در این مطلب، ویدئو AI-ML Live – 2 | هوش مصنوعی با پایتون | آموزش هوش مصنوعی | ادورکا با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:31:15
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:02,100 –> 00:00:05,790
سلام به همه، بنابراین نام من Kiran است،
2
00:00:05,790 –> 00:00:07,560
من حدود 19 سال
3
00:00:07,560 –> 00:00:10,710
تجربه در صنعت دارم، بنابراین می گویم که بیایید
4
00:00:10,710 –> 00:00:15,230
جلسه خود را در مورد هوش مصنوعی با پایتون شروع کنیم، بنابراین
5
00:00:15,230 –> 00:00:18,660
اساساً اگر متوجه شدید که وقتی
6
00:00:18,660 –> 00:00:21,989
سعی می کنیم این موضوع را تعریف یا درک
7
00:00:21,989 –> 00:00:24,599
کنیم، خواهیم دید که چیست؟ محتویات برنامه ریزی شده
8
00:00:24,599 –> 00:00:26,970
ما را در دستور کار خود قرار می دهیم، بنابراین سعی می
9
00:00:26,970 –> 00:00:29,939
کنیم هوش مصنوعی خود را به درستی معرفی کنیم،
10
00:00:29,939 –> 00:00:32,520
سپس سعی خواهیم کرد تا ببینیم چرا
11
00:00:32,520 –> 00:00:35,580
پایتون برای هوش مصنوعی وجود دارد، سپس
12
00:00:35,580 –> 00:00:37,740
ویژگی های
13
00:00:37,740 –> 00:00:41,220
مرتبط با پایتون را
14
00:00:41,220 –> 00:00:43,950
می بینیم که ضریب هوش مصنوعی را در آن فعال می کند و سپس سعی می کنیم
15
00:00:43,950 –> 00:00:47,100
ببینیم بستههای مربوط به هوش مصنوعی،
16
00:00:47,100 –> 00:00:51,000
بنابراین بیایید
17
00:00:51,000 –> 00:00:54,840
بفهمیم هوش مصنوعی چیست و
18
00:00:54,840 –> 00:00:59,190
تقاضا در کجاست، بنابراین میتوانیم
19
00:00:59,190 –> 00:01:01,829
ببینیم که هوش مصنوعی را درک میکنیم،
20
00:01:01,829 –> 00:01:04,680
بنابراین اگر باید
21
00:01:04,680 –> 00:01:08,250
هوش را بفهمید هوش چیست،
22
00:01:08,250 –> 00:01:11,159
ما ادعا میکنیم که انسان
23
00:01:11,159 –> 00:01:13,590
باهوش ترین پستاندار است و ما
24
00:01:13,590 –> 00:01:16,409
سعی می کنیم دقیقاً بگوییم که چگونه یکی از
25
00:01:16,409 –> 00:01:18,090
پستاندارانی هستیم که می توانیم با
26
00:01:18,090 –> 00:01:20,250
پیشرفت همه اینها را وارد کنیم. در دسترس است اگر
27
00:01:20,250 –> 00:01:22,560
مجبور باشم یک مثال بسیار واضح را مثال بزنم،
28
00:01:22,560 –> 00:01:24,870
مانند صبح دوشنبه، ساعت 9:00 صبح، شما در حال
29
00:01:24,870 –> 00:01:26,549
عبور از جاده ای هستید، یک ماشین سفید رنگ در
30
00:01:26,549 –> 00:01:28,380
سمت راست خود دیدید و توقف کردید،
31
00:01:28,380 –> 00:01:31,110
اما صبح سه شنبه هنگامی که در همان زمان شروع به
32
00:01:31,110 –> 00:01:33,299
عبور از همان جاده کردید. زمانی که ما
33
00:01:33,299 –> 00:01:34,799
فقط متوقف شدیم، زیرا دیروز شما در
34
00:01:34,799 –> 00:01:37,860
آنجا توقف کردید، نه تصمیم دیگری می گیرید
35
00:01:37,860 –> 00:01:39,630
که برای آن
36
00:01:39,630 –> 00:01:43,979
زمان خاص دوستانه باشد، این ضریب
37
00:01:43,979 –> 00:01:47,310
تصمیم گیری که برای یک موقعیت خاص بسیار مرتبط
38
00:01:47,310 –> 00:01:50,479
است، هوش نامیده می شود،
39
00:01:50,479 –> 00:01:55,680
اگر بتوانید چنین هوشی را در
40
00:01:55,680 –> 00:02:00,270
یک برنامه کاربردی بیاورید یا یک ماشین پس از آن
41
00:02:00,270 –> 00:02:04,830
تبدیل به هوش مصنوعی
42
00:02:04,830 –> 00:02:07,979
43
00:02:07,979 –> 00:02:11,310
می شود، بنابراین می توان هوش مصنوعی را تعریف کرد، بنابراین یکی از مثال های
44
00:02:11,310 –> 00:02:14,310
اینجا برای هوش مصنوعی می
45
00:02:14,310 –> 00:02:16,090
تواند این دوربین فعال باشد،
46
00:02:16,090 –> 00:02:17,740
شما می توانید تمام آخرین تلفن های خود را دیده باشید
47
00:02:17,740 –> 00:02:21,310
، گوشی هایی که می گیرید.
