در این مطلب، ویدئو مدل جنگل تصادفی با استفاده از پایتون | توضیح الگوریتم جنگل تصادفی | 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: 1:03:50
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:01:35,759 –> 00:01:37,600
سلام بچه ها پس به این جلسه خوش آمدید
2
00:01:37,600 –> 00:01:40,000
با یادگیری عالی که نام من
3
00:01:40,000 –> 00:01:41,759
anirad است و من به همه شما خوش آمد می گویم
4
00:01:41,759 –> 00:01:44,640
به این جلسه در مدل جنگل تصادفی ما
5
00:01:44,640 –> 00:01:45,200
6
00:01:45,200 –> 00:01:48,240
با استفاده از python خانم ها و آقایان، اوه
7
00:01:48,240 –> 00:01:50,399
حالا امیدوارم که همه شما سالم بمانید
8
00:01:50,399 –> 00:01:52,479
قبل از شروع به این جلسه خوش آمدید.
9
00:01:52,479 –> 00:01:54,240
فقط کافی است به
10
00:01:54,240 –> 00:01:56,880
جعبه چت بروید و یک بله سریع تایپ کنید، اوه اگر
11
00:01:56,880 –> 00:01:57,520
می توانید
12
00:01:57,520 –> 00:01:59,360
صدای من را خوب بشنوید و البته اگر می
13
00:01:59,360 –> 00:02:01,360
توانید صفحه نمایش من را خوب ببینید و سپس
14
00:02:01,360 –> 00:02:05,280
می توانیم شروع کنیم به درستی جلسه
15
00:02:06,240 –> 00:02:07,840
و البته بچه ها در این بین من هستم
16
00:02:07,840 –> 00:02:10,239
از تلفن همراه خود استفاده می کنم تا مطمئن شوم
17
00:02:10,239 –> 00:02:11,520
که می دانید من تمام
18
00:02:11,520 –> 00:02:13,280
نظرات شما را نیز زیر نظر دارم، بنابراین هر نظری
19
00:02:13,280 –> 00:02:14,000
که دارید
20
00:02:14,000 –> 00:02:15,840
مطمئن شوید که همه چیز درست است،
21
00:02:15,840 –> 00:02:17,840
من به همه این نظرات پاسخ خواهم داد
22
00:02:17,840 –> 00:02:20,319
اوه شما می دانید که ما همیشه می رویم
23
00:02:20,319 –> 00:02:22,160
تعاملی بودن
24
00:02:22,160 –> 00:02:23,920
آن یک جلسه بسیار پر انرژی خواهد بود، بنابراین
25
00:02:23,920 –> 00:02:25,840
مطمئن شوید که نظرات خود را ادامه می دهید
26
00:02:25,840 –> 00:02:30,319
و ما می توانیم درست بحث کنیم،
27
00:02:30,800 –> 00:02:33,440
بنابراین مطمئن شوید که بله، من
28
00:02:33,440 –> 00:02:34,560
تأییدیه
29
00:02:34,560 –> 00:02:37,599
چند نفر از شما را دارم اوه راهول
30
00:02:37,599 –> 00:02:40,080
رامش می دانید که آیا شما بچه ها s هستید
31
00:02:40,080 –> 00:02:41,920
بله، بچههای عالی، پس از اینکه
32
00:02:41,920 –> 00:02:43,440
در این جلسه شرکت کردید بسیار متشکرم،
33
00:02:43,440 –> 00:02:45,440
با یادگیری عالی، ما
34
00:02:45,440 –> 00:02:47,440
چیزهای زیادی را در مورد
35
00:02:47,440 –> 00:02:48,720
الگوریتمهای یادگیری ماشین
36
00:02:48,720 –> 00:02:50,560
میدانیم، اوه شما یک الگوریتم محبوب به
37
00:02:50,560 –> 00:02:52,319
نام مدل جنگل تصادفی را میشناسید،
38
00:02:52,319 –> 00:02:54,239
اما بچهها قبل از اینکه واقعاً
39
00:02:54,239 –> 00:02:56,160
شروع کنیم، میخواهم در یک ثانیه
40
00:02:56,160 –> 00:02:56,959
از وقت
41
00:02:56,959 –> 00:02:58,800
شما، شما را در مورد آکادمی یادگیری عالی راهنمایی کنم،
42
00:02:58,800 –> 00:03:00,959
اکنون آکادمی یادگیری عالی
43
00:03:00,959 –> 00:03:03,040
یکی از این سرمایهگذاریهایی است که در اینجا داریم که در آن
44
00:03:03,040 –> 00:03:04,879
دورههایی را
45
00:03:04,879 –> 00:03:07,280
به صورت رایگان برای شما بچهها ارائه میدهیم تا اکنون یاد بگیرید. اوه
46
00:03:07,280 –> 00:03:09,280
می دانید که ما 700 به اضافه هزار
47
00:03:09,280 –> 00:03:11,360
زبان آموز داریم که از 140 کشور مختلف در حال تنظیم هستند،
48
00:03:11,360 –> 00:03:12,879
شما
49
00:03:12,879 –> 00:03:14,400
حدود هزار ساعت به اضافه
50
00:03:14,400 –> 00:03:16,959
ساعت محتوای آموزشی رایگان در اینجا دارید
51
00:03:16,959 –> 00:03:18,159
و البته ما در حال حاضر حدود
52
00:03:18,159 –> 00:03:18,560
سه
53
00:03:18,560 –> 00:03:20,720
میلیون بازدید ماهانه در محتوای آموزشی خود داریم،
54
00:03:20,720 –> 00:03:22,560
خانم ها و
55
00:03:22,560 –> 00:03:24,560
آقایان اوه وقتی به همه
56
00:03:24,560 –> 00:03:25,840
این دوره ها نگاه می کنید درست
57
00:03:25,840 –> 00:03:27,840
می دانید که ما 200 دوره به اضافه داریم
58
00:03:27,840 –> 00:03:29,519
که می دانید برخی از این دوره
59
00:03:29,519 –> 00:03:31,440
ها البته به زبان های مختلف ارائه می
60
00:03:31,440 –> 00:03:32,879
شوند همچنین می
61
00:03:32,879 –> 00:03:34,720
توانید برنامه نویسی پایتون را به زبان هندی ببینید،
62
00:03:34,720 –> 00:03:36,480
اوه، پایتون را برای یادگیری ماشین به زبان هندی می شناسید
63
00:03:36,480 –> 00:03:37,760
و برای
64
00:03:37,760 –> 00:03:39,519
همه شما افرادی که
65
00:03:39,519 –> 00:03:41,040
دروس خارجی را درست می پرسند،
66
00:03:41,040 –> 00:03:42,959
بنابراین می دانید مزیت
67
00:03:42,959 –> 00:03:44,640
آکادمی یادگیری عالی این است که مطمئناً می توانید
68
00:03:44,640 –> 00:03:45,200
69
00:03:45,200 –> 00:03:48,000
به صورت رایگان ثبت نام کنید، می توانید خود را
70
00:03:48,000 –> 00:03:49,760
به صورت رایگان در این دوره ها ثبت نام کنید، می توانید به
71
00:03:49,760 –> 00:03:52,239
صورت رایگان یاد بگیرید و در اینجا بهترین قسمتی است
72
00:03:52,239 –> 00:03:54,640
که می توانید گواهی پایان کار
73
00:03:54,640 –> 00:03:56,720
را کاملاً رایگان دریافت کنید و
74
00:03:56,720 –> 00:03:58,000
همین الان هم این
75
00:03:58,000 –> 00:04:00,159
یک مزیت بزرگ برای همه شما باشد.
76
00:04:00,159 –> 00:04:01,840
اگر مشتاقانه منتظر اضافه کردن آن به
77
00:04:01,840 –> 00:04:03,920
نمایه لینکدین خود در رزومه خود هستید
78
00:04:03,920 –> 00:04:05,680
و در پایان روز هی، این
79
00:04:05,680 –> 00:04:07,120
پایگاه دانش شما است، بنابراین
80
00:04:07,120 –> 00:04:09,280
کاملاً به سمت مورد علاقه شما کار می کند،
81
00:04:09,280 –> 00:04:10,799
همه
82
00:04:10,799 –> 00:04:12,640
اینها دوره هایی هستند
83
00:04:12,640 –> 00:04:14,319
که بر اساس موضوع فکر می کنند. کارشناسانی که
84
00:04:14,319 –> 00:04:16,320
در حوزه های خود مهارت دارند،
85
00:04:16,320 –> 00:04:18,320
ما در اینجا چندین سطح آموزش
86
00:04:18,320 –> 00:04:20,079
داریم، دوره های مبتدی
87
00:04:20,079 –> 00:04:21,759
داریم، دوره های سطح متوسط
88
00:04:21,759 –> 00:04:23,520
بته دوره های پیشرفته داریم. هم
89
00:04:23,520 –> 00:04:24,560
90
00:04:24,560 –> 00:04:26,160
اکنون از آنجایی که ما در مورد یادگیری ماشین صحبت می کنیم،
91
00:04:26,160 –> 00:04:27,520
من فقط بر روی
92
00:04:27,520 –> 00:04:29,040
زبانه یادگیری ماشین کلیک کردم و همانطور که می بینید ما
93
00:04:29,040 –> 00:04:30,400
چندین برنامه داریم،
94
00:04:30,400 –> 00:04:32,560
اوه شما دوره های متعددی را در اینجا
95
00:04:32,560 –> 00:04:34,000
می شناسید که می
96
00:04:34,000 –> 00:04:35,600
دانید از نظر یادگیری ماشین برای
97
00:04:35,600 –> 00:04:36,800
شما نیز ارائه می شود. اگر میخواهید
98
00:04:36,800 –> 00:04:38,240
به یک برنامه مبتدی نگاهی بیندازید،
99
00:04:38,240 –> 00:04:41,040
این چیزی است که اکنون به نظر میرسد
100
00:04:41,040 –> 00:04:42,160
این یک
101
00:04:42,160 –> 00:04:44,479
ساعت ارزش دارد، البته، خواهید فهمید
102
00:04:44,479 –> 00:04:46,080
که چه مهارتهایی در مورد این
103
00:04:46,080 –> 00:04:47,840
دوره
104
00:04:47,840 –> 00:04:50,240
باید بدانید. بهطور کامل برنامه درسی دوره را
105
00:04:50,240 –> 00:04:51,600
در
106
00:04:51,600 –> 00:04:53,440
اینجا میدانید، بهترین بخش این است که یک بار
107
00:04:53,440 –> 00:04:55,520
به صورت رایگان ثبتنام کنید و پس از تکمیل آن،
108
00:04:55,520 –> 00:04:56,880
پس از تکمیل آزمون و تمام
109
00:04:56,880 –> 00:04:59,120
الزامات، یک گواهی پایان دوره رایگان دریافت خواهید کرد
110
00:04:59,120 –> 00:05:00,720
و همچنین چقدر
111
00:05:00,720 –> 00:05:02,000
شگفتانگیز است، پس این
112
00:05:02,000 –> 00:05:03,440
گواهی چیزی
113
00:05:03,440 –> 00:05:04,240
شبیه به این خواهد بود
114
00:05:04,240 –> 00:05:05,759
اوه شما می توانید آن را همراه با
115
00:05:05,759 –> 00:05:07,440
رزومه های چاپی خود منتشر کنید و در لینکدین خود قرار دهید،
116
00:05:07,440 –> 00:05:08,160
117
00:05:08,160 –> 00:05:09,840
اوه شما می دانید که اساساً یک
118
00:05:09,840 –> 00:05:11,600
گواهی دارید، اوه می دانید حتی اگر
119
00:05:11,600 –> 00:05:13,360
تکمیل تعداد زیادی از موارد را نشان دهد.
120
00:05:13,360 –> 00:05:15,440
ارزش برای کارفرمایان آینده درست است،
121
00:05:15,440 –> 00:05:17,600
بنابراین این یک نکته بسیار مهم است،
122
00:05:17,600 –> 00:05:20,320
آه که همه شما بچه ها باید
123
00:05:20,320 –> 00:05:21,199
در مورد آن بدانید،
124
00:05:21,199 –> 00:05:23,280
اجازه دهید من فقط به سرعت
125
00:05:23,280 –> 00:05:25,440
روشنایی خود را کمی
126
00:05:25,440 –> 00:05:27,039
عالی افزایش دهم، خانم ها و آقایان، بنابراین این
127
00:05:27,039 –> 00:05:29,120
یک آکادمی یادگیری عالی است در حال حاضر مزایای اوه
128
00:05:29,120 –> 00:05:30,960
129
00:05:30,960 –> 00:05:32,320
یکی از چیزهایی که می توانم در این مقطع زمانی به شما قول بدهم این
130
00:05:32,320 –> 00:05:34,240
است که مهم نیست در کجای
131
00:05:34,240 –> 00:05:36,400
حرفه خود هستید، آه، شما در مدرسه
132
00:05:36,400 –> 00:05:38,560
هستید، آه، شما در دانشگاه هستید، شما فردی هستید
133
00:05:38,560 –> 00:05:40,320
که در شرف فارغ التحصیلی هستید یا شما.
