چیست که در
169
00:07:07,630 –> 00:07:09,640
هفته اول بینایی کامپیوتر آمده است، جایی که
170
00:07:09,640 –> 00:07:13,120
ما از فیلترهای خاصی در بالای یک
171
00:07:13,120 –> 00:07:14,770
تصویر استفاده خواهیم کرد به گونه ای که ما آن را
172
00:07:14,770 –> 00:07:16,509
تغییر خواهیم داد. ظاهر و احساس تصویر، بنابراین
173
00:07:16,509 –> 00:07:18,190
این چیزی شبیه به شما است که میتوانیم
174
00:07:18,190 –> 00:07:21,699
در اینستاگرام بگوییم که میدانید آن
175
00:07:21,699 –> 00:07:23,919
فیلترهای فوری وجود دارند، بله، برخی از
176
00:07:23,919 –> 00:07:24,970
فیلترها وجود دارند که میدانید پسزمینه را تغییر میدهند،
177
00:07:24,970 –> 00:07:26,620
پسزمینه را محو میکنند و
178
00:07:26,620 –> 00:07:28,449
بنابراین فیلترها اینگونه هستند.
179
00:07:28,449 –> 00:07:31,300
فقط باید فیلتری تعریف کنید که
180
00:07:31,300 –> 00:07:32,680
بتوان آن را با یک تصویر ضرب کرد و
181
00:07:32,680 –> 00:07:34,659
یک تصویر جدید از آن دریافت خواهید کرد که همین است، بنابراین
182
00:07:34,659 –> 00:07:37,949
این همان چیزی است که توسط برش اعوجاج لنز انجام می شود،
183
00:07:37,949 –> 00:07:42,280
بنابراین این یک تقویت است. هر
184
00:07:42,280 –> 00:07:44,319
سوالی بسیار ساده است، بنابراین در
185
00:07:44,319 –> 00:07:45,550
بینایی کامپیوتر، ما شاهد
186
00:07:45,550 –> 00:07:47,889
کاربرد واقعی آن برای شبکههای عصبی خود خواهیم بود،
187
00:07:47,889 –> 00:07:49,900
بخشی از آن، معمولاً از
188
00:07:49,900 –> 00:07:52,330
دادههای پشتیبان خوبی داریم.
189
00:07:52,330 –> 00:07:56,250
190
00:07:56,250 –> 00:07:58,509
191
00:07:58,509 –> 00:07:59,740
فکر میکنم در جلسه اول از
192
00:07:59,740 –> 00:08:01,539
خیلیها پرسیدند آیا واقعاً
193
00:08:01,539 –> 00:08:04,030
وزنهای تصادفی میگذاریم، من به طور پیشفرض میگویم که
194
00:08:04,030 –> 00:08:06,159
این کار را انجام میدهیم، اما اگر نمیخواهیم
195
00:08:06,159 –> 00:08:07,419
این کار را انجام دهیم، انواع مختلفی
196
00:08:07,419 –> 00:08:09,430
از وزنها با ما در دسترس هستند، بیایید ببینیم
197
00:08:09,430 –> 00:08:10,590
چه هستند. این وزنها،
198
00:08:10,590 –> 00:08:16,150
بنابراین یک بله، بنابراین این کل وزنها است
199
00:08:16,150 –> 00:08:18,370
که میتوانیم بگوییم آن را در
200
00:08:18,370 –> 00:08:21,300
دست داریم یا میتوانیم از
201
00:08:21,300 –> 00:08:23,229
مقدار اولیه صفر استفاده کنیم، میتوانیم همه
202
00:08:23,229 –> 00:08:26,770
وزنها را به عنوان صفر قرار دهیم بله، میتوانیم
203
00:08:26,770 –> 00:08:29,349
مقدار اولیه تصادفی من را تصادفی قرار دهیم، این همان کاری است که
204
00:08:29,349 –> 00:08:32,130
در حال حاضر انجام میدهیم. ما چیزی برای
205
00:08:32,130 –> 00:08:33,909
مقداردهی اولیه Xavier هستیم، چیزی به
206
00:08:33,909 –> 00:08:36,399
نام چی داریم و موارد دیگر وجود دارد، بنابراین اگر
207
00:08:36,399 –> 00:08:38,169
شما یک محقق در یک شرکت هستید
208
00:08:38,169 –> 00:08:39,370
و اگر می خواهید این کار را انجام دهید، حتی می توانید
209
00:08:39,370 –> 00:08:42,010
بوی وزن خود را همین الان
210
00:08:42,010 –> 00:08:43,929
در مطالعه موردی امروز که قصد دارم به
211
00:08:43,929 –> 00:08:46,660
شما نشان دهم، تصادفی را در مقابل چی خواهیم دید،
212
00:08:46,660 –> 00:08:49,329
بنابراین ابتدا چرخها با چی شروع میکنیم،
213
00:08:49,329 –> 00:08:52,029
یک مدل را پیادهسازی میکنیم و سپس
214
00:08:52,029 –> 00:08:53,410
آن را به تصادفی تغییر میدهیم و بررسی میکنیم
215
00:08:53,410 –> 00:08:55,300
که چگونه دقت تغییر میکند، بنابراین
216
00:08:55,300 –> 00:08:56,740
اینها اگر می خواهید از آن استفاده کنید، دو مورد رایج هستند،
217
00:08:56,740 –> 00:08:59,709
بنابراین هر ایده ای که من می توانم
218
00:08:59,709 –> 00:09:01,839
از مقدار اولیه 0 استفاده کنم، زیرا شما
219
00:09:01,839 –> 00:09:03,490
به یاد دارید که مقدار اولیه شما چیست،
220
00:09:03,490 –> 00:09:05,589
شما مستقیماً سلول های وزن را 0 قرار می دهید،
221
00:09:05,589 –> 00:09:08,140
بنابراین مهم نیست که ورودی شما چه باشد،
222
00:09:08,140 –> 00:09:10,690
خروجی فقط 0 خواهد بود. دریافت نظر من
223
00:09:10,690 –> 00:09:14,470
پس این یکی این است این یک
224
00:09:14,470 –> 00:09:19,930
مثال کوچک عجیب از وزن است، بنابراین
225
00:09:19,930 –> 00:09:22,360
در اینجا آنها نشان داده اند که اگر چه
226
00:09:22,360 –> 00:09:25,029
اتفاقی می افتد وقتی w برابر با 0 باشد، بنابراین
227
00:09:25,029 –> 00:09:26,160
وزن ها قطعاً 0 هستند
228
00:09:26,160 –> 00:09:28,420
هر چه اطلاعات شما باشد،
229
00:09:28,420 –> 00:09:30,670
بگذارید بگوییم همه آنها صفر هستند.
230
00:09:30,670 –> 00:09:31,899
همان چیزی که ما می خواهیم به عنوان
231
00:09:31,899 –> 00:09:33,220
خروجی دریافت کنیم بسیار صریح است،
232
00:09:33,220 –> 00:09:36,610
اما به یاد داشته باشید که در داخل این مورد صحبت می کردیم
233
00:09:36,610 –> 00:09:40,240
نه تنها وزن ورودی شما با وزن
234
00:09:40,240 –> 00:09:42,670
ورودی ضرب می شود،
235
00:09:42,670 –> 00:09:45,220
بلکه با یک عامل بایاس اضافه می شود
236
00:09:45,220 –> 00:09:48,790
به یاد داشته باشید که بنابراین
237
00:09:48,790 –> 00:09:51,040
گاهی اوقات اگر میخواهید از یک عامل بایاس قوی استفاده کنید،
238
00:09:51,040 –> 00:09:53,350
وزنها را صفر میدانید،
239
00:09:53,350 –> 00:09:55,720
حتی ما میتوانیم این کار را انجام دهیم، اما تنها
240
00:09:55,720 –> 00:09:57,220
مسئله این است که خروجی بسیار
241
00:09:57,220 –> 00:09:59,230
کاهش مییابد، زیرا اساساً
242
00:09:59,230 –> 00:10:00,880
شبکه عصبی کامل
243
00:10:00,880 –> 00:10:04,389
روی شانههای بایاس اجرا میشود، زیرا
244
00:10:04,389 –> 00:10:07,180
همه چیز است. صفر است، بنابراین اگر من یک
245
00:10:07,180 –> 00:10:09,010
تابع فعال سازی بسیار خوب را انتخاب کنم، مثلاً
246
00:10:09,010 –> 00:10:11,350
یک یال یا سیگموئید که در آن احتمال وجود دارد
247
00:10:11,350 –> 00:10:13,420
که هر چیزی که 0 یا کمتر
248
00:10:13,420 –> 00:10:15,910
از 0 است، دارای محدوده عبور به اضافه یک
249
00:10:15,910 –> 00:10:18,399
عامل بایاس باشد، ممکن است این احتمال وجود داشته باشد
250
00:10:18,399 –> 00:10:20,110
که بله ممکن است برخی از خروجی ها را دریافت کنید.
251
00:10:20,110 –> 00:10:21,730
من نمی گویم این روش بسیار خوبی برای انجام
252
00:10:21,730 –> 00:10:24,490
آن است، اما در بدترین حالت شما می دانید در
253
00:10:24,490 –> 00:10:26,350
شرایط خاص، ما نمی دانیم در صورت
254
00:10:26,350 –> 00:10:28,720
نیاز، حتی شما می توانید ادامه دهید و
255
00:10:28,720 –> 00:10:35,140
0 را مقداردهی اولیه کنید، اما
256
00:10:35,140 –> 00:10:37,360
اولین بار اولین بار است. 0 تعصبی
257
00:10:37,360 –> 00:10:40,690
که پیش خواهد آمد اگر اما از دوره دوم
258
00:10:40,690 –> 00:10:43,510
درست تغییر کند آیا به بله وزن اضافه نمی کند.
259
00:10:43,510 –> 00:10:46,750
260
00:10:46,750 –> 00:10:48,790
261
00:10:48,790 –> 00:10:50,380
262
00:10:50,380 –> 00:10:52,990
به اینجا نگاه کنید،
263
00:10:52,990 –> 00:10:54,940
بنابراین کانال هایی مانند آن وجود دارد، از نقطه دوم،
264
00:10:54,940 –> 00:10:57,370
نقطه سوم، شما ممکن است آنها
265
00:10:57,370 –> 00:10:59,410
را شروع به تغییر وزن ها کنیم،
266
00:10:59,410 –> 00:11:02,230
بنابراین اگر می خواهید با همه چیز بسیار
267
00:11:02,230 –> 00:11:03,160
تازه شروع کنید،
268
00:11:03,160 –> 00:11:05,440
می دانید که هیچ آشغالی در شبکه خود نمی خواهید.
269
00:11:05,440 –> 00:11:07,300
می توانم این کار را انجام دهم،
270
00:11:07,300 –> 00:11:09,190
اما زمان بیشتری طول می کشد.
271
00:11:09,190 –> 00:11:11,680
272
00:11:11,680 –> 00:11:12,519
273
00:11:12,519 –> 00:11:14,680
274
00:11:14,680 –> 00:11:16,269
275
00:11:16,269 –> 00:11:18,579
امروز ما
276
00:11:18,579 –> 00:11:22,180
هر دوی آنها را خواهیم دید بسیار خوب، من
277
00:11:22,180 –> 00:11:24,819
متنی را به شما داده ام که شما آن را دوست دارید، PPT را منتشر می کنم،
278
00:11:24,819 –> 00:11:26,589
شما می توانید
279
00:11:26,589 –> 00:11:29,649
همان چیزی را که توضیح دادیم مرور کنید و اگر
280
00:11:29,649 –> 00:11:31,269
می خواهید یاد بگیرید که چی در
281
00:11:31,269 –> 00:11:34,540
اصل چیست. فرمول chi 2
282
00:11:34,540 –> 00:11:37,180
تقسیم بر اندازه L منهای 1 و من
283
00:11:37,180 –> 00:11:38,709
جزئیات کامل را به
284
00:11:38,709 –> 00:11:40,269
شما می دهم که لازم نیست به طور عمده وارد این جزئیات شوید
285
00:11:40,269 –> 00:11:41,560
286
00:11:41,560 –> 00:11:42,030
زیرا
287
00:11:42,030 –> 00:11:45,900
ما همیشه تا اینجای کار من از همیشه استفاده می کنیم من
288
00:11:45,900 –> 00:11:47,670
هرگز از یک استفاده نکرده ام چی و خاویر خیلی
289
00:11:47,670 –> 00:11:50,940
رک و پوست کنده می تواند در یک سی بسیار تنگ استفاده
290
00:11:50,940 –> 00:11:53,460
شود محیط تحت فشار در شرایطی
291
00:11:53,460 –> 00:11:55,440
که شما دارید نمی خواهید
292
00:11:55,440 –> 00:11:57,450
پارامترها به
293
00:11:57,450 –> 00:11:59,850
مقدار قدرت بو و مشخصه های خاصی بروند و در آن
294
00:11:59,850 –> 00:12:01,980
صورت می توانید از این دو مورد دیگر
295
00:12:01,980 –> 00:12:06,060
296
00:12:06,060 –> 00:12:08,670
استفاده کنید.