48
00:02:21,310 –> 00:02:23,800
درست است که ادعا می کنند یک
49
00:02:23,800 –> 00:02:26,530
دوربین هوشمند مصنوعی دارند،
50
00:02:26,530 –> 00:02:29,050
اما هدف اصلی یک دوربین
51
00:02:29,050 –> 00:02:30,910
هدف اصلی یک دوربین گرفتن عکس است،
52
00:02:30,910 –> 00:02:34,420
اما وجود دارد ضریب عینی
53
00:02:34,420 –> 00:02:36,610
علاوه بر عکس گرفتن
54
00:02:36,610 –> 00:02:37,060
این
55
00:02:37,060 –> 00:02:39,610
آزادی چیست همه ما وقتی روی عکسی کلیک
56
00:02:39,610 –> 00:02:42,250
می کنیم عکس عالی می خواهیم چگونه
57
00:02:42,250 –> 00:02:44,590
ادعای یک عکس
58
00:02:44,590 –> 00:02:46,300
عالی می کنیم عکس عالی برای
59
00:02:46,300 –> 00:02:48,700
هر یک از ما بسیار متفاوت است که من با یک عکس آشنا شدم
60
00:02:48,700 –> 00:02:50,860
هایلایت ممکن است شخص دیگری
61
00:02:50,860 –> 00:02:53,710
عکسی با کوچک نمایی بگیرد یا کسی که بزرگنمایی کرده
62
00:02:53,710 –> 00:02:55,390
باشد ممکن است نوردهی با دیافراگم بالاتر را دوست داشته باشد، به
63
00:02:55,390 –> 00:02:59,550
این معنی که ما از نظر فنی در حال
64
00:02:59,550 –> 00:03:03,340
تصمیم گیری چند پارامتر قبل از اینکه
65
00:03:03,340 –> 00:03:05,650
عکس را حفظ کنیم و برخی از افراد تنبل
66
00:03:05,650 –> 00:03:08,680
مانند من احتمالاً سه
67
00:03:08,680 –> 00:03:10,450
یا چهار عکس می گیرند. و سپس ما دوباره تصمیم خواهیم گرفت
68
00:03:10,450 –> 00:03:11,770
که کدام یک از
69
00:03:11,770 –> 00:03:15,940
بین سه یا چهار عکس بهترین باشد، در هر دو مورد
70
00:03:15,940 –> 00:03:19,690
، تصمیم می گیریم یک
71
00:03:19,690 –> 00:03:22,590
عکس درست یا یک عکس عالی داشته باشیم، اگر
72
00:03:22,590 –> 00:03:26,050
برنامه بتواند آن عمل کمال را یاد بگیرد،
73
00:03:26,050 –> 00:03:29,290
در این مورد تغییر
74
00:03:29,290 –> 00:03:33,280
پارامترها طبق سلیقه. و کلیک کردن روی
75
00:03:33,280 –> 00:03:35,680
عکس برای
76
00:03:35,680 –> 00:03:38,740
پارامترهای فنی خاص، به دوربینی تبدیل میشود که بله، من آن
77
00:03:38,740 –> 00:03:42,610
را فعال کردهام، به این معنی که شما
78
00:03:42,610 –> 00:03:46,270
آن ضریب دوستی را
79
00:03:46,270 –> 00:03:51,959
برای این هوش مصنوعی شماست
80
00:03:51,959 –> 00:03:54,940
چرا تقاضا
81
00:03:54,940 –> 00:03:58,090