134
00:05:40,320 –> 00:05:41,759
فارغ التحصیل شده اید که شروع به جستجوی
135
00:05:41,759 –> 00:05:43,520
شغل کرده اید یا فردی هستید که به دنبال
136
00:05:43,520 –> 00:05:45,280
تغییر حرفه خود هستید و همچنین
137
00:05:45,280 –> 00:05:47,280
آکادمی یادگیری عالی چیزی برای
138
00:05:47,280 –> 00:05:48,960
شما دارد و می دانید که من می توانم به شما قول بدهم
139
00:05:48,960 –> 00:05:50,160
زیرا در پایان روز
140
00:05:50,160 –> 00:05:52,320
می توانید آن را از بین ببرید دانش زیادی
141
00:05:52,320 –> 00:05:53,600
از اینجا وجود دارد و البته از آنجایی
142
00:05:53,600 –> 00:05:54,639
که شما گواهی
143
00:05:54,639 –> 00:05:55,600
پایان کار را دریافت
144
00:05:55,600 –> 00:05:57,840
می کنید، ارزش بسیار بیشتری را اضافه می کند، درست است،
145
00:05:57,840 –> 00:05:58,720
ما یک
146
00:05:58,720 –> 00:06:00,479
بخش آماده سازی مصاحبه شغلی کامل داریم که همه
147
00:06:00,479 –> 00:06:01,919
اینها دوره های زندگی رایگان هستند،
148
00:06:01,919 –> 00:06:04,560
شما می دانید که بر اساس نرم افزار sk در صورت داشتن آمادگی
149
00:06:04,560 –> 00:06:05,600
150
00:06:05,600 –> 00:06:07,120
فنی آماده سازی نگرش، چیزهای مختلفی
151
00:06:07,120 –> 00:06:08,639
نیز وجود دارد، بنابراین مطمئن
152
00:06:08,639 –> 00:06:10,479
شوید که این موارد را بررسی می کنید و البته
153
00:06:10,479 –> 00:06:12,160
برای همکاران یادگیری ما
154
00:06:12,160 –> 00:06:13,440
با برخی از
155
00:06:13,440 –> 00:06:15,680
بهترین دانشگاه ها و مدارس معتبر و البته شما می
156
00:06:15,680 –> 00:06:16,560
شناسید لیگ پیچک همکاری می
157
00:06:16,560 –> 00:06:18,000
کنیم. در آنجا ما
158
00:06:18,000 –> 00:06:19,840
مدرسه بازرگانی استنفورد داریم
159
00:06:19,840 –> 00:06:21,120
دانشگاه تگزاس آستین
160
00:06:21,120 –> 00:06:22,800
اوه شما می دانید مدرسه
161
00:06:22,800 –> 00:06:24,880
مطالعات حرفه ای شمال غربی srm pes
162
00:06:24,880 –> 00:06:27,600
iit madras خوب شما آن را درست می دانید پس
163
00:06:27,600 –> 00:06:28,000
بچه ها
164
00:06:28,000 –> 00:06:30,240
می دانید که آکادمی یادگیری عالی
165
00:06:30,240 –> 00:06:31,600
چیزی برای همه شما دارد در اینجا می
166
00:06:31,600 –> 00:06:33,120
توانید به آن برسید اوه می دانید ما مکان های متعددی داریم که
167
00:06:33,120 –> 00:06:33,840
168
00:06:33,840 –> 00:06:36,160
می توانید با کلیک بر روی یک جستجوی ساده در گوگل،
169
00:06:36,160 –> 00:06:37,680
آکادمی یادگیری عالی
170
00:06:37,680 –> 00:06:39,360
شما را به اینجا برساند، اما البته در همان زمان
171
00:06:39,360 –> 00:06:40,880
می توانید برنامه آموزشی عالی را دانلود کنید،
172
00:06:40,880 –> 00:06:42,479
همچنین این برنامه
173
00:06:42,479 –> 00:06:42,880
هم
174
00:06:42,880 –> 00:06:45,680
در فروشگاه بازی اندروید و هم در فروشگاه
175
00:06:45,680 –> 00:06:46,319
176
00:06:46,319 –> 00:06:48,400
شما موجود است. گوگل را بشناسید اوه شما فروشگاه برنامه اندروید و گوگل را می شناسید
177
00:06:48,400 –> 00:06:50,319
178
00:06:50,319 –> 00:06:52,160
متاسفم و فروشگاه apple را
179
00:06:52,160 –> 00:06:54,319
نیز می شناسید، بنابراین ما شما را تحت پوشش قرار داده ایم
180
00:06:54,319 –> 00:06:56,080
اگر شما یک کاربر اندروید و
181
00:06:56,080 –> 00:06:57,599
همچنین یک کاربر اپل
182
00:06:57,599 –> 00:06:59,440
هستید، اگر همچنان به پایین پیمایش
183
00:06:59,440 –> 00:07:00,960
کنید، اطلاعات بیشتری در مورد آکادمی
184
00:07:00,960 –> 00:07:02,479
خواهید یافت، در مورد
185
00:07:02,479 –> 00:07:05,039
آنچه که زبان آموزان ما باید بگویند، سوالات و
186
00:07:05,039 –> 00:07:06,800
موارد بسیار بیشتری را خواهید آموخت. مطمئن شوید
187
00:07:06,800 –> 00:07:08,880
که آکادمی یادگیری عالی را بررسی
188
00:07:08,880 –> 00:07:10,639
می کنید، قبل از
189
00:07:10,639 –> 00:07:12,160
شروع جلسه، حتماً در
190
00:07:12,160 –> 00:07:13,599
کانال یادگیری عالی یوتیوب مشترک شوید و
191
00:07:13,599 –> 00:07:15,280
نماد زنگ را بزنید تا
192
00:07:15,280 –> 00:07:16,639
هیچ به روز رسانی ما را از دست ندهید
193
00:07:16,639 –> 00:07:18,560
و مانند همیشه مانند محتوایی
194
00:07:18,560 –> 00:07:19,680
که
195
00:07:19,680 –> 00:07:21,599
میبینید یک ثانیه طول میکشد و
196
00:07:21,599 –> 00:07:23,280
دکمه لایک را فشار دهید، این برای ما معنایی جهانی خواهد داشت و
197
00:07:23,280 –> 00:07:24,080
البته به ما
198
00:07:24,080 –> 00:07:26,000
کمک میکند تا محتوای بهتری برای همه شما ارائه کنیم،
199
00:07:26,000 –> 00:07:28,560
بنابراین خانمها و آقایان، اوه میدانید
200
00:07:28,560 –> 00:07:30,000
که چند نظر بگذارید. شما
201
00:07:30,000 –> 00:07:31,280
در طول جلسه خواهید داشت،
202
00:07:31,280 –> 00:07:32,960
خوشحال می شوم به آنها پاسخ دهم
203
00:07:32,960 –> 00:07:35,360
و اوه ما می توانیم در حال حاضر جلسه را درست شروع کنیم
204
00:07:35,360 –> 00:07:36,880
205
00:07:36,880 –> 00:07:38,160
، مهمترین چیزی که باید در
206
00:07:38,160 –> 00:07:39,919
مورد آن بحث کنیم این است که در این جلسه چه چیزی یاد می گیریم
207
00:07:39,919 –> 00:07:41,520
درست
208
00:07:41,520 –> 00:07:42,639
اولین چیزی که باید انجام دهیم. یک
209
00:07:42,639 –> 00:07:44,160
مقدمه ای بر یادگیری ماشینی به ما اجازه می دهد
210
00:07:44,160 –> 00:07:45,919
بفهمیم یادگیری سریع ماشین
211
00:07:45,919 –> 00:07:46,319
چیست،
212
00:07:46,319 –> 00:07:48,560
ما می توانیم نگاهی بیندازیم
213
00:07:48,560 –> 00:07:50,160
به انواع مدل های یادگیری ماشینی
214
00:07:50,160 –> 00:07:50,800
که
215
00:07:50,800 –> 00:07:52,720
وجود دارند و البته ما می توانیم
216
00:07:52,720 –> 00:07:54,000
مقدمه ای برای
217
00:07:54,000 –> 00:07:56,960
خود مدل جنگل تصادفی در حال حاضر داشته باشیم.
218
00:07:56,960 –> 00:07:58,319
شما مقدمهای برای یادگیری ماشینی میگیرید،
219
00:07:58,319 –> 00:08:00,400
همه انواعی را که میتوانیم
220
00:08:00,400 –> 00:08:01,120
آن
221
00:08:01,120 –> 00:08:04,160
را در این دنیای جنگل تصادفی فیلتر کنیم،
222
00:08:04,160 –> 00:08:06,240
میدانید، میدانید که جنگل تصادفی
223
00:08:06,240 –> 00:08:07,759
یک مدل چیز بسیار جذابی است وقتی
224
00:08:07,759 –> 00:08:08,960
صحبت از یادگیری ماشینی میشود،
225
00:08:08,960 –> 00:08:11,440
ما متوجه میشویم که چگونه است. این کار می کند
226
00:08:11,440 –> 00:08:12,000
و البته
227
00:08:12,000 –> 00:08:13,840
خانم ها و آقایان در پایان این کار
228
00:08:13,840 –> 00:08:15,680
ما عملاً
229
00:08:15,680 –> 00:08:17,599
از طریق یک مجموعه کد ساده عبور
230
00:08:17,599 –> 00:08:19,360
می کنیم که در آن جنگل تصادفی را پیاده سازی
231
00:08:19,360 –> 00:08:20,960
خواهیم کرد، خواهید دید
232
00:08:20,960 –> 00:08:22,240
که پیاده سازی آن واقعا سرگرم کننده است و ادامه دادن آن
233
00:08:22,240 –> 00:08:24,960
واقعاً آسان است. برای انجام یک
234
00:08:24,960 –> 00:08:26,000
کار پیچیده به
235
00:08:26,000 –> 00:08:27,360
خوبی در پایان روز که یادگیری ماشینی است،
236
00:08:27,360 –> 00:08:29,840
237
00:08:29,840 –> 00:08:31,599
می توانید یک کار پیچیده را انجام دهید و آن
238
00:08:31,599 –> 00:08:33,200
را به مراحل ساده تقسیم
239
00:08:33,200 –> 00:08:35,279
کنید و از قدرت یو استفاده کنید. شما می
240
00:08:35,279 –> 00:08:37,120
دانید که به ماشین های خود آموزش دهید کارهای سخت را
241
00:08:37,120 –> 00:08:38,958
انجام دهند و البته آنها این کار را با
242
00:08:38,958 –> 00:08:40,479
شکوه و به خوبی انجام می دهند، بنابراین این
243
00:08:40,479 –> 00:08:41,839
مهم است، بنابراین
244
00:08:41,839 –> 00:08:43,599
این جلسه، خانم ها و آقایان را از بین می برد،
245
00:08:43,599 –> 00:08:45,760
بنابراین بدون هیچ مقدمه ای
246
00:08:45,760 –> 00:08:47,760
اجازه دهید ما مستقیماً به اولین مورد برویم.
247
00:08:47,760 –> 00:08:49,920
نقطه دستور کار
248
00:08:49,920 –> 00:08:51,680
اکنون اوه می دانید قسمت اول
249
00:08:51,680 –> 00:08:52,959
دستور کار ما در مورد
250
00:08:52,959 –> 00:08:54,000
اهمیت یادگیری ماشین
251
00:08:54,000 –> 00:08:56,880
برای علم داده
252
00:08:56,880 –> 00:08:58,480
صحبت خواهیم کرد هر زمان که در مورد یادگیری ماشینی صحبت می کنید ببینید
253
00:08:58,480 –> 00:09:00,000
254
00:09:00,000 –> 00:09:01,519
از کجا آمده اید یا از کجا آمده اید. دامنه
255
00:09:01,519 –> 00:09:03,519
خود از همین الان می آید، این
256
00:09:03,519 –> 00:09:04,320
یک دامنه است
257
00:09:04,320 –> 00:09:06,640
که اتفاقاً یکی از
258
00:09:06,640 –> 00:09:08,480
مهمترین پایه ها
259
00:09:08,480 –> 00:09:11,680
از علم داده به عنوان یک دامنه تا
260
00:09:11,680 –> 00:09:13,440
استفاده از آن برای دستیابی به
261
00:09:13,440 –> 00:09:15,040
هوش مصنوعی درست است، بنابراین این یک
262
00:09:15,040 –> 00:09:17,279
جنبه بسیار مهم از چگونگی دستیابی به هدف است.
