در این مطلب، ویدئو یادگیری ماشین برای مهندسان برق با استفاده از پایتون | نسخه ی نمایشی دوره 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: 00:30:42
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,240 –> 00:00:03,040
سلام به همه به
2
00:00:03,040 –> 00:00:05,120
دوره یادگیری ماشین برای مهندسی اخلاق خوش آمدید،
3
00:00:05,120 –> 00:00:06,160
4
00:00:06,160 –> 00:00:08,160
بنابراین یادگیری ماشین رشته جدیدی
5
00:00:08,160 –> 00:00:10,160
برای مهندسی برق نیست
6
00:00:10,160 –> 00:00:13,040
آنچه می دانید کنترل تطبیقی یکی از
7
00:00:13,040 –> 00:00:13,679
واردی است که
8
00:00:13,679 –> 00:00:16,560
ه عنوان یادگیری ماشین شناخته می شود، بنابراین قب
9
00:00:16,560 –> 00:00:17,680
از شر
10
00:00:17,680 –> 00:00:20,720
ع فقط می خواهم به شما اطلاع دهم. که
11
00:00:20,720 –> 00:00:23,600
یادگیری ماشین برای مهندسین برق بسیار مفید است،
12
00:00:23,600 –> 00:00:25,680
13
00:00:25,680 –> 00:00:29,039
مثلاً میتوان از آن برای
14
00:00:29,039 –> 00:00:32,159
بارگذاری برای ریختهگری استفاده کرد، میتوان آن را برای
15
00:00:32,159 –> 00:00:33,760
بسیاری از شبیهسازیها استفاده
16
00:00:33,760 –> 00:00:37,520
کرد، همچنین میتوان از آن برای تخمین وضعیت استفاده کرد
17
00:00:37,520 –> 00:00:40,079
یا میتوان از آن برای
18
00:00:40,079 –> 00:00:41,520
تشخیص عیب استفاده
19
00:00:41,520 –> 00:00:43,520
کرد بهترین مثالی که میدانید. یک فیلتر کالمن است
20
00:00:43,520 –> 00:00:45,039
که در آن
21
00:00:45,039 –> 00:00:48,160
وضعیت هر متغیری را
22
00:00:48,160 –> 00:00:50,800
با زمان تخمین می زنید، اگر در مورد تشخیص عیب صحبت
23
00:00:50,800 –> 00:00:51,760
24
00:00:51,760 –> 00:00:54,879
کنید، می توانید ببینید که فرض
25
00:00:54,879 –> 00:00:58,000
کنید خروجی خود را در نقطه تنظیم می خواهید که
26
00:00:58,000 –> 00:01:00,000
هدف اصلی هر کنترل یا یک
27
00:01:00,000 –> 00:01:00,480
28
00:01:00,480 –> 00:01:03,760
مهندس منتخب است، پس خروجی شما باید در نقطه تنظیم شده باشد.
29
00:01:03,760 –> 00:01:05,199
نقطه تنظیم،
30
00:01:05,199 –> 00:01:08,159
اما اگر از آن نقطه منحرف شود، اگر
31
00:01:08,159 –> 00:01:09,280
32
00:01:09,280 –> 00:01:12,240
نوسان داشته باشد یا ممکن است
33
00:01:12,240 –> 00:01:13,520
واریانس
34
00:01:13,520 –> 00:01:16,560
داشته باشد، باید بفهمید
35
00:01:16,560 –> 00:01:20,240
که به عنوان خطا شناخته می شود.
36
00:01:20,240 –> 00:01:23,280
تشخیص نمونههای دیگر شامل تولید
37
00:01:23,280 –> 00:01:24,159
دادههای انرژی
38
00:01:24,159 –> 00:01:26,640
برای یادگیری ماشینی با استفاده از
39
00:01:26,640 –> 00:01:29,119
شبکه متخاصم مولد تکرارشونده است،
40
00:01:29,119 –> 00:01:32,079
همچنین میتوانید
41
00:01:32,079 –> 00:01:34,159
با استفاده از یادگیری ماشینی از لولهکشی یک نمودار ابزار دقیق، تشخیص ویژگی را انجام دهید،
42
00:01:34,159 –> 00:01:35,280
43
00:01:35,280 –> 00:01:38,799
همچنین اگر در مورد آن صحبت
44
00:01:38,799 –> 00:01:41,759
کنم، میتوانید تحرک
45
00:01:41,759 –> 00:01:42,640
الکترونها را
46
00:01:42,640 –> 00:01:45,119
با تغییر چگالی یک دستگاه تشخیص دهید.