برای هوش مصنوعی افزایش مییابد زیرا اکنون
82
00:03:58,090 –> 00:04:00,520
قدرت محاسباتی بیشتری دارید، میدانید که
83
00:04:00,520 –> 00:04:03,070
ساخت یک ابرکامپیوتر
84
00:04:03,070 –> 00:04:05,620
امروزه با فعالسازی ابری
85
00:04:05,620 –> 00:04:09,160
چقدر آسان است، احتمالاً به چند ساعت یا
86
00:04:09,160 –> 00:04:11,110
کمتر از نیمی نیاز دارید. یک ساعت و یک ساعت
87
00:04:11,110 –> 00:04:12,490
برای ساختن یک
88
00:04:12,490 –> 00:04:14,680
کامپیوتر با پیکربندی بسیار خوب در یک راهاندازی ابری،
89
00:04:14,680 –> 00:04:18,850
بنابراین شما قدرت محاسباتی بالاتری
90
00:04:18,850 –> 00:04:22,720
داشته باشید، دادههای زیادی برای ارائه
91
00:04:22,720 –> 00:04:25,900
آماری از دادههایی که تولید میکنیم،
92
00:04:25,900 –> 00:04:29,210
تقریباً در هر ثانیه حدود شش هزار توییت
93
00:04:29,210 –> 00:04:32,169
در جهان تولید میکنیم. بنابراین در
94
00:04:32,169 –> 00:04:36,139
هر دقیقه به شدت در یک وب سایت گوگل،
95
00:04:36,139 –> 00:04:39,470
مردم 40 میلیون جستجو انجام می دهند، بنابراین این
96
00:04:39,470 –> 00:04:41,780
تعداد برای هر دقیقه است که اکنون می توانید بروید
97
00:04:41,780 –> 00:04:43,819
و آن را برای یک سال محاسبه کنید که چند
98
00:04:43,819 –> 00:04:45,319
میلیون جستجو
99
00:04:45,319 –> 00:04:49,150
در یک YouTube میلیارد جستجو در سال است که تقریباً حدود
100
00:04:49,150 –> 00:04:53,720
چهار لک ساعت داده است. یا چهار لک
101
00:04:53,720 –> 00:04:56,770
ساعت محتوا در هر دقیقه تماشا می شود،
102
00:04:56,770 –> 00:05:00,590
به این معنی که اینها همه برخی از نشانه های
103
00:05:00,590 –> 00:05:03,229
رهبر هستند که می گوید چه مقدار از
104
00:05:03,229 –> 00:05:06,229
داده ها در حال دریافت است. بنابراین وقتی
105
00:05:06,229 –> 00:05:10,270
چنین دادههای بزرگ یا کلان دادهای داریم،
106
00:05:10,270 –> 00:05:12,830
اساساً باید به این فکر کنیم که چگونه
107
00:05:12,830 –> 00:05:16,849
میتوانید از دادهها استفاده مجدد کنید، بنابراین بدیهی است که بله بله، با
108
00:05:16,849 –> 00:05:21,520
برداشت بخار زیاد،
109
00:05:21,520 –> 00:05:25,070
الگوریتمهای شما همان چیزی است که ما اغلب لی به عنوان
110
00:05:25,070 –> 00:05:27,080
الگوریتمهای یادگیری ماشینی مینامیم.