263
00:09:17,279 –> 00:09:18,399
264
00:09:18,399 –> 00:09:19,920
و وقتی به دنیای امروز نگاهی بیندازید،
265
00:09:19,920 –> 00:09:22,240
میدانید که اکثر شرکتها،
266
00:09:22,240 –> 00:09:23,279
اگر نه همه آنها،
267
00:09:23,279 –> 00:09:25,360
در تلاشند راههایی بیابند که چگونه میتوانند
268
00:09:25,360 –> 00:09:26,880
از یادگیری ماشینی و یادگیری عمیق استفاده
269
00:09:26,880 –> 00:09:27,600
کنند.
270
00:09:27,600 –> 00:09:29,760
تمام مفاهیم پیچیده روششناسی آماری
271
00:09:29,760 –> 00:09:32,000
همه چیزهایی را که
272
00:09:32,000 –> 00:09:34,720
برای اطمینان از کارآمد بودن آنها دخیل هستند، میدانید
273
00:09:34,720 –> 00:09:36,480
که آنها با زمان و
274
00:09:36,480 –> 00:09:38,160
تلاشهای خود نیز کارآمد هستند، بنابراین این یک
275
00:09:38,160 –> 00:09:39,760
چیز مهم
276
00:09:39,760 –> 00:09:41,440
است که در مورد یادگیری ماشینی خوب اتفاق میافتد.
277
00:09:41,440 –> 00:09:43,040
به ماشین،
278
00:09:43,040 –> 00:09:44,480
اوه، شما میدانید چت باکس و
279
00:09:44,480 –> 00:09:46,640
به من اطلاع دهید مهمترین
280
00:09:46,640 –> 00:09:48,000
چیزی که باید بدانید این است
281
00:09:48,000 –> 00:09:49,360
که اوه، میدانید که در اینجا
282
00:09:49,360 –> 00:09:50,720
کاری که میخواهیم انجام دهیم این است که
283
00:09:50,720 –> 00:09:53,680
به ماشینها آموزش میدهیم که وظایف را برای ما انجام
284
00:09:53,680 –> 00:09:56,399
دهند. ما دادههای خاصی داریم که
285
00:09:56,399 –> 00:09:57,120
ماشینها میدانند از
286
00:09:57,120 –> 00:09:59,519
این دادهها برای یادگیری استفاده میکنند و در نهایت بررسی میکنیم که
287
00:09:59,519 –> 00:10:01,200
آیا ماشین چیزی یاد گرفته است
288
00:10:01,200 –> 00:10:02,480
یا نه
289
00:10:02,480 –> 00:10:04,320
شما میدانید که به آن ارزیابی
290
00:10:04,320 –> 00:10:06,800
مدل میگویند و پس از ارزیابی مدل،
291
00:10:06,800 –> 00:10:07,360
مدل را
292
00:10:07,360 –> 00:10:09,200
با استقرار مدل به کار میگیریم که منظور ما معمولاً
293
00:10:09,200 –> 00:10:10,880
این است. ما مدل
294
00:10:10,880 –> 00:10:13,360
uh را برای استفاده از uh قرار میدهیم که در نهایت
295
00:10:13,360 –> 00:10:14,640
مشکلی را حل میکند،
296
00:10:14,640 –> 00:10:16,959
بنابراین از داشتن دادهها گرفته تا
297
00:10:16,959 –> 00:10:18,160
پیشپردازش آن،
298
00:10:18,160 –> 00:10:19,839
دادن آن به الگوریتم یادگیری ماشینی
299
00:10:19,839 –> 00:10:21,360
برای یادگیری و
300
00:10:21,360 –> 00:10:23,519
یک بار یادگیری ماشینی الگوریتم g یاد
301
00:10:23,519 –> 00:10:25,839
میگیرد که به عنوان یک مدل یادگیری ماشین نامیده میشود،
302
00:10:25,839 –> 00:10:28,000
سپس بررسی میکنید که آیا مدل کار میکند،
303
00:10:28,000 –> 00:10:29,040
آن را
304
00:10:29,040 –> 00:10:31,279
تنظیم کنید تا مطمئن شوید که بهتر کار میکند و
305
00:10:31,279 –> 00:10:33,360
سپس به درستی مستقر شده است،
306
00:10:33,360 –> 00:10:35,600
بنابراین این کلیت
307
00:10:35,600 –> 00:10:37,279
کار سریع یادگیری ماشین است،
308
00:10:37,279 –> 00:10:38,640
اما در پایان روزی
309
00:10:38,640 –> 00:10:40,480
که نگاهی به آه بیندازید، می دانید
310
00:10:40,480 –> 00:10:43,279
که داده ها از چه چیزی می آیند یا از کجا می آیند
311
00:10:43,279 –> 00:10:44,959
یا خود ماشین چگونه یاد می گیرد،
312
00:10:44,959 –> 00:10:45,519
باید
313
00:10:45,519 –> 00:10:47,279
بفهمید که مهم ترین نکته
314
00:10:47,279 –> 00:10:49,040
قلب یادگیری ماشینی در خود داده ها
315
00:10:49,040 –> 00:10:49,839
316
00:10:49,839 –> 00:10:52,079
، کیفیت و کمیت داده ها نهفته است.
317
00:10:52,079 –> 00:10:53,120
از داده ها
318
00:10:53,120 –> 00:10:54,560
همه چیز برای انجام دادن هر زمان که شما
319
00:10:54,560 –> 00:10:56,800
آموزش می دهید هر چیزی برای ما تصادفی باشد
320
00:10:56,800 –> 00:10:59,120
، خواه رگرسیون لجستیک در هر
321
00:10:59,120 –> 00:11:00,079
کجا که باشد،
322
00:11:00,079 –> 00:11:02,720
شما می دانید که داده های شما حتی اگر
323
00:11:02,720 –> 00:11:04,480
مقدار زیادی داشته باشند،
324
00:11:04,480 –> 00:11:07,040
اما اگر از نظر مقدار کم هستند کیفیت آن
325
00:11:07,040 –> 00:11:08,959
، امتیاز دقت
326
00:11:08,959 –> 00:11:10,160
واقعا ضربه بزرگی خواهد خورد
327
00:11:10,160 –> 00:11:11,920
و اوه این در پایان روز به
328
00:11:11,920 –> 00:11:13,200
329
00:11:13,200 –> 00:11:15,600
نظر من اتلاف وقت خواهد بود زیرا ببینید آیا
330
00:11:15,600 –> 00:11:17,200
برای ایجاد یک ماشین زمان و تلاش زیادی صرف می
331
00:11:17,200 –> 00:11:19,120
کنید ل مدل کسب درآمد
332
00:11:19,120 –> 00:11:20,880
اوه، شما باید حداقل در پایان روز
333
00:11:20,880 –> 00:11:22,320
نتایج رضایتبخش داشته باشید، اگر
334
00:11:22,320 –> 00:11:24,320
335
00:11:24,320 –> 00:11:25,920
اینطور نیست و اگر مدل یادگیری ماشین شما
336
00:11:25,920 –> 00:11:27,200
چیزها را به
337
00:11:27,200 –> 00:11:28,720
اشتباه بیش از اینکه به
338
00:11:28,720 –> 00:11:31,040
درستی انجام میدهد پیشبینی کند، اتلاف وقت است. من
339
00:11:31,040 –> 00:11:31,760
مطمئن هستم که
340
00:11:31,760 –> 00:11:32,959
می دانید شما بچه ها این را می
341
00:11:32,959 –> 00:11:34,880
فهمیدید اما در این لحظه این را درک کنید
342
00:11:34,880 –> 00:11:36,240
که
343
00:11:36,240 –> 00:11:38,800
اگر درست انجام دهید و
344
00:11:38,800 –> 00:11:40,560
انجام آن در پایتون کار بسیار آسانی است همانطور که من در این به
345
00:11:40,560 –> 00:11:42,320
شما نشان خواهم داد جلسه اوه، میدانید
346
00:11:42,320 –> 00:11:44,320
که ارزش زیادی برای شما
347
00:11:44,320 –> 00:11:45,920
بهعنوان یک مشارکتکننده فردی
348
00:11:45,920 –> 00:11:47,360
و البته برای شرکت شما که
349
00:11:47,360 –> 00:11:48,399
شانس خوبی وجود
350
00:11:48,399 –> 00:11:51,120
دارد که از جنگل تصادفی استفاده میکند، اضافه میکند،
351
00:11:51,120 –> 00:11:51,680
352
00:11:51,680 –> 00:11:53,360
پس درست است، اجازه دهید سریعاً بررسی کنم که آیا شما این کار را انجام دادهاید.
353
00:11:53,360 –> 00:11:57,839
هر سوالی که
354
00:12:01,360 –> 00:12:03,040
ایسکو میگوید نیاز به دانستن وارد شد و
355
00:12:03,040 –> 00:12:05,200
درخت تصمیمگیری در مورد مجموعه دادههای داده شده خوب است
356
00:12:05,200 –> 00:12:06,160
، البته سیسکو
357
00:12:06,160 –> 00:12:08,160
هر زمان که یک مجموعه داده
358
00:12:08,160 –> 00:12:10,000
دارید این را درک کنید، میتوانید
359
00:12:10,000 –> 00:12:12,320
چندین الگوریتم و بهترین بخش
360
00:12:12,320 –> 00:12:13,760
را پیادهسازی کنید، مخصوصاً اگر در حال یادگیری هستید.
361
00:12:13,760 –> 00:12:16,240
بخش سرگرم کننده این است که روی یک مجموعه داده مشترک ببینید
362
00:12:16,240 –> 00:12:18,639
درست متوجه شوید آه می دانید کدام
363
00:12:18,639 –> 00:12:20,720
الگوریتم برای مجموعه داده بهتر کار می کند،
364
00:12:20,720 –> 00:12:22,959
بنابراین گاهی اوقات می دانید که
365
00:12:22,959 –> 00:12:24,880
رگرسیون خطی الگوریتمی است که
366
00:12:24,880 –> 00:12:25,600
می تواند
367
00:12:25,600 –> 00:12:27,360
خوب کار کند، می دانید که می تواند خوب باشد.
368
00:12:27,360 –> 00:12:29,279
میزان خطای کافی است اما به محض
369
00:12:29,279 –> 00:12:30,480
اینکه به یک مسئله k n بروید
370
00:12:30,480 –> 00:12:32,320
تا همان چیزی را به خوبی حل کنید
371
00:12:32,320 –> 00:12:33,519
در پایان روز، اوه،
372
00:12:33,519 –> 00:12:35,519
k n خود را می دانید رگرسیون
373
00:12:35,519 –> 00:12:36,880
لجستیک رگرسیون خطی هر
374
00:12:36,880 –> 00:12:38,480
چه که می خواهید از یکی از
375
00:12:38,480 –> 00:12:40,079
اینها استفاده کنید. یک نتیجه بسیار موثر به شما می دهد
376
00:12:40,079 –> 00:12:42,480
یک نتیجه بسیار کارآمد
377
00:12:42,480 –> 00:12:44,480
با استفاده از آن می توانید بفهمید اگر من
378
00:12:44,480 –> 00:12:46,079
چنین داده ای
379
00:12:46,079 –> 00:12:48,320
برای این نمونه خاص دارم اوه می دانید که
380
00:12:48,320 –> 00:12:49,360
این الگوریتم
381
00:12:49,360 –> 00:12:51,040
بهتر کار می کند درست است امیدوارم به سوال شما پاسخ داده باشم.