47
00:01:45,119 –> 00:01:46,079
همچنین میتوانید موادی
48
00:01:46,079 –> 00:01:49,119
مانند فشردهسازی دادههای بار الکتریکی را انجام دهید
49
00:01:49,119 –> 00:01:52,159
یا میتوانید از
50
00:01:52,159 –> 00:01:55,040
تجزیه حالت تجربی برای یافتن
51
00:01:55,040 –> 00:01:56,640
سرعت باد و پیشبینی توان باد استفاده کنید
52
00:01:56,640 –> 00:01:59,360
یا اگر فرض کنید
53
00:01:59,360 –> 00:02:00,640
با پیشبینی بار شروع
54
00:02:00,640 –> 00:02:03,520
کردهاید یا قادر به
55
00:02:03,520 –> 00:02:05,040
شناسایی میزان بار در آینده
56
00:02:05,040 –> 00:02:07,360
هستید، میتوانید تجزیه و تحلیل پیش بینی را
57
00:02:07,360 –> 00:02:09,199
انجام دهید، می توانید تعمیر و نگهداری پیش بینی انجام دهید
58
00:02:09,199 –> 00:02:12,160
و اگر تمام پردازش سیگنال را در
59
00:02:12,160 –> 00:02:14,000
مهندسی الکترونیک الکتریکی مشاهده کردید
60
00:02:14,000 –> 00:02:17,599
که همچنین بخشی از یادگیری ماشین
61
00:02:17,599 –> 00:02:20,080
قبل از شروع کار است، فقط می خواهم به شما بگویم
62
00:02:20,080 –> 00:02:20,879
که
63
00:02:20,879 –> 00:02:24,239
یادگیری ماشین یا هوش مصنوعی چگونه از
64
00:02:24,239 –> 00:02:26,239
علم داده استفاده می کند،
65
00:02:26,239 –> 00:02:29,280
بنابراین اگر شروع کنیم like ai چتر بزرگی است
66
00:02:29,280 –> 00:02:32,720
که com
67
00:02:32,720 –> 00:02:36,720
مانند یادگیری ماشین یا شما را در بر می گیرد می توان گفت
68
00:02:36,720 –> 00:02:39,920
یادگیری عمیق و یادگیری تقویتی
69
00:02:39,920 –> 00:02:42,800
هر سه زمینه از تکنیک های آماری استفاده می کند
70
00:02:42,800 –> 00:02:45,040
یا از
71
00:02:45,040 –> 00:02:48,560
علم داده برای نتیجه گیری استفاده می کند،
72
00:02:48,560 –> 00:02:51,920
بنابراین در این سخنرانی که همه چیز در مورد
73
00:02:51,920 –> 00:02:54,000
مقدمه ای بر علم داده است
74
00:02:54,000 –> 00:02:57,680
، اساساً در مورد اینکه چگونه می توانیم
75
00:02:57,680 –> 00:02:58,640
به
76
00:02:58,640 –> 00:03:00,959
یک مشکل یادگیری ماشین نزدیک شویم یا چگونه صحبت خواهیم کرد. آیا میتوانیم
77
00:03:00,959 –> 00:03:02,640
به یک مشکل نزدیک شویم
78
00:03:02,640 –> 00:03:05,840
و آن را فقط با استفاده از دادهها حل کنیم، بنابراین من
79
00:03:05,840 –> 00:03:06,319
فقط
80
00:03:06,319 –> 00:03:08,080
میخواهم اهداف یادگیری
81
00:03:08,080 –> 00:03:10,959
را که از این
82
00:03:10,959 –> 00:03:13,280
دوره به دست میآورید معرفی کنم، پایتون را برای
83
00:03:13,280 –> 00:03:15,360
علم داده و یادگیری ماشین معرفی
84
00:03:15,360 –> 00:03:18,560
میکنیم، ما از پایتون استفاده میکنیم زیرا پایتون یک
85
00:03:18,560 –> 00:03:19,599
نرمافزار رایگان است.
86
00:03:19,599 –> 00:03:22,640
و می توان آن را به راحتی دانلود کرد و
87
00:03:22,640 –> 00:03:22,879
88
00:03:22,879 –> 00:03:25,440
همچنین دارای یک انجمن بزرگ است که در آن
89
00:03:25,440 –> 00:03:27,360
هنگام حل
90
00:03:27,360 –> 00:03:27,680
91
00:03:27,680 –> 00:03:29,680
مشکل با استفاده از داده ها یا
92
00:03:29,680 –> 00:03:31,680
طراحی الگوریتمی برای یادگیری
93
00:03:31,680 –> 00:03:33,840
ماشین می توانید سؤال خود را ارسال کنید و در اسرع وقت پاسخ های خود را دریافت خواهید کرد.