111
00:05:27,080 –> 00:05:29,479
الگوریتم بر اساس تعریف، رویکردی
112
00:05:29,479 –> 00:05:32,990
برای حل مشکل است، بنابراین اخیراً با
113
00:05:32,990 –> 00:05:35,900
پیشرفت فناوری، برخی
114
00:05:35,900 –> 00:05:38,300
از بهترین الگوریتمهای تنظیمشده را داریم که
115
00:05:38,300 –> 00:05:40,130
میتوان روی دادههایی که
116
00:05:40,130 –> 00:05:42,259
با محاسبات برای
117
00:05:42,259 –> 00:05:45,830
آنچه ملاقات کردهایم وصل کردهایم، اعمال شود و من توصیه میکنم
118
00:05:45,830 –> 00:05:50,120
مصنوعی باشد. تقاضا و بدیهی است که
119
00:05:50,120 –> 00:05:51,740
سرمایه گذاری های زیادی در این
120
00:05:51,740 –> 00:05:54,710
زمینه خاص وارد می شود تا بتوان
121
00:05:54,710 –> 00:05:58,610
کار را به شکل مناسب تری در
122
00:05:58,610 –> 00:06:02,270
مقیاس انجام داد، بنابراین تقاضا برای
123
00:06:02,270 –> 00:06:06,639
شما همیشه در حال افزایش است، بنابراین ما دیدیم که
124
00:06:06,639 –> 00:06:11,050
اساساً هر چه گفتیم تقاضای هوش مصنوعی چیست.
125
00:06:11,050 –> 00:06:14,180
شما باید تعریف کنید
126
00:06:14,180 –> 00:06:17,599
که تئوری و توسعه یک
127
00:06:17,599 –> 00:06:21,759
سیستم کامپیوتری قادر به انجام وظایفی است
128
00:06:21,759 –> 00:06:24,889
که معمولاً به هوش انسانی نیاز دارند،
129
00:06:24,889 –> 00:06:28,070
مانند ادراک بصری
130
00:06:28,070 –> 00:06:30,969
تشخیص گفتار. یونی سازی یا
131
00:06:30,969 –> 00:06:35,840
ترجمه شما بله هر چه می گوییم
132
00:06:35,840 –> 00:06:39,320
به عنوان مثال در رانندگی درست تنها
133
00:06:39,320 –> 00:06:41,030
کاری که انجام می دهیم
134
00:06:41,030 –> 00:06:43,120
تصمیم گیری است ما روی
135
00:06:43,120 –> 00:06:44,780
صندلی راننده نشسته
136
00:06:44,780 –> 00:06:46,700
ایم در حال حاضر تصمیم می گیریم
137
00:06:46,700 –> 00:06:48,500
که ماشین را نمی کشیم و هل نمی دهیم
138
00:06:48,500 –> 00:06:52,700
ماشین در حالی که ما تمام وقت خود را صرف
139
00:06:52,700 –> 00:06:54,800
تصمیم گیری می کنیم که به این معنی است که ترمز را فشار دهیم چه زمانی
140
00:06:54,800 –> 00:06:57,110
شتاب بگیریم چه زمانی نقص را اعمال کنیم همه
141
00:06:57,110 –> 00:07:00,740
این چیزها موارد تصمیم گیری شما
142
00:07:00,740 –> 00:07:04,630
هستند که به شما کمک می کنند تا از حالت عادی عبور کنید به
143
00:07:04,630 –> 00:07:09,350
این ترتیب می توانید ببینید دقیقاً چگونه می
144
00:07:09,350 –> 00:07:13,460
توانید چیزهایی بسازید. به هم مرتبط هستند، بنابراین
145
00:07:13,460 –> 00:07:15,950
هر یک از آنها
146
00:07:15,950 –> 00:07:19,040
محدوده خود را دارند و شما از دستور درست استفاده می
147
00:07:19,040 –> 00:07:23,110
کنید تا یک برنامه کاربردی
148
00:07:23,110 –> 00:07:26,060
را به خودی خود هوشمند کنید، بنابراین در برخی موارد
149
00:07:26,060 –> 00:07:27,889
فقط یادگیری ماشین ممکن است به برخی موارد کمک کند
150
00:07:27,889 –> 00:07:30,290
که داده ها
151
00:07:30,290 –> 00:07:33,650
مانند یک تصویر یا مانند تصویر با هم تداخل دارند. صدای شما
152
00:07:33,650 –> 00:07:36,639
باید از یادگیری عمیق خود در پردازش زبان خود استفاده کنید
153
00:07:36,639 –> 00:07:40,520
، به عنوان مثال
154
00:07:40,520 –> 00:07:42,860
دلیل اینکه شما قادر به درک آنچه من
155
00:07:42,860 –> 00:07:46,130
صحبت می کنم فقط به این دلیل است که اگر شخصی
156
00:07:46,130 –> 00:07:48,530
وجود داشته باشد که نمی داند انگلیسی می دانید.