297
00:12:08,670 –> 00:12:11,310
منظور من از شما این بود
298
00:12:11,310 –> 00:12:13,530
که وارد موضوع منظمسازی شوید،
299
00:12:13,530 –> 00:12:16,470
حالا منظورتان از منظمسازی
300
00:12:16,470 –> 00:12:18,720
در یادگیری ماشینی چیست، یادتان میآید که ما
301
00:12:18,720 –> 00:12:20,570
کاری در مورد منظمسازی انجام دادیم، مانند
302
00:12:20,570 –> 00:12:24,720
مقیاسبندی استاندارد یا برش، اگر دادهها
303
00:12:24,720 –> 00:12:26,880
فراتر از مقدار مشخصی باشد، مانند
304
00:12:26,880 –> 00:12:28,370
درمان پرت اگر شما ما
305
00:12:28,370 –> 00:12:30,540
چیزی شبیه به آن را میتوان در اینجا انجام داد به خاطر میآورد که
306
00:12:30,540 –> 00:12:35,540
چرا میگوییم شما یک شبکه عصبی
307
00:12:35,540 –> 00:12:38,730
دارید و وزن تصادفی ما را انجام دادهاید،
308
00:12:38,730 –> 00:12:41,460
بنابراین وقتی یک ورودی
309
00:12:41,460 –> 00:12:44,040
میدهید، بگویید که ray Lu را به عنوان خروجی دادهاید، بنابراین در
310
00:12:44,040 –> 00:12:46,800
همه این لایهها reloj یک خروجی
311
00:12:46,800 –> 00:12:50,100
پس آنچه اتفاق می افتد این است که وقتی ورودی شما
312
00:12:50,100 –> 00:12:51,960
با وزن های خاصی ضرب می شود و
313
00:12:51,960 –> 00:12:54,030
به لایه بعدی می رود، این احتمال وجود
314
00:12:54,030 –> 00:12:56,820
دارد که یک تصویر بزرگنمایی یا
315
00:12:56,820 –> 00:12:58,650
بزرگنمایی دریافت کنید. سیگنال ورودی فعلی شما در
316
00:12:58,650 –> 00:13:00,150
آنجا شانس ما به وزن ما بستگی دارد،
317
00:13:00,150 –> 00:13:02,910
ما نمی دانیم همچنین وقتی به اینجا می رود
318
00:13:02,910 –> 00:13:04,470
، این احتمال وجود دارد که شما ممکن است یک
319
00:13:04,470 –> 00:13:07,410
نسخه بزرگنمایی شده دوباره دریافت کنید، بله، به هر حال از خود تابع
320
00:13:07,410 –> 00:13:09,060
فعال سازی ray Lu پیروی می
321
00:13:09,060 –> 00:13:11,610
کند، موافقم، اما اجازه دهید بگوییم
322
00:13:11,610 –> 00:13:13,920
اگر ورودی من خیلی کم بود و به
323
00:13:13,920 –> 00:13:16,230
دلیل وزن ها بزرگ شده است بنابراین
324
00:13:16,230 –> 00:13:18,750
به دلیل این موضوع کاری که ما انجام می دهیم این است که
325
00:13:18,750 –> 00:13:20,940
سعی می کنیم یک لایه اضافی در
326
00:13:20,940 –> 00:13:23,400
وسط همه اینها معرفی کنیم که به آن
327
00:13:23,400 –> 00:13:25,530
نرمال سازی دسته ای می گوییم یا من می گویم
328
00:13:25,530 –> 00:13:28,500
اسکالر استاندارد. برای یک شبکه عصبی به طوری
329
00:13:28,500 –> 00:13:32,040
که هر زمان که یک خروجی از یک شبکه خارج شد، باید از
330
00:13:32,040 –> 00:13:34,470
آن عبور کند، نرمال می شود
331
00:13:34,470 –> 00:13:36,480
و سپس به شبکه بعدی می رود
332
00:13:36,480 –> 00:13:38,280
تا بررسی کنیم که هر
333
00:13:38,280 –> 00:13:40,470
داده ای که می دهیم در محدوده است،
334
00:13:40,470 –> 00:13:43,470
از ما خارج نمی شود. جعبه این است که گاهی اوقات
335
00:13:43,470 –> 00:13:45,720
مفید است گاهی اوقات اینطور نیست
336
00:13:45,720 –> 00:13:47,820
فردا وقتی در حال انجام یک
337
00:13:47,820 –> 00:13:49,470
شبکه عصبی هستید و مشکل
338
00:13:49,470 –> 00:13:52,020
بیش از حد برازش یا عدم تطبیق دارید در آن مواقع
339
00:13:52,020 –> 00:13:54,120
می توانید به عقب برگردید و این نوع مهندسی ویژگی
340
00:13:54,120 –> 00:13:55,630
341
00:13:55,630 –> 00:13:57,250
را انجام دهید. قرار دادن برای همه آنها ضروری نیست،
342
00:13:57,250 –> 00:13:59,020
می توانید با یک یا دو شروع کنید و
343
00:13:59,020 –> 00:14:00,520
سپس اگر نتیجه مثبتی دیدید شروع به
344
00:14:00,520 –> 00:14:02,050
قرار دادن برای همه آنها کنید، امروز
345
00:14:02,050 –> 00:14:05,200
در مطالعه موردی خود خواهیم دید که چگونه این کار را به درستی انجام دهیم،
346
00:14:05,200 –> 00:14:06,700
بنابراین به این نام می گویند
347
00:14:06,700 –> 00:14:12,820
نرمال سازی دسته ای خوب است، بنابراین این
348
00:14:12,820 –> 00:14:15,850
دومین مفهوم منظم سازی است که
349
00:14:15,850 –> 00:14:19,150
انصراف از تحصیل یعنی یک سوال سریع
350
00:14:19,150 –> 00:14:21,400
از همه شما اکنون همانطور که گفتم هیچ
351
00:14:21,400 –> 00:14:23,740
فرمولی برای شبکه های عصبی وجود ندارد همانطور که گفتیم
352
00:14:23,740 –> 00:14:26,590
هیچ فرمولی برای خارج کردن وجود ندارد.
353
00:14:26,590 –> 00:14:28,530
هیچ فرمولی برای
354
00:14:28,530 –> 00:14:30,700
تعداد کل نورونهای درون او
355
00:14:30,700 –> 00:14:33,790
وجود ندارد، ما هیچ سرنخی در مورد آن نداریم، آیا
356
00:14:33,790 –> 00:14:36,580
فکر میکنید همه لایهها و
357
00:14:36,580 –> 00:14:42,130
همه نورونها برای ایجاد شک مهم هستند،
358
00:14:42,130 –> 00:14:46,240
359
00:14:46,240 –> 00:14:47,830
360
00:14:47,830 –> 00:14:50,590
در یک شرکت پنج کارمند وجود دارد که سه نفر از آنها
361
00:14:50,590 –> 00:14:52,390
پروژه را هدایت می کنند، دو نفر از
362
00:14:52,390 –> 00:14:54,190
آنها گاهی اوقات می آیند و گاهی اوقات کمک
363
00:14:54,190 –> 00:14:56,230
نمی کنند، حتی اگر حضور و
364
00:14:56,230 –> 00:14:58,300
عدم حضور آنها تأثیر
365
00:14:58,300 –> 00:15:01,630
زیادی نداشته باشد قطعاً با حذف آنها
366
00:15:01,630 –> 00:15:03,460
کارایی می تواند کاهش یابد. زیرا
367
00:15:03,460 –> 00:15:05,680
بار روی اینها فقط
368
00:15:05,680 –> 00:15:06,880
برای یک نقطه مشخص افزایش می یابد و پس از
369
00:15:06,880 –> 00:15:10,120
آن عادی می شود، در اینجا نیز
370
00:15:10,120 –> 00:15:12,790
همه وزن ها یا همه نورون
371
00:15:12,790 –> 00:15:14,770
هایی که ما داریم به یک اندازه مهم نیستند، بنابراین
372
00:15:14,770 –> 00:15:17,020
کاری که ما انجام می دهیم این است که مفهوم
373
00:15:17,020 –> 00:15:20,230
ترک تحصیل را وارد کنیم. جایی که من اگر بگویم رد کردن
374
00:15:20,230 –> 00:15:23,620
برابر با 0.2 است، یعنی 20٪ از
375
00:15:23,620 –> 00:15:26,860
نورون ها لطفاً آنها را به صورت دستی خاموش کنید،
376
00:15:26,860 –> 00:15:29,680
مهم نیست که به طور تصادفی 20٪
377
00:15:29,680 –> 00:15:33,910
از آنها را انتخاب کنید و خاموش کنید بله، این
378
00:15:33,910 –> 00:15:36,760
می تواند به عنوان افزایش دقت یا
379
00:15:36,760 –> 00:15:39,370
مدل استفاده شود. دوباره بخشی از آن را در پایان تنظیم کنید،
380
00:15:39,370 –> 00:15:41,080
اگر از من بپرسید که چگونه 20 نفر ارزش تصادفی به دست آوردم
381
00:15:41,080 –> 00:15:43,450
، هیچ فرمولی برای آن وجود ندارد
382
00:15:43,450 –> 00:15:47,950
که با 10% 20% 30% برخی از
383
00:15:47,950 –> 00:15:49,540
پیاده سازی ها را شروع کنید که من دیده ام که افراد
384
00:15:49,540 –> 00:15:52,840
تا 60% 70% می روند و همه آنهایی که من احساس می کنم
385
00:15:52,840 –> 00:15:55,150
چیز خوبی نیستند چرا چون تنها چیزی که
386
00:15:55,150 –> 00:15:56,770
ما فقط این را ایجاد کرده ایم و اکنون می
387
00:15:56,770 –> 00:15:59,170
گوییم 74٪ e٪ از شبکه
388
00:15:59,170 –> 00:16:01,720
Wichitas است، بنابراین برای ما یک سخت افزار بی فایده است،
389
00:16:01,720 –> 00:16:04,060
ما آن را در
390
00:16:04,060 –> 00:16:06,790
جای بی استفاده نگه می داریم. بنابراین به جای انجام 70
391
00:16:06,790 –> 00:16:08,130
60 و تنها کاری که انجام می دهید، شما
392
00:16:08,130 –> 00:16:10,610
هستید بروم آنها را کوچک کنم مشکلی
393
00:16:10,610 –> 00:16:14,010
نیست اما من معمولاً خودم را تا 50
394
00:16:14,010 –> 00:16:15,300
نفر بیشتر نگه می دارم بیش از این که
395
00:16:15,300 –> 00:16:17,640
از طرف ما منصفانه نیست که این کار را انجام دهیم
396
00:16:17,640 –> 00:16:19,740
تا خیلی صریح باشیم ببینیم چه زمانی می توانید چنین
397
00:16:19,740 –> 00:16:22,350
مواردی را انجام دهید که می توانید از
398
00:16:22,350 –> 00:16:25,230
شبکه بخواهید سوئیچ کند. در
399
00:16:25,230 –> 00:16:30,810
حال حاضر این مفهوم انصرافی است، بنابراین
400
00:16:30,810 –> 00:16:33,630
این چیزی است که به نظر می رسد بنابراین اینجا در
401
00:16:33,630 –> 00:16:35,010
سمت چپ یک ورنون جدید کاملا متصل را نشان می دهند
402
00:16:35,010 –> 00:16:37,080
در اینجا آنها
403
00:16:37,080 –> 00:16:39,930
نورون های خاصی را از آن کاهش داده اند
404
00:16:39,930 –> 00:16:41,910
و مدل تقریبا مشابهی را ارائه می دهد.
405
00:16:41,910 –> 00:16:43,740
عملکرد در این مورد می توانم بگویم که بله
406
00:16:43,740 –> 00:16:47,190
در این مورد کد سینه بند یک جورهایی کار می کند،
407
00:16:47,190 –> 00:16:49,650
بنابراین اگر به این نگاه کنید احساس می کنم این یک
408
00:16:49,650 –> 00:16:52,530
مثال کمی احمقانه است اما بله تأثیری ایجاد می کند
409
00:16:52,530 –> 00:16:54,420
که آنچه می گوید این است که
410
00:16:54,420 –> 00:16:57,030
اگر برخی از ویژگی ها را داشته باشید.
411
00:16:57,030 –> 00:16:59,490
نورون طبقه بندی می کند که تصویر خاصی
412
00:16:59,490 –> 00:17:02,160
که ما داده ایم، گوش
413
00:17:02,160 –> 00:17:02,940
دارد، دم
414
00:17:02,940 –> 00:17:05,069
دارد، خزدار است، پنجه دارد،
415
00:17:05,069 –> 00:17:07,560
ظاهری شیطنت آمیز ندارد، بنابراین اگر می خواهید
416
00:17:07,560 –> 00:17:11,790
این را پیش بینی کنید که خانه گربه ای که
417
00:17:11,790 –> 00:17:13,530
گوش دارد، این موضوع را نمی سازد.
418
00:17:13,530 –> 00:17:15,750
تفاوت زیادی با پاسخ شما دارد زیرا بسیاری
419
00:17:15,750 –> 00:17:18,800
از حیوانات این را خواهند داشت که داشتن
420
00:17:18,800 –> 00:17:21,869
بند تفاوت ایجاد می کند، در مورد این
421
00:17:21,869 –> 00:17:24,089
نرخ خاص می گویم سن باید به آن وزن بیشتری داده شود،
422
00:17:24,089 –> 00:17:25,980
بنابراین وزن ها
423
00:17:25,980 –> 00:17:27,900
و نورون های خاصی وجود دارند که می توانند خاموش شوند،
424
00:17:27,900 –> 00:17:30,210
حتی اگر این کار را انجام دهید، به پایان می رسید.
425
00:17:30,210 –> 00:17:33,870
با طبقهبندیهایی که اساساً یک خطا نیست،
426
00:17:33,870 –> 00:17:36,150
بنابراین این فقط یک مثال است –
427
00:17:36,150 –> 00:17:39,450
مطمئناً – بسیار خوب پس این حذف شماست
428
00:17:39,450 –> 00:17:44,460
تفسیر دیگری از انصراف
429
00:17:44,460 –> 00:17:50,340
میتواند این باشد که
430
00:17:50,340 –> 00:17:53,070
میدانید یک مدل گروه را شبیهسازی میکنید.
431
00:17:53,070 –> 00:17:56,640
برای شبیه سازی این یا
432
00:17:56,640 –> 00:17:59,120
فهمیدن چیزی که می خواهم بگویم اینجا را
433
00:17:59,120 –> 00:18:02,760
رها کنید آموزش یک مدل گروه بزرگ است
434
00:18:02,760 –> 00:18:08,730
آیا موافقید که قادر به
435
00:18:08,730 –> 00:18:10,560
اتصال در این نیستید ممکن است به
436
00:18:10,560 –> 00:18:12,720
یاد داشته باشید تکنیک های گروه
437
00:18:12,720 –> 00:18:15,990
اخیراً احتمالاً 3/4 مدل پشت شما چیست؟
438
00:18:15,990 –> 00:18:17,460
آیا این کار را انجام میدادیم منظور شما از
439
00:18:17,460 –> 00:18:21,779
مجموعه، ما طبقهبندیکنندهها را داریم، ما
440
00:18:21,779 –> 00:18:23,999
چیزی جز الگوریتمهای فردی شما
441
00:18:23,999 –> 00:18:26,219
نداریم، کاری که انجام میدهیم، آنها را در یک پلتفرم ترکیب میکنیم
442
00:18:26,219 –> 00:18:29,070
و سپس میگیریم اجازه دهید بگوییم
443
00:18:29,070 –> 00:18:31,489
من یک ورودی از طریق همه ارائه میدهیم. از آنها
444
00:18:31,489 –> 00:18:33,929
و ورودی ای که من داده ام در واقع
445
00:18:33,929 –> 00:18:36,869
ستون هدف 0 است، بگذارید بگوییم الگوریتم اول
446
00:18:36,869 –> 00:18:39,509
آن را به عنوان 1 بعدی
447
00:18:39,509 –> 00:18:42,989
0 بعدی 1 0 یا 1 بعدی 0 طبقه بندی می کند، یعنی
448
00:18:42,989 –> 00:18:44,759
من اکثریت را از هر 3 مورد می گیرم.