382
00:12:51,040 –> 00:12:53,360
383
00:12:53,360 –> 00:12:56,399
وقتی در
384
00:12:56,399 –> 00:12:58,320
مورد انواع یادگیری ماشین صحبت می کنیم،
385
00:12:58,320 –> 00:12:59,760
سه نوع مهم از یادگیری ماشین وجود دارد
386
00:12:59,760 –> 00:13:01,200
که شما بچه ها باید
387
00:13:01,200 –> 00:13:02,560
در مورد آنها بدانید و اگر در این
388
00:13:02,560 –> 00:13:04,240
جلسه هماهنگ شده باشید، مطمئن هستم که ممکن است قبلاً
389
00:13:04,240 –> 00:13:04,560
این را بدانید
390
00:13:04,560 –> 00:13:06,320
اما اگر نمی دانید نگران نباشید بیایید
391
00:13:06,320 –> 00:13:08,240
این موضوع را به سرعت پوشش دهیم
392
00:13:08,240 –> 00:13:10,000
، یادگیری تحت نظارت وجود دارد،
393
00:13:10,000 –> 00:13:11,760
یادگیری بدون نظارت وجود دارد و البته
394
00:13:11,760 –> 00:13:12,160
395
00:13:12,160 –> 00:13:14,480
یادگیری تقویتی در حال حاضر وجود دارد این سه
396
00:13:14,480 –> 00:13:16,399
روش این سه نوع
397
00:13:16,399 –> 00:13:18,720
یادگیری به خودی خود بر
398
00:13:18,720 –> 00:13:20,160
دنیای یادگیری ماشین حاکم هستند، بنابراین
399
00:13:20,160 –> 00:13:22,240
بسیار حیاتی است که شما بچه
400
00:13:22,240 –> 00:13:23,279
ها این
401
00:13:23,279 –> 00:13:25,760
اصول را خوب می دانید، بنابراین بدون هیچ مقدمه ای
402
00:13:25,760 –> 00:13:27,760
بیایید در واقع به اولین موردی
403
00:13:27,760 –> 00:13:28,560
404
00:13:28,560 –> 00:13:31,680
بپردازیم که یادگیری نظارت شده را تجزیه و تحلیل می کند، حالا هر زمان که
405
00:13:31,680 –> 00:13:33,600
به نام خود نگاهی بیندازید،
406
00:13:33,600 –> 00:13:34,639
407
00:13:34,639 –> 00:13:36,720
یادگیری با نظارت درست، اولین چیزی که به ذهن
408
00:13:36,720 –> 00:13:37,920
409
00:13:37,920 –> 00:13:40,160
شما می رسد، می دانید هر وقت کسی فکر میکند که
410
00:13:40,160 –> 00:13:41,760
بچهای در حال مطالعه و یادگیری است یا
411
00:13:41,760 –> 00:13:43,120
چیزی هر زمان که میگویید
412
00:13:43,120 –> 00:13:45,519
بر بچهای که در حال یادگیری است نظارت میکنید
413
00:13:45,519 –> 00:13:46,480
یعنی چه،
414
00:13:46,480 –> 00:13:48,240
اوه میدانید که در پایان روز
415
00:13:48,240 –> 00:13:49,600
416
00:13:49,600 –> 00:13:51,680
مراقب آن هستید، از روشی حمایت میکنید که
417
00:13:51,680 –> 00:13:53,360
دانش آموز یاد می گیرد یا چیزی شبیه به آن
418
00:13:53,360 –> 00:13:53,839
درست است
419
00:13:53,839 –> 00:13:56,320
که در مورد یادگیری ماشینی نظارت می کند
420
00:13:56,320 –> 00:13:57,440
و همچنین
421
00:13:57,440 –> 00:13:59,120
فکر کنید ماشین بچه است
422
00:13:59,120 –> 00:14:01,360
در حال حاضر در اینجا کاری که شما سعی می کنید انجام دهید این است که
423
00:14:01,360 –> 00:14:04,000
وقتی داده ها را در اختیار دستگاه قرار
424
00:14:04,000 –> 00:14:05,920
می دهید به دستگاه می گویید هی این
425
00:14:05,920 –> 00:14:07,920
همان داده ای است که در
426
00:14:07,920 –> 00:14:10,000
حال حاضر روی صفحه نمایش خود می بینید اکنون می توانید سه
427
00:14:10,000 –> 00:14:11,440
تصویر گل
428
00:14:11,440 –> 00:14:14,160
دمبل و ماشین را ببینید. یک
429
00:14:14,160 –> 00:14:15,360
نکته بسیار مهم
430
00:14:15,360 –> 00:14:17,600
شما من و البته هرکسی که می شناسید
431
00:14:17,600 –> 00:14:19,279
این ویدیو را
432
00:14:19,279 –> 00:14:21,279
از دوران کودکی ما تماشا می کند، ما آموزش دیده ایم
433
00:14:21,279 –> 00:14:22,959
که ببینیم گل ها چه شکلی هستند که
434
00:14:22,959 –> 00:14:24,720
دمبل ها چه شکلی هستند و ماشین
435
00:14:24,720 –> 00:14:25,440
436
00:14:25,440 –> 00:14:27,279
در حال حاضر چگونه است حتی اگر من یک گل واقعی را به شما نشان دهم.
437
00:14:27,279 –> 00:14:29,120
شما می توانید بگویید که این یک
438
00:14:29,120 –> 00:14:29,760
گل
439
00:14:29,760 –> 00:14:31,680
است، این نیست که تنها تصویری که
440
00:14:31,680 –> 00:14:33,680
روی صفحه خود می بینید یک گل است و
441
00:14:33,680 –> 00:14:35,760
همه چیزهای دیگر صحیح نیست حتی
442
00:14:35,760 –> 00:14:37,760
اگر صد هزار و ده هزار
443
00:14:37,760 –> 00:14:40,000
تصویر از دمبل ها یا ماشین های گل ببینید،
444
00:14:40,000 –> 00:14:42,160
می توانید متوجه شوید که چیست. و البته
445
00:14:42,160 –> 00:14:44,480
اگر شما علاقهمندان به ماشین در اینجا
446
00:14:44,480 –> 00:14:46,399
دارید، میدانید که بچهها واقعاً میتوانید
447
00:14:46,399 –> 00:14:48,560
بگویید که این ماشین کدام مدل است و
448
00:14:48,560 –> 00:14:50,079
البته همه میتوانید بگویید که چه رنگی
449
00:14:50,079 –> 00:14:51,279
است، این یک کوپه
450
00:14:51,279 –> 00:14:54,000
451
00:14:54,000 –> 00:14:55,680
است. درست است، بله،
452
00:14:55,680 –> 00:14:57,600
شما می دانید که من برای انجام این کار آموزش دیده ام،
453
00:14:57,600 –> 00:14:59,279
اما اگر این را به رایانه نشان دهم،
454
00:14:59,279 –> 00:15:00,959
اصلاً نمی دانم چه چیزی می
455
00:15:00,959 –> 00:15:01,519
بیند،
456
00:15:01,519 –> 00:15:03,519
اگر بگویم هی این
457
00:15:03,519 –> 00:15:05,519
تصویری از یک ماشین است، اما اگر به آن برچسب بزنم به عنوان یک
458
00:15:05,519 –> 00:15:06,240
گربه،
459
00:15:06,240 –> 00:15:08,000
می دانید که فکر می کند
460
00:15:08,000 –> 00:15:09,760
ماشین یک گربه است، بنابراین
461
00:15:09,760 –> 00:15:11,760
در ساده ترین حالت
462
00:15:11,760 –> 00:15:13,360
الگوریتم یادگیری ماشین شما
463
00:15:13,360 –> 00:15:15,680
فقط می تواند صفر و یک را بفهمد تا
464
00:15:15,680 –> 00:15:16,959
مطمئن شوید که همیشه
465
00:15:16,959 –> 00:15:18,959
با
466
00:15:18,959 –> 00:15:20,800
تایپ صفر و یک خودمان را آزار نمی دهیم.
467
00:15:20,800 –> 00:15:22,000
سیستم عامل داریم ما
468
00:15:22,000 –> 00:15:23,360
زبان های برنامه نویسی
469
00:15:23,360 –> 00:15:25,120
داریم و همه این موارد را
470
00:15:25,120 –> 00:15:26,880
در حال حاضر داریم به هر حال بازگشت به
471
00:15:26,880 –> 00:15:28,480
یادگیری نظارت شده مهم ترین
472
00:15:28,480 –> 00:15:30,480
چیزی است که شما بچه ها باید در
473
00:15:30,480 –> 00:15:32,399
مورد یادگیری نظارت شده بدانید هر زمان
474
00:15:32,399 –> 00:15:34,560
که داده ها را به رایانه خود ارائه می دهید تا شما را
475
00:15:34,560 –> 00:15:35,440
یاد بگیرد.
476
00:15:35,440 –> 00:15:37,759
بگو هی اینجا گل هایی هست که می
477
00:15:37,759 –> 00:15:39,120
دانی ابتدا تصویر گل ها را
478
00:15:39,120 –> 00:15:40,639
به دستگاه می دهی و بگو هی این ها
479
00:15:40,639 –> 00:15:41,279
گل
480
00:15:41,279 –> 00:15:44,000
هستند تا 100 یقین داشته
481
00:15:44,000 –> 00:15:46,320
باشی که تصویری که به خودت می دهی یک گل
482
00:15:46,320 –> 00:15:47,680
است در حال حاضر در یک مورد خاص، ممکن است
483
00:15:47,680 –> 00:15:49,680
یک سوال بپرسید و بگویید خوب است، پس اگر
484
00:15:49,680 –> 00:15:51,519
من تصویر یک گل را بدهم اما آن را
485
00:15:51,519 –> 00:15:52,880
به عنوان چیز دیگری ببینم که
486
00:15:52,880 –> 00:15:54,800
الگوریتم یادگیری ماشین شما
487
00:15:54,800 –> 00:15:56,800
در حال حاضر اشتباه یاد می گیرد، آیا این تقصیر
488
00:15:56,800 –> 00:15:58,399
الگوریتم یادگیری ماشینی است یا
489
00:15:58,399 –> 00:15:59,440
490
00:15:59,440 –> 00:16:01,120
تقصیر شماست، درست است که
491
00:16:01,120 –> 00:16:03,120
برچسب اشتباهی به آن میدهید، بنابراین در این مورد، با
492
00:16:03,120 –> 00:16:03,839
493
00:16:03,839 –> 00:16:06,079
یادگیری نظارت شده، بسیار حیاتی است که
494
00:16:06,079 –> 00:16:07,759
دادههای خود را به درستی برچسبگذاری کنید و به همین دلیل است
495
00:16:07,759 –> 00:16:08,079
496
00:16:08,079 –> 00:16:10,560
که من بر
497
00:16:10,560 –> 00:16:12,560
پیشپردازش و تمیز کردن دادهها در کل تاکید میکنم. از
498
00:16:12,560 –> 00:16:13,440
جلساتی که
499
00:16:13,440 –> 00:16:16,000
اوه میدانی که من در اینجا هم به خوبی مدیریت میکنم،
500
00:16:16,000 –> 00:16:16,800
501
00:16:16,800 –> 00:16:19,440
اوه یک چیز واضح است که باید
502
00:16:19,440 –> 00:16:20,079
503
00:16:20,079 –> 00:16:22,800
به آن برچسب درست دهیم، بنابراین یک
504
00:16:22,800 –> 00:16:24,480
چیز مهم دیگر که بر دنیای یادگیری نظارت شده حاکم است،
505
00:16:24,480 –> 00:16:25,759
506
00:16:25,759 –> 00:16:27,839
اوه میدانی این فرمول خاص است
507
00:16:27,839 –> 00:16:28,800
که در آن ما آن را فراخوانی می
508
00:16:28,800 –> 00:16:31,040
کنیم زیرا y برابر است با f از x به
509
00:16:31,040 –> 00:16:32,880
آن فرمول نگاشت تابع
510
00:16:32,880 –> 00:16:34,399
می گویند اوه می دانید در اینجا چه کاری می خواهیم انجام دهیم
511
00:16:34,399 –> 00:16:36,160
در مورد یادگیری نظارت شده
512
00:16:36,160 –> 00:16:37,600
این است که ما سعی می کنیم
513
00:16:37,600 –> 00:16:39,360
یک رابطه بین یک
514
00:16:39,360 –> 00:16:41,519
مستقل را ترسیم کنیم. متغیر و یک متغیر وابسته
515
00:16:41,519 –> 00:16:42,160
516
00:16:42,160 –> 00:16:44,320
در حال حاضر در این مورد خاص و
517
00:16:44,320 –> 00:16:45,279
y برابر است با f از
518
00:16:45,279 –> 00:16:47,920
x اگر
519
00:16:47,920 –> 00:16:48,800
520
00:16:48,800 –> 00:16:50,639
هر زمان که هر نوع
521
00:16:50,639 –> 00:16:52,639
توابع تبدیل را روی این
522
00:16:52,639 –> 00:16:53,759
متغیر خاص
523
00:16:53,759 –> 00:16:56,480
اعمال می کنید، x را متغیر ورودی در نظر بگیرید، مقدار y نیز در اینجا تغییر نمی کند.