157
00:07:48,530 –> 00:07:50,289
انگلیسی در این وبینار خاص
158
00:07:50,289 –> 00:07:52,789
احتمالاً ضریب درک او
159
00:07:52,789 –> 00:07:57,169
بسیار محدود است، به این معنی که او طبیعتاً
160
00:07:57,169 –> 00:08:01,370
کلماتی را که من می گویم پردازش می کند و
161
00:08:01,370 –> 00:08:05,050
اگر دستگاه مجبور
162
00:08:05,050 –> 00:08:09,260
باشد آنچه را که در مورد آن نوشته شده یا صحبت می شود تقلید و درک کند،
163
00:08:09,260 –> 00:08:12,740
164
00:08:12,740 –> 00:08:15,919
پردازش زبان طبیعی شماست زیرا یک جمله یکی
165
00:08:15,919 –> 00:08:18,770
از خلاقانه ترین کنش های خلاقانه جهان
166
00:08:18,770 –> 00:08:21,200
همین معنی را می توان در ده
167
00:08:21,200 –> 00:08:23,840
جمله مختلف نوشت درست می توانم
168
00:08:23,840 –> 00:08:26,600
بگویم اسم شما چیست چگونه به شما می گویند هر
169
00:08:26,600 –> 00:08:30,110
دو یک چیز است که به عنوان یک
170
00:08:30,110 –> 00:08:33,140
انسان قادر به درک پاسخ
171
00:08:33,140 –> 00:08:35,719
هر دو هستیم سوالات یکسان است یعنی
172
00:08:35,719 –> 00:08:39,740
مغز ما اطلاعات را درک می کند سپس
173
00:08:39,740 –> 00:08:42,409
رمزگشایی کردیم که معنی
174
00:08:42,409 –> 00:08:44,570
اسم شما چیست یا شما را چگونه می نامند
175
00:08:44,570 –> 00:08:47,510
و سپس به این نتیجه رسیدیم که این
176
00:08:47,510 –> 00:08:49,370
پاسخ برای شماست این پاسخ
177
00:08:49,370 –> 00:08:52,010
برای من است و ما را گسترش دادیم. تصمیم بگیرید
178
00:08:52,010 –> 00:08:53,990
اگر چه سؤالات متفاوت هستند
179
00:08:53,990 –> 00:08:56,920
پاسخ یکسان است، یعنی در آن
180
00:08:56,920 –> 00:09:00,160
نانوثانیه توانستیم زبان را پردازش
181
00:09:00,160 –> 00:09:03,950
کنیم و ضریب و مقدار را درک کنیم.
182
00:09:03,950 –> 00:09:06,430
n بازپخش و آن چیز خاصی
183
00:09:06,430 –> 00:09:10,730
که ماشینها کارهای مشابه را انجام میدهند،
184
00:09:10,730 –> 00:09:14,770
پردازش زبان طبیعی شما
185
00:09:14,770 –> 00:09:17,130
خوب است، بنابراین ورود به بینایی
186
00:09:17,130 –> 00:09:20,950
رایانه اساساً بینایی رایانه باعث میشود
187
00:09:20,950 –> 00:09:23,770
رایانهها اشیاء موجود در
188
00:09:23,770 –> 00:09:26,589
تصویر را درک کنند زیرا به طور پیشفرض رایانه
189
00:09:26,589 –> 00:09:29,589
یک تصویر را به عنوان داده میبیند، بنابراین واقعاً این کار را نمیکند.