94
00:03:33,840 –> 00:03:34,799
95
00:03:34,799 –> 00:03:36,799
ما
96
00:03:36,799 –> 00:03:38,720
الگوریتم های پیشرفته یادگیری ماشینی را معرفی می کنیم
97
00:03:38,720 –> 00:03:40,959
که به شما کمک می کند تا میدانید
98
00:03:40,959 –> 00:03:42,239
یادگیری ماشین
99
00:03:42,239 –> 00:03:45,760
چگونه می توانید به یک مشکل برخورد کنید و سپس
100
00:03:45,760 –> 00:03:48,080
ما تکالیف و
101
00:03:48,080 –> 00:03:48,959
مطالعات موردی را
102
00:03:48,959 –> 00:03:51,360
برای ارائه دیدگاه کاربردی برای
103
00:03:51,360 –> 00:03:52,720
تکنیکهای آموخته شده معرفی میکنیم،
104
00:03:52,720 –> 00:03:55,840
سپس
105
00:03:55,840 –> 00:03:56,799
106
00:03:56,799 –> 00:03:58,799
شما میآموزید که چگونه یک
107
00:03:58,799 –> 00:04:00,159
فرآیند جریان را برای مشکلات یادگیری ماشین توصیف کنید
108
00:04:00,159 –> 00:04:02,560
و سپس میتوانید
109
00:04:02,560 –> 00:04:04,000
مشکلات یادگیری ماشین را
110
00:04:04,000 –> 00:04:07,280
به توپولوژی استاندارد طبقهبندی کنید. همچنین
111
00:04:07,280 –> 00:04:09,360
کدهایی را برای راهحلهای یادگیری ماشین ایجاد
112
00:04:09,360 –> 00:04:11,360
113
00:04:11,360 –> 00:04:14,640
میکنیم، همچنین نتایج را با رویکرد
114
00:04:14,640 –> 00:04:15,280
راهحل
115
00:04:15,280 –> 00:04:18,639
دنبال میکنیم، رویکردی به دست
116
00:04:18,639 –> 00:04:20,238
میآوریم که در آن میتوانیم رویکرد راهحل
117
00:04:20,238 –> 00:04:22,639
دنبال شده برای حل هر مشکلی را
118
00:04:22,639 –> 00:04:25,040
با استفاده از علم داده و یادگیری ماشین ارزیابی کنیم،
119
00:04:25,040 –> 00:04:28,639
سپس اولین سوال این است که داده چیست.
120
00:04:28,639 –> 00:04:31,360
علم و سپس سوال بعدی
121
00:04:31,360 –> 00:04:32,800
که به ذهن شما خطور می کند
122
00:04:32,800 –> 00:04:36,639
این است که چرا ما به علم داده نیاز داریم زیرا
123
00:04:36,639 –> 00:04:39,840
امروزه داده ها سوخت هستند،
124
00:04:39,840 –> 00:04:43,840
اگر می بینید هر کاری که انجام
125
00:04:43,840 –> 00:04:47,040
می دهید داده ها را به سرور می دهید، بیایید
126
00:04:47,040 –> 00:04:50,880
با مثال صحبت کنیم مثل اینکه
127
00:04:50,880 –> 00:04:53,840
می خواهید در اینترنت بگردید. از
128
00:04:53,840 –> 00:04:55,040
سایت شبکه اجتماعی خود مانند
129
00:04:55,040 –> 00:04:58,400
معلم واتس اپ فیس بوک استفاده کنید
130
00:04:58,400 –> 00:05:00,639
تا تمام داده ها به سروری برود که
131
00:05:00,639 –> 00:05:01,840
افراد بتوانند از آن استفاده کنند
132
00:05:01,840 –> 00:05:05,360
و از آن بهره برداری کنید و توصیه هایی به شما خواهد داد،
133
00:05:05,360 –> 00:05:06,960
134
00:05:06,960 –> 00:05:10,000
زیرا داده ها سوخت همه چیز
135
00:05:10,000 –> 00:05:12,080
هستند یا می توانید برای یادگیری ماشین بگویید،
136
00:05:12,080 –> 00:05:13,280
137
00:05:13,280 –> 00:05:16,720
سپس می توانید از داده ها برای
138
00:05:16,720 –> 00:05:18,960
کشف چیزهایی استفاده کنید که می توانید از آنها برای
139
00:05:18,960 –> 00:05:20,240
توصیه
140
00:05:20,240 –> 00:05:23,280
ها استفاده کنید و اکنون با کمک به یک داستان سرا تبدیل خواهید شد.
141
00:05:23,280 –> 00:05:25,520
از دادهها میتوانید بینشهای معناداری داشته باشید
142
00:05:25,520 –> 00:05:27,039
143
00:05:27,039 –> 00:05:28,960
یا میتوانید بینشهای معناداری
144
00:05:28,960 –> 00:05:30,400
از دادهها به دست آورید
145
00:05:30,400 –> 00:05:33,520
که چرا علم دادهها واژهای پر سر و صدا است
146
00:05:33,520 –> 00:05:36,840
در حال حاضر علم داده علمی است
147
00:05:36,840 –> 00:05:39,440
که برای معنا بخشیدن به
148
00:05:39,440 –> 00:05:41,759
دادهها استفاده میشود و میتوان از آن برای اظهار نظر
149
00:05:41,759 –> 00:05:43,360
در مورد دادهها استفاده کرد.