524
00:16:56,480 –> 00:16:56,880
بنابراین
525
00:16:56,880 –> 00:16:59,839
y فرضاً متغیر وابسته است
526
00:16:59,839 –> 00:17:02,079
و بستگی به مقدار
527
00:17:02,079 –> 00:17:04,880
x دارد که مقدار x مدام در حال تغییر است زیرا ما به
528
00:17:04,880 –> 00:17:07,039
اعمال توابع به آن و چه چیزهایی ادامه می دهیم
529
00:17:07,039 –> 00:17:09,760
و این نوع نگاشتی که
530
00:17:09,760 –> 00:17:10,480
ما بین
531
00:17:10,480 –> 00:17:12,640
خود داریم، می دانید متغیر وابسته و
532
00:17:12,640 –> 00:17:13,839
متغیر مستقل
533
00:17:13,839 –> 00:17:16,240
به معنای واقعی کلمه است. در قلب نحوه عملکرد
534
00:17:16,240 –> 00:17:16,959
535
00:17:16,959 –> 00:17:19,359
صحیح یادگیری تحت نظارت، امیدوارم بدانید که
536
00:17:19,359 –> 00:17:20,640
ما در
537
00:17:20,640 –> 00:17:23,760
538
00:17:23,760 –> 00:17:26,480
حال حاضر در مورد این اسلاید خاص واضح بودیم، یک چیز مهم است
539
00:17:26,480 –> 00:17:28,079
که باید در مورد
540
00:17:28,079 –> 00:17:30,400
یادگیری نظارت شده بدانید این است که
541
00:17:30,400 –> 00:17:32,000
انواع مختلفی از یادگیری نظارت شده
542
00:17:32,000 –> 00:17:33,760
وجود دارد، خانم ها و آقایان
543
00:17:33,760 –> 00:17:35,679
ماشین یادگیری بخشی از
544
00:17:35,679 –> 00:17:37,280
علم داده است درست علم داده
545
00:17:37,280 –> 00:17:37,840
یادگیری
546
00:17:37,840 –> 00:17:39,600
ماشینی در یادگیری ماشینی سه
547
00:17:39,600 –> 00:17:41,039
شاخه مختلف یادگیری وجود دارد ما
548
00:17:41,039 –> 00:17:42,720
قبلاً شاهد یادگیری نظارت شده
549
00:17:42,720 –> 00:17:44,160
یادگیری بدون نظارت و
550
00:17:44,160 –> 00:17:47,280
یادگیری تقویتی بودیم اکنون در یادگیری نظارت شده
551
00:17:47,280 –> 00:17:49,120
ما دو گروه بندی داریم
552
00:17:49,120 –> 00:17:49,840
که به آنها
553
00:17:49,840 –> 00:17:52,799
رگرسیون و طبقه بندی می گویند اکنون هر دو
554
00:17:52,799 –> 00:17:55,200
رگرسیون و طبقه بندی
555
00:17:55,200 –> 00:17:57,600
برنامه های شگفت انگیزی هستند و من مطمئن هستم که
556
00:17:57,600 –> 00:17:58,640
شما
557
00:17:58,640 –> 00:18:00,720
این برنامه ها را در همه جای اطراف خود
558
00:18:00,720 –> 00:18:02,559
به صورت واقعی دیده اید. رگرسیون جهان و همچنین
559
00:18:02,559 –> 00:18:04,559
اکنون در مورد اینکه چگونه می توانید
560
00:18:04,559 –> 00:18:07,120
مقادیر آینده را از داده های گذشته ما پیش بینی کنید صحبت می کند.
561
00:18:07,120 –> 00:18:08,720
این یک مثال بسیار ساده برای نشان دادن
562
00:18:08,720 –> 00:18:10,160
معنای
563
00:18:10,160 –> 00:18:12,080
رگرسیون در رگرسیون است آنچه ما سعی می کنیم انجام دهیم این
564
00:18:12,080 –> 00:18:13,840
است که رابطه ای به نام بهترین
565
00:18:13,840 –> 00:18:14,960
خط برازش
566
00:18:14,960 –> 00:18:16,799
بین دو متغیر شما پیدا کنیم. بدانید که
567
00:18:16,799 –> 00:18:18,320
گاهی اوقات یک خط خطی است که به آن
568
00:18:18,320 –> 00:18:19,520
رگرسیون خطی
569
00:18:19,520 –> 00:18:22,240
میگویند، شما میدانید که گاهی اوقات باید
570
00:18:22,240 –> 00:18:24,160
با استفاده از رگرسیون، طبقهبندیهایی را با توجه به آن انجام دهید
571
00:18:24,160 –> 00:18:25,919
، مفاهیم
572
00:18:25,919 –> 00:18:27,440
رگرسیون در آنجا شما از
573
00:18:27,440 –> 00:18:29,200
رگرسیون لجستیک برای طبقهبندی باینری استفاده میکنید،
574
00:18:29,200 –> 00:18:30,160
میدانید که
575
00:18:30,160 –> 00:18:32,400
چیزهای بسیار متفاوتی وجود دارد. حالا که
576
00:18:32,400 –> 00:18:34,400
رگرسیون است در مورد طبقه بندی
577
00:18:34,400 –> 00:18:37,200
چه می کنید w میگی طبقه بندی کن
578
00:18:37,200 –> 00:18:38,320
وقتی بهت میدم
579
00:18:38,320 –> 00:18:40,320
مثلا سه سیب و چهار
580
00:18:40,320 –> 00:18:42,640
پرتقال مخلوطش میکنم و بهت میدم
581
00:18:42,640 –> 00:18:44,160
و میگم هی اینو
582
00:18:44,160 –> 00:18:46,720
بر اساس میوه طبقه بندی کن چیکار
583
00:18:46,720 –> 00:18:48,480
میکنی میخوای همه ریشه ها رو جدا کنی
584
00:18:48,480 –> 00:18:51,120
الان همه سیب ها چی
585
00:18:51,120 –> 00:18:52,000
می
586
00:18:52,000 –> 00:18:53,679
شه اگه بگم هر دوتاشون رسیده نیستن
587
00:18:53,679 –> 00:18:55,120
و البته وقتی نرسیدن هم
588
00:18:55,120 –> 00:18:56,000
سیب ها و هم پرتقال
589
00:18:56,000 –> 00:18:57,679
ها سبز هستن فعلا
590
00:18:57,679 –> 00:18:59,760
میگم اینا رو بر اساس رنگ جدا
591
00:18:59,760 –> 00:19:01,679
کن خوب حالا همه چیزو جمع کن
592
00:19:01,679 –> 00:19:03,120
به یک بلوک میروید
593
00:19:03,120 –> 00:19:04,880
و شما میگویید همه اینها
594
00:19:04,880 –> 00:19:06,720
میوههای سبز رنگ هستند، زیرا همه آنها
595
00:19:06,720 –> 00:19:07,200
596
00:19:07,200 –> 00:19:08,880
یک رنگ هستند، من از شما نخواستم که این کار
597
00:19:08,880 –> 00:19:10,799
را بر اساس میوهها انجام دهید، من گفتم همین الان این کار را روی
598
00:19:10,799 –> 00:19:11,600
رنگ انجام
599
00:19:11,600 –> 00:19:13,280
دهید، این خیلی مهم است موضوع این است که
600
00:19:13,280 –> 00:19:14,960
چگونه می توانید
601
00:19:14,960 –> 00:19:17,679
یک موجود متفاوت را طبقه بندی کنید، یک موجودیت مشترک را
602
00:19:17,679 –> 00:19:19,760
به روشی متفاوت می شناسید و در
603
00:19:19,760 –> 00:19:21,600
ادامه باید این
604
00:19:21,600 –> 00:19:22,880
مفهوم را درست
605
00:19:22,880 –> 00:19:25,120
بدانید، بنابراین همیشه یک طبقه بندی کننده باینری
606
00:19:25,120 –> 00:19:26,400
نیست که با آن کار می کنید،
607
00:19:26,400 –> 00:19:27,679
همیشه آن را نشان نمی دهید.
608
00:19:27,679 –> 00:19:29,520
تصویر یک گربه یا یک سند به
609
00:19:29,520 –> 00:19:31,600
کامپیوتر خود بپرسید و از آن بپرسید که
610
00:19:31,600 –> 00:19:34,080
گاهی اوقات در طبقه بندی چیزهای دیگری وجود دارد،
611
00:19:34,080 –> 00:19:34,960
612
00:19:34,960 –> 00:19:36,480
اوه شما می دانید که قرار است روی آنها
613
00:19:36,480 –> 00:19:39,039
تمرکز
614
00:19:39,039 –> 00:19:41,760
کنید، اوکی قدرت سینگ اوه اوه می دانید که می گویید
615
00:19:41,760 –> 00:19:43,600
طرفدار خوبی هستید من این را می فهمم
616
00:19:43,600 –> 00:19:45,679
اما لطفاً بخش نظرات را هرزنامه
617
00:19:45,679 –> 00:19:46,960
618
00:19:46,960 –> 00:19:49,600
ندهید اوه می دانید که اوه منظورم کلمات بسیار محبت
619
00:19:49,600 –> 00:19:51,360
آمیزی است از شما بسیار سپاسگزارم که به آن ملحق شدید، اما
620
00:19:51,360 –> 00:19:52,000
621
00:19:52,000 –> 00:19:53,919
مطمئن شوید که جعبه چت را اسپم نمی کنید،
622
00:19:53,919 –> 00:19:56,400
بچه ها اگر چیز دیگری دارید
623
00:19:56,400 –> 00:19:56,880
624
00:19:56,880 –> 00:20:00,320
نظرات اوه لطفا اوه اوه آن را کنار بگذارید
625
00:20:00,320 –> 00:20:03,120
اوه من همه اینها را زیر نظر دارم اوه در
626
00:20:03,120 –> 00:20:03,600
استفاده از
627
00:20:03,600 –> 00:20:07,840
تلفن همراهم درست است
628
00:20:14,240 –> 00:20:17,600
اوه می دانید من می بینم اوه
629
00:20:17,600 –> 00:20:21,039
می دانید نظرات بیشتر اوه اوه اوه ابرنا می گوید
630
00:20:21,039 –> 00:20:23,039
وقتی می خواهم ثبت نام کنم می گوید
631
00:20:23,039 –> 00:20:25,120
خطای سرور پولی اوه والبانا من مطمئن هستم که
632
00:20:25,120 –> 00:20:26,320
کسی
633
00:20:26,320 –> 00:20:27,840
که در تیم ما است و به نظرات پاسخ
634
00:20:27,840 –> 00:20:30,640
می دهد قطعاً به شما در این مورد کمک خواهد کرد.
635
00:20:30,640 –> 00:20:33,120
636
00:20:33,120 –> 00:20:34,000
637
00:20:34,000 –> 00:20:36,799
638
00:20:36,799 –> 00:20:37,840
639
00:20:37,840 –> 00:20:41,440
640
00:20:41,440 –> 00:20:43,440
حدس بزنید معنی آن درست است
641
00:20:43,440 –> 00:20:45,600
اوه شما می دانید که ما برچسب هایی را به رایانه ارائه نمی دهیم
642
00:20:45,600 –> 00:20:47,440
و آن
643
00:20:47,440 –> 00:20:49,520
را به خود دستگاه واگذار می کنیم تا آن را بفهمد،
644
00:20:49,520 –> 00:20:51,919
اکنون می توانید همان تصویر اوه را ببینید.
645
00:20:51,919 –> 00:20:53,280
646
00:20:53,280 –> 00:20:55,039
تصاویری که می بینید
647
00:20:55,039 –> 00:20:56,080
گل ها را می
648
00:20:56,080 –> 00:20:58,480
بینید آه دمبل ها تصویر ماشین را
649
00:20:58,480 –> 00:20:59,120
درست
650
00:20:59,120 –> 00:21:00,960
می بینید اما برچسب های زیر
651
00:21:00,960 –> 00:21:02,400
آنها را نمی بینید نمی بینید که من
652
00:21:02,400 –> 00:21:04,320
گل ها را به عنوان گل علامت گذاری کرده ام دمبل تلو تلو
653
00:21:04,320 –> 00:21:06,080
خوردن و کاراسکار
654
00:21:06,080 –> 00:21:09,200
در این مورد خاص ما
655
00:21:09,200 –> 00:21:11,120
دستگاه را می خواهیم الگوریتم یادگیری برای
656
00:21:11,120 –> 00:21:13,039
یافتن ساختاری که در
657
00:21:13,039 –> 00:21:14,960
دادهها وجود دارد، ما میخواستیم به
658
00:21:14,960 –> 00:21:18,080
تنهایی آن را پیدا کنیم، بنابراین به جای اینکه
659
00:21:18,080 –> 00:21:20,320
خودمان به آن برچسب بدهیم، از آن میپرسم هی
660
00:21:20,320 –> 00:21:22,400
اینجا تصویر من را پیدا کن یک ورودی برای من پیدا کن یک
661
00:21:22,400 –> 00:21:23,200
ساختار
662
00:21:23,200 –> 00:21:24,799
به من بگو چه خبر است و شما باید
663
00:21:24,799 –> 00:21:26,640
خودتان آن را بیاموزید به این صورت است که
664
00:21:26,640 –> 00:21:29,440
یادگیری بدون نظارت در حال حاضر چگونه کار می کند، اوه،
665
00:21:29,440 –> 00:21:30,880
در پایان روز، هر زمان که
666
00:21:30,880 –> 00:21:32,720
اوه می دانید که به این نگاه
667
00:21:32,720 –> 00:21:34,320
می کنید، ممکن است تعجب کنید که اکنون بگویید
668
00:21:34,320 –> 00:21:34,640
669
00:21:34,640 –> 00:21:37,200
هی، آیا این کار با نظارت آسان تر نیست
670
00:21:37,200 –> 00:21:38,559
کارکرد الگوریتمهای rning در مقایسه با
671
00:21:38,559 –> 00:21:40,080
یادگیری بدون نظارت
672
00:21:40,080 –> 00:21:42,000
، پاسخ آن کاملاً بله
673
00:21:42,000 –> 00:21:43,679
است، زیرا باز
674
00:21:43,679 –> 00:21:45,200
هم هر دوی اینها بسیار قدرتمند هستند اگر
675
00:21:45,200 –> 00:21:47,120
از مجموعه دادههای ساده استفاده کنید، انجام آن به معنای واقعی کلمه
676
00:21:47,120 –> 00:21:48,640
زمان یا تلاش زیادی را صرف نمیکند.