449
00:18:44,759 –> 00:18:47,039
آنها و من می گویم بله پاسخ نهایی من
450
00:18:47,039 –> 00:18:48,659
0 است ببینید این یک طبقه بندی ضعیف نامیده می شود
451
00:18:48,659 –> 00:18:50,759
این یک طبقه بندی قوی نامیده می شود
452
00:18:50,759 –> 00:18:54,179
موافقم که این تکنیک مجموعه ماست،
453
00:18:54,179 –> 00:18:55,979
بنابراین اگر به یاد داشته باشید ما به صورت
454
00:18:55,979 –> 00:18:58,589
تصادفی برای ما کیسه بندی انجام داده بودیم و همه آن
455
00:18:58,589 –> 00:19:03,169
سیگنال ها را تقویت می کردیم بله همان چیزی که اگر من این را نگه می دارم
456
00:19:03,169 –> 00:19:05,549
زیرا هر بار که یادم می آید گفتم
457
00:19:05,549 –> 00:19:07,589
هر بار که شما در مدل خود می خوانید
458
00:19:07,589 –> 00:19:10,080
20٪ از مقادیر تصادفی انتخاب شده
459
00:19:10,080 –> 00:19:12,299
روشن و خاموش می شوند، بنابراین می توانم
460
00:19:12,299 –> 00:19:15,779
بگویم چرخه اول معکوس این نورون ها
461
00:19:15,779 –> 00:19:18,929
چرخه دوم فعال خواهند شد، ممکن
462
00:19:18,929 –> 00:19:20,489
است این نورون بتواند فعال بودن در این
463
00:19:20,489 –> 00:19:23,879
نئون ممکن است که نمی دانید، بنابراین
464
00:19:23,879 –> 00:19:26,429
گاهی اوقات در مقیاس ممکن می
465
00:19:26,429 –> 00:19:29,759
توانید این را به عنوان یک تکنیک مجموعه ای در نظر بگیرید که در آن
466
00:19:29,759 –> 00:19:31,969
شما با اختلاط و تطبیق
467
00:19:31,969 –> 00:19:35,960
نورون های مختلف یک جرم نهایی را ایجاد می کنید،
468
00:19:35,960 –> 00:19:38,249
فقط یک آنالوگ که لازم نیست
469
00:19:38,249 –> 00:19:39,690
نگران ما قرار نیست یک
470
00:19:39,690 –> 00:19:42,330
مجموعه را در اینجا پیاده سازی کنیم فقط برای اینکه تصویری از Dropbox به شما ارائه
471
00:19:42,330 –> 00:19:47,309
472
00:19:47,309 –> 00:19:49,700
دهیم، بنابراین همینطور است، بنابراین چالش این است
473
00:19:49,700 –> 00:19:52,259
که آموزش چگونه باشد
474
00:19:52,259 –> 00:19:56,009
هر مجموعه آموزشی روی یک
475
00:19:56,009 –> 00:19:58,619
مجموعه باشد. افت شانس یا تصادفی
476
00:19:58,619 –> 00:20:01,229
در هر دوره در یک
477
00:20:01,229 –> 00:20:04,190
جلسه تمرینی در یک دیپک به
478
00:20:04,190 –> 00:20:07,589
همان تعداد در یک دوره یک مجموعه از
479
00:20:07,589 –> 00:20:10,559
نورون ها در دوره بعدی حذف
480
00:20:10,559 –> 00:20:12,659
می شود، این احتمال وجود دارد که همان مرد
481
00:20:12,659 –> 00:20:15,419
به آن بازنگردد زیرا همانطور که گفتم
482
00:20:15,419 –> 00:20:20,399
انتخاب تصادفی گاهی اوقات برای ما پرهزینه است،
483
00:20:20,399 –> 00:20:23,489
زیرا در یک مورد در
484
00:20:23,489 –> 00:20:25,139
دوره گذشته، اجازه دهید بگوییم این
485
00:20:25,139 –> 00:20:26,700
تغییر بود، اجازه دهید بگوییم این
486
00:20:26,700 –> 00:20:29,549
چیز خاص خاموش شده است، بنابراین روشی که به
487
00:20:29,549 –> 00:20:31,739
صورت بداهه روی این کار گذاشته نشده است، اگر
488
00:20:31,739 –> 00:20:34,109
آن را روشن کنم در دوره جدید دوباره باید او را
489
00:20:34,109 –> 00:20:35,470
دوباره آموزش
490
00:20:35,470 –> 00:20:37,660
دهم، به همین دلیل می گویم انجام این کار کمی هزینه
491
00:20:37,660 –> 00:20:42,250
بر است، بنابراین در
492
00:20:42,250 –> 00:20:43,540
493
00:20:43,540 –> 00:20:45,190
بدترین حالتی که مدل به هیچ وجه
494
00:20:45,190 –> 00:20:47,620
بهبود نمی یابد، همه مواقع از تحصیل خارج نمی شوند.
495
00:20:47,620 –> 00:20:49,540
دراپ باکس و حتی گاهی اوقات عقب
496
00:20:49,540 –> 00:20:51,910
همچنین مدل انصراف از تحصیل نیز
497
00:20:51,910 –> 00:20:54,100
به دلیل این نوع
498
00:20:54,100 –> 00:20:57,970
مسائل افزایش نمییابد، همانطور که گفتم فقط یک تکنیک پشتیبان
499
00:20:57,970 –> 00:21:01,570
در دسترس ما است و من
500
00:21:01,570 –> 00:21:03,670
شخصاً احساس میکنم
501
00:21:03,670 –> 00:21:06,070
سختافزار را هدر میدهم زیرا اگر خوب باشم اگر
502
00:21:06,070 –> 00:21:07,930
گفته باشم که به این موارد نیاز دارم. نورونها و اگر
503
00:21:07,930 –> 00:21:11,020
آنها را خاموش کنم، نمیدانم
504
00:21:11,020 –> 00:21:14,800
عادلانه نیست که خیلی صریح باشیم، بله خوب است، بنابراین
505
00:21:14,800 –> 00:21:16,810
فکر میکنم این تنها کاری است
506
00:21:16,810 –> 00:21:18,850
که میتوانید برای تنظیم مدل خود انجام دهید و جدای
507
00:21:18,850 –> 00:21:21,790
از این برای تنظیم مدل خود، میتوانید
508
00:21:21,790 –> 00:21:23,860
از موارد مختلف استفاده کنید. نوع دورهها
509
00:21:23,860 –> 00:21:26,640
اندازه خفاشهای مختلف توابع فعالسازی مختلف
510
00:21:26,640 –> 00:21:30,960
میگویند توابع خروجی متفاوت، بهینهسازهای مختلف،
511
00:21:30,960 –> 00:21:33,490
هر آنچه را که مرتب کردهایم،
512
00:21:33,490 –> 00:21:36,390
میتوانید آنها را ترکیب کنید و ورودیهای خود را کاملاً تغییر
513
00:21:36,390 –> 00:21:41,200
دهید، بنابراین اگر
514
00:21:41,200 –> 00:21:43,930
زیاد ترکیب نمیکنید و سعی میکنید آن را درست انجام دهید
515
00:21:43,930 –> 00:21:46,150
، مطمئناً این کار درست است. فقط بهترین
516
00:21:46,150 –> 00:21:49,090
شکل ترکیب و تطبیق رشته تصادفی شماست
517
00:21:49,090 –> 00:21:50,950
و این رشته بسیار
518
00:21:50,950 –> 00:21:52,750
گسترده خواهد بود، بنابراین بیشتر شبیه یک
519
00:21:52,750 –> 00:21:54,870
نیروی brute-force است،
520
00:21:54,870 –> 00:21:57,520
بنابراین ما در این موارد یک کار را با یک ماشین انجام خواهیم داد.
521
00:21:57,520 –> 00:21:59,050
522
00:21:59,050 –> 00:22:00,970
انجام دادن نمیدانم که آیا برخی از شما
523
00:22:00,970 –> 00:22:05,350
قبلاً استفاده از collab را شروع کردهاید،
524
00:22:05,350 –> 00:22:08,620
آخرش خیلی متاسف شدهاید، منظورم این است که همه ما در
525
00:22:08,620 –> 00:22:11,160
آخرین موتور توصیه همکاری کردیم،
526
00:22:11,160 –> 00:22:14,620
زیرا اندازه Subic که همه دستگاههای ما
527
00:22:14,620 –> 00:22:17,980
به آن پرداختهاند، بنابراین ما آخرین پروژه را انجام دادیم،
528
00:22:17,980 –> 00:22:19,840
تقریباً همه این کار را نکردند. قرارداد کنید
529
00:22:19,840 –> 00:22:21,910
تا بچه ها در آن خوب باشید، بنابراین اگر
530
00:22:21,910 –> 00:22:23,530
می خواهید جستجوی شبکه ای انجام دهید بدانید که این کار را رنگی انجام دهید
531
00:22:23,530 –> 00:22:26,170
حداقل آنقدر بد نیست زیرا
532
00:22:26,170 –> 00:22:28,000
رایانه شما حداقل خروجی
533
00:22:28,000 –> 00:22:31,090
سریعتر خواهد بود، اما بله من جستجو
534
00:22:31,090 –> 00:22:35,590
کردم. فکر کن که در واقع برنده است: برای
535
00:22:35,590 –> 00:22:39,450
همه ما در برخی از
536
00:22:39,450 –> 00:22:41,680
تمرینات
537
00:22:41,680 –> 00:22:44,380
خراب شدیم، خوب، حافظه ما تمام شد
538
00:22:44,380 –> 00:22:48,580
و زمانی که محدودیت ها را داشتیم،
539
00:22:48,580 –> 00:22:51,510
بسیاری از پارامترها را داشتیم که شما
540
00:22:51,510 –> 00:22:55,450
بسیار خوب، خوب، خوب خوب، بیایید ببینیم اما از
541
00:22:55,450 –> 00:22:58,750
من چگونه رفتار می کنم این است که من با احساس دل و جرات انجام می دهم،
542
00:22:58,750 –> 00:23:01,060
بنابراین این زمان کمی طول می
543
00:23:01,060 –> 00:23:04,330
کشد که شما اجرای آن را بدانید به
544
00:23:04,330 –> 00:23:06,370
همین دلیل است که مردم گاهی اوقات از استفاده از آره بسیار خوب خودداری می کنند،
545
00:23:06,370 –> 00:23:12,220
بنابراین من فکر می کنم که ما
546
00:23:12,220 –> 00:23:15,450
هر مشکل تجاری، هر
547
00:23:15,450 –> 00:23:19,090
کسب و کار، مشکل تجاری را انجام داده ایم. ما از یادگیری عمیق استفاده می
548
00:23:19,090 –> 00:23:22,060
کنیم g برای یا اینکه در درجه اول
549
00:23:22,060 –> 00:23:25,600
NLP صوتی تصویری تصویری است که شما آن نوع را می شناسید
550
00:23:25,600 –> 00:23:27,340
یا آیا مشکلات تجاری نیز وجود دارد
551
00:23:27,340 –> 00:23:29,650
که ما تمایل به استفاده از آن داریم.
552
00:23:29,650 –> 00:23:31,600
553
00:23:31,600 –> 00:23:33,310
554
00:23:33,310 –> 00:23:35,410
اما هر
555
00:23:35,410 –> 00:23:37,660
مورد تجاری معتبری که می توانید از آن استفاده
556
00:23:37,660 –> 00:23:42,030
کنید بله، بنابراین بلافاصله از آن برای سیستم هایی استفاده می کنید
557
00:23:42,030 –> 00:23:44,770
که به صورت پویا در حال تغییر هستند
558
00:23:44,770 –> 00:23:47,920
اول از همه چرا اجازه دهید بگوییم
559
00:23:47,920 –> 00:23:51,970
مشتری دارید به عنوان مثال به شما می دهم
560
00:23:51,970 –> 00:23:54,310
ما یک ایرباس مشتری داریم برای مثال بله
561
00:23:54,310 –> 00:23:58,900
بنابراین، ایرباس معمولاً در هر دقیقه یا
562
00:23:58,900 –> 00:24:01,900
پرواز، اجازه دهید بگوییم ایرباس
563
00:24:01,900 –> 00:24:04,270
حدود 3 گیگابایت داده تولید می کند، به عنوان مثال، من
564
00:24:04,270 –> 00:24:06,580
مطمئن نیستم که بگوییم 3 گیگابایت داده
565
00:24:06,580 –> 00:24:09,310
برای پرواز چهار دقیقه و حتی ثانیه تولید نمی شود،
566
00:24:09,310 –> 00:24:11,800
پس چه اتفاقی می افتد که شما
567
00:24:11,800 –> 00:24:15,640
یک میلی لیتر آموزش داده اید، بله حالا فقط تصور کنید اگر منتظر
568
00:24:15,640 –> 00:24:19,030
بمانید بگوییم یک سال چه مقدار
569
00:24:19,030 –> 00:24:22,210
داده جدید ایرباس شما می تواند تولید کند یا
570
00:24:22,210 –> 00:24:24,190
شرکت شما می تواند تولید کند، بنابراین
571
00:24:24,190 –> 00:24:26,260
572
00:24:26,260 –> 00:24:28,810
اگر تفاوت را در نظر بگیرید، داده هایی که قطار خود را بر اساس آن مدل کرده اید چه اتفاقی
573
00:24:28,810 –> 00:24:30,430
می افتد. با داده های جدیدتر و
574
00:24:30,430 –> 00:24:31,660
اگر متوجه شدید که تفاوت قابل توجهی
575
00:24:31,660 –> 00:24:32,890
در مورد آنچه که قرار است
576
00:24:32,890 –> 00:24:35,410
اتفاق بیفتد وجود دارد، این میلی لیتری که طراحی کرده اید
577
00:24:35,410 –> 00:24:39,280
دیگر معتبر نیست، بله، بنابراین کاری که
578
00:24:39,280 –> 00:24:40,600
باید انجام دهید، باید آن را بازنشسته کنید،
579
00:24:40,600 –> 00:24:42,580
باید دوباره آموزش دهید. تاریخ جدید
580
00:24:42,580 –> 00:24:45,490
پویا نیست مگر اینکه و تا زمانی که
581
00:24:45,490 –> 00:24:47,380
سیستمی نداشته باشید که هر روز که بازنشسته
582
00:24:47,380 –> 00:24:50,050
می شود حفظ می شود و مستقر می شود
583
00:24:50,050 –> 00:24:51,580
اگر سیستمی مانند آن بسیار عالی داشته
584
00:24:51,580 –> 00:24:55,090
باشید بنابراین در این نوع مطالعه موردی
585
00:24:55,090 –> 00:24:57,160
می توانید شبکه عصبی خود را وارد کنید
586
00:24:57,160 –> 00:24:59,290
زیرا شبکه عصبی اگر هست فقط ببینید
587
00:24:59,290 –> 00:25:02,380
هر ورودی که می دهید من خودم تنظیم
588
00:25:02,380 –> 00:25:04,090
می کنم و خروجی بیرونی به شما می دهم
589
00:25:04,090 –> 00:25:06,580
حتی این باید نامیده شود بدون
590
00:25:06,580 –> 00:25:09,130
شک اما این خیلی راحت تر از این است
591
00:25:09,130 –> 00:25:11,200
زیرا اگر در ml به یاد داشته باشید باید
592
00:25:11,200 –> 00:25:14,410
تغییرات زیادی انجام دهید. شما برای انجام
593
00:25:14,410 –> 00:25:18,100
تنظیمات تنظیم ویژگی ها همبستگی بسیاری از
594
00:25:18,100 –> 00:25:19,360
چیزها را دوباره باید بررسی کنید و
595
00:25:19,360 –> 00:25:21,580
سپس شما در حالی که در این مورد ما
596
00:25:21,580 –> 00:25:23,830
از همه بافت ها آزاد هستیم حتی ما حتی
597
00:25:23,830 –> 00:25:25,960
برای عادی بودن بررسی نمی کنیم، می توانید
598
00:25:25,960 –> 00:25:28,270
ببینید که آن سطح از پیچیدگی
599
00:25:28,270 –> 00:25:32,290
با این کار میتوان به آن دست یافت، بنابراین این یک
600
00:25:32,290 –> 00:25:34,120
بیت وسط است، ما
601
00:25:34,120 –> 00:25:37,600
تغییرات دادهها را هر روز آموزش نمیدهیم، این است که کدام
602
00:25:37,600 –> 00:25:39,850
یک در شبکههای خود وحدت
603
00:25:39,850 –> 00:25:43,600
دارند، لازم نیست هر روز آن را دوباره آموزش دهید، دادهها در
604
00:25:43,600 –> 00:25:48,940
حال تغییر هستند. آنچه شما می گویید به ما کمک می کند تا
605
00:25:48,940 –> 00:25:52,030
آنها را مجدداً آموزش دهیم، بنابراین ما مطمئن هستیم که وقتی
606
00:25:52,030 –> 00:25:54,490
به Ibaka می رویم وقتی از سطح اولیه شبکه های عصبی عبور می کنیم خودترمیمی به
607
00:25:54,490 –> 00:26:02,310
608
00:26:02,310 –> 00:26:11,950
طور خودکار در حال حاضر در
609
00:26:11,950 –> 00:26:14,980
سیستم های توصیه ای تحت فیلتر مشارکتی که
610
00:26:14,980 –> 00:26:20,380
در این یکی داشتیم، شما را حفظ می کند که هر چند وقت
611
00:26:20,380 –> 00:26:31,780
یکبار این جدول داده ها چقدر است. ممکن است سوئیچ
612
00:26:31,780 –> 00:26:33,870
از یک گروه به گروه دیگر
613
00:26:33,870 –> 00:26:36,430
بسته به انتخاب او و
614
00:26:36,430 –> 00:26:39,340
مقادیر فعلی باشد، بنابراین اگر آمازون بگوید که من
615
00:26:39,340 –> 00:26:42,490
15 روز فاصله میگذارم، میدانید که دادههایم را همگامسازی کنید
616
00:26:42,490 –> 00:26:44,800
تا تاریخم بهروزرسانی شود، چه
617
00:26:44,800 –> 00:26:47,910
اتفاقی برای یک دوره 14 روزه خواهد افتاد.
