در این مطلب، ویدئو چگونه مهندس هوش مصنوعی شویم | مهارت های مهندسی هوش مصنوعی | آموزش پایتون | ادورکا با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:27:20
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:16,670 –> 00:00:19,099
سلام به همه و به این
2
00:00:19,099 –> 00:00:22,340
جلسه در مورد مصنوعی خوش آمدید سلام به همه و
3
00:00:22,340 –> 00:00:23,960
خوش آمدید به این جلسه جالب در مورد
4
00:00:23,960 –> 00:00:25,820
چگونگی تبدیل شدن به یک مهندس هوش مصنوعی
5
00:00:25,820 –> 00:00:27,949
اکنون بر کسی پوشیده نیست که
6
00:00:27,949 –> 00:00:30,439
هوش مصنوعی یک
7
00:00:30,439 –> 00:00:33,530
روند فناوری نوظهور با استعداد در این
8
00:00:33,530 –> 00:00:35,660
زمینه است زیرا شرکت به دنبال
9
00:00:35,660 –> 00:00:39,650
یک مزیت رقابتی اکنون پیش بینی می شود تا
10
00:00:39,650 –> 00:00:42,579
سال 2020 2.3 میلیون شغل ایجاد شود که جایگزین 1.8 میلیون شغل شود.
11
00:00:42,579 –> 00:00:45,199
این امر
12
00:00:45,199 –> 00:00:48,079
از بین خواهد رفت که رشد شغل در حال حاضر
13
00:00:48,079 –> 00:00:50,809
به این حوزه ضربه زده است، تقاضای کارفرما برای
14
00:00:50,809 –> 00:00:53,539
موقعیت های هوایی و مهارت ها
15
00:00:53,539 –> 00:00:56,120
در طول سه سال گذشته بیش از دو برابر شده است، بنابراین
16
00:00:56,120 –> 00:00:57,620
بیایید سریع کار کنیم. به دستور کار این جلسه نگاه کنید،
17
00:00:57,620 –> 00:01:01,010
بنابراین ابتدا به
18
00:01:01,010 –> 00:01:03,050
طور خلاصه متوجه خواهیم شد که هوش مصنوعی دقیقا چیست،
19
00:01:03,050 –> 00:01:05,269
سپس متوجه خواهیم شد
20
00:01:05,269 –> 00:01:06,950
که یک
21
00:01:06,950 –> 00:01:10,220
مهندس هوش مصنوعی چه
22
00:01:10,220 –> 00:01:13,220
کسی است.
23
00:01:13,220 –> 00:01:14,810
24
00:01:14,810 –> 00:01:17,479
یا مسیری که باید طی کند
25
00:01:17,479 –> 00:01:18,679
تا مهندس شود
26
00:01:18,679 –> 00:01:20,450
، در مورد نقش ها و
27
00:01:20,450 –> 00:01:23,659
مسئولیت های بعدی بحث خواهیم کرد و حرکت f
28
00:01:23,659 –> 00:01:26,570
سپس در مورد مهارت مورد نیاز
29
00:01:26,570 –> 00:01:28,820
برای تبدیل شدن به یک مهندس هوش مصنوعی بحث خواهیم کرد
30
00:01:28,820 –> 00:01:31,369
و در نهایت این ویدئو را
31
00:01:31,369 –> 00:01:33,710
با روند حقوق و شرکتهایی
32
00:01:33,710 –> 00:01:37,220
که برای ابتکار هوا استخدام میکنند به پایان میرسانم، بنابراین بیایید
33
00:01:37,220 –> 00:01:39,560
بفهمیم هوش مصنوعی دقیقاً چیست،
34
00:01:39,560 –> 00:01:42,740
بنابراین هوش مصنوعی
35
00:01:42,740 –> 00:01:44,750
تکنیکی است که ماشین را قادر
36
00:01:44,750 –> 00:01:47,509
میسازد رفتار انسان را تقلید کند، این تئوری
37
00:01:47,509 –> 00:01:49,640
و توسعه سیستم کامپیوتری است که
38
00:01:49,640 –> 00:01:51,439
قادر به انجام وظایفی است
39