150
00:05:43,360 –> 00:05:46,720
روی دادهها اعمال میشود و
151
00:05:46,720 –> 00:05:49,680
میتوانیم معانی یا حس
152
00:05:49,680 –> 00:05:50,880
زیادی به دادهها
153
00:05:50,880 –> 00:05:54,560
بدهیم، بنابراین درباره دادهها بیشتر صحبت خواهیم کرد،
154
00:05:54,560 –> 00:05:57,440
مانند علم داده که میتوان از دادهها برای بهرهبرداری از
155
00:05:57,440 –> 00:05:58,000
دادهها
156
00:05:58,000 –> 00:06:01,280
برای انجام تجزیه و تحلیل پیشبینی استفاده
157
00:06:01,280 –> 00:06:04,840
158
00:06:04,840 –> 00:06:07,280
کرد. در مورد در
159
00:06:07,280 –> 00:06:08,400
روزهای گذشته
160
00:06:08,400 –> 00:06:11,440
ما منابعی برای ضبط داده
161
00:06:11,440 –> 00:06:14,639
برای ذخیره داده ها نداریم، اکنون سرورهایی
162
00:06:14,639 –> 00:06:16,479
داریم، اکنون تکنیک هایی داریم که می توانیم
163
00:06:16,479 –> 00:06:18,639
داده ها را فشرده کنیم و داده ها را ذخیره کنیم
164
00:06:18,639 –> 00:06:20,960
یا می توان گفت ظرفیت ذخیره سازی
165
00:06:20,960 –> 00:06:23,039
افزایش می یابد. امروزه
166
00:06:23,039 –> 00:06:25,199
دادههای بسیاری از سرویسها در این دنیای واقعی جمعآوری میشود،
167
00:06:25,199 –> 00:06:27,600
168
00:06:27,600 –> 00:06:30,160
مثلاً برای رزرو
169
00:06:30,160 –> 00:06:31,199
بلیط
170
00:06:31,199 –> 00:06:34,400
میروید یا از برنامهای برای رزرو بلیط مانند
171
00:06:34,400 –> 00:06:37,600
go ibibo استفاده میکنید، هر جا که برای پرواز خدمات میدهید
172
00:06:37,600 –> 00:06:40,479
، جزئیات در سرورها ثبت میشود.
173
00:06:40,479 –> 00:06:42,000
174
00:06:42,000 –> 00:06:44,720
پرواز را از دست دادید و تصمیم گرفتید
175
00:06:44,720 –> 00:06:45,360
یک روز بعد پرواز رزرو کنید
176
00:06:45,360 –> 00:06:48,560
، پس از آن چه اتفاقی میافتد این است که
177
00:06:48,560 –> 00:06:50,720
افرادی پشت صفحه مینشینند یا
178
00:06:50,720 –> 00:06:52,400
افرادی که
179
00:06:52,400 –> 00:06:54,479
برای go ibibo برای دانشمندان داده کار میکنند،
180
00:06:54,479 –> 00:06:55,680
از این دادهها استفاده میکنند
181
00:06:55,680 –> 00:06:58,960
و سعی میکنند به شما پیشنهاد کنند که چه پروازی دارید.
182
00:06:58,960 –> 00:06:59,840
می تواند بگیرد
183
00:06:59,840 –> 00:07:02,720
و چه تخفیف هایی دارد اساساً اگر
184
00:07:02,720 –> 00:07:04,639
در مورد این علم صحبت کنیم
185
00:07:04,639 –> 00:07:07,280
علم داده شاخه ای از علم است
186
00:07:07,280 –> 00:07:08,479
که از
187
00:07:08,479 –> 00:07:11,120
ابزارهای آماری موجود برای تجزیه و تحلیل
188
00:07:11,120 –> 00:07:11,840
داده ها استفاده می کند
189
00:07:11,840 –> 00:07:15,199
مانند شما می توانید بگویید به عنوان مثال رویکرد همبستگی
190
00:07:15,199 –> 00:07:16,000
191
00:07:16,000 –> 00:07:18,560
مانند احتمال و بسیاری موارد دیگر
192
00:07:18,560 –> 00:07:19,199
193
00:07:19,199 –> 00:07:21,680
این ابزارهای آماری کمک می کند. برای استنباط
194
00:07:21,680 –> 00:07:22,720
در مورد داده ها
195
00:07:22,720 –> 00:07:24,639
و کمک به نتیجه گیری در مورد
196
00:07:24,639 –> 00:07:26,160
فرآیند، بنابراین
197
00:07:26,160 –> 00:07:29,599
ابزارهای آماری مانند حالت میانگین واریانس،
198
00:07:29,599 –> 00:07:32,000
اینها ابزارهایی هستند که به شما کمک می
199
00:07:32,000 –> 00:07:33,840
کنند تا در حال حاضر آنچه داده است
200
00:07:33,840 –> 00:07:36,319
همه چیز است، زیرا ما حجم زیادی
201
00:07:36,319 –> 00:07:37,360
از داده یا داده های
202
00:07:37,360 –> 00:07:39,759
بزرگ داریم، می توانیم از آن برای آموزش
203
00:07:39,759 –> 00:07:41,199
مدل های یادگیری ماشینی خود استفاده
204
00:07:41,199 –> 00:07:44,160
کنیم و می توانیم پیش بینی انجام دهیم یا می توانیم
205
00:07:44,160 –> 00:07:45,599
تجزیه و تحلیل پیش بینی انجام دهیم
206
00:07:45,599 –> 00:07:48,800
یا می توانیم نتایج را
207
00:07:48,800 –> 00:07:50,240
بر اساس آن پیشنهاد یا نظر دهیم.