190
00:09:29,589 –> 00:09:32,860
اشیاء را شناسایی کنید تا
191
00:09:32,860 –> 00:09:35,950
رایانه ها اشیاء موجود در
192
00:09:35,950 –> 00:09:39,160
داده ها را شناسایی کنند دید رایانه شما یک
193
00:09:39,160 –> 00:09:41,800
مثال کلاسیک در فیس بوک است وقتی
194
00:09:41,800 –> 00:09:44,440
عکسی را آپلود می کنید به شما نشان می دهد برچسب
195
00:09:44,440 –> 00:09:47,260
زدن چگونه بود چگونه فیس بوک
196
00:09:47,260 –> 00:09:49,510
تشخیص داد که یک سلول است و
197
00:09:49,510 –> 00:09:51,250
فردی است که به شما متصل
198
00:09:51,250 –> 00:09:53,260
است، اگر این کار خاص را انجام می دهید، اساساً از بینایی رایانه استفاده می کند
199
00:09:53,260 –> 00:09:56,190
،
200
00:09:56,190 –> 00:09:58,870
رویکردی است که می توانید
201
00:09:58,870 –> 00:10:02,230
با استفاده از ماشین یا پایتون خود بسازید تا برنامه را مجبور کنید
202
00:10:02,230 –> 00:10:06,430
اشیاء مختلف را در
203
00:10:06,430 –> 00:10:09,250
یک عکس مشخص شناسایی کند، به طوری که شما این کار را انجام دهید.
204
00:10:09,250 –> 00:10:11,980
بینایی کامپیوتری سپس پایگاه دانش
205
00:10:11,980 –> 00:10:14,170
و سیستم خبره شما می آید که اساساً داده ها
206
00:10:14,170 –> 00:10:16,480
تبدیل به پایگاه دانش شما می شوند و
207
00:10:16,480 –> 00:10:19,329
سپس همه این چیزها را می سازند یا تعداد کمی از چیزهایی
208
00:10:19,329 –> 00:10:22,630
که به روشی مورد نیاز است، یک سیستم خبره ایجاد می کند،
209
00:10:22,630 –> 00:10:26,829
بنابراین می توان هوش مصنوعی شما را
210
00:10:26,829 –> 00:10:30,700
تعریف کرد.
211
00:10:30,700 –> 00:10:33,730
212
00:10:33,730 –> 00:10:38,500
213
00:10:38,500 –> 00:10:41,079
214
00:10:41,079 –> 00:10:43,630
215
00:10:43,630 –> 00:10:46,750
ترکیب علم با مهندسی و
216
00:10:46,750 –> 00:10:50,620
هوشمند ساختن ماشینها همانطور که گفتیم
217
00:10:50,620 –> 00:10:54,520
انواع مختلفی از هوش مصنوعی وجود دارد
218
00:10:54,520 –> 00:10:57,700
برخی از انواع واضح
219
00:10:57,700 –> 00:11:00,339
هوش مصنوعی
220
00:11:00,339 –> 00:11:03,490
هوش مصنوعی باریک
221
00:11:03,490 –> 00:11:06,690
مصنوعی هوش
222
00:11:06,690 –> 00:11:10,390
مصنوعی فوقالعاده هوش مصنوعی است، بنابراین اگر
223
00:11:10,390 –> 00:11:13,079
باید ببینید که عمدتاً هوش باریک چیست.
224
00:11:13,079 –> 00:11:16,540
به آن یین می
225
00:11:16,540 –> 00:11:19,270
گویند که هوش عمومی رسمی همان
226
00:11:19,270 –> 00:11:22,240
چیزی است که ما اتفاقاً در اکثر
227
00:11:22,240 –> 00:11:27,310
دستگاه هایمان مانند الکسای خود می بینیم، برو گوگل و سی دی
228
00:11:27,310 –> 00:11:28,470
همه اینها
229
00:11:28,470 –> 00:11:31,470
از هوش عمومی شما استفاده می کنند و سپس
230
00:11:31,470 –> 00:11:33,540
هوش فوق العاده اساساً جایی است
231
00:11:33,540 –> 00:11:36,300
که ماشین ها می توانند بهتر شوند.