618
00:26:47,910 –> 00:26:50,230
ممکن است آمازون
619
00:26:50,230 –> 00:26:52,390
توصیه های اشتباهی را به این سفارش ارسال کند زیرا
620
00:26:52,390 –> 00:26:53,740
این سفارش قبلاً از
621
00:26:53,740 –> 00:26:58,300
آن گروه خارج شده است، بنابراین آمازون چه کاری
622
00:26:58,300 –> 00:27:00,100
باید انجام دهد آمازون باید یک ربات داشته باشد
623
00:27:00,100 –> 00:27:03,010
که این کار را شروع کند، بگذارید هر
624
00:27:03,010 –> 00:27:05,860
ثانیه یا هر ثانیه بگوییم. 10 ثانیه تا
625
00:27:05,860 –> 00:27:08,080
هر توصیهای که به
626
00:27:08,080 –> 00:27:08,680
مشتری داده میشود
627
00:27:08,680 –> 00:27:11,350
هدر نرود، میبینید حتی
628
00:27:11,350 –> 00:27:13,270
اگر توصیههای نامربوط دریافت کنید،
629
00:27:13,270 –> 00:27:15,730
پس از نمونهگیری علاقه خود را از دست میدهید،
630
00:27:15,730 –> 00:27:18,580
بنابراین یک مشکل رفتار تجاری و همچنین
631
00:27:18,580 –> 00:27:20,320
یک مشکل رفتار عملکردی به دلیل
632
00:27:20,320 –> 00:27:22,780
همین موضوع وجود دارد. این کار را در اینجا انجام دهید،
633
00:27:22,780 –> 00:27:25,450
ما چند محرک داریم که
634
00:27:25,450 –> 00:27:27,550
به شبکه عصبی میگوید خود را بر
635
00:27:27,550 –> 00:27:29,530
روی دادههای جدیدتر آموزش
636
00:27:29,530 –> 00:27:32,080
637
00:27:32,080 –> 00:27:37,000
638
00:27:37,000 –> 00:27:40,690
639
00:27:40,690 –> 00:27:42,490
دهد. در راه است، بههرحال این
640
00:27:42,490 –> 00:27:44,590
یک موضوع یادگیری تقویتی
641
00:27:44,590 –> 00:27:47,140
است، باز هم دامنه متفاوتی است، اما بله
642
00:27:47,140 –> 00:27:49,660
کاری که آنها انجام میدهند این است که
643
00:27:49,660 –> 00:27:53,440
محرکهای خاصی خواهند داشت، بنابراین بگویید هر 15 20
644
00:27:53,440 –> 00:27:55,510
ثانیه یک سیستم برای شناسایی
645
00:27:55,510 –> 00:27:58,300
چهرهها یا بیست و پنج مانع روی
646
00:27:58,300 –> 00:28:01,450
جاده خود را دوباره آموزش دهم زیرا گوگل
647
00:28:01,450 –> 00:28:04,120
نمی داند چه شی جدیدی قرار است
648
00:28:04,120 –> 00:28:07,030
بیاید و درست آنجا بنشیند، بنابراین
649
00:28:07,030 –> 00:28:09,520
اگر ماشینی قادر به شناسایی آن نباشد
650
00:28:09,520 –> 00:28:11,140
چه اتفاقی می افتد en در حال رفتن به آن
651
00:28:11,140 –> 00:28:13,120
ممکن است خراب شود یا ممکن است متوقف شود که ممکن است
652
00:28:13,120 –> 00:28:15,880
کسب و کار را متوقف کند، بنابراین منظورم این است که
653
00:28:15,880 –> 00:28:18,580
بگویم سطح بسیار متفاوتی است، اما بله
654
00:28:18,580 –> 00:28:20,080
این چیزی است که در حال حاضر در بازار در حال انجام است،
655
00:28:20,080 –> 00:28:23,190
بنابراین شما در مورد
656
00:28:23,190 –> 00:28:25,420
کدنویسی BOTS شنیده اید. بچه ها در مورد این شنیده اند
657
00:28:25,420 –> 00:28:27,700
من در حال حاضر روی یکی از
658
00:28:27,700 –> 00:28:31,150
آنها کار می کنم فقط به شما می گوییم فقط الگوریتمی را بنویسید
659
00:28:31,150 –> 00:28:34,410
که ربات برای شما کد می کند،
660
00:28:34,410 –> 00:28:36,640
بنابراین اجازه دهید بگوییم شما چیزی نوشتید که
661
00:28:36,640 –> 00:28:38,680
ربات قادر به دریافت آن نیست
662
00:28:38,680 –> 00:28:40,990
چه کاری انجام داد. خود را دوباره آموزش می
663
00:28:40,990 –> 00:28:42,670
دهد و سپس به شما یک راه حل ارائه می دهد،
664
00:28:42,670 –> 00:28:45,390
665
00:28:45,390 –> 00:28:48,220
لطفا فقط باید خط خطی کنید، می دانید
666
00:28:48,220 –> 00:28:52,200
هدف شما چیست، آن را برای شما کدنویسی می کنید،
667
00:28:57,090 –> 00:29:00,700
همچنین منظور شما این است که بله بله، هر
668
00:29:00,700 –> 00:29:05,920
تکنولوژی مستقل، خوب فناوری
669
00:29:05,920 –> 00:29:08,800
مستقل، بنابراین من داشتم برنامه ریزی می کردم برای یک
670
00:29:08,800 –> 00:29:11,500
جلسه صنعتی تحت این موضوع، هنوز باید این
671
00:29:11,500 –> 00:29:13,990
را کامل کنم تا خیلی صریح بگویم،
672
00:29:13,990 –> 00:29:16,600
کار اصلی با من است، اما
673
00:29:16,600 –> 00:29:19,420
تنها مسئله این است که من چیزی ندارم،
674
00:29:19,420 –> 00:29:21,040
زیرا باید هسته ای
675
00:29:21,040 –> 00:29:22,429
داشته باشم، اگر بگویم خدا اجازه بدهید بگوییم
676
00:29:22,429 –> 00:29:26,480
گرم و سرد متغیر من بنابراین وقتی
677
00:29:26,480 –> 00:29:28,940
این را می گویم بدن من متوجه می شود که
678
00:29:28,940 –> 00:29:30,619
چه چیزی در نقل قول شده است و سعی می
679
00:29:30,619 –> 00:29:34,059
کند در چهارچوبم جستجو کند که یکی از تخم های من را برمی دارد
680
00:29:34,059 –> 00:29:38,450
و از آنجا بسیار آسان است خوب است
681
00:29:38,450 –> 00:29:40,909
خوب مثل من این من به این قسمت پشتی نیاز دارم من
682
00:29:40,909 –> 00:29:44,360
به کسی نیاز دارم برای ساختن این کار، مگر اینکه
683
00:29:44,360 –> 00:29:46,129
من بروم و آن را ویرایش نکنم
684
00:29:46,129 –> 00:29:50,710
، در حال
685
00:29:52,929 –> 00:29:56,720
686
00:29:56,720 –> 00:29:58,970
687
00:29:58,970 –> 00:30:01,070
688
00:30:01,070 –> 00:30:03,200
حاضر کار نمی کند. که
689
00:30:03,200 –> 00:30:05,749
بله بله، من یکی از این ها را به کار گرفته ام، به
690
00:30:05,749 –> 00:30:12,139
شما نشان خواهم داد بله خوب است، مثل اینکه من یک
691
00:30:12,139 –> 00:30:15,139
وب سایت هستم، من با استفاده از بازی ها خودکار نمی کنم.
692
00:30:15,139 –> 00:30:18,019
693
00:30:18,019 –> 00:30:19,369
694
00:30:19,369 –> 00:30:21,919
695
00:30:21,919 –> 00:30:26,539
توسعه دهنده پشته به داده ها سیستمی را در اینجا پیدا
696
00:30:26,539 –> 00:30:29,179
می کند من آنچه را که سیستم می داند به شما می دهم ببینید
697
00:30:29,179 –> 00:30:32,450
قبلاً چه اتفاقی افتاده است یک کد وجود دارد
698
00:30:32,450 –> 00:30:35,360
اجازه دهید ما ببینیم بنابراین این نسخه شماره یک من است
699
00:30:35,360 –> 00:30:38,330
خوب است پس بگذارید بگوییم در این
700
00:30:38,330 –> 00:30:42,129
محصول خاص کلیدهایی وجود دارد یکی
701
00:30:42,129 –> 00:30:45,080
باشه من در حال آزادی هستم یک و بسته
702
00:30:45,080 –> 00:30:47,539
به ویژگی های من که در این موارد منتشر شده
703
00:30:47,539 –> 00:30:51,169
است، من مقداری کتابچه راهنمای کاربر انجام داده ام، بنابراین من
704
00:30:51,169 –> 00:30:53,210
یک تستر دستی و یک تست اتوماسیون
705
00:30:53,210 –> 00:30:56,389
هر دوی آنها دارم بله بله، بنابراین در کتابچه راهنمای کاربر
706
00:30:56,389 –> 00:30:57,860
می گویم می توانم کسی را در مورد
707
00:30:57,860 –> 00:31:00,409
تست عملکرد و تست عملکردی داشته
708
00:31:00,409 –> 00:31:02,330
باشم و خواهم داشت. در مورد
709
00:31:02,330 –> 00:31:05,690
خط مشی امنیتی بگویید بله بله بله یک فرد اتوماسیون اجازه
710
00:31:05,690 –> 00:31:07,970
دهید بگوییم ما در مورد سلنیوم و UFT
711
00:31:07,970 –> 00:31:11,899
معروف ترین آنها صحبت می کنیم خوب بگذارید بگوییم
712
00:31:11,899 –> 00:31:14,029
این یک وب است بنابراین سلنیوم به آن متصل است
713
00:31:14,029 –> 00:31:16,429
و این بستگی به
714
00:31:16,429 –> 00:31:20,389
ویژگی های وب دارد که تستر اسکریپت می نویسد و
715
00:31:20,389 –> 00:31:23,299
بله آماده است که می تواند در نسخه شماره یک من اجرا شود،
716
00:31:23,299 –> 00:31:25,580
بنابراین اجازه دهید بگوییم که بازگشت
717
00:31:25,580 –> 00:31:27,909
خوب آن با نسخه شماره دو حدود X روز زمان می برد.
718
00:31:27,909 –> 00:31:30,789
719
00:31:30,789 –> 00:31:33,139
اکنون در این نسخه شماره دو،
720
00:31:33,139 –> 00:31:34,850
احتمالاتی وجود دارد که مشتری می تواند
721
00:31:34,850 –> 00:31:36,080
برخی از موارد را تغییر داده باشد
722
00:31:36,080 –> 00:31:38,450
و این بچهها
723
00:31:38,450 –> 00:31:42,890
وصلههای خاصی را اینجا و آنجا تغییر دادهاند، بله، اگر
724
00:31:42,890 –> 00:31:45,170
بخواهم اسکریپت را دوباره اجرا کنم، اجرا نمیشود،
725
00:31:45,170 –> 00:31:49,160
باید تغییرات را در اینجا درست
726
00:31:49,160 –> 00:31:51,800
انجام دهم، بنابراین دوباره چند روز طول میکشد
727
00:31:51,800 –> 00:31:55,460
تا این کار را انجام دهم. به
728
00:31:55,460 –> 00:31:59,510
محض اینکه نسخه 2 را وارد کردید
729
00:31:59,510 –> 00:32:02,900
نسخه 2 را با نسخه 1 مقایسه
730
00:32:02,900 –> 00:32:06,040
می کنم مکان هایی را که تغییرات انجام شده است پیدا می کنم
731
00:32:06,040 –> 00:32:08,570
بله و شما به گوشه ای که
732
00:32:08,570 –> 00:32:09,980
منظور شما در کد است می آورید مکان هایی را پیدا خواهید کرد
733
00:32:09,980 –> 00:32:12,040
که زنجیره ای وجود دارد.