208
00:07:50,240 –> 00:07:52,000
برخی از کاربردهای علم داده
209
00:07:52,000 –> 00:07:54,000
هستند
210
00:07:54,000 –> 00:07:57,120
یا می توان گفت که علم داده
211
00:07:57,120 –> 00:08:00,720
در همه زمینه ها استفاده می شود اگر و این
212
00:08:00,720 –> 00:08:03,039
توصیه بسیار خوبی برای همه
213
00:08:03,039 –> 00:08:04,879
مهندسان برق است که نباید
214
00:08:04,879 –> 00:08:06,720
به برنامه های مهندسی برق پایبند
215
00:08:06,720 –> 00:08:07,919
216
00:08:07,919 –> 00:08:09,919
باشند می توانند سایر برنامه ها را بررسی کنند
217
00:08:09,919 –> 00:08:11,039
218
00:08:11,039 –> 00:08:13,199
زیرا اگر بروند. برای شغلی در هر جایی که
219
00:08:13,199 –> 00:08:14,720
نباید محدود به
220
00:08:14,720 –> 00:08:16,639
مهندسی برق باشند،
221
00:08:16,639 –> 00:08:19,759
میتوانند در همه بخشها مانند جهانی
222
00:08:19,759 –> 00:08:21,759
باشند و میتوانند به عنوان یک
223
00:08:21,759 –> 00:08:24,160
دانشمند داده یا مهندس داده درخواست دهند
224
00:08:24,160 –> 00:08:26,080
تا در هر زمینهای که
225
00:08:26,080 –> 00:08:27,440
دوست دارند یا
226
00:08:27,440 –> 00:08:30,240
جایی که باز است، شغلی پیدا کنند، پس بیایید در
227
00:08:30,240 –> 00:08:30,879
مورد
228
00:08:30,879 –> 00:08:33,440
استفاده از علم داده در امور مالی یا استفاده
229
00:08:33,440 –> 00:08:35,839
از یادگیری ماشینی در بخش
230
00:08:35,839 –> 00:08:38,320
مالی صحبت کنید، بنابراین بخش های مالی مانند بانک ها
231
00:08:38,320 –> 00:08:39,279
از
232
00:08:39,279 –> 00:08:42,399
یادگیری ماشین و داده sc استفاده می کنند. برای
233
00:08:42,399 –> 00:08:45,279
تحلیلهای پیشبینیکننده مثل اینکه به چه کسی
234
00:08:45,279 –> 00:08:46,240
وام بدهند
235
00:08:46,240 –> 00:08:48,480
و یا به چه کسی
236
00:08:48,480 –> 00:08:49,279
وام
237
00:08:49,279 –> 00:08:51,040
ندهند یا میتوانند بدهکاران اعتباری را
238
00:08:51,040 –> 00:08:53,040
239
00:08:53,040 –> 00:08:55,600
که وام را میگیرند و وام را پرداخت نمیکنند شناسایی کنند،
240
00:08:55,600 –> 00:08:57,920
بنابراین بهتر است از قبل پیشبینی کنید
241
00:08:57,920 –> 00:08:59,760
و وام ندهند. برای افرادی
242
00:08:59,760 –> 00:09:00,959
که نمیروند
243
00:09:00,959 –> 00:09:02,640
یا کسانی که حاضر به پرداخت
244
00:09:02,640 –> 00:09:04,080
وام نیستند، بنابراین
245
00:09:04,080 –> 00:09:07,200
اگر نقشههای گوگل وجود نداشته باشد، نقشه بعدی گوگل مپ است،
246
00:09:07,200 –> 00:09:08,480
پس
247
00:09:08,480 –> 00:09:10,800
سفر از یک
248
00:09:10,800 –> 00:09:11,920
مکان به مکان دیگر
249
00:09:11,920 –> 00:09:15,040
برای افرادی که شهر را نمیشناسند بسیار سخت است.
250
00:09:15,040 –> 00:09:17,040
بنابراین نقشههای گوگل به ردیابی
251
00:09:17,040 –> 00:09:18,800
دادههای شما از طریق تلفن همراه شما ادامه میدهد
252
00:09:18,800 –> 00:09:21,519
و همچنان به روز رسانی میشود و
253
00:09:21,519 –> 00:09:24,080
جزئیات فعلی مسیرها
254
00:09:24,080 –> 00:09:26,000
را در اختیار شما قرار میدهد که کدام
255
00:09:26,000 –> 00:09:28,080
مسیر برای شما کوتاهترین مسیر برای شما است
256
00:09:28,080 –> 00:09:30,880
یا کدام مسیری که میتوانید در جایی که
257
00:09:30,880 –> 00:09:32,560
ازدحام جمعیت کمتر است را انتخاب کنید.