00:01:51,439 –> 00:01:53,960
که معمولاً به هوش انسانی نیاز دارد، مانند
40
00:01:53,960 –> 00:01:56,680
41
00:01:56,680 –> 00:01:59,060
تصمیمگیری تشخیص گفتار درک بصری و ترجمه بین
42
00:01:59,060 –> 00:02:02,509
زبانها، بنابراین اگر از من بپرسید هوش مصنوعی
43
00:02:02,509 –> 00:02:05,180
شبیهسازی هوش انسان است. سپس توسط
44
00:02:05,180 –> 00:02:08,060
ماشینهایی که توسط ما برنامهریزی شدهاند، ماشینها
45
00:02:08,060 –> 00:02:10,250
باید بیاموزند که چگونه استدلال کنند و
46
00:02:10,250 –> 00:02:14,079
در طول مسیر برخی اصلاحات خود را انجام دهند،
47
00:02:15,430 –> 00:02:18,590
بنابراین بیایید بفهمیم مهندس هوش مصنوعی کیست،
48
00:02:18,590 –> 00:02:21,650
بنابراین مهندس هوش مصنوعی
49
00:02:21,650 –> 00:02:23,630
کسی است
50
00:02:23,630 –> 00:02:25,070
که روی مشکلات هوش مصنوعی
51
00:02:25,070 –> 00:02:28,340
یا فناوریهایی که توسعه میدهند کار میکند.
52
00:02:28,340 –> 00:02:30,170
نرم افزارهای عامل و برنامه هایی که
53
00:02:30,170 –> 00:02:33,350
می توانند باشند برای برنامههای ربات ei یا
54
00:02:33,350 –> 00:02:37,910
سایر برنامههای IAI استفاده میشود، بنابراین هر
55
00:02:37,910 –> 00:02:42,440
مهندس چه میکند یک مهندس هوش مصنوعی
56
00:02:42,440 –> 00:02:45,350
با الگوریتمهای
57
00:02:45,350 –> 00:02:48,290
شبکههای عصبی و ابزارهای دیگر کار میکند تا
58
00:02:48,290 –> 00:02:50,180
زمینه هوش مصنوعی را به نوعی
59
00:02:50,180 –> 00:02:50,660
پیش ببرد،
60
00:02:50,660 –> 00:02:53,090
اکنون این متخصصان ممکن است روی
61
00:02:53,090 –> 00:02:55,100
وظایف مختلف هوش مصنوعی در صنایع مختلف کار کنند.
62
00:02:55,100 –> 00:02:57,500
به عنوان مثال
63
00:02:57,500 –> 00:02:59,750
هوش مصنوعی برای مراقبت های بهداشتی
64
00:02:59,750 –> 00:03:02,090
هوش مصنوعی برای خرده فروشی یا
65
00:03:02,090 –> 00:03:05,600
هوش مصنوعی برای برنامه ریزی عمومی اکنون
66
00:03:05,600 –> 00:03:07,010
مهندسان همچنین می توانند بین
67
00:03:07,010 –> 00:03:09,200
پروژه هایی با هوش مصنوعی ضعیف یا قوی انتخاب کنند
68
00:03:09,200 –> 00:03:11,570
که در آن
69
00:03:11,570 –> 00:03:14,650
تنظیمات مختلف بر روی قابلیت های مختلف تمرکز می کنند
70
00:03:14,650 –> 00:03:17,420
اکنون که می دانیم دقیقاً یک مهندس هوش مصنوعی
71
00:03:17,420 –> 00:03:19,780
چه کسی است و چه کاری انجام می دهد. مهندس
72
00:03:19,780 –> 00:03:22,190
بیایید نگاهی به مسیری بیندازیم
73
00:03:22,190 –> 00:03:27,140
که برای تبدیل شدن به یک مهندس EA باید طی کرد، بنابراین در اینجا
74
00:03:27,140 –> 00:03:30,020
من یک نقشه راه برای درک بهتر برای شما ایجاد کرده ام،
75
00:03:30,020 –> 00:03:32,990
بنابراین نیرو
76
00:03:32,990 –> 00:03:34,520
و مهمترین چیز این است که
77
00:03:34,520 –> 00:03:37,370
مدرک لیسانس بگیرید تا فرد نیاز به کسب یک مدرک داشته باشد.
78
00:03:37,370 –> 00:03:39,770
مدرک لیسانس بنابراین می تواند
79
00:03:39,770 –> 00:03:43,280
اطلاعات ریاضیات علوم کامپیوتر باشد در
80
00:03:43,280 –> 00:03:46,580
81
00:03:46,580 –> 00:03:50,660
حال حاضر گام بعدی آنچه که ما در
82
00:03:50,660 –> 00:03:55,060
اینجا داریم تنظیم دقیق مهارت های فنی
83
00:03:56,080 –> 00:03:58,760
است، نکته مهمی که در اینجا باید به آن توجه کرد این است
84
00:03:58,760 –> 00:04:01,670
که برای تبدیل شدن به یک مهندس
85
00:04:01,670 –> 00:04:03,950
باید در برنامه نویسی و
86
00:04:03,950 –> 00:04:06,200
همچنین توسعه نرم افزار خوب باشد. نیاز به
87
00:04:06,200 –> 00:04:07,819
دانش خوب یا
88
00:04:07,819 –> 00:04:10,220
یادگیری ماشینی توسعه نرمافزار و همچنین
89
00:04:10,220 –> 00:04:13,160
یادگیری عمیق، اگرچه الزامی
90
00:04:13,160 –> 00:04:15,590
نیست، دانش خوب رباتیک الکترونیک
91
00:04:15,590 –> 00:04:18,260
و ابزار دقیق
92
00:04:18,260 –> 00:04:20,810
در طراحی سیستمهایی که
93
00:04:20,810 –> 00:04:23,780
به طور مستقیم با دنیای انسان در تعامل هستند، بسیار مفید خواهد بود.
94
00:04:23,780 –> 00:04:25,490
تسلط خوب
95
00:04:25,490 –> 00:04:27,350
بر زبان های آماری و همچنین برنامه
96
00:04:27,350 –> 00:04:31,610
نویسی مانند پایتون یا SS ما برای
97
00:04:31,610 –> 00:04:33,169
توسعه نرم افزار، آنها همچنین
98
00:04:33,169 –> 00:04:35,900
باید در جاوا به غیر از برنامه نویسی
99
00:04:35,900 –> 00:04:37,910
100
00:04:37,910 –> 00:04:41,210
101
00:04:41,210 –> 00:04:45,350
102
00:04:45,350 –> 00:04:47,120
خوب باشند. تنظیم
103
00:04:47,120 –> 00:04:50,300
مهارتهای فنی نیز
104
00:04:50,300 –> 00:04:52,580
برای تبدیل شدن به یک هوای موفق، باید مهارتهای تجاری خاصی داشته باشد
105
00:04:52,580 –> 00:04:55,669
مهندسی کنید بنابراین مهارت های کسب و کار
106
00:04:55,669 –> 00:04:57,970
شامل حل مسئله تحلیلی
107
00:04:57,970 –> 00:05:00,560
ارتباط موثر
108
00:05:00,560 –> 00:05:03,620
و تفکر خلاق و دانش صنعت است، اکنون
109
00:05:03,620 –> 00:05:05,150
ما
110
00:05:05,150 –> 00:05:08,680
در ادامه این جلسه به تمام این مهارت ها می پردازیم تا
111
00:05:08,680 –> 00:05:11,180
زمانی که شما تمام مهارت های فنی
112
00:05:11,180 –> 00:05:13,430
و همچنین کسب و کار یا
113
00:05:13,430 –> 00:05:16,010
غیر آن را داشته باشید. -مهارت های فنی که می توانید
114
00:05:16,010 –> 00:05:18,500
برای شغل بروید یا کاری که می توانید انجام دهید رفتن به
115
00:05:18,500 –> 00:05:20,389
تحصیلات عالی است که بسیار
116
00:05:20,389 –> 00:05:23,240
توصیه می شود سپس می توانید برای دوره های
117
00:05:23,240 –> 00:05:26,260
کارشناسی ارشد یا دکترا بروید که به عنوان
118
00:05:26,260 –> 00:05:29,240
یک موضوع در حال ظهور در دنیای امروز
119
00:05:29,240 –> 00:05:31,820
بسیاری از موضوعات اخیر است. اکتشافات و
120
00:05:31,820 –> 00:05:33,889
تحقیقات در حال انجام است که می تواند
121
00:05:33,889 –> 00:05:37,190
برای برنده شدن پایان نامه شما برای
122
00:05:37,190 –> 00:05:39,169
مدرک کارشناسی ارشد در یادگیری ماشینی علوم داده
123
00:05:39,169 –> 00:05:40,849
یا علوم کامپیوتر بسیار مفید باشد،
124
00:05:40,849 –> 00:05:43,460
زیرا رفتن به هر مدرک کارشناسی ارشد دیگری
125
00:05:43,460 –> 00:05:45,139
که تحت رشته
126
00:05:45,139 –> 00:05:48,050
کاری شما نیست فایده ای ندارد. شما همچنین می توانید برای
127
00:05:48,050 –> 00:05:50,840
دریافت گواهینامه های صنعتی برای
128
00:05:50,840 –> 00:05:52,490
یادگیری عمیق ماشینی و همچنین
129
00:05:52,490 –> 00:05:56,120
هوش مصنوعی در حال حاضر این کار
130
00:05:56,120 –> 00:05:58,190
ارزش زیادی به رزومه
131
00:05:58,190 –> 00:06:00,289
شما اضافه می کند و ما به شما کمک می کنیم دانش عمیقی در
132
00:06:00,289 –> 00:06:02,240
مورد موضوعات چه از نظر تئوری و چه از لحاظ
133
00:06:02,240 –> 00:06:04,610
عملی به دست آورید که به نوبه خود
134
00:06:04,610 –> 00:06:06,200
به شما کمک می کند در مقابل سایر رقبا برتری پیدا کنید،
135
00:06:06,200 –> 00:06:07,800
136
00:06:07,800 –> 00:06:10,960
اکنون پس از همه این موارد، ممکن است
137
00:06:10,960 –> 00:06:12,610
بخواهید روی پروژه هایی که
138
00:06:12,610 –> 00:06:14,500
مرتبط با هوش مصنوعی یا
139
00:06:14,500 –> 00:06:17,080
یادگیری عمیق هستند کار کنید.
140
00:06:17,080 –> 00:06:24,010
اکنون
141
00:06:24,010 –> 00:06:26,170
که نقشه راه یا مسیری را که باید طی کند، برای رشد شغلی شما بسیار مفید
142
00:06:26,170 –> 00:06:28,030
143
00:06:28,030 –> 00:06:29,710
است.
144
00:06:29,710 –> 00:06:31,930
145
00:06:31,930 –> 00:06:34,120
146
00:06:34,120 –> 00:06:37,090
147
00:06:37,090 –> 00:06:38,770
در نقشها و
148
00:06:38,770 –> 00:06:40,960
مسئولیتهای یک مهندس هوش مصنوعی
149
00:06:40,960 –> 00:06:44,670
و کارهایی که فرد در زندگی روزمره خود انجام میدهد،
150
00:06:44,670 –> 00:06:47,110
بنابراین بسته به سطح
151
00:06:47,110 –> 00:06:49,840
تخصص خود، مهندسان هوش مصنوعی میتوانند
152
00:06:49,840 –> 00:06:52,780
از طریق نمونههای اولیه Science مطالعه و تغییر کنند، بنابراین
153
00:06:52,780 –> 00:06:55,090
علم داده به طور گسترده در طیف گستردهای از علوم پذیرفته شده است.
154
00:06:55,090 –> 00:06:57,250
صنایع
155
00:06:57,250 –> 00:07:00,640
در چند سال گذشته در اصل بیشتر یک
156
00:07:00,640 –> 00:07:03,070
موضوع تحقیقاتی بوده است. علم داده
157
00:07:03,070 –> 00:07:05,470
ریشه های اولیه در تلاش دانشمندان برای درک
158
00:07:05,470 –> 00:07:07,720
انسان در هوش مصنوعی و ایجاد
159
00:07:07,720 –> 00:07:08,890
هوش مصنوعی و همچنین از
160
00:07:08,890 –> 00:07:11,500
آن زمان ثابت کرده است که می تواند ارزش واقعی
161
00:07:11,500 –> 00:07:15,850
کسب و کار را اضافه کند، اکنون آنها همچنین نیاز به
162
00:07:15,850 –> 00:07:17,200
تحقیق و پیاده سازی
163
00:07:17,200 –> 00:07:19,540
الگوریتم های یادگیری ماشینی مناسب و همچنین
164
00:07:19,540 –> 00:07:23,500
ابزارهای هوش مصنوعی
165
00:07:23,500 –> 00:07:24,760
166
00:07:24,760 –> 00:07:26,680
دارند. راه حل
167
00:07:26,680 –> 00:07:30,460
یا یک رویکرد مناسب با همه
168
00:07:30,460 –> 00:07:32,080
عوامل متعددی وجود دارد که می تواند بر
169
00:07:32,080 –> 00:07:34,180
تصمیم شما برای انتخاب الگوریتم یادگیری ماشین تأثیر بگذارد،
170
00:07:34,180 –> 00:07:36,910
برخی از مسائل بسیار
171
00:07:36,910 –> 00:07:39,070
خاص هستند و به یک رویکرد منحصر به فرد نیاز دارند
172
00:07:39,070 –> 00:07:41,800
در حالی که مسائل فرعی بسیار باز هستند و
173
00:07:41,800 –> 00:07:44,800
به رویکرد آزمون و خطا نیاز دارند بنابراین به طور کلی
174
00:07:44,800 –> 00:07:45,940
سه نوع وجود دارد. از
175
00:07:45,940 –> 00:07:47,950
الگوریتمهای یادگیری ماشینی که تحت
176
00:07:47,950 –> 00:07:50,169
نظارت یادگیری بدون نظارت و
177
00:07:50,169 –> 00:07:52,870
یادگیری تقویتی هستند و اگر در
178
00:07:52,870 –> 00:07:55,030
مورد یادگیری تقویتی هوش مصنوعی صحبت میکنیم
179
00:07:55,030 –> 00:07:58,120
در اینجا پیشرو هستند، آنها همچنین باید
180
00:07:58,120 –> 00:07:59,830
برنامه یادگیری ماشین را
181
00:07:59,830 –> 00:08:02,650
مطابق با الزامات توسعه دهند، بنابراین ما
182
00:08:02,650 –> 00:08:05,530
در آغاز عصر انقلابی زندگی میکنیم.
183
00:08:05,530 –> 00:08:07,780
توسعه محاسبات بزرگ تجزیه و تحلیل داده ها
184
00:08:07,780 –> 00:08:09,900
در هر ساعت و محاسبات ابری،
185
00:08:09,900 –> 00:08:12,340
بنابراین هوش مصنوعی
186
00:08:12,340 –> 00:08:14,169
قطعاً نقش بسیار زیادی در آن خواهد داشت
187
00:08:14,169 –> 00:08:16,120
و مغز پشت آن یادگیری ماشینی است
188
00:08:16,120 –> 00:08:18,620
که مبتنی بر الگوریتمها است،
189
00:08:18,620 –> 00:08:20,510
بنابراین توسعه برنامههای یادگیری ماشینی
190
00:08:20,510 –> 00:08:22,700
مستلزم مجموعهای
191
00:08:22,700 –> 00:08:25,370
از زبانهای پیشرفته سیستمها
192
00:08:25,370 –> 00:08:27,260
و ابزارهای برنامهنویسی مختلف است که در
193
00:08:27,260 –> 00:08:32,390
دسترس هستند. اکنون فقط توسعه دهندگان را انتخاب کنید،
194
00:08:32,390 –> 00:08:34,010
آنها همچنین می توانند از نزدیک با
195
00:08:34,010 –> 00:08:35,900
مهندسان برق یا مهندسان رباتیک
196
00:08:35,900 –> 00:08:38,330
و دیگران کار کنند تا
197
00:08:38,330 –> 00:08:40,309
سیستم هایی تولید کنند که از هوش مصنوعی استفاده می کنند،
198
00:08:40,309 –> 00:08:42,590
اکنون این به
199
00:08:42,590 –> 00:08:45,260
قابلیت تطبیق یا تغییر بر
200
00:08:45,260 –> 00:08:48,500
اساس اضافه کردن داده ها اشاره دارد، اکنون ممکن است به معنای
201
00:08:48,500 –> 00:08:51,680
برنامه ریزی یک سیستم برای نگاه کردن باشد. برای یا به
202
00:08:51,680 –> 00:08:54,560
دنبال شرایط خاص و پاسخ بر
203
00:08:54,560 –> 00:08:57,410
اساس آن عوامل هستند، برای مثال
204
00:08:57,410 –> 00:08:59,660
برنامهنویسی آنها ممکن است رباتها را قادر به یادگیری
205
00:08:59,660 –> 00:09:01,970
تعامل با دیگر رباتهای کار
206
00:09:01,970 –> 00:09:06,020
مشترک کنند، اکنون آنها همچنین
207
00:09:06,020 –> 00:09:08,120
باید مجموعه دادههای مناسب و
208
00:09:08,120 –> 00:09:11,090
مدلهای نمایش را انتخاب کنند تا
209
00:09:11,090 –> 00:09:13,220
سازمانهای مختلف هوش مصنوعی در حال ایجاد
210
00:09:13,220 –> 00:09:15,680
نقش موتور ترس r و پرسنل آن
211
00:09:15,680 –> 00:09:17,840
با افرادی که می توانند ترکیبی از
212
00:09:17,840 –> 00:09:20,600
213
00:09:20,600 –> 00:09:24,800
وظایف علم داده های مهندسی داده و توسعه نرم افزار را انجام دهند، بنابراین هوش مصنوعی
214
00:09:24,800 –> 00:09:27,050
مبتکر
215
00:09:27,050 –> 00:09:29,510
مانند یک مهندس داده، کدی برای ایجاد خطوط لوله داده مقیاس
216
00:09:29,510 –> 00:09:32,270
پذیر نمی نویسد و اغلب در
217
00:09:32,270 –> 00:09:34,370
رقابت با گاو در کنار دانشمند داده رقابت نمی
218
00:09:34,370 –> 00:09:37,040
کند. آنها می دانند که چگونه می توانند
219
00:09:37,040 –> 00:09:39,650
داده ها را به طور موثر از منابع مختلف استخراج
220
00:09:39,650 –> 00:09:40,840
221
00:09:40,840 –> 00:09:43,400
کنند و مدل های یادگیری ماشین خود را بسازند و آزمایش کنند
222
00:09:43,400 –> 00:09:46,010
و آن مدل ها را
223
00:09:46,010 –> 00:09:49,490
با استفاده از کدهای تعبیه شده یا فراخوانی های API برای
224
00:09:49,490 –> 00:09:53,780
ایجاد برنامه های کاربردی تزریق شده با هوش مصنوعی به کار گیرند، اکنون
225
00:09:53,780 –> 00:09:55,910
انتخاب مجموعه داده مناسب موضوع بسیار
226
00:09:55,910 –> 00:09:57,860
مهمی است که در در مرکز یک
227
00:09:57,860 –> 00:10:00,530
بحث بسیار بزرگ، پاسخ کوتاه این است
228
00:10:00,530 –> 00:10:03,710
که در عمل به نوعی از
229
00:10:03,710 –> 00:10:05,680
اعتبارسنجی متقابل بستگی دارد که معمولاً اعمال میشود،
230
00:10:05,680 –> 00:10:07,880
اما راههایی برای پیشانتخاب آگاهانه وجود دارد،
231
00:10:07,880 –> 00:10:12,500
همچنین اکنون
232
00:10:12,500 –> 00:10:15,500
بخش عمدهای از یک کار هوشمندانه هوش مصنوعی
233
00:10:15,500 –> 00:10:17,620
اجرای تست یادگیری ماشین است. و آزمایش کنید
234
00:10:17,620 –> 00:10:20,240
تا آزمایشهای یادگیری ماشینی
235
00:10:20,240 –> 00:10:23,660
ممکن است ساعتها و حتی هفتهها در برخی موارد طول بکشد،
236
00:10:23,660 –> 00:10:26,780
اکنون این به هوش مصنوعی
237
00:10:26,780 –> 00:10:29,240
e. زمان زیادی برای فکر کردن و برنامهریزی
238
00:10:29,240 –> 00:10:31,950
برای آزمایشهای اضافی برای انجام آزمایشهای اضافی بهعلاوه انجام
239
00:10:31,950 –> 00:10:34,380
متوسط
240
00:10:34,380 –> 00:10:36,300
ژه یادگیری ماشینی کاربردی ممکن است به دهها تا صد
241
00:10:36,300 –> 00:10:38,700
ا آزمایش گسسته نیاز داشته با
242
00:10:38,700 –> 00:10:40,680
د تا مدل آمادهسازی داده و پ
243
00:10:40,680 –> 00:10:43,700
کربندی مرکز خرید را پیدا کنید که عم
244
00:10:43,700 –> 00:10:46,490
کرد خوب یا عالی GRU را در
245
00:10:46,490 –> 00:10:48,810
ال حاضر ارائه دهد. قرعه کشی نه ماهیت
246
00:10:48,810 –> 00:10:51,300
آزمایش ها به این معنی است که شما باید ترتیب و نوع آزمایشی را که اجرا می کنید به
247
00:10:51,300 –> 00:10:55,050
دقت برنامه ریزی و مدیریت
248
00:10:55,050 –> 00:10:57,690
کنید، بنابراین
249
00:10:57,690 –> 00:11:02,070
آنها باید سیستماتیک باشند و در حال
250
00:11:02,070 –> 00:11:03,779
حاضر نیز باید
251
00:11:03,779 –> 00:11:06,089
تجزیه و تحلیل آماری و تنظیم دقیق را با استفاده از نتیجه آزمایش انجام
252
00:11:06,089 –> 00:11:06,690
253
00:11:06,690 –> 00:11:09,510
دهند، بنابراین آمار و یادگیری ماشین
254
00:11:09,510 –> 00:11:12,209
دو زمینه بسیار نزدیک به هم هستند، در
255
00:11:12,209 –> 00:11:14,430
واقع خط بین این دو میتواند
256
00:11:14,430 –> 00:11:17,279
در مواقعی بسیار مبهم باشد. منصفانه است که بگوییم
257
00:11:17,279 –> 00:11:19,680
روشهای آماری برای
258
00:11:19,680 –> 00:11:21,510
کار مؤثر از طریق
259
00:11:21,510 –> 00:11:24,380
پروژه مدلسازی پیشبینیکننده یادگیری ماشین،
260
00:11:24,380 –> 00:11:26,699
تجزیه و تحلیل دادههای اکتشافی
261
00:11:26,699 –> 00:11:29,100
خلاصه دادهها و دادهها مورد نیاز است. تجسم
262
00:11:29,100 –> 00:11:31,470
میتواند برای کمک به
263
00:11:31,470 –> 00:11:33,720
چارچوببندی مشکلات مدلسازی شکارچی و درک بهتر شما استفاده شود و
264
00:11:33,720 –> 00:11:37,470
آزمون فرضیه های آماری داده ها و
265
00:11:37,470 –> 00:11:39,870
حذف و همچنین
266
00:11:39,870 –> 00:11:42,060
آمار تخمین می تواند به انتخاب مدل
267
00:11:42,060 –> 00:11:44,430
و ارائه مهارت ها و
268
00:11:44,430 –> 00:11:48,540
پیش بینی از مدل های نهایی کمک کند، اکنون
269
00:11:48,540 –> 00:11:50,490
آنها نیز باید هر زمان که لازم باشد در سیستم آموزش ببینند و بخوانند و
270
00:11:50,490 –> 00:11:53,399
271
00:11:53,399 –> 00:11:56,130
باید متوجه شوید که وقتی آموزش یک مدل
272
00:11:56,130 –> 00:11:58,320
در وهله اول داده های شما
273
00:11:58,320 –> 00:12:00,959
از طریق برخی کارها مانند تنظیم یک نوع
274
00:12:00,959 –> 00:12:03,149
برای هر فیلد، تبدیل
275
00:12:03,149 –> 00:12:05,550
مقادیر فیلدها و افزودن فیلدهای جدید یا
276
00:12:05,550 –> 00:12:06,720
فیلتر کردن ردیف ها،
277
00:12:06,720 –> 00:12:09,420
اکنون مرکز خرید واقعاً می تواند روی
278
00:12:09,420 –> 00:12:12,180
داده های خام کار کند تا داده های بیشتری را به هر سیستمی اضافه کند.
279
00:12:12,180 –> 00:12:14,640
مدلسازی کنید که همه این تغییرات
280
00:12:14,640 –> 00:12:19,170
ابتدا باید دوباره اجرا شوند و اکنون راه دیگری برای
281
00:12:19,170 –> 00:12:20,880
بهروز نگهداشتن مدل شما این است که یک
282
00:12:20,880 –> 00:12:22,500
سیستم خودکار برای
283
00:12:22,500 –> 00:12:24,890
ارزیابی و بازآموزی مداوم مدلهای خود داشته باشید،
284
00:12:24,890 –> 00:12:27,870
امروزه مدلهای ما با جریانهایی از
285
00:12:27,870 –> 00:12:30,449
اطلاعات سروکار دارند که باید در زمان بهروزرسانی
286
00:12:30,449 –> 00:12:32,610
شوند. داده های جدیدی را تغذیه می کند که اولین
287
00:12:32,610 –> 00:12:34,889
گام به طور قابل توجهی از داده های مورد استفاده
288
00:12:34,889 –> 00:12:38,310
برای آموزش آنها در حال حاضر به همین دلیل است که
289
00:12:38,310 –> 00:12:39,959
هوش مصنوعی و ابزارهای یادگیری ماشین
290
00:12:39,959 –> 00:12:42,810
نیاز دارند. برای ارائه نه تنها دقیق، بلکه
291
00:12:42,810 –> 00:12:44,889
قابل مقیاسپذیری قابل تکرار و
292
00:12:44,889 –> 00:12:46,869
ارائه راهحلهایی که میتوانند به طور ایمن
293
00:12:46,869 –> 00:12:53,199
در سیستمهای اطلاعاتی ادغام شوند و
294
00:12:53,199 –> 00:12:54,939
اکنون به نقش نهایی یک
295
00:12:54,939 –> 00:12:57,279
مهندس هوش مصنوعی میرسند، این
296
00:12:57,279 –> 00:12:58,989
است که از پیشرفتهای
297
00:12:58,989 –> 00:13:01,480
این حوزه مطلع باشند و اکنون آنها باید بهروز باشند.
298
00:13:01,480 –> 00:13:04,749
هر گونه تغییر پیش رو همانطور که هر
299
00:13:04,749 –> 00:13:06,819
ماه مدل های جدید شبکه عصبی بیرون می آیند
300
00:13:06,819 –> 00:13:08,1