در این مطلب، ویدئو 5 پروژه عالی یادگیری ماشین با استفاده از پایتون | Python توضیح داد 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: 00:05:55
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:02,159
پنج پروژه یادگیری ماشینی فوقالعاده
2
00:00:02,159 –> 00:00:03,120
با استفاده از پایتون
3
00:00:03,120 –> 00:00:04,880
سلام به همه، اگر میخواهید کار
4
00:00:04,880 –> 00:00:06,480
خود را بهعنوان دانشمند داده از
5
00:00:06,480 –> 00:00:07,200
ابتدا
6
00:00:07,200 –> 00:00:09,760
شروع کنید، در مکان مناسبی در
7
00:00:09,760 –> 00:00:11,599
محیط تجاری پرسرعت امروزی هستید،
8
00:00:11,599 –> 00:00:13,679
یادگیری ماشینی یا ml یکی از
9
00:00:13,679 –> 00:00:15,440
داغترین زمینههای فناوری
10
00:00:15,440 –> 00:00:16,960
از مراقبتهای بهداشتی و خردهفروشی به
11
00:00:16,960 –> 00:00:18,880
کشاورزی
12
00:00:18,880 –> 00:00:21,840
آموزش مالی تولید و شرکتهای انرژی
13
00:00:21,840 –> 00:00:23,760
در صنایع مختلف علاقهمند به
14
00:00:23,760 –> 00:00:25,519
استفاده از
15
00:00:25,519 –> 00:00:27,519
یادگیری ماشینی هستند
16
00:00:27,519 –> 00:00:30,080
که روز به روز به دلیل عوامل مختلف مطلوب
17
00:00:30,080 –> 00:00:32,800
، دادههای فراوان برای بهرهبرداری
18
00:00:32,800 –> 00:00:33,760
و
19
00:00:33,760 –> 00:00:35,920
محاسبات مقرونبهصرفه و پرسرعت محبوب میشود. در میان آنها برتر هستند،
20
00:00:35,920 –> 00:00:37,360
21
00:00:37,360 –> 00:00:39,920
اما یادگیری ماشینی یادگیری ماشینی
22
00:00:39,920 –> 00:00:41,600
اساساً مطالعه
23
00:00:41,600 –> 00:00:44,079
تصمیم گیری در شرایط عدم قطعیت بالا است
24
00:00:44,079 –> 00:00:46,000
که به شما مجموعه داده های آموزشی داده می شود
25
00:00:46,000 –> 00:00:47,520
و باید به سرعت عمل کنید وقتی
26
00:00:47,520 –> 00:00:48,719
چیز جدیدی
27
00:00:48,719 –> 00:00:50,239
می بینید، مدلی را آموزش می دهید تا از امکانات موجود بیاموزد.
28
00:00:50,239 –> 00:00:51,840
دادهها و شناسایی
29
00:00:51,840 –> 00:00:53,760
الگوها، مدل سپس
30
00:00:53,760 –> 00:00:55,520
با کمترین مداخله انسانی تصمیمگیری میکند
31
00:00:55,520 –> 00:00:56,640
در
32
00:00:56,640 –> 00:00:58,879
این فناوری بسیار دقیق است
33
00:00:58,879 –> 00:00:59,760
و در راستای
34
00:00:59,760 –> 00:01:02,879
تسلط بر عملیات تجاری در سراسر جهان است،
35
00:01:02,879 –> 00:01:05,119
اکنون چه روش اثبات شده ای برای تسلط بر
36
00:01:05,119 –> 00:01:07,119
مهارت های جدید در یادگیری ماشینی به
37
00:01:07,119 –> 00:01:09,680
خوبی اجرای پروژه ها به
38
00:01:09,680 –> 00:01:10,720
تنهایی بدون
39
00:01:10,720 –> 00:01:12,720
شک بهترین روش برای تسلط بر
40
00:01:12,720 –> 00:01:15,360
مهارت های جدید است.