258
00:09:32,560 –> 00:09:34,959
نحوه شناسایی جمعیت کمتر یا
259
00:09:34,959 –> 00:09:35,600
بیشتر است
260
00:09:35,600 –> 00:09:38,080
اگر از همه تلفن های همراه داده می گیرد
261
00:09:38,080 –> 00:09:39,600
اگر احساس می کند داده ها از
262
00:09:39,600 –> 00:09:41,040
تعداد بیشتری از تلفن همراه می
263
00:09:41,040 –> 00:09:43,440
آید که احساس می کند مکانی بسیار شلوغ است
264
00:09:43,440 –> 00:09:45,680
همچنین علم داده و ماشین l
265
00:09:45,680 –> 00:09:48,560
درآمد برای تبلیغات دیجیتال استفاده
266
00:09:48,560 –> 00:09:50,880
می شود، می توان از آن برای تبلیغات استفاده کرد،
267
00:09:50,880 –> 00:09:53,360
مانند شما می توانید مشتریان احتمالی را شناسایی کنید
268
00:09:53,360 –> 00:09:54,320
269
00:09:54,320 –> 00:09:56,160
که می توانید آن تبلیغات را برای آنها ارسال
270
00:09:56,160 –> 00:09:57,519
کنید، مثلاً
271
00:09:57,519 –> 00:09:59,440
اگر به یوتیوب بروید و در حال تماشای
272
00:09:59,440 –> 00:10:01,279
یک ویدیو هستید،
273
00:10:01,279 –> 00:10:03,760
توصیه های بعدی می آید یا موارد مرتبط را اضافه کنید. به
274
00:10:03,760 –> 00:10:04,880
آن ویدیو،
275
00:10:04,880 –> 00:10:07,040
بنابراین آنها مشتریان خود را شناسایی می کنند
276
00:10:07,040 –> 00:10:09,120
و مشخص می کنند که
277
00:10:09,120 –> 00:10:10,079
278
00:10:10,079 –> 00:10:13,200
برای کسب درآمد یا
279
00:10:13,200 –> 00:10:15,680
فروش آن محصول یا هر چیز دیگری باید چه تبلیغی یا چه تبلیغی بدهند،
280
00:10:15,680 –> 00:10:16,640
بنابراین اکنون
281
00:10:16,640 –> 00:10:19,440
قبلاً اگر فیس بوک را در آنجا ببینید
282
00:10:19,440 –> 00:10:21,440
چه اتفاقی می افتد، باید دوستان خود را تگ کنید.
283
00:10:21,440 –> 00:10:22,079
284
00:10:22,079 –> 00:10:23,600
اگر اکنون می خواهید دوستان خود را در فیس بوک تگ کنید
285
00:10:23,600 –> 00:10:25,760
286
00:10:25,760 –> 00:10:27,839
آنچه در حال حاضر اتفاق می افتد این است که برچسب گذاری دوستان به صورت خودکار تبدیل شده است،
287
00:10:27,839 –> 00:10:29,839
288
00:10:29,839 –> 00:10:33,040
می بینید که اگر بخواهید یک عکس پست کنید
289
00:10:33,040 –> 00:10:33,920
290
00:10:33,920 –> 00:10:36,640
و متنی در مورد آن بنویسید، اگر بخواهید به
291
00:10:36,640 –> 00:10:38,399
طور خودکار دوستان شما را تگ
292
00:10:38,399 –> 00:10:40,800
می کند. آیا می گویید
293
00:10:40,800 –> 00:10:43,519
خوب است، اگر نه، اکنون می توانید آن را لغو کنید.
294
00:10:43,519 –> 00:10:46,959
295
00:10:46,959 –> 00:10:50,959
296
00:10:50,959 –> 00:10:53,680
y
297
00:10:53,680 –> 00:10:54,480
298
00:10:54,480 –> 00:10:57,519
بهینهسازی لجستیک مسیرها
299
00:10:57,519 –> 00:11:00,480
برای تحویلدهندهها به طوری که آنها
300
00:11:00,480 –> 00:11:02,320
بتوانند محصول را در زمان کمتری تحویل دهند
301
00:11:02,320 –> 00:11:05,920
و همچنین بتوانند بهترین مسیر را شناسایی کنند
302
00:11:05,920 –> 00:11:06,880
303
00:11:06,880 –> 00:11:09,200
تا بتوانند به جایی
304
00:11:09,200 –> 00:11:09,920
که میخواهند
305
00:11:09,920 –> 00:11:13,200
محصولات خود را تحویل دهند،
306
00:11:13,200 –> 00:11:15,000
همچنین میتوان از آن برای توصیه محصول استفاده کرد.