734
00:32:12,040 –> 00:32:15,290
این کد نویسی خوب است، بله،
735
00:32:15,290 –> 00:32:18,380
ما از NLP برای آن استفاده می کنیم، بنابراین شما می دانید که
736
00:32:18,380 –> 00:32:20,390
ما سعی خواهیم کرد خلاصه کنیم که آن کد دقیقا چه کاری انجام
737
00:32:20,390 –> 00:32:22,910
می دهد، اما برای انجام این کار به یک
738
00:32:22,910 –> 00:32:24,890
مجموعه بسیار خوب نیاز دارید، بنابراین اگر من یک کد
739
00:32:24,890 –> 00:32:26,180
برای شما بنویسم، اجازه دهید ببینیم که آیا می نویسم یا خیر. یک حلقه
740
00:32:26,180 –> 00:32:28,430
for برای شما بسیار خوب باید مقدار زیادی
741
00:32:28,430 –> 00:32:30,170
حلقه for همراه من داشته باشد تا بتوانم
742
00:32:30,170 –> 00:32:31,640
بفهمم که حلقه for
743
00:32:31,640 –> 00:32:33,680
خوب این کار را انجام می دهد،
744
00:32:33,680 –> 00:32:36,200
بله، بنابراین گرفتن آن مجموعه کار بسیار دشواری است،
745
00:32:36,200 –> 00:32:37,940
اما زمانی که بدنه را
746
00:32:37,940 –> 00:32:38,860
در دست
747
00:32:38,860 –> 00:32:42,590
دارید خیلی ساده است، بنابراین اکنون کاری که من انجام میدهم این است که
748
00:32:42,590 –> 00:32:44,240
سعی میکنم تفاوت را پیدا کنم،
749
00:32:44,240 –> 00:32:47,270
اول از همه خوب، میگویم اجازه دهید مقدار آستانه من را بگوییم
750
00:32:47,270 –> 00:32:49,460
اگر آن
751
00:32:49,460 –> 00:32:51,560
تستر اتوماسیون بگوید که اگر تغییرات
752
00:32:51,560 –> 00:32:53,750
حدود 10٪ اسکریپت باشد،
753
00:32:53,750 –> 00:32:55,700
اشکالی ندارد، این کار را انجام خواهم داد. مجبور نیستی مثل این گوشی کار پرهزینه ای انجام
754
00:32:55,700 –> 00:32:58,910
بدی که میگن شرکت من de
755
00:32:58,910 –> 00:33:02,930
تا 50% تغییر کرده است، مثلاً بگویید
756
00:33:02,930 –> 00:33:04,670
من چه کاری انجام خواهم داد این است که تغییرات را دقیقاً مشخص می کنم
757
00:33:04,670 –> 00:33:08,900
و با استفاده از آنچه شما می گویید
758
00:33:08,900 –> 00:33:11,480
ماتریس ردیابی، می گویم اگر این تغییر کند،
759
00:33:11,480 –> 00:33:14,690
بخش خاصی از اسکریپت من نیز
760
00:33:14,690 –> 00:33:17,210
باید تغییر کند، بنابراین من می روم و می
761
00:33:17,210 –> 00:33:19,580
گویم نشانگرهای
762
00:33:19,580 –> 00:33:23,330
تست کننده اتوماسیون تغییر می کند که اشکالی ندارد
763
00:33:23,330 –> 00:33:26,060
بله اسکریپت لی موافقم، اما اکنون او می
764
00:33:26,060 –> 00:33:28,850
داند کجا باید برود و آن را به خطر بیندازد، بنابراین این
765
00:33:28,850 –> 00:33:30,380
همان شماره اصلی است که ما
766
00:33:30,380 –> 00:33:34,910
برای آزمایش اتوماسیون به کار
767
00:33:34,910 –> 00:33:37,630
بردیم، اما نحوه جمع آوری کد با
768
00:33:37,630 –> 00:33:40,250
تست کردن – اجازه دهید ابزاری داشته باشم ما
769
00:33:40,250 –> 00:33:44,000
ابزارهایی برای آن داریم، بنابراین به آن می گوییم you got
770
00:33:44,000 –> 00:33:48,940
track و tuefel track
771
00:33:49,500 –> 00:33:51,330
و حتی JIRA به شما اجازه می دهد تا
772
00:33:51,330 –> 00:33:54,330
ردیابی rodda را انجام دهید و بله مشکلی وجود دارد
773
00:33:54,330 –> 00:33:57,179
که IBM منطقی است اگر من اشتباه نکنم
774
00:33:57,179 –> 00:34:01,380
که این کار را انجام می دهد.
775
00:34:01,380 –> 00:34:03,230
ابزارهای زیادی وجود دارد که نیاز به
776
00:34:03,230 –> 00:34:05,429
تجزیه و تحلیل کسب و کار دارند، بنابراین می
777
00:34:05,429 –> 00:34:07,890
توانید به طور متوسط از آنها برای یافتن ما
778
00:34:07,890 –> 00:34:12,119
ریس ناتوانی استفاده کنید که همینطور است و همچنین با
779
00:34:12,119 –> 00:34:15,449
هم این موضوع منحرف کننده است، اما اب
780
00:34:15,449 –> 00:34:16,918
ارهایی وجود دارند که به آنها می گو
781
00:34:16,918 –> 00:34:18,629
ند ed EDD tools درست است بیایید در
782
00:34:18,629 –> 00:34:20,760
ابزارهای توسعه انجام دهیم شما به دنبال ابزارهایی
783
00:34:20,760 –> 00:34:24,270
مانند ردیابی بهینه رایانهها
784
00:34:24,270 –> 00:34:26,760
میگردید ARB و طراح نیازمندی چابک
785
00:34:26,760 –> 00:34:28,168
ابزار دیگری است و چند ابزار
786
00:34:28,168 –> 00:34:29,820
که فایدهای دارد کاری که در آنجا انجام میدهید این است که
787
00:34:29,820 –> 00:34:32,760
شما به نوعی ویژگیهای خاص
788
00:34:32,760 –> 00:34:34,830
مورد نیاز حفره مانند یک نمودار فرآیند کسب و کار
789
00:34:34,830 –> 00:34:37,649
و نه از آن نوع
790
00:34:37,649 –> 00:34:40,409
خودکارسازی تستها و تغییر روشی
791
00:34:40,409 –> 00:34:41,790
که در کدی که به
792
00:34:41,790 –> 00:34:43,800
طراح بصری باز میگردید اتفاق میافتد، نیازهای شما را تغییر میدهد
793
00:34:43,800 –> 00:34:45,810
و سپس به طور خودکار ایجاد میکند
794
00:34:45,810 –> 00:34:46,980
که این دو
795
00:34:46,980 –> 00:34:49,980
ابزار بسیار ارزان نیستند، اما آنها بسیار
796
00:34:49,980 –> 00:34:53,210
محبوب هستند،
797
00:34:53,210 –> 00:34:56,219
ابزارهای BDD خوب، همانطور که پیدا کردند، بله، اما
798
00:34:56,219 –> 00:35:01,440
مولد کد سرد که می دانید من
799
00:35:01,440 –> 00:35:04,109
چندین استارتاپ را در تولید کد دیده ام
800
00:35:04,109 –> 00:35:05,730
، یکی از راه اندازی های بسیار محبوب در
801
00:35:05,730 –> 00:35:08,130
کانادا است که آخرین را در اینجا مختل می کند و
802
00:35:08,130 –> 00:35:10,020
کشش زیادی به دست می آورد. یک مانع
803
00:35:10,020 –> 00:35:13,070
نیز من سعی خواهم کرد به دنبال آنها بگردم، اما آنها
804
00:35:13,070 –> 00:35:15,810
نسل بسیار سختی بوده اند.
805
00:35:15,810 –> 00:35:17,940
806
00:35:17,940 –> 00:35:20,040
807
00:35:20,040 –> 00:35:22,410
اما و البته
808
00:35:22,410 –> 00:35:24,599
امروز کریستف شما اگر به آن نگاه
809
00:35:24,599 –> 00:35:26,210
می کنید، منظورم این است که ما باید به
810
00:35:26,210 –> 00:35:28,890
تمام منابع باز و دروازه ای که به
811
00:35:28,890 –> 00:35:30,450
صورت عمومی در دسترس است که می شناسید نگاه کنیم و سعی کنیم
812
00:35:30,450 –> 00:35:33,530
مدل هایی را بر اساس همه گیت ها آموزش دهیم
813
00:35:33,530 –> 00:35:39,270
که اکثر فیبرهای اخلاقی را کنترل می کند.
814
00:35:39,270 –> 00:35:41,070
هکرها این کار را به درستی انجام می دهند، اگر به
815
00:35:41,070 –> 00:35:43,980
همه کدها نگاه کنید و متوجه شوید که
816
00:35:43,980 –> 00:35:46,320
کجا کم است، بنابراین کاری که من انجام دادم به طور غیررسمی
817
00:35:46,320 –> 00:35:48,960
همان کاری بود که انجام دادم، ابزارهای داخلی
818
00:35:48,960 –> 00:35:51,599
ما در سازمانم بود که
819
00:35:51,599 –> 00:35:53,700
همه کدها را با نظرات خوبی
820
00:35:53,700 –> 00:35:55,890
که می دانید با آنها جمع آوری کردیم. نظرات کاربردی میتوانم
821
00:35:55,890 –> 00:35:58,740
بگویم که پچ زیر از
822
00:35:58,740 –> 00:36:01,560
کجا شروع میشود چه کار میکند، اگر بتوانید مجموعهای مانند این را در
823
00:36:01,560 –> 00:36:03,020
دست بگیرید،
824
00:36:03,020 –> 00:36:05,540
پس طراحی آن در
825
00:36:05,540 –> 00:36:09,170
NLP کار بزرگی نیست، تنها مشکلی
826
00:36:09,170 –> 00:36:12,050
که متوجه شدم این بود که گاهی اوقات کد
827
00:36:12,050 –> 00:36:14,570
بسیار تبدیل میشود. عمومی بسیار خوب است، بنابراین
828
00:36:14,570 –> 00:36:16,760
اگر کدهای سفارشیسازی بسیار hi-fi دارید
829
00:36:16,760 –> 00:36:18,680
که در اینجا کار نمیکنند
830
00:36:18,680 –> 00:36:21,170
، ربات چیزهای بسیار عمومی تولید میکند،
831
00:36:21,170 –> 00:36:24,800
اما بله، ما
832
00:36:24,800 –> 00:36:26,720
در حال تکامل هستیم و همچنین من منتظر
833
00:36:26,720 –> 00:36:28,220
برخی از این بزرگها هستم. شرکتهایی مانند
834
00:36:28,220 –> 00:36:31,040
گوگل و آمازون برخی از مجموعههای خیریه را با ما به اشتراک بگذارند
835
00:36:31,040 –> 00:36:34,400
تا ما بتوانیم
836
00:36:34,400 –> 00:36:35,890
این کار را در یک انجمن عمومی انجام دهیم،
837
00:36:35,890 –> 00:36:37,880
در غیر این صورت اتفاقی که قرار است بیفتد، هر
838
00:36:37,880 –> 00:36:39,590
شرکتی این حامی مالی محرمانه را خواهد داشت.
839
00:36:39,590 –> 00:36:41,690
من میبینم که نمیتوانم آن را با شما به اشتراک بگذارم
840
00:36:41,690 –> 00:36:44,210
چرا
841
00:36:44,210 –> 00:36:47,420
کدها بسیار صریح هستند، بنابراین ما همچنان منتظر خواهیم بود، اما
842
00:36:47,420 –> 00:36:48,830
این اتفاق بزرگ بعدی است
843
00:36:48,830 –> 00:36:51,650
که در آن خود کدگذارها را جایگزین می کنیم
844
00:36:51,650 –> 00:36:53,890
تا بتوانم انژکتورهای ماشین های مجازی را فعال کنم
845
00:36:53,890 –> 00:36:56,930
که مانند افراد کدنویس من رفتار می کنند
846
00:36:56,930 –> 00:37:01,250
و به آنها اجازه می دهم بله توسعه دهند. تنها
847
00:37:01,250 –> 00:37:02,900
مشکل لایه است که شما نیاز دارید اجازه دهید
848
00:37:02,900 –> 00:37:04,610
کمی سفارشیسازی شود، دخالت بسیار
849
00:37:04,610 –> 00:37:07,310
انسانی است، حالا
850
00:37:07,310 –> 00:37:09,710
به این موضوع میرسیم چه کردیم حالا نسخه بعدی
851
00:37:09,710 –> 00:37:11,900
این نسخه شماره یک بود
852
00:37:11,900 –> 00:37:13,220
نسخه بعدی آنچه انجام دادیم این بود که
853
00:37:13,220 –> 00:37:15,500
همه تغییرات را جمعآوری کردیم
854
00:37:15,500 –> 00:37:17,600
آیا شخص اتوماسیون شما را دوباره به عنوان یک
855
00:37:17,600 –> 00:37:20,810
مجموعه می شناختید، بنابراین ما این را به پایگاه داده خود برگرداندیم،
856
00:37:20,810 –> 00:37:24,080
خوب مدل بعدی، کاری که ما انجام دادیم این بود که
857
00:37:24,080 –> 00:37:26,330
حتی توصیه می کردیم اگر
858
00:37:26,330 –> 00:37:28,670
این تغییر پیدا شد، می توانید این
859
00:37:28,670 –> 00:37:31,970
اسکریپت را فقط برای
860
00:37:31,970 –> 00:37:33,830
یک محیط تولید خاص ممکن قرار دهید، به
861
00:37:33,830 –> 00:37:36,290
این معنی که اگر پروژه ای دارید
862
00:37:36,290 –> 00:37:38,870
که همان نسخه های مشابه است،
863
00:37:38,870 –> 00:37:40,460
فقط در آنجا امکان پذیر است، زیرا
864
00:37:40,460 –> 00:37:44,030
مشکل منطق تجاری مناقصه ندارد،
865
00:37:44,030 –> 00:37:45,260
بنابراین اجازه دهید بگوییم اگر در مورد آن صحبت می کنیم.
866
00:37:45,260 –> 00:37:48,410
مرسدس بنز بنابراین برای همه موضوعات
867
00:37:48,410 –> 00:37:50,630
مرتبط با مرسدس بنز، این
868
00:37:50,630 –> 00:37:53,300
مدل می تواند در زندگی آموزش داده شود، اما اگر
869
00:37:53,300 –> 00:37:54,770
حساب دیگری وارد کنید این کار را
870
00:37:54,770 –> 00:37:56,330
نمی کند زیرا منطق تجاری
871
00:37:56,330 –> 00:37:58,310
آنجا متفاوت است زیرا گاهی اوقات ما
872
00:37:58,310 –> 00:37:59,960
AP داریم و همه پرواز می کنند. در
873
00:37:59,960 –> 00:38:01,460
وسط شما می دانید،
874
00:38:01,460 –> 00:38:03,260
بنابراین در صورت لزوم می دانید که
875
00:38:03,260 –> 00:38:05,300
اگر شما بچه ها روی یدک کش
876
00:38:05,300 –> 00:38:06,830
کار می کنید، منطق کسب و کار زیادی
877
00:38:06,830 –> 00:38:09,170
در اینجا جابه جا می شود، در این موارد این
878
00:38:09,170 –> 00:38:11,720
چیزها شکست می خورند، اما بله در یک
879
00:38:11,720 –> 00:38:13,700
محیط مشابه، می تواند به شما کمک کند. توصیه بسیار خوبی است،
880
00:38:13,700 –> 00:38:16,610
بنابراین تا آنجا که من می دانم
881
00:38:16,610 –> 00:38:18,950
مقدار خوبی از ما نشان دادم ROI بسیار خوبی
882
00:38:18,950 –> 00:38:21,350
در این مورد نشان دادم، به خصوص در مورد ساخت
883
00:38:21,350 –> 00:38:23,570
بافت های اتوماسیون که ما
884
00:38:23,570 –> 00:38:27,140
تعداد بسیار خوبی داریم بله، ما به یک کتابچه راهنمای کاربر نیاز دارم
885
00:38:27,140 –> 00:38:29,300
که اینجا و آنجا باشد، اما بله،
886
00:38:29,300 –> 00:38:33,110
خیلی خوب پیشبینی میکرد، زیرا یک
887
00:38:33,110 –> 00:38:36,920
پایان بود، اما اکنون آنچه اتفاق میافتد این است که این
888
00:38:36,920 –> 00:38:38,660
یک صفحه باز است که از
889
00:38:38,660 –> 00:38:41,360
چندین ابزار ساخته شده است، بنابراین فردا اگر یکی از
890
00:38:41,360 –> 00:38:43,310
آنها سقوط کند، کل سیستم از
891
00:38:43,310 –> 00:38:46,090
بین میرود. شرکتهای بزرگتری مانند HP
892
00:38:46,090 –> 00:38:50,930
try centers sa P همه اینها
893
00:38:50,930 –> 00:38:53,270
مدلهای خود را ارائه میکنند، بنابراین اگر
894
00:38:53,270 –> 00:38:54,740
در مورد sa P صحبت میکنید، مدیر راهحل خوبی وجود دارد، این است که
895
00:38:54,740 –> 00:38:56,660
شما بچهها کار دارید
896
00:38:56,660 –> 00:38:58,880
، پدر اکنون
897
00:38:58,880 –> 00:39:01,930
گزینههای تحلیلی در داخل میز کار مدیریت راه حل ارائه شده است.