232
00:11:36,300 –> 00:11:39,660
تصمیمات بیش از انسان است که
233
00:11:39,660 –> 00:11:42,540
فوق العاده مصنوعی شماست
234
00:11:42,540 –> 00:11:46,650
ضریب تصمیم گیری و
235
00:11:46,650 –> 00:11:49,470
236
00:11:49,470 –> 00:11:51,900
سیستمی که قادر به تصمیم گیری است، تعیین می کند که
237
00:11:51,900 –> 00:11:56,420
در حال
238
00:11:56,420 –> 00:11:59,890
حاضر از چه نوع
239
00:11:59,890 –> 00:12:02,780
هوش مصنوعی
240
00:12:02,780 –> 00:12:05,330
241
00:12:05,330 –> 00:12:08,270
242
00:12:08,270 –> 00:12:11,930
استفاده می شود. فقط صحبت کردم و
243
00:12:11,930 –> 00:12:14,510
پیش از این موضوع خاص،
244
00:12:14,510 –> 00:12:17,560
بیایید سعی کنیم ببینیم چرا پایتون برای
245
00:12:17,560 –> 00:12:21,140
هوش مصنوعی است، بنابراین
246
00:12:21,140 –> 00:12:22,700
زبان های برنامه نویسی زیادی وجود دارد که ما
247
00:12:22,700 –> 00:12:23,450
درست صحبت می کنیم،
248
00:12:23,450 –> 00:12:26,900
اما در حالی که پایتون به تنهایی درست است Welton
249
00:12:26,900 –> 00:12:29,540
یک زبان برنامه نویسی بود که در اواخر
250
00:12:29,540 –> 00:12:31,310
دهه نوزدهم مک دونا توسعه یافت،
251
00:12:31,310 –> 00:12:34,700
اوه این زبان برنامه نویسی بود.
252
00:12:34,700 –> 00:12:37,610
برای آماردانان توسعه یافته است، به این معنی که
253
00:12:37,610 –> 00:12:40,940
افرادی که با مجموعه داده های بزرگ کار می کنند، اما
254
00:12:40,940 –> 00:12:43,370
در آن زمان دنیا
255
00:12:43,370 –> 00:12:46,880
مقدار مناسبی از داده های ساختار یافته نداشت، بنابراین
256
00:12:46,880 –> 00:12:48,710
همه ما می دانیم فضای
257
00:12:48,710 –> 00:12:52,070
فلاپی دیسک و افرادی که در سال 95
258
00:12:52,070 –> 00:12:55,700
96 وارد هارد دیسک می شوند چقدر بوده است. در چاق بود ادای احترام خود را فراموش کنید
259
00:12:55,700 –> 00:12:57,710
که ما سخت ترین سوال را ترک کرده
260
00:12:57,710 –> 00:13:00,080
ایم بنابراین، رم در KB بود،
261
00:13:00,080 –> 00:13:03,620
بنابراین با چنین قدرت محاسباتی
262
00:13:03,620 –> 00:13:06,980
کم و دادههای ساختاری پایین، پایتون
263
00:13:06,980 –> 00:13:11,330
در آن نقطه از Musha زیادی استفاده نکرد، اما در اواخر سال 2005
264
00:13:11,330 –> 00:13:14,510
و 2007، شرکتها از داشتن
265
00:13:14,510 –> 00:13:16,970
مجموعه دادههای بزرگ رنج میبرند و احساس میکردند که به یکی از آنها نیاز دارند
266
00:13:16,970 –> 00:13:18,500
. زبان برنامه نویسی که
267
00:13:18,500 –> 00:13:21,140
می تواند به آنها در درک و استفاده از این
268
00:13:21,140 –> 00:13:23,870
داده ها کمک کند، جایی که مردم
269
00:13:23,870 –> 00:13:26,570
دوباره اهمیت آن را به دست آوردند، علاوه بر این در
270
00:13:26,570 –> 00:13:29,840
عنوان Pinder، ضریب کدنویسی بسیار
271
00:13:29,840 –> 00:13:32,600
کمتر است، چرا کمتر است، زیرا تعداد
272
00:13:32,600 –> 00:13:36,260
قابل توجهی از کتابخانه ها وجود دارد و
273
00:13:36,260 –> 00:13:38,810
کتابخانه ها هر روز در حال رشد هستند.