307
00:11:15,000 –> 00:11:16,480
308
00:11:16,480 –> 00:11:20,240
مثلاً اگر بگویید خود را
309
00:11:20,240 –> 00:11:24,079
به عنوان یک فروشگاه Google Play فرض کنید که در آن چه اتفاقی افتاده
310
00:11:24,079 –> 00:11:26,959
است، میخواهید
311
00:11:26,959 –> 00:11:27,519
312
00:11:27,519 –> 00:11:30,800
برنامهای را به عنوان یک محصول توصیه کنید، در حال حاضر برنامهها را به عنوان یک محصول
313
00:11:30,800 –> 00:11:33,360
توصیه میکنید، میخواهید بر اساس دادههای خود بر اساس درک خود، برخی از برنامهها را به کاربر توصیه
314
00:11:33,360 –> 00:11:34,480
315
00:11:34,480 –> 00:11:36,800
کنید. به
316
00:11:36,800 –> 00:11:37,839
عنوان مثال،
317
00:11:37,839 –> 00:11:40,959
شما افراد با
318
00:11:40,959 –> 00:11:44,640
جنس های مختلف و سنین مختلف دارید، بنابراین سعی می کنید
319
00:11:44,640 –> 00:11:46,079
داده های قبلی را تجزیه و تحلیل کنید
320
00:11:46,079 –> 00:11:49,519
یا می توانید داده ها را به درستی شناسایی کنید یا
321
00:11:49,519 –> 00:11:51,200
می توانید مدل خود را آموزش دهید، جایی که می توانید
322
00:11:51,200 –> 00:11:53,040
ببینید
323
00:11:53,040 –> 00:11:55,680
که روند قبلی چیست، مثلاً
324
00:11:55,680 –> 00:11:56,480
325
00:11:56,480 –> 00:11:58,560
برخی از افراد استفاده می کنند. واتساپ برخی از
326
00:11:58,560 –> 00:12:00,160
افراد از اسنپ چت استفاده می کنند برخی از افراد
327
00:12:00,160 –> 00:12:01,920
از یوتیوب استفاده
328
00:12:01,920 –> 00:12:04,320
می کنند، به عنوان مثال بگویید شما سعی می کنید
329
00:12:04,320 –> 00:12:04,959
بفهمید
330
00:12:04,959 –> 00:12:06,880
افرادی که از یوتیوب استفاده می کنند
331
00:12:06,880 –> 00:12:08,639
چه کسانی هستند. افرادی که از واتساپ استفاده
332
00:12:08,639 –> 00:12:09,920
میکنند و افرادی که از اسنپچت استفاده میکنند چه کسانی هستند،
333
00:12:09,920 –> 00:12:11,200
334
00:12:11,200 –> 00:12:13,040
بنابراین شما سعی میکنید مدل خود را
335
00:12:13,040 –> 00:12:15,519
بر اساس برخی از ویژگیهایی مانند
336
00:12:15,519 –> 00:12:18,320
زن مرد و سن و با کمک آنها آموزش دهید و
337
00:12:18,320 –> 00:12:19,760
میتوانید تشخیص دهید
338
00:12:19,760 –> 00:12:22,880
339
00:12:22,880 –> 00:12:25,440
که پس از شما چه چیزی توصیه میشود.
340
00:12:25,440 –> 00:12:26,079
341
00:12:26,079 –> 00:12:28,560
اگر در مورد بازاریابی بیشتر صحبت می کنید، اکنون مدل خود را آموزش دهید، اگر در مورد
342
00:12:28,560 –> 00:12:29,680
343
00:12:29,680 –> 00:12:32,320
تقسیم بندی مشتری صحبت می کنید، می توانید تقسیم بندی مشتری را انجام دهید،
344
00:12:32,320 –> 00:12:34,240
345
00:12:34,240 –> 00:12:36,560
مثلاً می خواهم مثالی
346
00:12:36,560 –> 00:12:40,240
بزنم مانند کارت های اعتباری که به
347
00:12:40,240 –> 00:12:41,680
برخی از جمعیت داده اید،
348
00:12:41,680 –> 00:12:44,079
اکنون برخی از جمعیت یا برخی از
349
00:12:44,079 –> 00:12:44,800
افراد افراد
350
00:12:44,800 –> 00:12:47,920
از کارت اعتباری استفاده می کنند که
351
00:12:47,920 –> 00:12:49,680
هر زمان تراکنش انجام می دهند از ارزش بالایی استفاده می کنند
352
00:12:49,680 –> 00:12:51,120
353
00:12:51,120 –> 00:12:54,079
و همچنین استفاده از کارت اعتباری
354
00:12:54,079 –> 00:12:55,360
بسیار زیاد است
355
00:12:55,360 –> 00:12:58,160
و برخی از افراد آنجا هستند که از
356
00:12:58,160 –> 00:12:59,040
کارت اعتباری استفاده می کنند
357
00:12:59,040 –> 00:13:00,720
و هر زمان که تراکنش انجام می دهند
358
00:13:00,720 –> 00:13:02,399
از مقدار بسیار بالایی استفاده می کنند اما
359
00:13:02,399 –> 00:13:04,880
دفعات استفاده بسیار کم است برخی از
360
00:13:04,880 –> 00:13:05,680
افراد
361
00:13:05,680 –> 00:13:08,399