898
00:39:01,930 –> 00:39:05,450
آنها آنچه شما می گویید
899
00:39:05,450 –> 00:39:07,220
چهار گزینه فشرده وجود دارد، بنابراین شما فقط
900
00:39:07,220 –> 00:39:09,440
آن را اسکریپت کنید، منطق کل منطق را دریافت خواهید کرد
901
00:39:09,440 –> 00:39:12,740
، بنابراین این
902
00:39:12,740 –> 00:39:14,690
چیزها اکنون جایگزین این نوع مدل ها
903
00:39:14,690 –> 00:39:17,090
می شوند، آنها آن را بسته بندی می کنند و آن را
904
00:39:17,090 –> 00:39:21,710
جهانی می کنند و به زودی می فروشند.
905
00:39:21,710 –> 00:39:23,090
و ممکن است دریابید که بسته هایی
906
00:39:23,090 –> 00:39:26,990
در داخل UFT وجود دارد که به زودی این کار را انجام می دهند،
907
00:39:26,990 –> 00:39:29,450
اخباری در مورد UFT وجود دارد که امیدوارم در
908
00:39:29,450 –> 00:39:35,180
مورد UFT آگاه باشید حداقل بله ممکن
909
00:39:35,180 –> 00:39:38,180
است لازم باشد همچنین من فقط اشاره می کنم برای
910
00:39:38,180 –> 00:39:42,260
شروع یک کار را انجام دهید که به صورت آفلاین با من ارتباط برقرار کنید
911
00:39:42,260 –> 00:39:45,980
چگونه این کار را شروع کنم من می توانم
912
00:39:45,980 –> 00:39:47,990
چیزی را به شما نشان دهم اما بله می توانم اهداف اساسی را به شما ارائه دهم
913
00:39:47,990 –> 00:39:50,930
یا در غیر این صورت می توانیم
914
00:39:50,930 –> 00:39:52,760
به برخی از کدهای هدیه مراجعه
915
00:39:52,760 –> 00:39:59,720
کنیم آن را دانلود کنید نظر دهید و از آن استفاده کنید خوب است خوب است،
916
00:39:59,720 –> 00:40:01,340
بنابراین آنچه من اکنون سعی می کنم
917
00:40:01,340 –> 00:40:03,440
ببینم چیزی است که بعد
918
00:40:03,440 –> 00:40:06,350
از این ماژول شما اتفاق می افتد، یعنی
919
00:40:06,350 –> 00:40:09,770
بینایی کامپیوتر و NLP شما که اساساً سطح متفاوتی خواهد داشت،
920
00:40:09,770 –> 00:40:11,840
بنابراین همه اینها
921
00:40:11,840 –> 00:40:14,270
برنامه ها یا نتایج این مامان هستند.
922
00:40:14,270 –> 00:40:18,950
دوکز خیلی رک بگویم بله، پس دوباره
923
00:40:18,950 –> 00:40:24,020
می گویم ml خوب بود، اما این همان
924
00:40:24,020 –> 00:40:26,180
آینده بعدی است، بنابراین برخی از شما که
925
00:40:26,180 –> 00:40:28,700
در سازمان خود بسیار ارشد
926
00:40:28,700 –> 00:40:29,839
927
00:40:29,839 –> 00:40:32,569
هستید، می توانید
928
00:40:32,569 –> 00:40:34,819
پیشنهادات زیادی برای انجام این کار داشته باشید. مشتری شما می توانید
929
00:40:34,819 –> 00:40:38,089
فروش متقابل زیادی را اساساً انجام دهید،
930
00:40:38,089 –> 00:40:40,309
بنابراین اگر من تجربه خود را به شما بگویم
931
00:40:40,309 –> 00:40:42,619
من شروع کردم، وقتی این کارها را شروع کردم،
932
00:40:42,619 –> 00:40:44,660
شروع به فروش متقابل در
933
00:40:44,660 –> 00:40:47,450
934
00:40:47,450 –> 00:40:49,819
935
00:40:49,819 –> 00:40:52,309
خود سازمانم کردم. اگر کل
936
00:40:52,309 –> 00:40:55,279
بودجه پروژه تمام شده باشد و ما در تلاش بودیم خودمان زنده بمانیم،
937
00:40:55,279 –> 00:40:56,930
می دانید که به
938
00:40:56,930 –> 00:40:59,109
دلیل این موارد دیگر هزینه ای برای شرکت
939
00:40:59,109 –> 00:41:01,489
ندارید، بنابراین شما هم می توانید انتقال خود را
940
00:41:01,489 –> 00:41:05,150
از این طریق شروع کنید و
941
00:41:05,150 –> 00:41:06,859
اگر بتوانید چند نمونه را به اشتراک بگذارید خوب خواهد بود.
942
00:41:06,859 –> 00:41:08,660
احتمالاً کد خسته کننده است، اما هر
943
00:41:08,660 –> 00:41:13,430
میوه کم آویزان خیلی بد است، بله کاری که
944
00:41:13,430 –> 00:41:15,079
من انجام داده ام این است که
945
00:41:15,079 –> 00:41:17,420
اخیراً از دفتر یادگیری عالی بازدید کردم NIV به
946
00:41:17,420 –> 00:41:19,190
Schibetta و سایر مدیران برنامه پیشنهاد
947
00:41:19,190 –> 00:41:21,729
دادم اگر بتوانیم یک جلسه ویژه داشته باشیم
948
00:41:21,729 –> 00:41:25,039
که در آن بتوانم افراد را به شما نشان دهم. از
949
00:41:25,039 –> 00:41:27,140
صنایع مختلف نحوه برداشتن
950
00:41:27,140 –> 00:41:30,349
مشکل نحوه دریافت داده نحوه
951
00:41:30,349 –> 00:41:32,119
تهیه مستندات در طرح
952
00:41:32,119 –> 00:41:34,880
نحوه کدگذاری نحوه استقرار آن و
953
00:41:34,880 –> 00:41:38,029
در نهایت نحوه تحویل و مدیریت در یک
954
00:41:38,029 –> 00:41:42,130
بخش برای واحد از راه های مختلف همچنین
955
00:41:43,719 –> 00:41:47,089
من فقط منتظرم برای تاریخ هایی که به
956
00:41:47,089 –> 00:41:49,279
من داده شده است تا بتوانیم یک
957
00:41:49,279 –> 00:41:51,589
جلسه صنعتی برای همه دسته های من
958
00:41:51,589 –> 00:41:54,650
با هم راه اندازی کنیم، زیرا ما
959
00:41:54,650 –> 00:41:56,660
افراد مختلفی را از صنایع مختلف داریم
960
00:41:56,660 –> 00:41:58,999
که می دانید ساختن آن برای شما بسیار آسان است.
961
00:41:58,999 –> 00:42:01,309
رزومه خود را بالا ببرید یا از راه
962
00:42:01,309 –> 00:42:03,170
شروع در شرکت مخابراتی فعلی خود من از
963
00:42:03,170 –> 00:42:04,759
شما بچه ها انتظار ندارم که مستقیماً به
964
00:42:04,759 –> 00:42:07,339
شغل علم داده بپردازید، امکان پذیر نیست، ابتدا
965
00:42:07,339 –> 00:42:09,410
چیزی را امتحان کنید و سپس آن را در رزومه
966
00:42:09,410 –> 00:42:11,479
a قرار دهید و سپس آن را افزایش دهید، خوب
967
00:42:11,479 –> 00:42:14,869
همچنین به آنچه که آنها می گویند. و آنها
968
00:42:14,869 –> 00:42:16,759
راه خوبی پیدا می کنند که بله این یک میوه است
969
00:42:16,759 –> 00:42:20,299
مطمئن باشید تا اینجا فقط یک چیز است که
970
00:42:20,299 –> 00:42:22,910
اضافه کردن جلسات شما
971
00:42:22,910 –> 00:42:27,170
برای ویدیوهایی که می آیند بسیار مفید هستند،
972
00:42:27,170 –> 00:42:30,130
منظورم این است که من واقعاً وضوح را
973
00:42:30,130 –> 00:42:32,809
دوست دارم، اما آنها بسیار مفید هستند. بسیار ترسناک
974
00:42:32,809 –> 00:42:35,539
و ترسناک به دلیل ریاضیات
975
00:42:35,539 –> 00:42:38,660
و فرمول ها و چیزهایی از این قبیل، می
976
00:42:38,660 –> 00:42:41,150
دانم که هر دو مهم هستند، اما احساس می کنم
977
00:42:41,150 –> 00:42:42,870
چیزی وجود دارد که
978
00:42:42,870 –> 00:42:45,390
شما صحبت می کنید بسیار قابل ربط و
979
00:42:45,390 –> 00:42:48,000
قابل تشخیص است، اما من فکر می کنم ریاضیات
980
00:42:48,000 –> 00:42:49,920
و زیربنای آن متوقف می شود آیا
981
00:42:49,920 –> 00:42:51,660
در ویدیو وجود دارد نیز به همان اندازه مهم
982
00:42:51,660 –> 00:42:55,260
هستند، بنابراین در جایی است که چشمان ما به نوعی
983
00:42:55,260 –> 00:42:59,130
ظاهر می شود، بنابراین اتفاقی که می افتد این است که چرا
984
00:42:59,130 –> 00:43:01,040
آنها دو نفر متفاوت
985
00:43:01,040 –> 00:43:03,990
با ما تعامل دارند، یکی از افراد
986
00:43:03,990 –> 00:43:06,090
از نظر دانشگاهی در حال تعامل است
987
00:43:06,090 –> 00:43:07,560
تا شما گرفتن برای اینکه بدانید چگونه این
988
00:43:07,560 –> 00:43:10,560
کار انجام می شود بخشی از آن باشید زیرا
989
00:43:10,560 –> 00:43:12,750
همه ما از نظر تئوری خیلی خوب نیستیم، می
990
00:43:12,750 –> 00:43:14,010
دانید که برخی از ما در
991
00:43:14,010 –> 00:43:15,600
اجرا بسیار خوب هستیم برخی از آنها
992
00:43:15,600 –> 00:43:18,240
در ایده سازی برای افرادی که
993
00:43:18,240 –> 00:43:20,490
در شما بسیار خوب هستند بسیار خوب هستند. کسانی که
994
00:43:20,490 –> 00:43:22,920
میخواهند بدانند فرمولهای اولیه از ابتدا
995
00:43:22,920 –> 00:43:25,050
در فیلمها
996
00:43:25,050 –> 00:43:28,080
برای آن چیزها طراحی شدهاند و
997
00:43:28,080 –> 00:43:30,120
چرا میخواهم بدانند چرا موارد مورد علاقهام را وارد میکنم تا به شما بچهها نشان دهم
998
00:43:30,120 –> 00:43:31,950
که در نزدیکی صنعت چه اتفاقی میافتد.
999
00:43:31,950 –> 00:43:34,830
1000
00:43:34,830 –> 00:43:37,050
بنابراین در آن صورت ما نیازی به
1001
00:43:37,050 –> 00:43:55,740
دانستن چیزهای عمیق در آنجا نداریم، درست است
1002
00:43:55,740 –> 00:43:57,180
و طعم چهارگانه از این
1003
00:43:57,180 –> 00:43:59,160
جلسات صنعتی اضافی می آید که در آن شما
1004
00:43:59,160 –> 00:44:02,330
متوجه می شوید که آیا آنها یک استقرار را انجام داده اند چگونه
1005
00:44:02,330 –> 00:44:06,960
بله، پس بیایید ببینیم وقتی به حالت های محدود رسیدم
1006
00:44:06,960 –> 00:44:08,760
من آن را برای همه شما منتشر خواهم کرد،
1007
00:44:08,760 –> 00:44:12,330
فکر می کنم همچنین مرتبط است، بنابراین اولین چیزی
1008
00:44:12,330 –> 00:44:14,550
که ما برای مطالعه موردی امروز داریم این است
1009
00:44:14,550 –> 00:44:16,860
که اکنون ما هستیم، فکر می کنم اکنون شما بچه ها هستید
1010
00:44:16,860 –> 00:44:20,160
، می توانم بگویم خوب است که بدانید
1011
00:44:20,160 –> 00:44:22,160
شبکه چیست و چرا باید
1012
00:44:22,160 –> 00:44:24,720
انتشار و w اساساً به ما کمک می کند
1013
00:44:24,720 –> 00:44:25,950
خوب باشد،
1014
00:44:25,950 –> 00:44:28,590
بنابراین با در نظر گرفتن این مفهوم کاری
1015
00:44:28,590 –> 00:44:31,590
که امروز انجام خواهیم داد این است که سعی می کنیم
1016
00:44:31,590 –> 00:44:33,570
کمی عمیق تر برویم، سعی می کنیم پردازش تصویر را
1017
00:44:33,570 –> 00:44:37,320
با استفاده از شبکه های عصبی انجام دهیم، بنابراین ما
1018
00:44:37,320 –> 00:44:41,070
سعی خواهیم کرد مجموعه ای از داده ها
1019
00:44:41,070 –> 00:44:43,080
را وارد کنیم. دادهها اکنون
1020
00:44:43,080 –> 00:44:46,410
چالش واقعی شروع میشود زیرا اکنون
1021
00:44:46,410 –> 00:44:49,320
شما بچهها میدانید که
1022
00:44:49,320 –> 00:44:52,080
با استفاده از مجموعه دادهها راحت هستید که به شکل
1023
00:44:52,080 –> 00:44:54,660
1024
00:44:54,660 –> 00:44:56,480
ستونهای مستقل
1025
00:44:56,480 –> 00:44:58,160
و ستونهای هدف وجود دارد و همچنین این تمام
1026
00:44:58,160 –> 00:45:01,310
چیزی است که شما بچهها دارید. تا به حال
1027
00:45:01,310 –> 00:45:04,520
انجام شده است، کاری که ما انجام خواهیم داد این است که سعی می
1028
00:45:04,520 –> 00:45:06,260
کنیم روی چیزی برای پردازش تصویر کار کنیم، بنابراین
1029
00:45:06,260 –> 00:45:08,119
سعی خواهیم کرد ببینیم چگونه تصاویر
1030
00:45:08,119 –> 00:45:10,250
در یک فایل بزرگتر ذخیره می شوند دقیقاً یک
1031
00:45:10,250 –> 00:45:12,230
تصویر چیست که رایانه چگونه یک تصویر را تفسیر می کند
1032
00:45:12,230 –> 00:45:14,690
و چگونه می توانیم انجام دهیم. طبقهبندی تصاویر
1033
00:45:14,690 –> 00:45:17,810
با استفاده از لینوکس کاملاً درست است، بنابراین برای
1034
00:45:17,810 –> 00:45:20,390
مثال برای مجموعه دادههای امروزی چه
1035
00:45:20,390 –> 00:45:24,980
داریم، ما یک
1036
00:45:24,980 –> 00:45:27,650
فایل داده یا دادههای داخلی Kaos یا تصاویر دادهای
1037
00:45:27,650 –> 00:45:31,430
داریم که آن را عفو مینامیم، بله و
1038
00:45:31,430 –> 00:45:33,920
این یک مد است که اساساً یک
1039
00:45:33,920 –> 00:45:38,359
مجموعه داده پوشاک مد است. شما
1040
00:45:38,359 –> 00:45:39,770
انواع روش های مد مانند
1041
00:45:39,770 –> 00:45:44,990
چکمه های کفش تی شرت را پیدا خواهید کرد و چیزهای
1042
00:45:44,990 –> 00:45:46,670
زیادی وجود دارد، بنابراین ما کلاس هایی داریم که
1043
00:45:46,670 –> 00:45:49,910
از 0 تا 9 می گویند و آیا هر یک از این تصویر
1044
00:45:49,910 –> 00:45:52,670
قبلاً آن را تگ کرده است، بنابراین لطفاً
1045
00:45:52,670 –> 00:45:55,580
به یاد داشته باشید که تصویر همانطور که هست است.