677
00:21:48,640 –> 00:21:50,960
خود کار پیچیدگی
678
00:21:50,960 –> 00:21:52,640
زمانی که به جنبه ریاضی چیزها نگاهی بیندازید
679
00:21:52,640 –> 00:21:53,600
680
00:21:53,600 –> 00:21:55,280
و اجرای آن و همچنین
681
00:21:55,280 –> 00:21:57,600
یادگیری بدون نظارت درست
682
00:21:57,600 –> 00:21:59,919
کمی چالش دارد.
683
00:21:59,919 –> 00:22:01,679
684
00:22:01,679 –> 00:22:02,960
685
00:22:02,960 –> 00:22:04,960
شما
686
00:22:04,960 –> 00:22:06,559
مفاهیم را بر حسب یادگیری بدون نظارت می دانید،
687
00:22:06,559 –> 00:22:08,080
بنابراین یادگیری بدون نظارت را می توان
688
00:22:08,080 –> 00:22:09,840
به دو چیز تقسیم کرد که به آنها
689
00:22:09,840 –> 00:22:10,960
خوشه بندی و
690
00:22:10,960 –> 00:22:13,679
تداعی
691
00:22:13,679 –> 00:22:15,840
692
00:22:15,840 –> 00:22:18,080
693
00:22:18,080 –> 00:22:20,000
می گویند.
694
00:22:20,000 –> 00:22:20,559
695
00:22:20,559 –> 00:22:22,480
که من فقط به شما گفتم
696
00:22:22,480 –> 00:22:24,320
میوه های سبز رنگ شما فقط آن
697
00:22:24,320 –> 00:22:24,880
را در
698
00:22:24,880 –> 00:22:26,880
یک چیز قرار دهید اگر بگویم هی
699
00:22:26,880 –> 00:22:28,559
سیب و پرتقال را تقسیم کنید
700
00:22:28,559 –> 00:22:30,159
حتی اگر هر دوی آنها سبز
701
00:22:30,159 –> 00:22:31,679
رنگ هستند و
702
00:22:31,679 –> 00:22:34,080
هنوز رسیده نشده اند، شما فقط آن را از هم جدا
703
00:22:34,080 –> 00:22:35,520
خواهید کرد زیرا می دانید یک پرتقال چگونه به نظر می
704
00:22:35,520 –> 00:22:37,039
رسد و می دانید که یک سیب دقیقاً چه شکلی است،
705
00:22:37,039 –> 00:22:38,400
به
706
00:22:38,400 –> 00:22:40,320
طوری که گروه هایی از آنها را تشکیل می دهید.
707
00:22:40,320 –> 00:22:41,919
چیزهای مختلف اگر به شما موز هم بدهم،
708
00:22:41,919 –> 00:22:43,919
هنوز هم
709
00:22:43,919 –> 00:22:46,080
میتوانید خوشهبندی کنید، هنوز هم میتوانید موز را بیرون بیاورید و
710
00:22:46,080 –> 00:22:47,840
آن را از سیب و پرتقال جدا کنید،
711
00:22:47,840 –> 00:22:50,240
درست است که اکنون وقتی
712
00:22:50,240 –> 00:22:51,760
در مورد تداعی صحبت میکنیم، یک
713
00:22:51,760 –> 00:22:52,960
چیز مهم درباره تداعی صحبت میکنیم که
714
00:22:52,960 –> 00:22:54,159
باید بدانید.
715
00:22:54,159 –> 00:22:56,720
این یک چیز بسیار معروف است که
716
00:22:56,720 –> 00:22:57,200
717
00:22:57,200 –> 00:22:59,360
اکنون در همه جا استفاده می شود، اگر فردی هستید،
718
00:22:59,360 –> 00:23:01,440
مطمئن هستم که ممکن است یک برنامه تلویزیونی
719
00:23:01,440 –> 00:23:03,919
یا ویدیویی را در یوتیوب یا نتفلیکس یا
720
00:23:03,919 –> 00:23:05,520
هر چیز دیگری که درست است تماشا کرده باشید، منظورم این است که چه کسی
721
00:23:05,520 –> 00:23:07,039
از نتفلیکس استفاده نمی کند. این روزها
722
00:23:07,039 –> 00:23:09,600
دقیقاً در نتفلیکس، هر زمان که برنامه
723
00:23:09,600 –> 00:23:11,039
تلویزیونی را در پایان آن
724
00:23:11,039 –> 00:23:12,559
تماشا میکنید، میگویند افرادی که این برنامه را تماشا کردهاند، این را
725
00:23:12,559 –> 00:23:14,080
نیز تماشا کردهاند، اگر
726
00:23:14,080 –> 00:23:14,960
فیلم ترسناکی را تماشا کردهاید، یک توصیه
727
00:23:14,960 –> 00:23:16,720
ترسناک دیگر به شما
728
00:23:16,720 –> 00:23:18,000
729
00:23:18,000 –> 00:23:19,760
میدهد، پس چگونه می داند که مردم
730
00:23:19,760 –> 00:23:21,760
دوست دارند که بر اساس این برنامه تلویزیونی ممکن
731
00:23:21,760 –> 00:23:22,000
732
00:23:22,000 –> 00:23:23,840
است یک دنباله باشد، ممکن است یک پیش درآمد باشد،
733
00:23:23,840 –> 00:23:25,200
ممکن است چیز دیگری
734
00:23:25,200 –> 00:23:27,039
باشد، ممکن است بازیگر مورد علاقه شما همه
735
00:23:27,039 –> 00:23:29,520
این چیزها را داشته باشد، بنابراین نتفلیکس این کاربرد شگفت انگیز را دارد
736
00:23:29,520 –> 00:23:30,159
737
00:23:30,159 –> 00:23:32,000
اوه اوه شما می دانید مورد استفاده را دارید جایی که آنها از
738
00:23:32,000 –> 00:23:33,440
یادگیری بدون نظارت
739
00:23:33,440 –> 00:23:35,600
با پتانسیل کامل خود استفاده می کنند، بنابراین
740
00:23:35,600 –> 00:23:37,440
این یک مثال خوب از ارتباط است،
741
00:23:37,440 –> 00:23:38,880
مثال دیگری از ارتباط این است که
742
00:23:38,880 –> 00:23:41,039
هر زمان که در آمازون هستید در حال خرید هستید
743
00:23:41,039 –> 00:23:41,840
، فرض کنید
744
00:23:41,840 –> 00:23:43,679
یک تلفن همراه جدیدی که به محض خرید یک تلفن همراه جدید می شناسید.
745
00:23:43,679 –> 00:23:45,039
تلفن همراه جدید اگر
746
00:23:45,039 –> 00:23:46,640
به پیمایش ادامه می دهید آن را به سبد خرید خود اضافه کنید و
747
00:23:46,640 –> 00:23:47,360
همه
748
00:23:47,360 –> 00:23:48,880
این موارد نشان می دهد که هی افرادی که این
749
00:23:48,880 –> 00:23:50,640
تلفن همراه را خریده اند یک قاب و یک
750
00:23:50,640 –> 00:23:52,159
شیشه سکوریت یا چیزی شبیه به آن
751
00:23:52,159 –> 00:23:52,960
درست خریده اند زیرا
752
00:23:52,960 –> 00:23:54,960
هر بار که شخصی یک تلفن جدید در
753
00:23:54,960 –> 00:23:55,919
هند می خرد. احتمال زیادی وجود دارد که آنها
754
00:23:55,919 –> 00:23:57,520
یک شیشه سکوریت و یک
755
00:23:57,520 –> 00:23:58,320
جعبه روی آن قرار
756
00:23:58,320 –> 00:24:00,400
دهند، بنابراین خود آمازون یاد گرفته است که بگوید خوب است،
757
00:24:00,400 –> 00:24:01,919
بنابراین این یک وضعیت است،
758
00:24:01,919 –> 00:24:03,600
ساختار این است که کارها اینگونه است، بنابراین اجازه
759
00:24:03,600 –> 00:24:05,200
دهید آن را نیز درست توصیه کنم.
760
00:24:05,200 –> 00:24:08,320
برای شما دوستان
761
00:24:08,320 –> 00:24:10,880
عالی است حالا بیایید در مورد
762
00:24:10,880 –> 00:24:12,320
یادگیری تقویتی به سرعت صحبت کنیم
763
00:24:12,320 –> 00:24:14,240
یادگیری تقویتی دوباره یکی دیگر از انواع
764
00:24:14,240 –> 00:24:16,000
شگفت انگیز یادگیری و
765
00:24:16,000 –> 00:24:16,960
یادگیری ماشینی است که در آن
766
00:24:16,960 –> 00:24:19,279
ماشین ها را آموزش می دهید و بر
767
00:24:19,279 –> 00:24:21,200
اساس بازخوردی که از یادگیری خودش می گیرد
768
00:24:21,200 –> 00:24:21,600
769
00:24:21,600 –> 00:24:23,840
یاد می گیرد. الگوریتمی
770
00:24:23,840 –> 00:24:24,640
که
771
00:24:24,640 –> 00:24:26,720
اکنون به سمت پاداش کار می کند اگر شما
772
00:24:26,720 –> 00:24:27,919
فردی هستید که سگ خانگی دارید
773
00:24:27,919 –> 00:24:30,080
، مطمئن هستم که اگر تا به حال سگ را آموزش داده
774
00:24:30,080 –> 00:24:32,080
باشید،
775
00:24:32,080 –> 00:24:34,000
اگر می خواهید از سگ خانگی خود دست بدهید،
776
00:24:34,000 –> 00:24:35,600
معمولاً اگر یک سگ خانگی را ببینید، اکنون وضعیت را درک خواهید کرد.
777
00:24:35,600 –> 00:24:37,200
مربی حرفه ای این کار را انجام می دهد
778
00:24:37,200 –> 00:24:38,880
، او یک دست می دهد و
779
00:24:38,880 –> 00:24:40,640
سپس کمی بیسکویت به سگ می دهند،
780
00:24:40,640 –> 00:24:42,240
درست است که به آن غذای کمی می دهند
781
00:24:42,240 –> 00:24:44,159
تا سگ بداند اگر من دست بدهم،
782
00:24:44,159 –> 00:24:45,840
یک خوراکی می گیرم، پس چه می شود.
783
00:24:45,840 –> 00:24:47,279
انجام می دهد این است که هر وقت درخواست دست دادن
784
00:24:47,279 –> 00:24:49,279
می کنید، به همین سادگی به شما دست می دهد،
785
00:24:49,279 –> 00:24:51,440
اما چه می شود اگر برای دست دادن بخواهید
786
00:24:51,440 –> 00:24:53,440
و سگ فرار کند، آیا به او لطفی می کنید،
787
00:24:53,440 –> 00:24:55,919
خوب نه، سگ فرار کرد،
788
00:24:55,919 –> 00:24:57,520
تمام هدف همان دست دادن بود که انجام داد. ‘t اکنون به
789
00:24:57,520 –> 00:24:58,480
شما دست بدهید
790
00:24:58,480 –> 00:24:59,840
، این نکته مهمی است که
791
00:24:59,840 –> 00:25:01,679
در اینجا باید به آن توجه داشته باشید الگوریتم یادگیری ماشین شما
792
00:25:01,679 –> 00:25:03,200
دقیقاً مانند این سگ است
793
00:25:03,200 –> 00:25:04,720
یا به جای فرار، کاری که
794
00:25:04,720 –> 00:25:07,039
انجام خواهد داد این است که حداکثر تلاش را برای دریافت
795
00:25:07,039 –> 00:25:08,640
آن رفتار خواهد کرد تا به سمت آن پاداش کار کند.