یا بخشی از جمعیت در
362
00:13:08,399 –> 00:13:09,680
آنجا هستند که استفاده
363
00:13:09,680 –> 00:13:12,800
می کنند، مثلاً از کارت اعتباری
364
00:13:12,800 –> 00:13:15,519
برای مبلغ بسیار کم استفاده می کنند. ارزش و
365
00:13:15,519 –> 00:13:16,480
همچنین فراوانی استفاده از
366
00:13:16,480 –> 00:13:19,360
آنها بسیار کم است، بنابراین اکنون در اینجا کاری
367
00:13:19,360 –> 00:13:20,079
که می خواهید انجام دهید،
368
00:13:20,079 –> 00:13:21,760
باید هر سه
369
00:13:21,760 –> 00:13:23,760
نوع از افراد را در آنجا بیابید که می توانید از
370
00:13:23,760 –> 00:13:24,880
رویکرد خوشه بندی
371
00:13:24,880 –> 00:13:27,920
برای تشخیص اینکه کدام گروه از
372
00:13:27,920 –> 00:13:31,120
افراد انجام می دهند، استفاده کنید. نوعی از تراکنش ها
373
00:13:31,120 –> 00:13:33,920
و این تقسیم بندی مشتری است،
374
00:13:33,920 –> 00:13:35,600
این یکی از نمونه هایی است که
375
00:13:35,600 –> 00:13:37,760
اکنون اگر بیشتر در مورد
376
00:13:37,760 –> 00:13:38,880
پیش بینی ریزش ها صحبت
377
00:13:38,880 –> 00:13:41,279
می کنید، مانند این است که مثلاً بگویید این
378
00:13:41,279 –> 00:13:42,079
اتفاق می افتد مانند
379
00:13:42,079 –> 00:13:45,199
زمانی که شما دارید، ما سعی می کنیم داده ها را
380
00:13:45,199 –> 00:13:47,040
برای صنعت مخابرات جستجو کنیم،
381
00:13:47,040 –> 00:13:49,920
جایی که مردم از آن خارج شده اند. یکی
382
00:13:49,920 –> 00:13:51,760
مثل اپراتور مخابراتی مثل
383
00:13:51,760 –> 00:13:53,279
جیو مثلا بگو
384
00:13:53,279 –> 00:13:54,720
چرا آنها به هم ریخته اند ما
385
00:13:54,720 –> 00:13:56,320
باید به این دلیل
386
00:13:56,320 –> 00:13:58,639
همه چیز را با کمک داده ها
387
00:13:58,639 –> 00:13:59,680
بفهمیم حالا در
388
00:13:59,680 –> 00:14:03,120
مورد مشکلی که در دست داریم صحبت خواهیم کرد مثلاً
389
00:14:03,120 –> 00:14:06,639
به طور کلی چه اتفاقی می افتد ما
390
00:14:06,639 –> 00:14:08,399
تنوع زیادی داریم از داده هایی که
391
00:14:08,399 –> 00:14:11,760
برای استفاده در دسترس هستند، حتی ما نیز
392
00:14:11,760 –> 00:14:13,920
ابزارهای متنوعی داریم که در دسترس هستند،
393
00:14:13,920 –> 00:14:14,880
394
00:14:14,880 –> 00:14:18,160
بنابراین نمی دانیم از کدام داده برای استفاده از
395
00:14:18,160 –> 00:14:20,079
کدام تکنیک استفاده کنیم، این
396
00:14:20,079 –> 00:14:21,440
مشکلی است که
397
00:14:21,440 –> 00:14:23,839
در دست داریم یا ما گاهی اوقات فکر
398
00:14:23,839 –> 00:14:25,760
می کنیم که آیا آماده حل یک مشکل هستیم
399
00:14:25,760 –> 00:14:26,560
زیرا همه
400
00:14:26,560 –> 00:14:28,880
چیز به هم ریخته است که چگونه مشکل را حل
401
00:14:28,880 –> 00:14:31,920
کنیم، سؤالی است که باید
402
00:14:31,920 –> 00:14:34,320
از خود بپرسیم هر بار
403
00:14:34,320 –> 00:14:34,959
هدف بعدی این
404
00:14:34,959 –> 00:14:39,040
است که بفهمیم می خواهیم به چه چیزی برسیم،
405
00:14:39,040 –> 00:14:42,079
بنابراین اگر این تصویر را
406
00:14:42,079 –> 00:14:45,360
مانند اینجا ببینید که مشکل یک پازل است،
407
00:14:45,360 –> 00:14:48,399
بنابراین شما تکه های پازل دارید، باید
408
00:14:48,399 –> 00:14:50,480
پازل را به درستی مرتب کنید
409
00:14:50,480 –> 00:14:52,000
و باید به آن یک
410
00:14:52,000 –> 00:14:53,680
نتیجه
411
00:14:53,680 –> 00:14:56,079
برسید، حالا دوباره باید درک کنید که
412
00:14:56,079 –> 00:14:58,079
چگونه پازل قرار است به آن نگاه
413
00:14:58,079 –> 00:15:00,079
کند. حل شد این بهترین تصوری است
414
00:15:00,079 –> 00:15:01,519
که باید در ذهن خود داشته
415
00:15:01,519 –> 00:15:03,600
باشید زیرا اگر آن تصور را نداشته باشید
416
00:15:03,600 –> 00:15:04,800
،
417