1046
00:45:55,580 –> 00:45:57,410
هیچ چیز جدیدی از نظر ما این را می دانیم، اما
1047
00:45:57,410 –> 00:46:00,230
کسی تصویر را تگ کرده است، به این معنی که
1048
00:46:00,230 –> 00:46:02,300
اگر این اولین تصویر باشد، کسی
1049
00:46:02,300 –> 00:46:04,550
گفته است که این متعلق به کلاس شماره 0 است،
1050
00:46:04,550 –> 00:46:07,220
می تواند یک تی شرت باشد، این یکی می گوید این تصویر
1051
00:46:07,220 –> 00:46:08,930
متعلق به کلاس شماره 9 است.
1052
00:46:08,930 –> 00:46:12,440
به عنوان مثال یک کفش، بنابراین این یک
1053
00:46:12,440 –> 00:46:15,080
مفهوم جدید برای شما بچه ها است و کسی
1054
00:46:15,080 –> 00:46:16,730
قبلاً آن را برای ما انجام داده است
1055
00:46:16,730 –> 00:46:18,770
، در صورت امکان، زمانی که ما وارد کامپیوتر بینایی می شویم، در
1056
00:46:18,770 –> 00:46:20,780
صورت امکان، سعی می کنیم
1057
00:46:20,780 –> 00:46:23,359
کدهایی ایجاد کنیم که بتوانیم
1058
00:46:23,359 –> 00:46:25,420
این نوع را برچسب گذاری کنیم. از تصاویر و مجموعه ما را
1059
00:46:25,420 –> 00:46:27,890
درست کنید، بنابراین فعلاً لطفاً
1060
00:46:27,890 –> 00:46:29,960
راحت باشید و درک کنید که
1061
00:46:29,960 –> 00:46:31,550
داده ها اینگونه هستند و این
1062
00:46:31,550 –> 00:46:33,650
دسته های دیگری از داده های برچسب گذاری شده توسط
1063
00:46:33,650 –> 00:46:36,260
کسی است که قبلاً با عفو ساخته شده است.
1064
00:46:36,260 –> 00:46:39,140
1065
00:46:39,140 –> 00:46:41,420
انجام این کار این است که ما باید
1066
00:46:41,420 –> 00:46:45,320
ترکیبی از انتشار جلو و عقب شبکه عصبی را
1067
00:46:45,320 –> 00:46:47,270
طوری طراحی کنیم که
1068
00:46:47,270 –> 00:46:49,760
اگر تصویری را ارائه دادم بتواند
1069
00:46:49,760 –> 00:46:52,700
یکی از 9 خروجی سافت مکس را به من بدهد،
1070
00:46:52,700 –> 00:46:55,420
فعال شود و به من بگوید کدام خروجی است،
1071
00:46:55,420 –> 00:46:57,619
بنابراین این همان چیزی است که ما انجام می دهیم. قرار است امروز این کار را انجام دهیم،
1072
00:46:57,619 –> 00:46:59,960
بنابراین ما آن را به
1073
00:46:59,960 –> 00:47:02,210
روش معمولی مریلند امتحان می کنیم، روش اول،
1074
00:47:02,210 –> 00:47:04,940
روش دوم، سعی می کنیم تمام این بخش تقویت را انجام دهیم،
1075
00:47:04,940 –> 00:47:06,859
بنابراین فکر می کنم
1076
00:47:06,859 –> 00:47:09,800
هفته گذشته در مورد
1077
00:47:09,800 –> 00:47:11,510
کمک ها و کمک ها بحث کردیم. تقویتها و همه چیز
1078
00:47:11,510 –> 00:47:13,730
درست است، اگر اشتباه نکنم، ما
1079
00:47:13,730 –> 00:47:20,360
آخرین درمان را انجام دادهایم بله بله بله عالی، بنابراین
1080
00:47:20,360 –> 00:47:22,370
امروز خواهیم دید که دقیقا چگونه میتوانیم از
1081
00:47:22,370 –> 00:47:24,260
این نوع ویژگیها و اتحادها در
1082
00:47:24,260 –> 00:47:27,440
اینجا برای بهبود دقت استفاده کنیم،
1083
00:47:27,440 –> 00:47:29,450
بنابراین بیایید به این روش بگوییم میتوانیم
1084
00:47:29,450 –> 00:47:31,040
یک ساعت وقت بگذاریم تا این مطالعه موردی را کامل کنیم
1085
00:47:31,040 –> 00:47:35,350
و بعد از این موضوع خاص،
1086
00:47:35,350 –> 00:47:37,640
موضوع بعدی که میخواهیم انجام دهیم این است
1087
00:47:37,640 –> 00:47:38,960
که پروژه شما را مورد بحث قرار میدهیم، پروژه شما
1088
00:47:38,960 –> 00:47:41,330
تقریباً به این موضوع مرتبط است، میتوانم بگویم که
1089
00:47:41,330 –> 00:47:44,600
این دادهها یکسان نیست اما بله، این یک
1090
00:47:44,600 –> 00:47:46,580
داده تصویری است از همه، من شما
1091
00:47:46,580 –> 00:47:48,170
را با آنچه که دقیقاً داده های تصویری است راحت تر می
1092
00:47:48,170 –> 00:47:49,910
کنم. چگونه می توان
1093
00:47:49,910 –> 00:47:51,170
آن را تجسم کرد Eli
1094
00:47:51,170 –> 00:47:52,520
و بعد از آن محصول فرعی جریان را به شما می دهم
1095
00:47:52,520 –> 00:47:56,240
و احتمالاً
1096
00:47:56,240 –> 00:47:57,800
نباید بیش از 30 دقیقه طول
1097
00:47:57,800 –> 00:48:00,680
بکشد و هنوز هم ما 30
1098
00:48:00,680 –> 00:48:02,600
دقیقه دیگر وقت داریم کاری که من انجام خواهم داد این است
1099
00:48:02,600 –> 00:48:05,120
که شما را با مفهوم
1100
00:48:05,120 –> 00:48:07,430
شبکه های عصبی کانولوشن آشنا می کنم،
1101
00:48:07,430 –> 00:48:10,940
موضوعی که اساساً از cnn
1102
00:48:10,940 –> 00:48:13,040
ها صرفاً برای پردازش تصویر استفاده می شود، بنابراین اکنون
1103
00:48:13,040 –> 00:48:15,590
هر 2 ماه آینده قرار است
1104
00:48:15,590 –> 00:48:17,770
انجام دهیم، خواهیم رفت. برای انجام فقط CN
1105
00:48:17,770 –> 00:48:20,150
تقریباً 8 هفته است که ما فقط
1106
00:48:20,150 –> 00:48:22,310
این موضوع را انجام خواهیم داد، بنابراین به شما کمک می کند تا
1107
00:48:22,310 –> 00:48:24,860
آن را ادامه دهید،
1108
00:48:24,860 –> 00:48:27,260
ما کمی جلوتر از برنامه عادی خود حرکت می کنیم،
1109
00:48:27,260 –> 00:48:29,510
بنابراین بیایید سعی کنیم از آن
1110
00:48:29,510 –> 00:48:33,260
لیست فقط نیم ساعت استفاده کنیم. اینها نه کلاس هستند یا
1111
00:48:33,260 –> 00:48:36,320
اینها ده کلاسی هستند که شما می گویید
1112
00:48:36,320 –> 00:48:37,760
که داده ها به طور کامل به آنها
1113
00:48:37,760 –> 00:48:40,130
تقسیم می شوند، بنابراین باید به آن نگاه کنید
1114
00:48:40,130 –> 00:48:42,230
مجموعه داده ها برای این مدت طولانی است بنابراین
1115
00:48:42,230 –> 00:48:45,350
اگر من مجبور به انتشار تصویر باشم
1116
00:48:45,350 –> 00:48:47,780
باید انجام دهم راه های متعدد از
1117
00:48:47,780 –> 00:48:50,600
از آنجایی که ما در اینجا از matplotlib استفاده می کنیم،
1118
00:48:50,600 –> 00:48:52,570
شما بچه ها چه کاری می توانید انجام دهید، فقط می توانید از
1119
00:48:52,570 –> 00:48:56,600
نمایش تصویر در نمودار نقشه استفاده کنید، بنابراین باید
1120
00:48:56,600 –> 00:48:58,520
تصویر را نشان دهید که چه تصاویری از
1121
00:48:58,520 –> 00:49:01,490
تصاویر برخی از انواع داده ها برای نشان
1122
00:49:01,490 –> 00:49:04,550
دادن مقدار نهایی تصویر. اساساً در مورد
1123
00:49:04,550 –> 00:49:07,160
هر عددی که صحبت می کنیم و
1124
00:49:07,160 –> 00:49:10,390
در نهایت می دانیم که چگونه می توانم آن را ذخیره کنم
1125
00:49:10,390 –> 00:49:13,220
منتشر کنم، بنابراین اجازه دهید از
1126
00:49:13,220 –> 00:49:16,070
ابتدا شروع کنم و سعی می کنیم آن را آموزش دهیم،
1127
00:49:16,070 –> 00:49:18,920
بنابراین اولین چیز این است که مات زیادی داریم و سپس
1128
00:49:18,920 –> 00:49:20,870
وارد یک اسکالر و بنابراین ما
1129
00:49:20,870 –> 00:49:23,000
پرینت پرینتر هستیم، سپس
1130
00:49:23,000 –> 00:49:25,820
شما یک مجموعه داده از Kira دریافت میکنید، سپس
1131
00:49:25,820 –> 00:49:27,530
ما مدرنیته متوالی شما را تعریف
1132
00:49:27,530 –> 00:49:31,790
میکنیم و در اینجا از بیش از 100
1133
00:49:31,790 –> 00:49:35,480
برچسب کد برای ما استفاده میکنیم، بنابراین بیایید
1134
00:49:35,480 –> 00:49:39,080
دادهها را از قبل اجرا
1135
00:49:39,080 –> 00:49:41,120
کنیم. برای استفاده از Charis و
1136
00:49:41,120 –> 00:49:43,280
همچنین تنسورفلو گاهی اوقات آنها
1137
00:49:43,280 –> 00:49:45,950
قبلاً یک تقسیم یا داخلی دارند که
1138
00:49:45,950 –> 00:49:47,600
به آن باران سفید شدید می گویند فقط
1139
00:49:47,600 –> 00:49:49,310
سفید است بنابراین آنها قبلاً از این موضوع
1140
00:49:49,310 –> 00:49:50,630
آگاه هستند بنابراین کاری که ما انجام می دهیم
1141
00:49:50,630 –> 00:49:54,440
فراخوانی آن و فراخوانی تابع است
1142
00:49:54,440 –> 00:49:56,570
بنابراین شما o یک چیز این است که ما این را
1143
00:49:56,570 –> 00:49:59,300
در قالب داده هایی منتشر خواهیم کرد که بچه
1144
00:49:59,300 –> 00:50:03,530
ها با آنها راحت هستید، بنابراین بیایید
1145
00:50:03,530 –> 00:50:06,730
سعی کنیم این عدد را اینجا فشار دهیم.
1146
00:50:06,730 –> 00:50:09,170
1147
00:50:09,170 –> 00:50:10,940
1148
00:50:10,940 –> 00:50:14,270
سپس شکل را رسم می کنید و می گویید من
1149
00:50:14,270 –> 00:50:18,320
یک رقم با اندازه 10 می خواهم از
1150
00:50:18,320 –> 00:50:21,140
محدوده 1، اجازه دهید بگوییم از 1 تا 10 من این را نشان می دهم
1151
00:50:21,140 –> 00:50:24,230
و چیزی که برای انتشار نشان می دهد X شما است،
1152
00:50:24,230 –> 00:50:26,510
بنابراین در این مورد در مورد ما
1153
00:50:26,510 –> 00:50:29,290
اساساً فوق العاده است. بنابراین من فقط آن را کپی می کنم
1154
00:50:29,290 –> 00:50:32,780
و آن را در اینجا جای می دهم و تصویر
1155
00:50:32,780 –> 00:50:34,490
فعلاً دارای مقیاس خاکستری است بنابراین نمی گویم
1156
00:50:34,490 –> 00:50:36,170
مقیاس خاکستری ما آن را خالی نگه می داریم بنابراین به
1157
00:50:36,170 –> 00:50:37,940
طور پیش فرض یک تصویر رنگی یا یک
1158
00:50:37,940 –> 00:50:40,340
تصویر کانالی RGB 3 می آید تا
1159
00:50:40,340 –> 00:50:42,470
ببینیم چیست RGB و همه چیز در پایان
1160
00:50:42,470 –> 00:50:46,190
و چیزی که ما می بینیم این است که ما
1161
00:50:46,190 –> 00:50:49,760
همچنین 10 مقدار هدف برتر
1162
00:50:49,760 –> 00:50:51,530
متصل به آن را منتشر می کنیم، بنابراین به جای Y من
1163
00:50:51,530 –> 00:50:53,780
فقط یک درخت قرار می دهم، اجازه دهید همه چیز را ببینیم،
1164
00:50:53,780 –> 00:50:57,440
بنابراین اگر می توانید آن را مشاهده کنید،
1165
00:50:57,440 –> 00:51:00,230
ما اینجا داریم. ایده ما از سیب های لباس
1166
00:51:00,230 –> 00:51:02,750
را اینجا گرفتیم و به آن وصل می کنیم که
1167
00:51:02,750 –> 00:51:05,240
اینها برچسب هایی هستند که در آنها وجود دارد بنابراین شما
1168
00:51:05,240 –> 00:51:07,660
می توانید این حلقه های قابل تأیید واضح را شروع کنید،
1169
00:51:07,660 –> 00:51:10,130
بله، و اگر می خواهید به برچسب ها نگاه کنید
1170
00:51:10,130 –> 00:51:13,250
، این همان برچسب ها است، بنابراین
1171
00:51:13,250 –> 00:51:17,150
هر تصویر یکی از آن ها را دریافت می کند، چیز بعدی
1172
00:51:17,150 –> 00:51:19,610
قبل از شروع هر
1173
00:51:19,610 –> 00:51:22,370
پروژه ای است. یا هر یک از این چیزهای پیچیده پردازش تصویر،
1174
00:51:22,370 –> 00:51:24,080
آنچه شما باید
1175
00:51:24,080 –> 00:51:25,700
بدانید این است که شکل و
1176
00:51:25,700 –> 00:51:28,610
اندازه مجموعه دادههای شما چیست، بنابراین تنها کاری که انجام میدهید این است که فقط
1177
00:51:28,610 –> 00:51:30,280
این را کپی کنید
1178
00:51:30,280 –> 00:51:34,780
و سعی کنید
1179
00:51:34,780 –> 00:51:37,240
حدود 60 K از دادههای آموزشی را منتشر کنید.