274
00:13:38,810 –> 00:13:42,020
بنابراین از دیدگاه یک توسعهدهنده، درست
275
00:13:42,020 –> 00:13:46,940
خوردن برنامه واقعی استفاده از
276
00:13:46,940 –> 00:13:48,800
نسخههای بزرگ است، از جمله
277
00:13:48,800 –> 00:13:52,970
ساختن کار در نزدیکی، پس از آن
278
00:13:52,970 –> 00:13:55,220
مستقل از پلتفرم است، میتوانید از پایتون
279
00:13:55,220 –> 00:13:57,950
در هر یک از سیستمعاملهایی مانند
280
00:13:57,950 –> 00:14:04,220
ویندوز یا مکینتاش یا لینوکس استفاده کنید، بنابراین یک
281
00:14:04,220 –> 00:14:05,660
پلتفرم مستقل است.
282
00:14:05,660 –> 00:14:09,860
این نارنجکهای من را از پیش ساخته است،
283
00:14:09,860 –> 00:14:12,740
از پشتیبانی جامعه انبوه برخوردار است، بنابراین در سطح جهانی اگر
284
00:14:12,740 –> 00:14:15,340
دیدید Patel سومین
285
00:14:15,340 –> 00:14:18,350
زبان برنامهنویسی تطبیقشده است.
286
00:14:18,350 –> 00:14:21,080
نرخ بسیار سریع در پنج تا هفت سال گذشته، بنابراین
287
00:14:21,080 –> 00:14:23,960
پایتون حتی در 20 رتبه برتر نبود، اما
288
00:14:23,960 –> 00:14:26,720
اکنون سه جاوا برتر است و اینجا یک و
289
00:14:26,720 –> 00:14:29,810
دو است، در حالی که می بینید، زیرا اکثر
290
00:14:29,810 –> 00:14:32,540
برنامه نویسی سخت افزاری در
291
00:14:32,540 –> 00:14:35,540
سطحی از کارایی برنامه نویسی جاوا اتفاق می افتد همانطور که ما
292
00:14:35,540 –> 00:14:36,860
بیشتر می دانیم. از میان برنامههای کاربردی که
293
00:14:36,860 –> 00:14:38,990
در جاوا ساخته شدهاند، هنوز هم جایگاههای شماره یک و
294
00:14:38,990 –> 00:14:41,060
دو را به فروش میرسانند، اما سومین
295
00:14:41,060 –> 00:14:43,250
زبانهای برنامهنویسی تطبیقشده
296
00:14:43,250 –> 00:14:46,190
جدیدتر هستند و همانطور که گفتم
297
00:14:46,190 –> 00:14:48,380
پشتیبانی انجمن زبان برنامهنویسی منبع باز
298
00:14:48,380 –> 00:14:50,540
است، پشتیبانی جامعه
299
00:14:50,540 –> 00:14:53,260
با چنین جامعه بزرگی بسیار بالاست. پشتیبانی
300
00:14:53,260 –> 00:14:57,770
به راحتی در حال تبدیل شدن به بدیهی ترین انتخاب است،
301
00:14:57,770 –> 00:15:01,130
بنابراین او یک چیز بسیار ذهنی است تا زمانی که
302
00:15:01,130 –> 00:15:02,570
می توانیم در اینجا بگوییم همه چیز به این دلیل است که
303
00:15:02,570 –> 00:15:05,750
افرادی که قبلا جاوا را می دانند اما
304
00:15:05,750 –> 00:15:13,930
بسیار بالا است بنابراین می توانند به راحتی
305
00:15:13,930 –> 00:15:17,240
افزایش دسترسی به کتابخانه ها را یاد بگیرند
306
00:15:17,240 –> 00:15:20,230
و نیاز به برنامه نویسی اصلی را کاهش می دهد.
307
00:15:20,230 –> 00:15:25,220
کار بسیار دشوار
308
00:15:25,220 –> 00:15:27,680
برنامهنویسی است که مردم رادیو را
309
00:15:27,680 –> 00:15:33,710
برای این کار آسان مییابند، پس ما میتوان