796
00:25:08,640 –> 00:25:09,279
797
00:25:09,279 –> 00:25:11,679
هر زمان که در جهت مخالف
798
00:25:11,679 –> 00:25:13,360
حرکت می کند هر زمان که سعی می کند فرار
799
00:25:13,360 –> 00:25:14,640
کند جریمه می شود
800
00:25:14,640 –> 00:25:16,880
البته هیچ کس جریمه نمی کند من مطمئن هستم که هیچ
801
00:25:16,880 –> 00:25:18,559
کس حیوانات خانگی خود را در دنیای واقعی جریمه نمی کند
802
00:25:18,559 –> 00:25:20,240
یک مثال فرضی است درست است هیچ کس
803
00:25:20,240 –> 00:25:21,200
حیوانات خانگی را مجازات نمی کند
804
00:25:21,200 –> 00:25:23,200
و من به همه شما پیشنهاد می کنم که این کار را نکنید به
805
00:25:23,200 –> 00:25:24,240
همین ترتیب، اما
806
00:25:24,240 –> 00:25:25,919
در مورد الگوریتم یادگیری ماشینی اینطور پیش میرود، در
807
00:25:25,919 –> 00:25:27,279
آنجا شما
808
00:25:27,279 –> 00:25:28,880
فقط اعداد را تغییر میدهید، به
809
00:25:28,880 –> 00:25:29,600
هیچ
810
00:25:29,600 –> 00:25:32,400
چیز آسیبی نمیرساند، بنابراین وقتی شروع به گفتن هی
811
00:25:32,400 –> 00:25:32,720
میدانید
812
00:25:32,720 –> 00:25:34,240
الگوریتم یادگیری ماشین متوجه
813
00:25:34,240 –> 00:25:35,840
میشود که در جهت دیگری است.
814
00:25:35,840 –> 00:25:37,600
این توانایی را دارد که خود را اصلاح کند و
815
00:25:37,600 –> 00:25:39,120
خود را به سمت
816
00:25:39,120 –> 00:25:41,039
کار کردن بر روی خود پاداش بازگرداند که
817
00:25:41,039 –> 00:25:42,480
شگفتانگیزترین بخش
818
00:25:42,480 –> 00:25:45,679
در مورد یادگیری تقویتی است.
819
00:25:45,679 –> 00:25:46,080
820
00:25:46,080 –> 00:25:48,080
به مدل جنگل تصادفی ما توجه کنید،
821
00:25:48,080 –> 00:25:49,760
اوه می دانید
822
00:25:49,760 –> 00:25:51,360
قبل از اینکه در مورد مدل جنگل تصادفی صحبت
823
00:25:51,360 –> 00:25:53,120
کنیم، ما دیدیم تحت نظارت، دیدیم
824
00:25:53,120 –> 00:25:54,720
بدون نظارت و ما شاهد یادگیری تقویتی بودیم،
825
00:25:54,720 –> 00:25:56,240
بچه ها می توانید به من بگویید
826
00:25:56,240 –> 00:25:59,279
که کدام نوع الگوریتم مدل جنگل تصادفی
827
00:25:59,279 –> 00:26:00,559
است که اکنون تحت
828
00:26:00,559 –> 00:26:02,559
یکی از این سه الگوریتم قرار می گیرد. من می خواهم شما بچه
829
00:26:02,559 –> 00:26:04,000
ها به بخش نظرات بروید
830
00:26:04,000 –> 00:26:06,559
و به من بگویید اوه شما می دانید این مدل کدام است
831
00:26:06,559 –> 00:26:08,240
در این مدت من یک جرعه
832
00:26:08,240 –> 00:26:11,840
833
00:26:31,760 –> 00:26:33,679
آب می خورم تا زمانی که شما
834
00:26:33,679 –> 00:26:36,240
پاسخ را در اینجا بگذارید، به ما اجازه دهید بفهمیم
835
00:26:36,240 –> 00:26:38,320
که مدل جنگل تصادفی همه چیز
836
00:26:38,320 –> 00:26:39,440
در مورد
837
00:26:39,440 –> 00:26:42,159
این است که در حال حاضر نام خود بسیار تصادفی است
838
00:26:42,159 –> 00:26:43,440
جنگل تصادفی راست
839
00:26:43,440 –> 00:26:45,440
، حتی به این معنی است که چرا
840
00:26:45,440 –> 00:26:47,679
نامی به نام جنگل تصادفی دارد،
841
00:26:47,679 –> 00:26:49,520
خوب اجازه دهید این را به شما بگویم وقتی
842
00:26:49,520 –> 00:26:51,120
به یک جنگل واقعی
843
00:26:51,120 –> 00:26:52,480
فکر می کنید اولین چیزی که چیست؟
844
00:26:52,480 –> 00:26:55,120
به ذهن شما می رسد آه درخت های زیادی درست
845
00:26:55,120 –> 00:26:56,960
آه اوه معمولاً گروهی از درختان هستند و
846
00:26:56,960 –> 00:26:58,559
وقتی به یک جنگل به تصویر
847
00:26:58,559 –> 00:26:59,679
یک جنگل نگاه
848
00:26:59,679 –> 00:27:01,200
می کنید می دانید که شانس خوبی وجود
849
00:27:01,200 –> 00:27:03,039
دارد که صدها یا نه هزاران
850
00:27:03,039 –> 00:27:03,760
درخت را ببینید.
851
00:27:03,760 –> 00:27:06,159
اوه و شما فقط
852
00:27:06,159 –> 00:27:07,760
هزاران حیوان را دقیقاً در کنار یکدیگر
853
00:27:07,760 –> 00:27:08,640
نخواهید دید که البته می توانید ببینید که
854
00:27:08,640 –> 00:27:09,360
میلیون ها
855
00:27:09,360 –> 00:27:11,679
آه یا موجودات و حیوانات در آنجا وجود دارند، اما
856
00:27:11,679 –> 00:27:13,039
چیزی
857
00:27:13,039 –> 00:27:15,520
که به درختان توجه شما را جلب می کند دقیقاً اوه
858
00:27:15,520 –> 00:27:17,440
شما یک مدل جنگلی تصادفی می شناسید همچنین
859
00:27:17,440 –> 00:27:19,440
نام خود را فقط به دلیل این واقعیت است
860
00:27:19,440 –> 00:27:20,159
که از درختان تشکیل شده است،
861
00:27:20,159 –> 00:27:22,480
اکنون در مورد چه درختانی صحبت می کنیم،
862
00:27:22,480 –> 00:27:24,159
در صورتی
863
00:27:24,159 –> 00:27:25,679
که می دانید درست محاسبه می کنیم، ما در
864
00:27:25,679 –> 00:27:28,640
مورد درخت های تصمیم صحبت می کنیم، اکنون درختان تصمیم
865
00:27:28,640 –> 00:27:30,880
یک جنبه بسیار مهم از یادگیری ماشین هستند
866
00:27:30,880 –> 00:27:33,200
که در آن ما سعی کنید مفاهیم
867
00:27:33,200 –> 00:27:34,559
را
868
00:27:34,559 –> 00:27:36,640
به نحوه عملکرد یک درخت تقسیم کنید، حالا وقتی به
869
00:27:36,640 –> 00:27:38,559
درخت نگاه می کنید، ریشه
870
00:27:38,559 –> 00:27:40,640
دارد، ساقه دارد، برگ دارد و
871
00:27:40,640 –> 00:27:42,320
همه اینها درست است، بنابراین هر زمان که باید
872
00:27:42,320 –> 00:27:43,919
روی مفاهیم ریاضی کار
873
00:27:43,919 –> 00:27:46,240
کنیم، در نظر می گیریم. داده ها از نظر
874
00:27:46,240 –> 00:27:46,960
ریشه باشند
875
00:27:46,960 –> 00:27:49,679
اگر جنبه بسیار مهمی است اگر
876
00:27:49,679 –> 00:27:51,760
ارزش زیادی اضافه می کند و تقسیم
877
00:27:51,760 –> 00:27:53,919
می کنیم که آن را به چیزهای ساده تر تقسیم
878
00:27:53,919 –> 00:27:55,600
879
00:27:55,600 –> 00:27:57,520
880
00:27:57,520 –> 00:27:59,279
می کنیم. از این لیا در
881
00:27:59,279 –> 00:28:00,240
انتهای آن درست است،
882
00:28:00,240 –> 00:28:01,679
بنابراین وقتی به یک
883
00:28:01,679 –> 00:28:03,919
درخت واقعی نگاه میکنید، میدانید که در انتهای برگ
884
00:28:03,919 –> 00:28:05,440
چیزی وجود ندارد، برگ نقطه پایانی
885
00:28:05,440 –> 00:28:07,360
است درست روی یک ساقه رشد میکند اما
886
00:28:07,360 –> 00:28:08,960
آخرین چیزی که از آن بیرون میآید.
887
00:28:08,960 –> 00:28:11,520
ساقه همان برگ است، هیچ
888
00:28:11,520 –> 00:28:12,960
چیزی روی برگ رشد نمی کند،
889
00:28:12,960 –> 00:28:15,120
آه، برای انجام کاری از همان درخت،
890
00:28:15,120 –> 00:28:16,000
به همین دلیل
891
00:28:16,000 –> 00:28:18,399
، این مورد خاص در حال حاضر برای پاسخ
892
00:28:18,399 –> 00:28:19,360
به سوال شما است
893
00:28:19,360 –> 00:28:22,399
آه جنگل های تصادفی هستند آه، می دانید
894
00:28:22,399 –> 00:28:24,240
اساساً این مدل کار کردن
895
00:28:24,240 –> 00:28:25,840
بسیار است. مدل جذاب، این یک
896
00:28:25,840 –> 00:28:26,880
897
00:28:26,880 –> 00:28:28,799
الگوریتم یادگیری نظارت شده است، بنابراین در مورد
898
00:28:28,799 –> 00:28:30,320
الگوریتم یادگیری نظارت شده
899
00:28:30,320 –> 00:28:32,240
، ما با برچسب و داده ها چه کار می کنیم،
900
00:28:32,240 –> 00:28:33,679
البته ما
901
00:28:33,679 –> 00:28:36,559
هم برچسب و هم خود داده را درست ارائه
902
00:28:36,559 –> 00:28:37,520
می دهیم، مطمئن هستم که شما بچه ها
903
00:28:37,520 –> 00:28:40,000
قبلاً دریافت کرده اید. شما می دانید که قبلا
904
00:28:40,000 –> 00:28:41,279
حدس زده اید که این
905
00:28:41,279 –> 00:28:43,360
کاملاً عالی است، بنابراین برخی از شما بچه
906
00:28:43,360 –> 00:28:45,520
ها پاسخ را درست دریافت کردید، اجازه دهید من را بررسی کنم
907
00:28:45,520 –> 00:28:46,159
908
00:28:46,159 –> 00:28:49,279
اوه Kaship uttham vineeth اوه
909
00:28:49,279 –> 00:28:51,760
شما می دانید که همه شما می گویید که
910
00:28:51,760 –> 00:28:54,159
کاملاً نظارت شده است مطمئن ترین ها
911
00:28:54,159 –> 00:28:55,919
بدون نظارت است خوب مطمئن شوید که واقعاً درست است
912
00:28:55,919 –> 00:28:57,840
andom forest در واقع یک مدل یادگیری نظارت شده
913
00:28:57,840 –> 00:28:58,480
914
00:28:58,480 –> 00:29:03,039
است. راست پروش می گوید چه زمانی
915
00:29:03,039 –> 00:29:04,559
شروع کلاس به خوبی ارائه
916
00:29:04,559 –> 00:29:06,240
می شود در یک جلسه زنده تنظیم می شود، بنابراین
917
00:29:06,240 –> 00:29:08,080
کلاس ادامه دارد همانطور که ما صحبت می کنیم در واقع
918
00:29:08,080 –> 00:29:10,000
نیمی از کلاس در
919
00:29:10,000 –> 00:29:11,679
حال حاضر تمام شده است، اما من به شما پیشنهاد می کنم که در این زمان باقی
920
00:29:11,679 –> 00:29:13,679
بمانید. اوه اوه شما بخش مهم دیگر را می دانید
921
00:29:13,679 –> 00:29:15,039
زیرا در اینجا ما سعی
922
00:29:15,039 –> 00:29:15,760
می کنیم نگاهی
923
00:29:15,760 –> 00:29:17,279
به مقدمه جنگل تصادفی بیندازیم،
924
00:29:17,279 –> 00:29:19,679
این را نیز عملاً بررسی می کنیم.