1180
00:51:37,240 –> 00:51:40,780
60 کیلو از کل خروجی ها چیزی نیست
1181
00:51:40,780 –> 00:51:43,750
جز این نوع خروجی ها و هر
1182
00:51:43,750 –> 00:51:46,510
تصویر اندازه 28 کراس 20 است حالا
1183
00:51:46,510 –> 00:51:49,510
منظور ما از این دقیقا این است که آیا می توانید
1184
00:51:49,510 –> 00:51:54,970
این 28 کراس 28 را بدست آورید، بنابراین ما یک کار را انجام خواهیم داد که
1185
00:51:54,970 –> 00:51:57,220
در مورد چگونگی صحبت خواهیم کرد. برای تغییر شکل و
1186
00:51:57,220 –> 00:51:58,960
نحوه بازی کردن با پیکسلها در مجموع
1187
00:51:58,960 –> 00:52:00,700
وقتی وارد دید کامپیوتری شدیم در حال حاضر
1188
00:52:00,700 –> 00:52:03,130
برای شبکههای عصبی تنها چیزی که باید بدانیم
1189
00:52:03,130 –> 00:52:05,410
این است که هر ورودی را میپذیریم،
1190
00:52:05,410 –> 00:52:07,810
اما مطمئن میشویم که دلیل آن را میدانیم زیرا
1191
00:52:07,810 –> 00:52:10,840
باید یک شبکه عصبی ایجاد کنیم.
1192
00:52:10,840 –> 00:52:13,120
که یک نسخه مسطح از این بنابراین برای
1193
00:52:13,120 –> 00:52:14,860
تعداد ورودیهایی که ما نیاز داریم برای پیگیری
1194
00:52:14,860 –> 00:52:17,860
مواردی که در اینجا داریم کاملاً درست است، بنابراین در اینجا
1195
00:52:17,860 –> 00:52:19,360
نیز من همین کار را انجام دادهایم،
1196
00:52:19,360 –> 00:52:21,160
سعی کردهایم برخی از این تصاویر را
1197
00:52:21,160 –> 00:52:24,340
با برچسبهایشان منتشر کنیم که اکنون به
1198
00:52:24,340 –> 00:52:26,440
قسمت پیشپردازش آن میآیند. دقیقاً
1199
00:52:26,440 –> 00:52:30,820
برای پیش پردازش داده ها به چه
1200
00:52:30,820 –> 00:52:32,560
چیزی نیاز دارید، بنابراین اولین چیزی که نیاز داریم این است که
1201
00:52:32,560 –> 00:52:37,590
داده ها را به n28 cross 28 تغییر شکل می دهیم، بنابراین
1202
00:52:37,590 –> 00:52:40,030
گاهی اوقات اتفاقی که می افتد این است که این تصاویر
1203
00:52:40,030 –> 00:52:42,310
فردی هستند در اینجا ما قبلاً این
1204
00:52:42,310 –> 00:52:43,840
قالب را داریم که n چیزی در حدود
1205
00:52:43,840 –> 00:52:47,200
60000 است 28 عبور از 28 در حال حاضر در آن منطقه است،
1206
00:52:47,200 –> 00:52:49,510
بنابراین شما مجبور نیستید آن را دوباره انجام دهید، اما این
1207
00:52:49,510 –> 00:52:53,470
روند عادی است هر بار که
1208
00:52:53,470 –> 00:52:55,120
اگر یادگیری بدون نظارت خود را
1209
00:52:55,120 –> 00:52:57,130
قبل از ورود به هر یک از
1210
00:52:57,130 –> 00:52:59,010
الگوریتم های یادگیری نظارت شده به یاد بیاورید، قرار
1211
00:52:59,010 –> 00:53:01,830
است نرمال سازی را روی آن
1212
00:53:01,830 –> 00:53:04,000
تغییر شکل انجام دهیم. یک شکل سریع باید خوب باشد
1213
00:53:04,000 –> 00:53:06,100
به طوری که ما با هم هماهنگ هستیم، بنابراین کاری که
1214
00:53:06,100 –> 00:53:09,640
اکنون انجام می دهیم این است که شبکه عصبی
1215
00:53:09,640 –> 00:53:12,000
نمی تواند یک
1216
00:53:12,000 –> 00:53:14,530
ماتریس سه بعدی لایه شبکه سه بعدی
1217
00:53:14,530 –> 00:53:14,950
را پردازش کند،
1218
00:53:14,950 –> 00:53:16,810
حالا چرا 3 بعدی است زیرا چه کاری انجام می دهد.
1219
00:53:16,810 –> 00:53:19,810
یعنی هر کدام 60000 تصویر دارد،
1220
00:53:19,810 –> 00:53:21,880
بنابراین شبکه عصبی
1221
00:53:21,880 –> 00:53:22,990
قادر به دریافت آن نخواهد بود زیرا باید
1222
00:53:22,990 –> 00:53:25,450
آن را مسطح کنید، بنابراین کاری که ما انجام خواهیم داد این است که
1223
00:53:25,450 –> 00:53:28,600
سعی می کنیم این دو را ضرب کنیم و سعی کنیم آن
1224
00:53:28,600 –> 00:53:30,790
را تبدیل کنیم. آن را به یک شکل منحصر به فرد درست
1225
00:53:30,790 –> 00:53:33,070
می کنیم، بنابراین آنچه می گوییم این است که لطفاً
1226
00:53:33,070 –> 00:53:35,110
یک بعد از آن را کاهش دهید و فقط
1227
00:53:35,110 –> 00:53:37,270
شکل کل را حفظ کنید، زیرا منظور ما
1228
00:53:37,270 –> 00:53:40,090
از قطع کردن گزینه ها
1229
00:53:40,090 –> 00:53:44,020
این است که چگونه تتا 28 به 28 می شود ما
1230
00:53:44,020 –> 00:53:44,230
1231
00:53:44,230 –> 00:53:51,730
ساعت شما 22:28 66000 تصویر بله بله
1232
00:53:51,730 –> 00:53:54,880
خیلی بد بود مثل اینکه داده هایی
1233
00:53:54,880 –> 00:53:57,070
که بد بوده است نه به
1234
00:53:57,070 –> 00:53:58,960
شکل تصاویر منفرد نیستند
1235
00:53:58,960 –> 00:54:01,960
و در داخل یک zit بزرگتر که
1236
00:54:01,960 –> 00:54:05,260
مجموعه داده های کوچکتری هستند مانند این در دسترس هستند، بنابراین
1237
00:54:05,260 –> 00:54:08,650
هر زمان که یک تصویر بد است خیر
1238
00:54:08,650 –> 00:54:13,540
بعد مانند 60 کل ماتریس کل ماتریس است که
1239
00:54:13,540 –> 00:54:17,619
هر ماتریس 28 متقاطع 28 است، بنابراین اکنون اگر
1240
00:54:17,619 –> 00:54:19,090
بخواهم آن را صاف کنم نمی
1241
00:54:19,090 –> 00:54:20,859
توانم آن را انجام دهم، بنابراین کاری که اکنون انجام خواهم داد این است که
1242
00:54:20,859 –> 00:54:23,920
فقط می گویم این داده خاص را حفظ کنید.
1243
00:54:23,920 –> 00:54:27,490
این است و سعی کنید
1244
00:54:27,490 –> 00:54:29,800
آنچه را که انجام خواهم داد به درستی تغییر شکل دهم، اکنون در آنجا خواهم گفت
1245
00:54:29,800 –> 00:54:32,859
سن 60 کیلومتر است و هر تصویر
1246
00:54:32,859 –> 00:54:39,090
حدود 784 یا هر عدد دیگری 784
1247
00:54:39,090 –> 00:54:43,420
متغیر دارد که به این معنی است 784 است 28
1248
00:54:43,420 –> 00:54:46,480
به 28 درست بله بیست هجده یا
1249
00:54:46,480 –> 00:54:49,150
بیست است 784 ما آن را تغییر شکل می دهیم و
1250
00:54:49,150 –> 00:54:50,920
فقط می گوییم ببینیم چه چیزی
1251
00:54:50,920 –> 00:54:52,780
نیاز داریم اگر من میخواهم این را به یک شبکه عصبی منتقل
1252
00:54:52,780 –> 00:54:55,480
کنم، تمام چیزی که نیاز دارم.
1253
00:54:55,480 –> 00:54:58,990
1254
00:54:58,990 –> 00:55:00,640
1255
00:55:00,640 –> 00:55:05,200
1256
00:55:05,200 –> 00:55:09,780
1257
00:55:09,780 –> 00:55:12,700
20 تا 28
1258
00:55:12,700 –> 00:55:15,369
کانال 4G خواهد داشت شما 20 خواهید داشت 28 اردک
1259
00:55:15,369 –> 00:55:20,890
انباشته است که دارید صحبت می کنید اوه نه 6000
1260
00:55:20,890 –> 00:55:22,810
عدد کل است در اینجا ما
1261
00:55:22,810 –> 00:55:24,850
کانال را به این صورت تعریف نمی کنیم بنابراین نمی گویم
1262
00:55:24,850 –> 00:55:26,590
این یک تصویر خالص است این
1263
00:55:26,590 –> 00:55:29,050
داده های خالص است تنظیم روی CV کامپیوتر vision
1264
00:55:29,050 –> 00:55:31,119
مجموعه داده های معمولی که معمولاً
1265
00:55:31,119 –> 00:55:33,100
به بینایی کامپیوتر نگاه می کنید به این شکل است مثلاً
1266
00:55:33,100 –> 00:55:38,440
60 K تعداد ردیف های ستون
1267
00:55:38,440 –> 00:55:40,240
کاما باید یک
1268
00:55:40,240 –> 00:55:42,430
کانال اجباری در دسترس باشد، بنابراین اگر من آن را بنویسم
1269
00:55:42,430 –> 00:55:44,560
به این معنی است که اگر بنویسم تصویری در مقیاس خاکستری است.
1270
00:55:44,560 –> 00:55:47,410
سه یعنی یک n RGB بله سبز
1271
00:55:47,410 –> 00:55:50,770
و بله، بنابراین اگر این را به عنوان
1272
00:55:50,770 –> 00:55:52,690
ورودی به یکی از
1273
00:55:52,690 –> 00:55:54,730
کدها یا الگوریتمهای بینایی کامپیوتر میدهیم، بله، این
1274
00:55:54,730 –> 00:55:57,170
فرمت پیشفرض است، اما برای شبکههای عصبی،
1275
00:55:57,170 –> 00:55:59,720
فعلاً میتوانیم این را نادیده بگیریم، خوب،
1276
00:55:59,720 –> 00:56:03,440
به شما میگویم که چرا هدف برابری است. این همان
1277
00:56:03,440 –> 00:56:06,319
چیزی است که یک تصویر بسیار ساده است که
1278
00:56:06,319 –> 00:56:08,839
سه کانال پشت سر هم دارد که به
1279
00:56:08,839 –> 00:56:10,819
آن یکی ما G می گویند یکی B نامیده می شود
1280
00:56:10,819 –> 00:56:14,089
حال هر پیکسل در این تصویر
1281
00:56:14,089 –> 00:56:17,299
بین تقسیم می شود اگر بگویم یک
1282
00:56:17,299 –> 00:56:18,770
پیکسل برابر است با یک بیت
1283
00:56:18,770 –> 00:56:21,410
یا یک بایت متاسفم اگر این کلمه را می گویم
1284
00:56:21,410 –> 00:56:25,910
چگونه این کار را انجام دهم تا شکل و
1285
00:56:25,910 –> 00:56:27,770
اندازه پیکسل خود را تقویت کنم بنابراین اگر بگویم
1286
00:56:27,770 –> 00:56:31,750
یک بایت است آن را 8 منهای 1 یعنی
1287
00:56:31,750 –> 00:56:36,829
256 منهای 1 یعنی 255 من قرار می دهم میگویم اگر
1288
00:56:36,829 –> 00:56:40,400
این را در ذهنم نگه دارم،
1289
00:56:40,400 –> 00:56:43,160
رنگبندی کامل این تصویر با 0 شروع میشود
1290
00:56:43,160 –> 00:56:46,400
که روشنترین رنگ و
1291
00:56:46,400 –> 00:56:49,490
255 تیرهترین رنگ در هر رشته است، بنابراین
1292
00:56:49,490 –> 00:56:51,740
میتواند ما باشد، میتواند G باشد، میتواند B باشد،
1293
00:56:51,740 –> 00:56:54,470
خوب پس چه میتوانم انجام این کار این است که اکنون می
1294
00:56:54,470 –> 00:56:56,329
توانم همه پیکسل هایم را به این شکل متمایز کنم،
1295
00:56:56,329 –> 00:56:58,760
زمانی که آنها را برای
1296
00:56:58,760 –> 00:57:00,829
دید کامپیوتری ترکیب می کنید ما انجام می دهیم این است
1297
00:57:00,829 –> 00:57:02,450
که ما کانولوشن انجام می دهیم کانولوشن
1298
00:57:02,450 –> 00:57:04,579
یعنی در شبکه های عصبی چه می
1299
00:57:04,579 –> 00:57:06,230
کنیم ما آنها را با
1300
00:57:06,230 –> 00:57:09,970
وزن های تصادفی درست در CNN و
1301
00:57:09,970 –> 00:57:11,900
شبکه های عصبی ک