41
00:01:15,360 –> 00:01:16,000
از جدیدترین
42
00:01:16,000 –> 00:01:17,600
پروژه های دنیای واقعی که می
43
00:01:17,600 –> 00:01:19,200
توانید به تنهایی
44
00:01:19,200 –> 00:01:21,119
در این ویدیوی کوتاه اجرا کنید، من قصد دارم در مورد
45
00:01:21,119 –> 00:01:23,119
پنج پروژه یادگیری ماشینی عالی
46
00:01:23,119 –> 00:01:27,540
با استفاده از پایتون
47
00:01:27,540 –> 00:01:33,200
[Music]
48
00:01:33,200 –> 00:01:36,240
شماره یک قیمت سهام را پیش بینی
49
00:01:36,240 –> 00:01:38,479
کنم، این یک پروژه شگفت انگیز است اگر
50
00:01:38,479 –> 00:01:40,240
حوزه مالی جذاب باشد.
51
00:01:40,240 –> 00:01:42,000
شما هدف اصلی این مدل
52
00:01:42,000 –> 00:01:44,079
پیش بینی قیمت سهام آتی است
53
00:01:44,079 –> 00:01:45,840
که این مدل بر اساس عملکرد گذشته یک شرکت آموزش داده می شود
54
00:01:45,840 –> 00:01:47,680
که
55
00:01:47,680 –> 00:01:49,439
در اولین قدم
56
00:01:49,439 –> 00:01:52,200
مجموعه داده های بازار سهام را از quantopian.com یا
57
00:01:52,200 –> 00:01:54,640
quandl.com دانلود کنید چالش اصلی این است.
58
00:01:54,640 –> 00:01:56,719
پروژه این است که قیمت سهام بسیار
59
00:01:56,719 –> 00:01:57,680
نوسان است،
60
00:01:57,680 –> 00:01:59,439
شما باید نقاط مختلف داده
61
00:01:59,439 –> 00:02:01,520
مانند شاخص های اساسی شاخص های
62
00:02:01,520 –> 00:02:04,560
نوسان قیمت و غیره
63
00:02:04,560 –> 00:02:06,560
را تجزیه و تحلیل کنید. n با استفاده از داده های جدید برای اعتبارسنجی
64
00:02:06,560 –> 00:02:08,000
سیستم خود بسته به
65
00:02:08,000 –> 00:02:09,919
سطح تجربه خود می توانید محدوده پروژه را محدود کنید،
66
00:02:09,919 –> 00:02:11,760
به عنوان مثال می توانید
67
00:02:11,760 –> 00:02:12,560
فقط
68
00:02:12,560 –> 00:02:14,319
شش ماه حرکت قیمت را بر اساس
69
00:02:14,319 –> 00:02:16,879
70
00:02:16,879 –> 00:02:19,440
گزارش فصلی شماره دو سازمان پیش بینی کنید.
71
00:02:19,440 –> 00:02:20,480
72
00:02:20,480 –> 00:02:22,800
73
00:02:22,800 –> 00:02:24,000
فعالیتهایی
74
00:02:24,000 –> 00:02:25,760
که از مجموعه دادههای گوشی هوشمند برای
75
00:02:25,760 –> 00:02:27,280
توسعه این پروژه استفاده میکنید
76
00:02:27,280 –> 00:02:29,120
این مجموعه دادهها حاوی دادههای مربوط
77
00:02:29,120 –> 00:02:31,200
به فعالیت تناسب اندام 30 نفر است
78
00:02:31,200 –> 00:02:32,879
و این دادهها از طریق گوشیهای هوشمند آنها گرفته
79
00:02:32,879 –> 00:02:34,319
80
00:02:34,319 –> 00:02:35,840
81
00:02:35,840 –> 00:02:38,560
82
00:02:38,560 –> 00:02:40,480
میشود. برای بهبود
83
00:02:40,480 –> 00:02:42,000
مهارت های حل مسئله خود و
84
00:02:42,000 –> 00:02:42,640
در مورد
85
00:02:42,640 –> 00:02:45,360
svm یا پشتیبان ماشین بردار و
86
00:02:45,360 –> 00:02:46,560
87
00:02:46,560 –> 00:02:48,400
adaboost یاد خواهید گرفت مجموعه داده های گوشی هوشمند به
88
00:02:48,400 –> 00:02:50,080
طور تصادفی برای مرحله آموزش
89
00:02:50,080 –> 00:02:52,160
هفت