925
00:29:19,679 –> 00:29:22,799
926
00:29:22,799 –> 00:29:24,720
927
00:29:24,720 –> 00:29:26,080
928
00:29:26,080 –> 00:29:28,720
شما باید یک چیز بسیار
929
00:29:28,720 –> 00:29:30,640
مهم را در مورد جنگل های تصادفی بدانید
930
00:29:30,640 –> 00:29:31,039
که
931
00:29:31,039 –> 00:29:33,440
آن را در دنیای امروز بسیار محبوب کرده است در
932
00:29:33,440 –> 00:29:34,480
933
00:29:34,480 –> 00:29:36,720
حال حاضر جنگل تصادفی گروهی از
934
00:29:36,720 –> 00:29:38,240
درختان
935
00:29:38,240 –> 00:29:40,720
تصمیم گیری است که خود درختان تصمیم کامل یک
936
00:29:40,720 –> 00:29:42,080
مورد استفاده دارند که دامنه آن بسیار بسیار
937
00:29:42,080 –> 00:29:44,799
گسترده است. آیا شما هم میدانستید که
938
00:29:44,799 –> 00:29:45,200
این
939
00:29:45,200 –> 00:29:47,279
جنگل تصادفی یکی از
940
00:29:47,279 –> 00:29:49,600
تکنیکهای طبقهبندی برتر است که ما امروز از آن استفاده میکنیم،
941
00:29:49,600 –> 00:29:52,640
زیرا هم برای رگرسیون و هم برای طبقهبندی کار میکند.
942
00:29:52,640 –> 00:29:54,000
943
00:29:54,000 –> 00:29:56,399
بخش و شما
944
00:29:56,399 –> 00:29:57,120
به من بگویید
945
00:29:57,120 –> 00:29:59,440
اوه می دانید چه چیزی به من یک مثال
946
00:29:59,440 –> 00:30:01,360
برای طبقه بندی رگرسیون بدهید درست است که ما
947
00:30:01,360 –> 00:30:02,399
در این مورد بحث کردیم
948
00:30:02,399 –> 00:30:04,640
و من مطمئن هستم که می دانید شما بچه ها
949
00:30:04,640 –> 00:30:06,159
می توانید یک مثال ساده به من بدهید بنابراین بچه ها
950
00:30:06,159 –> 00:30:07,760
سریع به جعبه چت بروید یک مثال برای من بدهید.
951
00:30:07,760 –> 00:30:09,360
رگرسیون در حال حاضر یک
952
00:30:09,360 –> 00:30:11,360
مثال برای طبقه بندی به من بدهید
953
00:30:11,360 –> 00:30:13,440
در این بین ممکن است
954
00:30:13,440 –> 00:30:14,880
این سوال را بپرسید و بگویید خوب است، بنابراین اگر
955
00:30:14,880 –> 00:30:15,440
قبلاً
956
00:30:15,440 –> 00:30:18,080
درختان تصمیم داریم چرا به جنگل های تصادفی نیاز داریم که
957
00:30:18,080 –> 00:30:20,159
958
00:30:20,159 –> 00:30:22,559
سؤال بسیار خوبی بپرسیم زیرا من
959
00:30:22,559 –> 00:30:24,480
این را در مورد درختان تصمیم گیری به شما خواهم گفت.
960
00:30:24,480 –> 00:30:27,520
یک مشکل اساسی دارد
961
00:30:27,520 –> 00:30:29,679
که در
962
00:30:29,679 –> 00:30:31,440
هنگام استفاده از آن واریانس بسیار بالایی از نظر یادگیری دارد و البته
963
00:30:31,440 –> 00:30:32,000
964
00:30:32,000 –> 00:30:34,799
بایاس کمی دارد که این برای افراد غیرمستقیم به معنای این
965
00:30:34,799 –> 00:30:35,440
است که
966
00:30:35,440 –> 00:30:37,600
خروجی ای که از درخت تصمیم
967
00:30:37,600 –> 00:30:39,120
می
968
00:30:39,120 –> 00:30:41,440
گیرید بسیار ناپایدار است، دقیقا برعکس است. آنچه که اکنون
969
00:30:41,440 –> 00:30:43,120
از نظر پایداری
970
00:30:43,120 –> 00:30:45,279
در مورد یک جنگل تصادفی به دنبال آن هستیم، یک
971
00:30:45,279 –> 00:30:47,279
جنگل تصادفی در واقع این
972
00:30:47,279 –> 00:30:49,200
مشکل را با داشتن
973
00:30:49,200 –> 00:30:51,600
واریانس کم و بایاس بالا
974
00:30:51,600 –> 00:30:52,960
برطرف می کند. k در
975
00:30:52,960 –> 00:30:54,640
درختان تصمیم گیری روی صفحه نمایش شما دقیقاً
976
00:30:54,640 –> 00:30:55,760
برعکس عمل می کند،
977
00:30:55,760 –> 00:30:59,039
اما حدس بزنید که وقتی همه
978
00:30:59,039 –> 00:31:00,640
این درختان تصمیم یا البته بیش
979
00:31:00,640 –> 00:31:02,799
از دو یا سه درخت تصمیم را جمع کنید،
980
00:31:02,799 –> 00:31:05,120
این مشکل در واقع حل می شود، بایاس
981
00:31:05,120 –> 00:31:07,039
بالا می رود و واریانس پایین می آید تا
982
00:31:07,039 –> 00:31:09,600
چرا جنگلهای تصادفی امروزه بسیار
983
00:31:09,600 –> 00:31:11,840
محبوب هستند، دادهها
984
00:31:11,840 –> 00:31:15,120
را میگیرد و دادهها را بر اساس
985
00:31:15,120 –> 00:31:17,039
نیاز شما تقسیم میکند، چندین
986
00:31:17,039 –> 00:31:18,720
شاخه برای دادهها ایجاد میکند و
987
00:31:18,720 –> 00:31:20,559
هر زمان که خروجی وجود داشته باشد
988
00:31:20,559 –> 00:31:21,760
که باید ارائه شود،
989
00:31:21,760 –> 00:31:24,159
این خروجیها به صورت برگ میشوند، زیرا
990
00:31:24,159 –> 00:31:26,240
این پایان است. نقطه پایان است، همانطور که ما
991
00:31:26,240 –> 00:31:27,919
به شما گفتیم، حتی در یک درخت واقعی،
992
00:31:27,919 –> 00:31:30,320
حالا وقتی یک جنگل دارید، در
993
00:31:30,320 –> 00:31:32,000
مورد چندین درخت چندین
994
00:31:32,000 –> 00:31:33,840
درخت دارید، هر یک از این درختان به تنهایی می توانند
995
00:31:33,840 –> 00:31:35,279
کمی ترسناک باشند، اما زمانی
996
00:31:35,279 –> 00:31:37,279
که در حال کار هستند. آنها با هم دوباره معجزه
997
00:31:37,279 –> 00:31:37,840
998
00:31:37,840 –> 00:31:40,000
می کنند، شما می دانید که جنگل های ما
999
00:31:40,000 –> 00:31:42,080
نیز عالی هستند، بنابراین امیدوارم با
1000
00:31:42,080 –> 00:31:44,080
این موضوع روشن باشید، مهمترین نکته اینجا این است
1001
00:31:44,080 –> 00:31:46,080
که ما در حال حل مسئله درختان تصمیم هستیم
1002
00:31:46,080 –> 00:31:48,399
و اوه شما می دانید جنگلهای تصادفی
1003
00:31:48,399 –> 00:31:49,120
1004
00:31:49,120 –> 00:31:51,200
هم برای رگرسیون و هم برای
1005
00:31:51,200 –> 00:31:53,440
خود طبقهبندی کار میکنند،
1006
00:31:53,440 –> 00:31:55,760
بنابراین میدانید که
1007
00:31:55,760 –> 00:31:56,480
دانستن در مورد
1008
00:31:56,480 –> 00:31:58,880
جنگلهای تصادفی چیز شگفتانگیزی است، اما آیا میدانید
1009
00:31:58,880 –> 00:31:59,519
1010
00:31:59,519 –> 00:32:02,559
جنگلهای تصادفی در این مورد خاص چگونه کار
1011
00:32:02,559 –> 00:32:03,919
میکنند، فکر میکنم برای شما بچهها مهم است که
1012
00:32:03,919 –> 00:32:05,279
این را درک کنید، زیرا دوباره این یک
1013
00:32:05,279 –> 00:32:06,960
الگوریتم بسیار محبوب است که
1014
00:32:06,960 –> 00:32:09,360
امروزه به طور گسترده مورد استفاده قرار می گیرد، هر زمان که برای
1015
00:32:09,360 –> 00:32:11,120
هر نوع شغل یادگیری ماشینی درخواست می کنید
1016
00:32:11,120 –> 00:32:12,880
، چیزهای محبوبی که قرار است
1017
00:32:12,880 –> 00:32:14,240
در مصاحبه بپرسند
1018
00:32:14,240 –> 00:32:16,480
و البته کاربردهای
1019
00:32:16,480 –> 00:32:17,840
عملی مربوط به جنگل تصادفی است،
1020
00:32:17,840 –> 00:32:19,039
زیرا این یک مفهوم چالش برانگیز
1021
00:32:19,039 –> 00:32:20,159
برای حمله است
1022
00:32:20,159 –> 00:32:22,159
و برنامههایی که از
1023
00:32:22,159 –> 00:32:23,360
آن استخراج میکنید بسیار قدرتمند هستند،
1024
00:32:23,360 –> 00:32:25,279
بنابراین بچهها مطمئن شوید که همین الان به آن توجه کردهاید،
1025
00:32:25,279 –> 00:32:26,640
1026
00:32:26,640 –> 00:32:29,039
در مورد مدل جنگل تصادفی،
1027
00:32:29,039 –> 00:32:30,799
یک مفهوم بسیار مهم
1028
00:32:30,799 –> 00:32:32,640
که باید در مورد آن بدانید مفهومی است
1029
00:32:32,640 –> 00:32:33,279
به نام
1030
00:32:33,279 –> 00:32:36,320
کیسه کردن در حال حاضر اوه کیسه چه اتفاقی می افتد این است
1031
00:32:36,320 –> 00:32:37,840
که ببینید هر زمان که یک مجموعه داده درست دارید،
1032
00:32:37,840 –> 00:32:39,679
یک مجموعه داده شامل چندین
1033
00:32:39,679 –> 00:32:42,399
ردیف و چندین ستون به ارزش دا است.
1034
00:32:42,399 –> 00:32:44,480
آیا شما همیشه همه اینها را برای
1035
00:32:44,480 –> 00:32:46,399
آموزش میگیرید آیا همیشه همه اینها را
1036
00:32:46,399 –> 00:32:46,960
برای
1037
00:32:46,960 –> 00:32:49,600
آزمایش میگیرید، میتوانید اگر بخواهید بنویسید
1038
00:32:49,600 –> 00:32:51,919
میتوانید تعدادی ردیف
1039
00:32:51,919 –> 00:32:53,840
با تعداد ستونهای داده را انتخاب کنید،
1040
00:32:53,840 –> 00:32:55,840
اما در اینجا چه اتفاقی میافتد در مورد
1041
00:32:55,840 –> 00:32:57,039
کیسهسازی این است که
1042
00:32:57,039 –> 00:32:59,120
اول از همه، همه این
1043
00:32:59,120 –> 00:33:00,880
مشاهدات را بهصورت تصادفی انجام
1044
00:33:00,880 –> 00:33:02,720
میدهیم تا مطمئن شویم که دادهها را سوگیری نمیکنیم
1045
00:33:02,720 –> 00:33:04,159
، چیزی به نام سوگیری تصادفی وجود
1046
00:33:04,159 –> 00:33:04,720
دارد
1047
00:33:04,720 –> 00:33:06,240
که در پایان روز
1048
00:33:06,240 –> 00:33:08,159
مطمئن میشود که دادههای شما وجود ندارد.
1049
00:33:08,159 –> 00:33:09,919
اگر میتوانید یک الگو پیدا کنید، بنابراین برای
1050
00:33:09,919 –> 00:33:12,000
اطمینان از حذف آن، مطمئن شوید
1051
00:33:12,000 –> 00:33:14,720
که دادههای ما 100 تصادفی است، چه
1052
00:33:14,720 –> 00:33:15,120
کار میکنیم، آنها را
1053
00:33:15,120 –> 00:33:17,039
تصادفی میکنیم و سپس شروع به
1054
00:33:17,039 –> 00:33:18,960
برداشتن نمونهها از
1055
00:33:18,960 –> 00:33:21,440
آنجا میکنیم، اوه میدانید ابتدا ادامه میدهیم.
1056
00:33:21,440 –> 00:33:23,679
برای انتخاب ستونهایی که
1057
00:33:23,679 –> 00:33:25,760
میدانید این دادهها نمیتوانند خروجی
1058
00:33:25,760 –> 00:33: