در این مطلب، ویدئو شناسایی AWS با استفاده از دوره کامل PYTHON 2022 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: 2:34:01
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,070 –> 00:00:03,930
[موسیقی]
2
00:00:06,480 –> 00:00:08,720
یادگیری ماشینی هوش مصنوعی
3
00:00:08,720 –> 00:00:11,599
یادگیری عمیق سازمانی محاسبات ابری
4
00:00:11,599 –> 00:00:13,120
تجزیه و تحلیل داده های بزرگ
5
00:00:13,120 –> 00:00:15,280
همه به طور تصاعدی در حال رشد هستند،
6
00:00:15,280 –> 00:00:16,960
شرکت های سازمانی بیشتر و بیشتر از
7
00:00:16,960 –> 00:00:17,840
8
00:00:17,840 –> 00:00:19,600
فناوری های یادگیری ماشینی به عنوان بخشی از
9
00:00:19,600 –> 00:00:21,039
استراتژی تجاری خود استفاده می کنند و برای
10
00:00:21,039 –> 00:00:22,560
متمایز کردن خود
11
00:00:22,560 –> 00:00:24,720
در کنار قرار گرفتن در لبه
12
00:00:24,720 –> 00:00:26,160
فناوری
13
00:00:26,160 –> 00:00:28,640
با هزاران نفر در مورد فرصت های شغلی باز
14
00:00:28,640 –> 00:00:29,439
شما نیاز دارید تا
15
00:00:29,439 –> 00:00:31,679
دانش ارزشمندی را برای تقویت
16
00:00:31,679 –> 00:00:33,440
مجموعه مهارت های موجود خود به دست آورید
17
00:00:33,440 –> 00:00:35,520
به این دوره خوش آمدید در مورد
18
00:00:35,520 –> 00:00:37,520
یادگیری ماشینی تشخیص aws با استفاده از
19
00:00:37,520 –> 00:00:40,480
کلاس استاد پایتون گام به گام
20
00:00:40,480 –> 00:00:41,200
کامل
21
00:00:41,200 –> 00:00:44,239
دستی نام من سید است و من مدرس آن خواهم
22
00:00:44,239 –> 00:00:46,990
بود این دوره
23
00:00:46,990 –> 00:00:52,369
[موسیقی]
24
00:00:56,960 –> 00:00:59,039
من
25
00:00:59,039 –> 00:01:00,719
بیش از 20 سال است که در صنعت آموزش هستم و هزاران دانش آموز را آموزش داده ام، در
26
00:01:00,719 –> 00:01:02,239
27
00:01:02,239 –> 00:01:05,119
حال حاضر 45 دوره به علاوه دارم و
28
00:01:05,119 –> 00:01:06,040
به بیش از
29
00:01:06,040 –> 00:01:10,799
175000 دانش آموز شاد در udemi آموزش
30
00:01:10,799 –> 00:01:12,159
می دهم و مایلم به شما خوشامد بگویم. در این
31
00:01:12,159 –> 00:01:14,080
دوره که همیشه آخرین
32
00:01:14,080 –> 00:01:15,119
فن آوری ها را
33
00:01:15,119 –> 00:01:17,119
با دانش به روز برای شما به ارمغان می آورد، این یک
34
00:01:17,119 –> 00:01:19,600
دوره نسبتاً عظیم در aw است. تشخیص و
35
00:01:19,600 –> 00:01:21,200
توسعه پایتون
36
00:01:21,200 –> 00:01:22,479
اجازه دهید شما را در دستور کار دوره راهنمایی کنم
37
00:01:22,479 –> 00:01:24,240
و اینکه چرا باید این
38
00:01:24,240 –> 00:01:25,759
دوره را بگذرانید
39
00:01:25,759 –> 00:01:28,159
در این دوره شما
40
00:01:28,159 –> 00:01:29,280
41
00:01:29,280 –> 00:01:31,920
با موفقیت استفاده از پایتون برای استخراج برچسب از
42
00:01:31,920 –> 00:01:32,479
تصاویر
43
00:01:32,479 –> 00:01:35,600
استخراج متن از تصاویر با استفاده از پایتون
44
00:01:35,600 –> 00:01:38,479
را یاد می گیرید و تمرین می کنید، همچنین اصول اولیه ماشین aws را یاد خواهید گرفت.
45
00:01:38,479 –> 00:01:40,079
مفهوم یادگیری
46
00:01:40,079 –> 00:01:42,799
درک کاملی از شناسایی aws
47
00:01:42,799 –> 00:01:43,840
48
00:01:43,840 –> 00:01:46,560
بهعنوان یک امتیاز به دست آورید، من همچنین میخواهم دورههای
49
00:01:46,560 –> 00:01:48,320
50
00:01:48,320 –> 00:01:51,200
برنامهنویسی پیشرفته پایتون و برنامهنویسی پیشرفته پایتون
51
00:01:51,200 –> 00:01:52,079
را به صورت یکجا پوشش
52
00:01:52,079 –> 00:01:54,880
دهم، همچنین نصب
53
00:01:54,880 –> 00:01:56,079
و پیکربندی
54
00:01:56,079 –> 00:01:59,280
pycharm را با استفاده از کدنویسی boto3 aws sdk
55
00:01:59,280 –> 00:02:02,399
در پایتون برای شناسایی چهرههای اشیا
56
00:02:02,399 –> 00:02:04,960
و متن از آن یاد خواهید گرفت. تصاویر و خیلی چیزهای دیگر
57
00:02:04,960 –> 00:02:06,719
تحولی در یادگیری شما ایجاد میکند
58
00:02:06,719 –> 00:02:08,239
، در لبه برتر
59
00:02:08,239 –> 00:02:10,318
رایانش ابری سازمانی بمانید و از فرصت روشنتری لذت ببرید،
60
00:02:10,318 –> 00:02:13,360
بنابراین اگر
61
00:02:13,360 –> 00:02:15,040
به دنبال یادگیری مهارتهای جدید
62
00:02:15,040 –> 00:02:18,000
یا تقویت مجموعه مهارتهای موجود هستید
63
00:02:18,000 –> 00:02:20,239
دوره یادگیری ماشینی در تشخیص aws با استفاده از
64
00:02:20,239 –> 00:02:20,959
65
00:02:20,959 –> 00:02:23,120
پایتون دوره مناسبی است. برای شما، پس منتظر چه چیزی هستید،
66
00:02:23,120 –> 00:02:24,080
67
00:02:24,080 –> 00:02:25,440
اکنون روی دکمه ثبت نام کلیک کنید و من انجام
68
00:02:25,440 –> 00:02:28,319
خواهم داد قبل از شروع به شما در کلاس
69
00:02:28,840 –> 00:02:34,959
[موسیقی]
70
00:02:34,959 –> 00:02:36,800
خوش آمدید به این دوره خوش آمدید
71
00:02:36,800 –> 00:02:38,000
من
72
00:02:38,000 –> 00:02:39,680
میخواهم برخی از پیش نیازهای دوره اولیه
73
00:02:39,680 –> 00:02:41,200
74
00:02:41,200 –> 00:02:43,599
و آنچه را که باید داشته باشید قبل از اینکه بتوانید
75
00:02:43,599 –> 00:02:44,720
این دوره را به
76
00:02:44,720 –> 00:02:47,120
خوبی شروع کنید، پیش از هر چیز باید داشته باشید.
77
00:02:47,120 –> 00:02:49,440
حساب aws برای باز کردن
78
00:02:49,440 –> 00:02:51,120
حساب شما به کارت اعتباری نیاز دارید، در
79
00:02:51,120 –> 00:02:54,800
مرحله دوم من همچنین به مفاهیم اولیه رایانش ابری نیاز دارم،
80
00:02:54,800 –> 00:02:56,239
81
00:02:56,239 –> 00:02:59,360
بنابراین هیچ چیز پیچیده ای نیست، اما
82
00:02:59,360 –> 00:03:01,440
فقط راه خود را در مورد مفاهیم رایانش ابری
83
00:03:01,440 –> 00:03:02,879
مانند
84
00:03:02,879 –> 00:03:04,800
راه اندازی یک نمونه ec2 برای مثال aws
85
00:03:04,800 –> 00:03:06,080
86
00:03:06,080 –> 00:03:08,959
یا درک نحوه عملکرد ذخیره سازی و بنابراین
87
00:03:08,959 –> 00:03:10,480
، دستورات پایه لینوکس
88
00:03:10,480 –> 00:03:13,040
نیز مطلوب است، من از
89
00:03:13,040 –> 00:03:14,640
پاورشل
90
00:03:14,640 –> 00:03:17,200
و رابط خط فرمان خاصی استفاده می کنم تا
91
00:03:17,200 –> 00:03:18,879
اجرا کنیم
92
00:03:18,879 –> 00:03:22,159
و به نمونه ec2 خود در aws متصل یا ssh کنیم،
93
00:03:22,159 –> 00:03:25,120
شما به دستورات اصلی لینوکس نیاز دارید،
94
00:03:25,120 –> 00:03:25,840
اگرچه
95
00:03:25,840 –> 00:03:27,680
من شما را گام به گام راهنمایی خواهم کرد.
96
00:03:27,680 –> 00:03:30,400
حتی اگر نمی دانید که
97
00:03:30,400 –> 00:03:32,239
دانش برنامه نویسی شی گرا خوب
98
00:03:32,239 –> 00:03:34,400
است نیز مطلوب
99
00:03:34,400 –> 00:03:36,080
است، لازم نیست زیرا من
100
00:03:36,080 –> 00:03:38,480
تمام مقدمه و پیشرفت پایتون را پوشش خواهم
101
00:03:38,480 –> 00:03:39,040
داد. d
102
00:03:39,040 –> 00:03:42,640
دوره عمیق حساب github
103
00:03:42,640 –> 00:03:44,480
همیشه توصیه می شود من همیشه به همه دانش آموزانم توصیه می کنم
104
00:03:44,480 –> 00:03:46,400
که باید یک حساب github.com داشته
105
00:03:46,400 –> 00:03:46,879
باشند،
106
00:03:46,879 –> 00:03:49,360
نه شما می توانید به سادگی به سایت بروید
107
00:03:49,360 –> 00:03:50,879
و یکی
108
00:03:50,879 –> 00:03:52,400
را باز کنید. همیشه مفید است
109
00:03:52,400 –> 00:03:54,640
زیرا نمایه شما را با یادگیری
110
00:03:54,640 –> 00:03:57,840
و توسعه بیشتر می سازد. پروژهها
111
00:03:57,840 –> 00:04:00,720
و مهمتر از همه توجه داشته باشید که یادگیری ماشینی aws
112
00:04:00,720 –> 00:04:01,760
113
00:04:01,760 –> 00:04:04,959
رایگان نیست، بنابراین
114
00:04:04,959 –> 00:04:06,640
برای مدت زمانی که با تشخیص aws کار میکنید هزینه و صورتحساب دریافت میکنید
115
00:04:06,640 –> 00:04:08,000
116
00:04:08,000 –> 00:04:10,239
و این مهم است زیرا معمولاً
117
00:04:10,239 –> 00:04:12,239
در طول این دوره ممکن است
118
00:04:12,239 –> 00:04:14,159
چند دلار بسازید، اما باز هم این بستگی به
119
00:04:14,159 –> 00:04:15,760
شما دارد. نیاز خود من یک
120
00:04:15,760 –> 00:04:18,079
بررسی منظم در صورتحساب و تنظیم
121
00:04:18,079 –> 00:04:19,600
هشدارهای صورتحساب
122
00:04:19,600 –> 00:04:21,680
برای شما انجام میدهم، بنابراین باید هنگام کار با یادگیری ماشینی aws بسیار مراقب باشید،
123
00:04:21,680 –> 00:04:23,280
124
00:04:23,280 –> 00:04:23,919
125
00:04:23,919 –> 00:04:26,320
بنابراین با در نظر گرفتن این پیشنیازها،
126
00:04:26,320 –> 00:04:27,840
اجازه دهید بلافاصله وارد عمل شویم و
127
00:04:27,840 –> 00:04:29,840
با تشخیص aws شروع کنیم.
128
00:04:29,840 –> 00:04:32,450
یادگیری ماشینی با استفاده از پایتون
129
00:04:32,450 –> 00:04:36,260
[موسیقی]
130
00:04:39,680 –> 00:04:42,160
خوش آمدید با هیجان فوق العاده در این
131
00:04:42,160 –> 00:04:44,800
درس، من قصد دارم یک
132
00:04:44,800 –> 00:04:47,440
مدل یادگیری ماشینی کامل دیگر را از
133
00:04:47,440 –> 00:04:48,080
ابتدا
134
00:04:48,080 –> 00:04:50,639
تا باله اجرا کنم به عبارت دیگر، ما
135
00:04:50,639 –> 00:04:51,919
یک مجموعه داده را ارزیابی می
136
00:04:51,919 –> 00:04:54,160
کنیم، مجموعه داده های خود را آماده می کنیم،
137
00:04:54,160 –> 00:04:55,680
سپس البته از
138
00:04:55,680 –> 00:04:57,280
یادگیری ماشین آمازون
139
00:04:57,280 –> 00:05:00,240
برای ادامه کار استفاده می کنیم و منبع داده آموزشی خود را
140
00:05:00,240 –> 00:05:01,360
141
00:05:01,360 –> 00:05:04,639
ایجاد می کنیم، مدل خود را ایجاد کرده و سپس پیش بینی می کنیم.
142
00:05:04,639 –> 00:05:07,360
بنابراین قبل از شروع، اجازه دهید دوباره به مجموعه دادههای موجود خود نگاهی بیندازیم،
143
00:05:07,360 –> 00:05:08,639
144
00:05:08,639 –> 00:05:10,160
من این
145
00:05:10,160 –> 00:05:12,560
مجموعه داده را در اختیار شما قرار میدهم که میتوانید آن را دانلود کنید و سپس از آن
146
00:05:12,560 –> 00:05:15,520
برای تمرین خود نیز استفاده کنید، بنابراین من
147
00:05:15,520 –> 00:05:17,039
میروم و اکسل را باز میکنم،
148
00:05:17,039 –> 00:05:19,039
دادههای من این
149
00:05:19,039 –> 00:05:21,120
سوابق فارغ التحصیلی را درست تنظیم کنید، بنابراین این
150
00:05:21,120 –> 00:05:22,240
سوابق دانشجویی است،
151
00:05:22,240 –> 00:05:24,800
بنابراین در جایی که من شماره سریال
152
00:05:24,800 –> 00:05:25,600
دارم،
153
00:05:25,600 –> 00:05:28,720
ستونی به نام نمره gre دارم که این
154
00:05:28,720 –> 00:05:31,120
دانش آموز خاص امتیاز داده است،
155
00:05:31,120 –> 00:05:34,160
من همچنین نمره تافل را
156
00:05:34,160 –> 00:05:35,759
دارم که به اعتقاد من آزمون انگلیسی به عنوان یک آزمون است.
157
00:05:35,759 –> 00:05:37,440
زبان خارجی که
158
00:05:37,440 –> 00:05:38,000
دانشگاه
159
00:05:38,000 –> 00:05:41,360
160
00:05:41,360 –> 00:05:44,160
تحقیق sop lor cgpa را میخواند و شانس پذیرش دارد، بنابراین
161
00:05:44,160 –> 00:05:45,520
اینها ستونهایی
162
00:05:45,520 –> 00:05:48,800
از a تا i هستند که در مجموعه دادهها موجود بودند.
163
00:05:48,800 –> 00:05:51,199
164
00:05:51,199 –> 00:05:54,880
165
00:05:54,880 –> 00:05:55,280
166
00:05:55,280 –> 00:05:57,840
ما صفر داریم و یکهای
167
00:05:57,840 –> 00:05:58,720
168
00:05:58,720 –> 00:06:01,759
صفر یعنی هیچکس به معنای بله نیست، بنابراین
169
00:06:01,759 –> 00:06:04,319
میتوان از این مجموعه دادهها یک سوال
170
00:06:04,319 –> 00:06:04,960
171
00:06:04,960 –> 00:06:07,520
پرسید که شانس دانشجویانی
172
00:06:07,520 –> 00:06:08,960
که
173
00:06:08,960 –> 00:06:12,479
در دانشگاه قبول میشوند چقدر است و
174
00:06:12,479 –> 00:06:14,240
غیره تا بتوانید سوالات دیگری را
175
00:06:14,240 –> 00:06:16,639
بر اساس دادههای خود بپرسید. خوب،
176
00:06:16,639 –> 00:06:18,560
این یک مجموعه داده نسبتاً کوچک است،
177
00:06:18,560 –> 00:06:21,120
معمولاً شما مجموعه دادههای بزرگی خواهید داشت،
178
00:06:21,120 –> 00:06:24,080
بنابراین این بدان معناست که تعداد ردیفهایی
179
00:06:24,080 –> 00:06:26,400
که من دارم، برای مثال، اگر من کنترل انجام دهم،
180
00:06:26,400 –> 00:06:30,000
به 501 ردیف پایان میرسد.
181
00:06:30,000 –> 00:06:33,680
182
00:06:33,680 –> 00:06:35,600
183
00:06:35,600 –> 00:06:38,240
من میخواهم از این مجموعه داده
184
00:06:38,240 –> 00:06:40,560
استفاده کنم و از یادگیری ماشین آمازون برای پیشبینی
185
00:06:40,560 –> 00:06:43,600
از این مجموعه داده استفاده کنم، بیایید به سمت
186
00:06:43,600 –> 00:06:46,880
187
00:06:46,880 –> 00:06:49,199
کنسول خود برویم از کنسولم، بیایید ادامه دهیم و ابتدا
188
00:06:49,199 –> 00:06:51,440
یک سطل s3 ایجاد کنیم، زیرا باید
189
00:06:51,440 –> 00:06:54,319
آپلود کنیم مجموعه داده های ما در سطل sp
190
00:06:54,319 –> 00:06:57,599
بیایید به s3 برویم تا
191
00:06:57,599 –> 00:06:59,120
سطل s3 را ایجاد کنیم، من فقط می خواهم
192
00:06:59,120 –> 00:07:02,319
آن را ایجاد کنم و نامی برای آن بگذارم، بنابراین روی
193
00:07:02,319 –> 00:07:02,880
ایجاد
194
00:07:02,880 –> 00:07:05,280
سطل
195
00:07:06,319 –> 00:07:08,400
کلیک کنید، من این فارغ التحصیل را صدا می زنم.
196
00:07:08,400 –> 00:07:10,720
197
00:07:11,199 –> 00:07:14,080
فقط بگو
198
00:07:14,080 –> 00:07:14,800
199
00:07:14,800 –> 00:07:18,800
به عنوان مثال duate 1 روی next کلیک کنید
200
00:07:18,880 –> 00:07:20,800
و سپس من فقط تنظیمات پیش فرض را حفظ می کنم
201
00:07:20,800 –> 00:07:22,479
و به
202
00:07:22,479 –> 00:07:24,720
ایجاد سطل
203
00:07:24,720 –> 00:07:27,599
کامل ادامه می دهم، بنابراین پس از ایجاد سطل،
204
00:07:27,599 –> 00:07:28,880
بیایید
205
00:07:28,880 –> 00:07:31,919
به این یکی از فارغ التحصیلان برویم و مجموعه داده های خود را آپلود کنیم
206
00:07:31,919 –> 00:07:32,639
،
207
00:07:32,639 –> 00:07:35,280
بنابراین بیایید روی آپلود کلیک کنیم روی افزودن کلیک کنیم.
208
00:07:35,280 –> 00:07:37,120
فایلها
209
00:07:37,120 –> 00:07:39,840
کادر محاورهای یا اکسپلورر ویندوز را نشان میدهد
210
00:07:39,840 –> 00:07:40,639
،
211
00:07:40,639 –> 00:07:43,360
من میخواهم به پوشه مأموریتهای فارغالتحصیل خود بروید
212
00:07:43,360 –> 00:07:46,000
213
00:07:46,000 –> 00:07:47,280
و
214
00:07:47,280 –> 00:07:49,400
نسخه پیشبینی پذیرش نسخه 1.2
215
00:07:49,400 –> 00:07:51,280
final.csv را انتخاب میکنم، زیرا این نسخهای است که ما
216
00:07:51,280 –> 00:07:52,720
در واقع
217
00:07:52,720 –> 00:07:55,840
برای یادگیری ماشین آماده کردهایم، روی باز کردن کلیک کنید
218
00:07:55,840 –> 00:07:58,720
و این به محض اینکه روی آپلود مجموعه داده های واقعی در سطل s3 کلیک کردم، به جلو می رود و آپلود می کند،
219
00:07:58,720 –> 00:08:00,319
به
220
00:08:00,319 –> 00:08:03,599
221
00:08:03,599 –> 00:08:06,240
محض اینکه این را داشتم، بیایید به
222
00:08:06,240 –> 00:08:08,240
سرویس ها برویم
223
00:08:08,240 –> 00:08:10,319
و در زیر بخشی به نام
224
00:08:10,319 –> 00:08:11,680
یادگیری ماشینی اینجاست که تمام یادگیری ماشینی
225
00:08:11,680 –> 00:08:12,000
226
00:08:12,000 –> 00:08:14,639
اتفاق می افتد، اجازه دهید پیمایش کرده و روی آن کلیک کنید.
227
00:08:14,639 –> 00:08:16,080
یادگیری ماشینی
228
00:08:16,080 –> 00:08:17,599
این ما را به
229
00:08:17,599 –> 00:08:20,879
داشبورد یادگیری ماشین یا صفحه کنسول میبرد،
230
00:08:20,879 –> 00:08:22,319
من میروم و روی
231
00:08:22,319 –> 00:08:24,319
شروع کلیک میکنم
232
00:08:24,319 –> 00:08:27,360
و اجازه میدهیم راهاندازی استاندارد را انتخاب کنیم.
233
00:08:27,360 –> 00:08:28,160
234
00:08:28,160 –> 00:08:30,560
ایجاد اولین مدل ml اگر
235
00:08:30,560 –> 00:08:32,320
دادههای خود را آماده ندارید، میتوانید از
236
00:08:32,320 –> 00:08:33,519
مجموعه دادههای نمونه استفاده
237
00:08:33,519 –> 00:08:35,919
کنید اگر مجموعه دادهها را دارید، سپس
238
00:08:35,919 –> 00:08:36,640
میتوانید
239
00:08:36,640 –> 00:08:39,039
مستقیماً به داشبورد یادگیری ماشین آمازون
240
00:08:39,039 –> 00:08:40,559
241
00:08:40,559 –> 00:08:42,479
بروید، بنابراین بیایید ادامه دهیم و روی راهاندازی کلیک کنیم
242
00:08:42,479 –> 00:08:44,000
تا بتوانم گام به گام
243
00:08:44,000 –> 00:08:46,959
بعداً می توانید تمرین کنید،
244
00:08:47,120 –> 00:08:49,040
بنابراین اولین قدم
245
00:08:49,040 –> 00:08:50,320
البته s3 است،
246
00:08:50,320 –> 00:08:54,080
بنابراین به پایین پیمایش کنید، می توانم از banking.csv استفاده
247
00:08:54,080 –> 00:08:55,680
کنم که به هر حال می خواهم
248
00:08:55,680 –> 00:08:57,680
نشان دهم تا شما یک
249
00:08:57,680 –> 00:08:59,680
ایده درست از آن به دست آورید.
250
00:08:59,680 –> 00:09:02,720
کار با مجموعه دادههای متعدد،
251
00:09:02,720 –> 00:09:05,920
بنابراین s3 کجاست دوره اقامتی دادههای ما،
252
00:09:05,920 –> 00:09:07,680
آن s3 است، میخواهم نامی برای آن
253
00:09:07,680 –> 00:09:09,519
بگذارم، بنابراین میخواهم این را صدا کنم
254
00:09:09,519 –> 00:09:12,480
یا مکان s3 مسیری است
255
00:09:12,480 –> 00:09:14,080
که میخواهم وارد کنم،
256
00:09:14,080 –> 00:09:15,680
چه برای یک یک فایل یا یک
257
00:09:15,680 –> 00:09:17,680
پوشه در آمازون s3،
258
00:09:17,680 –> 00:09:19,600
بنابراین ابتدا نام سطل که
259
00:09:19,600 –> 00:09:20,720
فارغ التحصیل شده است
260
00:09:20,720 –> 00:09:23,440
و سپس فایل csv نهایی نسخه 2 پیش بینی پذیرش است،
261
00:09:23,440 –> 00:09:25,040
262
00:09:25,040 –> 00:09:28,080
بنابراین به طور خودکار
263
00:09:28,080 –> 00:09:29,040
فایل واقعی را
264
00:09:29,040 –> 00:09:30,959
از سطل بیرون می کشد، بنابراین تنها کاری که باید انجام دهم این است که
265
00:09:30,959 –> 00:09:32,720
به سادگی انتخاب
266
00:09:32,720 –> 00:09:35,920
کنم، همچنین می توانم ارائه کنم. یک نام منبع داده پس
267
00:09:35,920 –> 00:09:37,360
بیایید g o جلوتر و با این
268
00:09:37,360 –> 00:09:39,600
یک منبع داده تماس بگیرید و قبل از اینکه بتوانیم
269
00:09:39,600 –> 00:09:41,920
به جلو حرکت کنیم، aws میخواهد بررسی کند
270
00:09:41,920 –> 00:09:44,080
که آیا مجموعه دادههای ما در
271
00:09:44,080 –> 00:09:45,680
مکان s3 موجود است یا خیر،
272
00:09:45,680 –> 00:09:46,880
بنابراین من میروم و روی تأیید کلیک
273
00:09:46,880 –> 00:09:49,360
274
00:09:49,360 –> 00:09:50,959
میکنم و فقط به مجوزهایی از طرف نیاز دارد.
275
00:09:50,959 –> 00:09:52,959
پس آیا می خواهید مجوز بدهید
276
00:09:52,959 –> 00:09:56,160
ادامه دهید و روی yes کلیک کنید و زمانی که
277
00:09:56,160 –> 00:09:57,920
داده ها کاملاً تأیید شد
278
00:09:57,920 –> 00:10:00,480
بنابراین اعتبارسنجی موفقیت آمیز بود
279
00:10:00,480 –> 00:10:01,839
برای رفتن به مرحله بعدی
280
00:10:01,839 –> 00:10:04,240
ادامه را انتخاب کنید بنابراین بیایید ادامه دهیم روی این کلیک کنید
281
00:10:04,240 –> 00:10:05,920
282
00:10:05,920 –> 00:10:09,680
و اکنون مرحله بعدی طرحواره است.
283
00:10:09,680 –> 00:10:13,120
طرحواره اساساً ابرداده
284
00:10:13,120 –> 00:10:16,640
از دادههای خودمان است
285
00:10:16,640 –> 00:10:19,360
و گزینهای که من در اینجا دارم و میتوانم
286
00:10:19,360 –> 00:10:21,920
انتخاب کنم این است که آیا خط اول در CSV ما
287
00:10:21,920 –> 00:10:23,279
شامل نام ستونها
288
00:10:23,279 –> 00:10:25,600
بله یا خیر است، بنابراین از آنجایی که
289
00:10:25,600 –> 00:10:26,399
290
00:10:26,399 –> 00:10:29,200
در این مرحله سرصفحه ستونها داریم، گزینه پیشفرض خیر است.
291
00:10:29,200 –> 00:10:30,240
به این معنی که
292
00:10:30,240 –> 00:10:32,240
این ستون در ستون نام متوجه
293
00:10:32,240 –> 00:10:33,839
می شود که نوار 01
294
00:10:33,839 –> 00:10:36,240
متغیر 0 2 متغیر 0 3 و به همین ترتیب به
295
00:10:36,240 –> 00:10:37,200
سمت راست ادامه می دهد
296
00:10:37,200 –> 00:10:40,720
زیرا اگر
297
00:10:40,720 –> 00:10:42,800
این گزینه را مشخص نکنید یا انتخاب نکنید که بله باشد
298
00:10:42,800 –> 00:10:44,240
، پیش فرض ها را انتخاب می کند و
299
00:10:44,240 –> 00:10:46,399
نام پیش فرض را قرار می دهد. es
300
00:10:46,399 –> 00:10:48,640
اما اگر بله را انتخاب کنید که اکنون میخواهم
301
00:10:48,640 –> 00:10:50,399
انجام دهم و در این مرحله
302
00:10:50,399 –> 00:10:52,480
متوجه شوید که نامها
303
00:10:52,480 –> 00:10:56,079
از سرفصلهای ستون اکسل شما پر میشوند،
304
00:10:56,079 –> 00:10:58,560
بنابراین اگر سریع به فایل csv فایل اکسل خود بروید،
305
00:10:58,560 –> 00:10:59,120
306
00:10:59,120 –> 00:11:01,920
متوجه شوید که این
307
00:11:01,920 –> 00:11:02,959
عناوین ستونها هستند. که می بینید
308
00:11:02,959 –> 00:11:05,600
در واقع توسط آمازون یادگیری ماشینی نمایش داده می شود،
309
00:11:05,600 –> 00:11:07,519
310
00:11:07,519 –> 00:11:11,120
این را عالی به حداقل برسانید، بنابراین
311
00:11:11,120 –> 00:11:13,440
وقتی از طرحم راضی شدم، اجازه دهید ادامه دهیم
312
00:11:13,440 –> 00:11:16,399
و روی ادامه کلیک کنیم
313
00:11:16,480 –> 00:11:18,720
و چون من ترکیب
314
00:11:18,720 –> 00:11:20,560
ایجاد مدل ml و جادوگر منبع داده
315
00:11:20,560 –> 00:11:22,959
را انتخاب کرده ام، باید یک گزینه را انتخاب کنم. هدف و
316
00:11:22,959 –> 00:11:24,240
317
00:11:24,240 –> 00:11:26,880
هدف مشخصه هدفی است که من به دنبال آن
318
00:11:26,880 –> 00:11:28,800
هستم درست میخواهم از آن استفاده کنم
319
00:11:28,800 –> 00:11:30,079
زیرا یادگیری ماشین با
320
00:11:30,079 –> 00:11:31,920
یافتن الگوهایی کار میکند که
321
00:11:31,920 –> 00:11:35,519
دادهها را به مقدار قابل پیشبینی متصل میکند،
322
00:11:35,519 –> 00:11:37,040
بنابراین من به پایین پیمایش
323
00:11:37,040 –> 00:11:39,680
میکنم و y من اینجاست. درست این ستونی است که من
324
00:11:39,680 –> 00:11:40,720
ایجاد کردم
325
00:11:40,720 –> 00:11:42,640
و این یک نوع داده به نام باینری است،
326
00:11:42,640 –> 00:11:43,760
زیرا طبقه بندی باینری را انجام می دهم،
327
00:11:43,760 –> 00:11:45,519
328
00:11:45,519 –> 00:11:49,519
روی ادامه کلیک کنید شناسه ردیف
329
00:11:49,519 –> 00:11:50,800
اختیاری است، من می روم و روی بررسی کلیک
330
00:11:50,800 –> 00:11:53,040
331
00:11:53,040 –> 00:11:55,120
می کنم و به من می دهد صفحه پایانی که
332
00:11:55,120 –> 00:11:57,360
مرحله پنجم است، صفحه بررسی اگر لازم
333
00:11:57,360 –> 00:11:59,760
باشد هر کاری را تغییر دهم می توانم انجام دهم،
334
00:11:59,760 –> 00:12:01,839
بنابراین بیایید ادامه دهیم کاری که باید انجام دهید این
335
00:12:01,839 –> 00:12:04,800
است که روی ادامه کلیک کنید
336
00:12:04,800 –> 00:12:06,880
و این به جلو می رود و به
337
00:12:06,880 –> 00:12:08,480
من پیامی می دهد که می گوید ما می توانیم به آن متصل شویم.
338
00:12:08,480 –> 00:12:09,120
سرویس
339
00:12:09,120 –> 00:12:10,800
بعداً دوباره امتحان کنید، بنابراین اجازه دهید
340
00:12:10,800 –> 00:12:13,360
مرورگر خود را بازخوانی کنیم
341
00:12:13,360 –> 00:12:17,120
و نگران هستیم که این کار عالی باشد، بنابراین
342
00:12:17,120 –> 00:12:19,600
وقتی صفحه بهروزرسانی شد، اکنون میتوانم از تنظیمات
343
00:12:19,600 –> 00:12:21,279
مدل ml پیشنهاد شده به طور خودکار استفاده کنم
344
00:12:21,279 –> 00:12:22,800
که
345
00:12:22,800 –> 00:12:26,000
ستون باینری ml مدل هدف است y
346
00:12:26,000 –> 00:12:28,399
در اینجا نام و چند گزینه وجود دارد.
347
00:12:28,399 –> 00:12:29,200
که
348
00:12:29,200 –> 00:12:31,040
من پیشفرض پیشنهاد میکنم این است
349
00:12:31,040 –> 00:12:32,959
که یک محدوده پیشفرض کامل ایجاد میکند
350
00:12:32,959 –> 00:12:35,360
یا دستور دستور از پارامترهای آموزشی پیشفرض استفاده میکند
351
00:12:35,360 –> 00:12:37,519
352
00:12:37,519 –> 00:12:41,120
aws ml همچنین
353
00:12:41,120 –> 00:12:43,279
30 داده آموزشی را برای ارزیابی آن
354
00:12:43,279 –> 00:12:44,160
فریم کنار میگذارد
355
00:12:44,160 –> 00:12:47,519
که این یعنی مجموعه دادههای حدود
356
00:12:47,519 –> 00:12:48,480
500 رکورد.
357
00:12:48,480 –> 00:12:51,279
حق بین 30
358
00:12:51,279 –> 00:12:53,360
و 70 تقسیم می شود، بنابراین 30
359
00:12:53,360 –> 00:12:55,600
از داده ها را می گیرد و از داده ها به عنوان
360
00:12:55,600 –> 00:12:56,880
منبع آموزشی استفاده می کند
361
00:12:56,880 –> 00:13:00,399
و در نهایت
362
00:13:00,399 –> 00:13:02,880
از داده ها برای پیش بینی بر اساس سؤالات ما استفاده
363
00:13:02,880 –> 00:13:04,639
می کند.
364
00:13:04,639 –> 00:13:06,720
udent در دانشگاه ثبت نام می کند
365
00:13:06,720 –> 00:13:08,079
یا اینکه کدام دانش آموز
366
00:13:08,079 –> 00:13:10,720
فارغ التحصیل می شود و غیره
367
00:13:10,720 –> 00:13:12,480
من همچنین می توانم گزینه سفارشی را
368
00:13:12,480 –> 00:13:13,920
در اینجا انتخاب کنم
369
00:13:13,920 –> 00:13:15,519
باید آن را به عنوان بررسی پیشنهادی پیش فرض بگذارم
370
00:13:15,519 –> 00:13:17,360
371
00:13:17,360 –> 00:13:20,560
و یک بار دیگر از من می خواهد که بررسی
372
00:13:20,560 –> 00:13:21,760
کنم و می توانم تغییرات را
373
00:13:21,760 –> 00:13:25,040
به عنوان لازم است داده های ورودی من تکمیل شود
374
00:13:25,040 –> 00:13:28,000
و مدل من می خواهد
375
00:13:28,000 –> 00:13:30,160
منبع داده های آموزشی ما را
376
00:13:30,160 –> 00:13:33,040
برای آموزش به 70 قسمت تقسیم کند و 30 درصد باقیمانده را برای ارزیابی رزرو کند
377
00:13:33,040 –> 00:13:35,680
378
00:13:35,680 –> 00:13:38,880
درست دستور العمل به یادگیری ماشین آمازون کمک می کند
379
00:13:38,880 –> 00:13:39,279
380
00:13:39,279 –> 00:13:41,839
تا الگوهایی را در داده های ما پیدا کند، بنابراین اگر ما
381
00:13:41,839 –> 00:13:43,519
ارائه نکردیم یک دستور العمل برای ما ایجاد می کند
382
00:13:43,519 –> 00:13:45,120
383
00:13:45,120 –> 00:13:46,560
و در اینجا چند تنظیمات پیشرفته
384
00:13:46,560 –> 00:13:49,199
مانند حداکثر اندازه مدل
385
00:13:49,199 –> 00:13:53,360
100 مگابایت وجود دارد که می توانم برچسب ها
386
00:13:53,360 –> 00:13:56,880
را نیز در صورت وجود مشخص کنم.
387
00:13:56,880 –> 00:13:59,519
388
00:13:59,519 –> 00:14:00,160
389
00:14:00,160 –> 00:14:03,760
عالی است،
390
00:14:03,760 –> 00:14:05,519
بنابراین توجه داشته باشید که با موفقیت مدل را ایجاد کرده
391
00:14:05,519 –> 00:14:07,279
است، با این حال وضعیت در
392
00:14:07,279 –> 00:14:09,199
حال تعلیق است، بنابراین کمی طول می کشد
393
00:14:09,199 –> 00:14:10,959
تا اینکه واقعاً مدل را برای ما ایجاد کند،
394
00:14:10,959 –> 00:14:12,160
395
00:14:12,160 –> 00:14:15,120
بنابراین من می خواهم چند ثانیه یا چند ثانیه به آن بدهم
396
00:14:15,120 –> 00:14:17,040
. گاهی اوقات یک دقیقه یا بیشتر طول می کشد
397
00:14:17,040 –> 00:14:19,440
تا وضعیت تغییر کند تا
398
00:14:19,440 –> 00:14:21,600
موفقیت آمیز یا تکمیل شود،
399
00:14:21,600 –> 00:14:23,120
بنابراین در حالی که وضعیت در حالت تعلیق است، اگر به
400
00:14:23,120 –> 00:14:25,199
پایین اسکرول کنم، می توانم به
401
00:14:25,199 –> 00:14:26,959
طرح ورودی نگاهی بیندازم، به عنوان مثال،
402
00:14:26,959 –> 00:14:30,079
این اساسا خروجی json است،
403
00:14:30,079 –> 00:14:31,760
بنابراین اگر روی آن کلیک کنم. این
404
00:14:31,760 –> 00:14:33,600
تب بعدی را باز می کند
405
00:14:33,600 –> 00:14:36,720
و خروجی واقعی json را
406
00:14:36,720 –> 00:14:38,800
نشان می دهد که دوباره ویژگی هدف ردیف ID شماره نسخه را به من می دهد.
407
00:14:38,800 –> 00:14:40,880
408
00:14:40,880 –> 00:14:42,320
409
00:14:42,320 –> 00:14:43,519
410
00:14:43,519 –> 00:14:46,880
411
00:14:46,880 –> 00:14:49,279
بقیه
412
00:14:49,279 –> 00:14:50,079
رشته هایی که من
413
00:14:50,079 –> 00:14:52,800
هم اکنون در دسترس دارم، می توانم از این
414
00:14:52,800 –> 00:14:53,920
فایل json استفاده
415
00:14:53,920 –> 00:14:56,720
کنم و می توانم از pycharm یا پایتون های دیگر استفاده کنم،
416
00:14:56,720 –> 00:14:57,519
به عنوان مثال
417
00:14:57,519 –> 00:15:00,560
، می توانم از آن برای کشیدن و استفاده از
418
00:15:00,560 –> 00:15:04,320
فرمت json استفاده کنم و همچنین عالی است، حالا
419
00:15:04,320 –> 00:15:05,199
به صفحه خود بازگردیم،
420
00:15:05,199 –> 00:15:08,720
بیایید صفحه را دوباره بارگذاری کنیم. و ببینید
421
00:15:08,720 –> 00:15:11,920
که آیا وضعیت در این مرحله تکمیل شده است یا خیر
422
00:15:11,920 –> 00:15:13,920
، بنابراین هنوز در حالت تعلیق است،
423
00:15:13,920 –> 00:15:16,160
بیایید ارزیابیها را به پایین اسکرول
424
00:15:16,160 –> 00:15:16,959
425
00:15:16,959 –> 00:15:18,959
کنیم آخرین نتیجه ارزیابی این
426
00:15:18,959 –> 00:15:21,040
نتیجهای است که قرار است پیشبینی کند
427
00:15:21,040 –> 00:15:22,959
و درصدی را به ما بدهد. درست است، بنابراین میخواهیم
428
00:15:22,959 –> 00:15:25,040
429
00:15:25,040 –> 00:15:27,040
نقطه هشت، شاید نه، نه امتیاز، نه امتیاز
430
00:15:27,040 –> 00:15:28,560
پنج یا چیزی شبیه
431
00:15:28,560 –> 00:15:30,480
به آن را به ما بدهد، بنابراین این جایی است که مدل ما
432
00:15:30,480 –> 00:15:32,240
بر اساس
433
00:15:32,240 –> 00:15:35,360
امتیاز au پیشبینی میکند و من در مورد
434
00:15:35,360 –> 00:15:36,240
ناحیه زیر
435
00:15:36,240 –> 00:15:39,279
منحنی صحبت میکنم. است
436
00:15:39,279 –> 00:15:42,480
و سپس پیشبینیهایی که میتوانم از آن استفاده کنم
437
00:15:42,480 –> 00:15:42,959
438
00:15:42,959 –> 00:15:46,480
آستانه امتیاز معیارهای ساعت ابری به طور پیشفرض
439
00:15:46,480 –> 00:15:47,920
0.5 است
440
00:15:47,920 –> 00:15:50,560
و میتوانم پیشبینیهای دستهای ایجاد کنم یا در
441
00:15:50,560 –> 00:15:52,240
زمان واقعی متوجه خاکستری شدن
442
00:15:52,240 –> 00:15:54,480
آن میشویم زیرا ما هنوز منتظر هستیم تا
443
00:15:54,480 –> 00:15:57,600
وضعیت واقعی از حالت تعلیق
444
00:15:57,600 –> 00:16:00,240
کامل شود،
445
00:16:00,639 –> 00:16:02,720
بنابراین این خوب است زیرا در حالی
446
00:16:02,720 –> 00:16:04,160
که وضعیت در حال تعلیق است، میخواهم در
447
00:16:04,160 –> 00:16:04,800
448
00:16:04,800 –> 00:16:08,079
مورد ارزیابی درست صحبت کنم، بنابراین
449
00:16:08,079 –> 00:16:09,759
این بخش به
450
00:16:09,759 –> 00:16:12,399
محض تکمیل وضعیت تغییر میکند،
451
00:16:12,399 –> 00:16:15,120
اما در این مرحله در مورد auc صحبت میکنم،
452
00:16:15,120 –> 00:16:17,279
453
00:16:17,279 –> 00:16:19,040
اجازه دهید ادامه دهم و موارد مفید خود را مطرح کنم.
454
00:16:19,040 –> 00:16:21,759
اینجا اسلاید کنید تا این یک
455
00:16:21,759 –> 00:16:23,519
معیار عملکرد auc چیست، توضیح خواهم داد که
456
00:16:23,519 –> 00:16:25,279
بعداً در درسهای بعدی، اما
457
00:16:25,279 –> 00:16:26,320
به طور خلاصه در
458
00:16:26,320 –> 00:16:28,079
اینجا این ناحیه زیر منحنی است
459
00:16:28,079 –> 00:16:31,040
که به عنوان roc با مشخصه عملکرد گیرنده سمت راست صدا نیز شناخته میشود.
460
00:16:31,040 –> 00:16:33,440
461
00:16:33,440 –> 00:16:35,600
منحنی s یک اندازهگیری عملکرد برای
462
00:16:35,600 –> 00:16:37,600
مسائل طبقهبندی است، مانند
463
00:16:37,600 –> 00:16:40,560
این طبقهبندی باینری در
464
00:16:40,560 –> 00:16:42,000
تنظیمات آستانههای مختلف
465
00:16:42,000 –> 00:16:46,240
، همچنین به صورت auroch یا auroc
466
00:16:46,240 –> 00:16:49,279
roc منحنی احتمال است و auc
467
00:16:49,279 –> 00:16:50,720
نشاندهنده درجه یا
468
00:16:50,720 –> 00:16:54,000
اندازهگیری تفکیکپذیری
469
00:16:54,000 –> 00:16:55,759
است.
470
00:16:55,759 –> 00:16:56,480
471
00:16:56,480 –> 00:16:59,040
بین کلاس ها به عبارت دیگر اینکه آیا
472
00:16:59,040 –> 00:17:01,519
دانش آموز فارغ التحصیل می شود یا خیر،
473
00:17:01,519 –> 00:17:04,000
این یکی از معیارهاست،
474
00:17:04,000 –> 00:17:04,559
مثال
475
00:17:04,559 –> 00:17:07,280
دیگر این است که هرچه AU بالاتر باشد
476
00:17:07,280 –> 00:17:09,359
مدل بهتر است بین
477
00:17:09,359 –> 00:17:11,679
بیماران مبتلا به بیماری و بدون بیماری تمایز قائل شود
478
00:17:11,679 –> 00:17:12,480
درست است، بنابراین دوباره
479
00:17:12,480 –> 00:17:16,079
باینری بله یا خیر بنابراین این
480
00:17:16,079 –> 00:17:18,160
به محض اینکه
481
00:17:18,160 –> 00:17:21,599
مدل ما این را به حداقل رساند، متریک به ما ارائه خواهد شد
482
00:17:21,599 –> 00:17:24,400
و بیایید به مدلهای ml برویم و
483
00:17:24,400 –> 00:17:25,599
ببینیم وضعیت هنوز
484
00:17:25,599 –> 00:17:29,280
در حالت تعلیق است، بنابراین بیایید ادامه دهیم و بازخوانی کنیم
485
00:17:29,280 –> 00:17:32,720
تا ببینیم چه اتفاقی میافتد خوب است،
486
00:17:32,720 –> 00:17:33,600
بنابراین یک
487
00:17:33,600 –> 00:17:36,720
دقیقه دیگر یا خیلی عالی به آن فرصت میدهیم. به نظر می
488
00:17:36,720 –> 00:17:40,160
رسد وضعیت نشان می دهد که منبع داده فارغ التحصیلی مدل ml ما
489
00:17:40,160 –> 00:17:41,120
490
00:17:41,120 –> 00:17:43,440
اکنون تکمیل شده است، بیایید ادامه دهیم
491
00:17:43,440 –> 00:17:45,360
و این را باز
492
00:17:45,360 –> 00:17:47,120
کنیم و ببینید چه اتفاقی میافتد و میتوانیم
493
00:17:47,120 –> 00:17:49,600
به ناحیه ارزیابیها برویم، اما من میخواهم عالی را نشان دهم،
494
00:17:49,600 –> 00:17:50,960
495
00:17:50,960 –> 00:17:53,200
بنابراین خلاصه نشان میدهد که
496
00:17:53,200 –> 00:17:55,520
آموزش منبع داده کامل شده است،
497
00:17:55,520 –> 00:17:58,960
ما قبلاً طرح ورودی را مشاهده کردهایم
498
00:17:58,960 –> 00:18:02,480
و در اینجا متوجه خواهید شد که
499
00:18:02,480 –> 00:18:05,200
ارزیابی میگوید در دسترس نیست در این
500
00:18:05,200 –> 00:18:06,400
نقطه از زمان
501
00:18:06,400 –> 00:18:09,120
و سپس وضعیت یا آستانه امتیاز
502
00:18:09,120 –> 00:18:10,559
ما 0.5 است،
503
00:18:10,559 –> 00:18:13,120
بیایید به سمت بالا حرکت کنیم، به ارزیابیها برویم
504
00:18:13,120 –> 00:18:14,640
و سپس روی خلاصه کلیک کنیم و
505
00:18:14,640 –> 00:18:17,280
وضعیت میگوید هنوز در حال انجام است و
506
00:18:17,280 –> 00:18:18,240
به همین دلیل است
507
00:18:18,240 –> 00:18:21,760
که هنوز نمیتوانیم ناحیه
508
00:18:21,760 –> 00:18:22,640
زیر نمره منحنی را
509
00:18:22,640 –> 00:18:25,840
کامل ببینیم. بنابراین وضعیت اکنون تکمیل شده است،
510
00:18:25,840 –> 00:18:26,799
511
00:18:26,799 –> 00:18:29,200
اما در نمونه ما ارزیابی اخیر
512
00:18:29,200 –> 00:18:30,480
513
00:18:30,480 –> 00:18:35,120
به ما امتیاز auc 0.428 داد
514
00:18:35,120 –> 00:18:37,039
که کمتر از خط پایه است که
515
00:18:37,039 –> 00:18:38,320
به
516
00:18:38,320 –> 00:18:40,559
این معنی است که نمره کیفیت مدل
517
00:18:40,559 –> 00:18:42,000
518
00:18:42,000 –> 00:18:43,760
برای اکثر برنامه های یادگیری ماشین بدتر از چرخش سکه تصادفی در نظر گرفته
519
00:18:43,760 –> 00:18:45,280
می شود،
520
00:18:45,280 –> 00:18:48,400
بنابراین این به شما می دهد. یک ایده عالی
521
00:18:48,400 –> 00:18:51,200
از داده های شما درست مهمترین چیز
522
00:18:51,200 –> 00:18:52,960
این است که خود داده های شما
523
00:18:52,960 –> 00:18:54,880
تعداد ردیف ها هستند زیرا ما
524
00:18:54,880 –> 00:18:56,480
فقط با 500
525
00:18:56,480 –> 00:18:59,039
رکورد کار کردیم که واقعاً حداقل است بنابراین اگر
526
00:18:59,039 –> 00:19:00,880
اگر تعداد رکوردهای بالاتری
527
00:19:00,880 –> 00:19:03,520
داشتید، امتیاز بهتری خواهید داشت، این در
528
00:19:03,520 –> 00:19:04,640
واقع نمونه خوبی
529
00:19:04,640 –> 00:19:07,440
از زمانی است که یادگیری ماشینی موفقیت آمیز است
530
00:19:07,440 –> 00:19:09,280
و زمانی که درست نیست، بنابراین
531
00:19:09,280 –> 00:19:11,360
0.42 واقعاً یک امتیاز پایین است و
532
00:19:11,360 –> 00:19:12,480
از پایه پایین تر است و نمی تواند پیش بینی شما را ارائه دهد.
533
00:19:12,480 –> 00:19:13,280
534
00:19:13,280 –> 00:19:15,919
که شما به دنبال آن هستید که اگر
535
00:19:15,919 –> 00:19:17,679
لازم است
536
00:19:17,679 –> 00:19:19,600
بگویم با یا قبل از اینکه واقعاً پیشبینی بیدرنگ انجام دهم ادامه دهم
537
00:19:19,600 –> 00:19:20,880
،
538
00:19:20,880 –> 00:19:24,480
اگر بتوانم روی تنظیم آستانه امتیاز کلیک
539
00:19:24,480 –> 00:19:27,360
کنم، نمودار واقعی را برای من نشان میدهد و جزئیات مبادله واقعی را به من
540
00:19:27,360 –> 00:19:29,679
نشان میدهد.
541
00:19:29,679 –> 00:19:32,720
بر اساس آستانه نمره
542
00:19:32,720 –> 00:19:33,679
543
00:19:33,679 –> 00:19:38,240
پنج و من می توانم روی آن کلیک کنم و
544
00:19:38,240 –> 00:19:41,919
مبادله واقعی معیارها را
545
00:19:41,919 –> 00:19:44,799
از چپ به راست بکشم که یکی به عنوان
546
00:19:44,799 –> 00:19:46,480
پیش بینی شده به احتمال زیاد
547
00:19:46,480 –> 00:19:49,200
درست و پیش بینی به احتمال زیاد
548
00:19:49,200 –> 00:19:50,480
نادرست
549
00:19:50,480 –> 00:19:53,280
همیشه نادرست است و یکی درست است، بنابراین یکی درست است.
550
00:19:53,280 –> 00:19:53,760
بله
551
00:19:53,760 –> 00:19:56,960
صفر است نه بنابراین من می توانم بکشم و
552
00:19:56,960 –> 00:19:58,640
سپس به من نشان می دهد که 22 درصد
553
00:19:58,640 –> 00:19:59,919
رکوردها به
554
00:19:59,919 –> 00:20:02,960
صورت یک هستند که به این معنی است که بله و 78 به صورت دماغه هستند به
555
00:20:02,960 –> 00:20:03,760
556
00:20:03,760 –> 00:20:06,559
طور مشابه می توانم به سمت چپ یا
557
00:20:06,559 –> 00:20:07,360
راست
558
00:20:07,360 –> 00:20:10,480
حرکت کنم بسیار خوب بنابراین اگر تلاش می کنم برای پیش بینی
559
00:20:10,480 –> 00:20:13,840
فرض کنید سوابق 9 یا 6 درصد برتر
560
00:20:13,840 –> 00:20:15,039
یا هر چیز دیگری
561
00:20:15,039 –> 00:20:16,640
، پنج درصد برتر از
562
00:20:16,640 –> 00:20:18,960
سوابق فارغ التحصیلان پیش بینی شده
563
00:20:18,960 –> 00:20:20,799
است که
564
00:20:20,799 –> 00:20:23,520
می توانم آن را در این مرحله رها کنم و
565
00:20:23,520 –> 00:20:25,120
سپس بر روی
566
00:20:25,120 –> 00:20:29,120
آستانه نمره ذخیره در 0.93 کلیک کنید
567
00:20:29,120 –> 00:20:32,240
تا زمانی که آستانه ذخیره شود.
568
00:20:32,240 –> 00:20:35,600
با موفقیت در اینجا به
569
00:20:35,600 –> 00:20:38,000
من نشان داده می شود و می توانم پیش بینی زمان واقعی را امتحان کنم،
570
00:20:38,000 –> 00:20:40,080
بنابراین اگر روی زمان واقعی کلیک
571
00:20:40,080 –> 00:20:42,000
کنم، گزینه ای به
572
00:20:42,000 –> 00:20:43,760
من داده می شود که می توانم رکوردی را
573
00:20:43,760 –> 00:20:47,520
از داده های خود بچسبانم تا یک
574
00:20:47,520 –> 00:20:48,240
پیش بینی بلادرنگ
575
00:20:48,240 –> 00:20:49,919
به صورت رایگان با استفاده از مرورگر وب در این
576
00:20:49,919 –> 00:20:52,159
صفحه برای
577
00:20:52,159 –> 00:20:54,640
درخواست پیشبینی بیدرنگ،
578
00:20:54,640 –> 00:20:55,760
میتوانم فرم زیر
579
00:20:55,760 –> 00:20:59,120
را که دقیقاً در اینجا آمده است تکمیل کنم یا یک
580
00:20:59,120 –> 00:21:00,880
رکورد داده واحد
581
00:21:00,880 –> 00:21:03,760
در قالب csv ارائه دهم، بنابراین
582
00:21:03,760 –> 00:21:05,200
از آنجایی که قبلاً دادهها
583
00:21:05,200 –> 00:21:07,600
را دارم، ادامه میدهم. میخواهم برای یک رکورد
584
00:21:07,600 –> 00:21:09,440
فقط برای یک دانشآموز پیشبینی
585
00:21:09,440 –> 00:21:12,480
کنم، بنابراین بیایید فایل اکسل خود را اینجا بیاوریم،
586
00:21:12,480 –> 00:21:13,919
پس بیایید ادامه دهیم و یکی از
587
00:21:13,919 –> 00:21:16,080
این دانشآموزان را انتخاب کنیم، بیایید
588
00:21:16,080 –> 00:21:19,120
بگوییم در مورد این دانشآموز دقیقاً در اینجا چطور است،
589
00:21:19,120 –> 00:21:22,080
بنابراین من اکنون این نقش را کپی میکنم
590
00:21:22,080 –> 00:21:22,960
تا برگردم.
591
00:21:22,960 –> 00:21:26,640
به کنسول من ج برای ضبط، چسباندن را لیس
592
00:21:26,640 –> 00:21:29,760
بزنید و سپس اینجا بچسبانید، توجه کنید اگر من فقط برش
593
00:21:29,760 –> 00:21:31,919
و پیست یا کپی و پیست از اکسل
594
00:21:31,919 –> 00:21:33,760
و پیست آن در این فیلد انجام دهم، فضاهای خالی زیادی به من می دهد،
595
00:21:33,760 –> 00:21:35,440
596
00:21:35,440 –> 00:21:37,919
بنابراین برای تکمیل
597
00:21:37,919 –> 00:21:41,120
موفقیت آمیز فیلد باید یک کاما بگذارم
598
00:21:41,120 –> 00:21:45,120
و حذف کنم. فضاهای خالی خوب است،
599
00:21:45,120 –> 00:21:48,480
پس بیایید جلو برویم
600
00:21:48,480 –> 00:21:51,520
و مطمئن شویم که در فرمت صحیح است،
601
00:21:51,520 –> 00:21:54,960
بنابراین اکنون اگر روی ارسال کلیک
602
00:21:54,960 –> 00:21:56,880
کنم، ادامه
603
00:21:56,880 –> 00:21:58,720
مییابد و نتیجه پیشبینی را در سمت راست به
604
00:21:58,720 –> 00:22:00,000
من میدهد، بنابراین البته باید دقیقاً قبل از ایجاد پیشبینی کلیک کنم.
605
00:22:00,000 –> 00:22:01,200
در واقع
606
00:22:01,200 –> 00:22:02,400
نتیجه را کامل به من نشان می دهد،
607
00:22:02,400 –> 00:22:04,000
بنابراین بیایید جلو برویم و روی
608
00:22:04,000 –> 00:22:07,039
ایجاد پیش بینی کلیک کنیم و به آنجا می رویم
609
00:22:07,039 –> 00:22:10,640
بنابراین نتیجه اینجا نشان می دهد
610
00:22:10,640 –> 00:22:13,039
که برچسب های پیش بینی شده درست هستند که
611
00:22:13,039 –> 00:22:13,760
یکی است
612
00:22:13,760 –> 00:22:15,600
بنابراین در اینجا نام هدف y است که
613
00:22:15,600 –> 00:22:17,120
ستون y است که
614
00:22:17,120 –> 00:22:19,360
برچسب را پیش بینی کردم. سوالی است که به این معنی است که این
615
00:22:19,360 –> 00:22:21,120
دانشجوی خاص
616
00:22:21,120 –> 00:22:22,960
احتمالا فارغ التحصیل می شود یا به
617
00:22:22,960 –> 00:22:24,640
دانشگاه می رود یا هر سوالی که سوال
618
00:22:24,640 –> 00:22:27,039
بسیار عالی بود، بنابراین من فقط می خواهم
619
00:22:27,039 –> 00:22:28,240
کل
620
00:22:28,240 –> 00:22:31,280
فرآیند را از منبع داده
621
00:22:31,280 –> 00:22:33,919
تا تنظیم واقعی انجام دهم. مدل خود را بنویسید و
622
00:22:33,919 –> 00:22:34,640
623
00:22:34,640 –> 00:22:36,159
آموزش را ایجاد کنید و منبع داده خود را ایجاد کنید و سپس
624
00:22:36,159 –> 00:22:38,799
البته در زمان واقعی امتحان کنید،
625
00:22:38,799 –> 00:22:40,320
بنابراین اگر سؤالی دارید در
626
00:22:40,320 –> 00:22:42,720
قسمت بحث با این پست ارسال کنید، بیایید
627
00:22:42,720 –> 00:22:43,840
به درس بعدی برویم که در آن
628
00:22:43,840 –> 00:22:45,200
از مجموعه داده دیگری استفاده خواهم کرد
629
00:22:45,200 –> 00:22:46,320
و آن مجموعه داده قرار است
630
00:22:46,320 –> 00:22:48,480
توسط aws ارائه شود
631
00:22:48,480 –> 00:22:50,960
تا بتوانید در واقع کمی
632
00:22:50,960 –> 00:22:51,679
633
00:22:51,679 –> 00:22:53,679
یادگیری ماشین را با مجموعه داده های بزرگ ببینید
634
00:22:53,679 –> 00:22:56,880
که در آن ما بیش از 40000 عدد عالی داریم،
635
00:22:56,880 –> 00:22:59,120
بنابراین با این امید تمرین کنید که کمک می کند
636
00:22:59,120 –> 00:23:08,480
اجازه دهید به
637
00:23:08,480 –> 00:23:11,039
استقبال بعدی در این درس برویم. یک
638
00:23:11,039 –> 00:23:12,480
درس کوتاه بلکه من قصد دارم
639
00:23:12,480 –> 00:23:13,679
نحوه پاکسازی
640
00:23:13,679 –> 00:23:15,840
پروژه خود را به درستی نشان دهم زیرا بدیهی است که
641
00:23:15,840 –> 00:23:17,360
ما از حساب ویژگی استفاده می کنیم که
642
00:23:17,360 –> 00:23:18,720
می خواهید مطمئن شوید که
643
00:23:18,720 –> 00:23:21,919
برای چیزی که فراموش کرده اید هزینه ای دریافت نمی کنید،
644
00:23:21,919 –> 00:23:23,280
بنابراین اگر یک مدل ایجاد کنید
645
00:23:23,280 –> 00:23:26,640
و
646
00:23:26,640 –> 00:23:29,919
شما فایلهای واقعی را که ممکن است در ساعت شارژ میشوند را حذف یا پاک نمیکنید
647
00:23:29,919 –> 00:23:30,720
درست
648
00:23:30,720 –> 00:23:33,919
قیمتهای میلیلیتری را به خاطر بسپارید، بنابراین
649
00:23:33,919 –> 00:23:37,039
من ادامه میدهم و به سادگی به
650
00:23:37,039 –> 00:23:38,159
شما نشان میدهم چگونه
651
00:23:38,159 –> 00:23:39,760
خود مدل را حذف کنید و سپس
652
00:23:39,760 –> 00:23:42,159
سطلهای s3 را خالی کنید. و آن
653
00:23:42,159 –> 00:23:45,200
سطل ها را نیز حذف کنید، بنابراین بیایید به
654
00:23:45,200 –> 00:23:47,360
صفحه مدل های ml خود برویم و در اینجا مدلی وجود دارد که
655
00:23:47,360 –> 00:23:50,159
در درس قبلی ایجاد کردیم.
656
00:23:50,159 –> 00:23:52,400
657
00:23:52,400 –> 00:23:54,559
658
00:23:54,559 –> 00:23:57,760
659
00:23:57,760 –> 00:23:59,840
660
00:23:59,840 –> 00:24:01,520
مدل ml برای ما
661
00:24:01,520 –> 00:24:03,200
بیایید جلو برویم و روی
662
00:24:03,200 –> 00:24:04,720
دکمه حذف کامل کلیک کنیم،
663
00:24:04,720 –> 00:24:07,840
پس حالا که مدل ml ما
664
00:24:07,840 –> 00:24:09,600
حذف شده است،
665
00:24:09,600 –> 00:24:13,039
بیایید
666
00:24:13,039 –> 00:24:14,960
با رفتن به صفحه اصلی کنسول سرویس ها به سمت
667
00:24:14,960 –> 00:24:16,080
668
00:24:16,080 –> 00:24:19,120
s3 برویم روی سطل s3 کلیک کنید و سپس
669
00:24:19,120 –> 00:24:20,559
البته باید مرور
670
00:24:20,559 –> 00:24:22,159
کنید آن سطل خاصی
671
00:24:22,159 –> 00:24:24,640
که برای مجموعه دادههای خود ایجاد کردهایم،
672
00:24:24,640 –> 00:24:28,080
بنابراین به سادگی این سطل را انتخاب کنید و
673
00:24:28,080 –> 00:24:29,039
مطمئن شوید که
674
00:24:29,039 –> 00:24:31,200
مجموعه دادهها را درست در رایانهتان ذخیره کردهاید
675
00:24:31,200 –> 00:24:33,760
تا بتوانید در
676
00:24:33,760 –> 00:24:36,640
صورت نیاز از آنها استفاده مجدد کنید، بنابراین به سادگی
677
00:24:36,640 –> 00:24:38,159
خود سطل را انتخاب کنید روی حذف کلیک
678
00:24:38,159 –> 00:24:40,799
کنید. برای آوردن یک کادر محاوره ای
679
00:24:40,799 –> 00:24:43,039
قبل از حذف یک سطل فارغ التحصیل
680
00:24:43,039 –> 00:24:44,240
681
00:24:44,240 –> 00:24:47,520
، نام سطل زیر و به همین ترتیب را در نظر بگیرید،
682
00:24:47,520 –> 00:24:50,720
بنابراین من ادامه می دهم و
683
00:24:51,760 –> 00:24:53,600
به سادگی نام سطل را تایپ
684
00:24:53,600 –> 00:24:55,679
می کنم
685
00:24:55,679 –> 00:25:00,240
تا حذف را تأیید کنم. من فارغ التحصیل هستم 1
686
00:25:00,240 –> 00:25:02,320
تایید کلیک کنید و این کار ادامه می یابد
687
00:25:02,320 –> 00:25:03,440
و
688
00:25:03,440 –> 00:25:07,840
سطل کامل حذف می شود، بنابراین
689
00:25:07,840 –> 00:25:09,520
اکنون اگر به هر یک از این
690
00:25:09,520 –> 00:25:11,440
سرویس ها یا به
691
00:25:11,440 –> 00:25:12,000
عنوان مثال
692
00:25:12,000 –> 00:25:14,559
به یادگیری ماشین برگردید، بیایید اینجا پایین برویم تا فقط کلیک
693
00:25:14,559 –> 00:25:16,400
روی یادگیری ماشین را تأیید کنیم
694
00:25:16,400 –> 00:25:18,320
، متوجه خواهید شد که داشبورد شما
695
00:25:18,320 –> 00:25:20,400
اکنون خالی خواهد بود
696
00:25:20,400 –> 00:25:22,240
و ما را به صفحه شروع پیشفرض
697
00:25:22,240 –> 00:25:23,760
698
00:25:23,760 –> 00:25:26,080
برمیگرداند، بنابراین
699
00:25:26,080 –> 00:25:27,520
به محض اتمام پروژه خود را پاکسازی کنید
700
00:25:27,520 –> 00:25:29,360
و هشدارهای صورتحساب را تماشا کنید،
701
00:25:29,360 –> 00:25:31,360
مطمئن شوید که آن هشدارها را
702
00:25:31,360 –> 00:25:33,679
برای ارسال اعلان تنظیم کردهاید. به ایمیل
703
00:25:33,679 –> 00:25:35,679
خود یا یک پیام کوتاه
704
00:25:35,679 –> 00:25:37,279
برای اینکه شما از آنچه در حال ساخت است آگاه باشید،
705
00:25:37,279 –> 00:25:39,520
706
00:25:40,159 –> 00:25:42,320
بنابراین امیدوارم این به تمرین با این کمک کند
707
00:25:42,320 –> 00:25:43,440
بیایید به
708
00:25:43,440 –> 00:25:46,000
درس بعدی برویم
709
00:25:46,880 –> 00:25:49,600
خوش آمدید به عقب برگردید
710
00:25:49,600 –> 00:25:50,960
711
00:25:50,960 –> 00:25:53,360
.
712
00:25:53,360 –> 00:25:55,520
همانطور که متوجه شدید
713
00:25:55,520 –> 00:25:59,279
با چندین آزمون و چندین
714
00:25:59,279 –> 00:26:02,240
منبع که می توانید به آنها نگاهی
715
00:26:02,240 –> 00:26:03,840
716
00:26:03,840 –> 00:26:05,520
717
00:26:05,520 –> 00:26:07,200
718
00:26:07,200 –> 00:26:08,880
بیاندازید بسیار غول آسا است. در آنجا سخنرانی می کنم
719
00:26:08,880 –> 00:26:10,799
و سپس از بازخورد مثبت شما استقبال می کنم
720
00:26:10,799 –> 00:26:12,960
زیرا ما در این دوره تلاش زیادی کرده ایم
721
00:26:12,960 –> 00:26:14,320
722
00:26:14,320 –> 00:26:16,799
و مجدداً برای بازخورد شما
723
00:26:16,799 –> 00:26:18,720
از نظر ارسال سؤالات در حوزه بحث ارزش قائل
724
00:26:18,720 –> 00:26:19,360
725
00:26:19,360 –> 00:26:21,520
هستم و این بهترین راه برای یادگیری است زیرا
726
00:26:21,520 –> 00:26:22,880
اکنون شما با خودمان درگیر هستید.
727
00:26:22,880 –> 00:26:24,480
و سپس با
728
00:26:24,480 –> 00:26:26,320
دانشآموزان دیگری که از تجربیات خود یاد میگیرید
729
00:26:26,320 –> 00:26:27,440
730
00:26:27,440 –> 00:26:30,799
و غیره درگیر میشوید، بنابراین یک بار دیگر از ثبتنام شما متشکرم
731
00:26:30,799 –> 00:26:31,440
732
00:26:31,440 –> 00:26:33,600
و من قطعاً از بازخورد شما استقبال
733
00:26:33,600 –> 00:26:34,480
میکنم.
734
00:26:34,480 –> 00:26:36,240
735
00:26:36,240 –> 00:26:37,840
736
00:26:37,840 –> 00:26:40,720
737
00:26:40,720 –> 00:26:41,600
738
00:26:41,600 –> 00:26:43,120
ما خوشحال خواهیم شد که آن را برای شما ایجاد کنیم،
739
00:26:43,120 –> 00:26:45,600
زیرا این دوره بسیار بزرگ است
740
00:26:45,600 –> 00:26:48,159
، ایده برای ما حتی این واقعیت است که ما
741
00:26:48,159 –> 00:26:49,840
در طول سفر در سال آینده این دوره را به روز خواهیم
742
00:26:49,840 –> 00:26:51,919
743
00:26:51,919 –> 00:26:52,880
کرد،
744
00:26:52,880 –> 00:26:54,400
بنابراین با این بیایید مستقیماً وارد شویم بیایید
745
00:26:54,400 –> 00:26:57,039
شروع کنیم
746
00:26:58,740 –> 00:27:01,840
[موسیقی] به
747
00:27:01,840 –> 00:27:04,000
عقب خوش آمدید با هیجان حرکت
748
00:27:04,000 –> 00:27:05,600
رو به جلو در این درس
749
00:27:05,600 –> 00:27:09,360
من می خواهم یک راه حل تمام
750
00:27:09,360 –> 00:27:12,799
عیار برای یادگیری ماشینی خود با استفاده از aws
751
00:27:12,799 –> 00:27:13,919
انجام دهم، بنابراین از یک زوج استفاده خواهم کرد
752
00:27:13,919 –> 00:27:16,480
مجموعه دادهها خوب است و این هدف
753
00:27:16,480 –> 00:27:17,919
اینجاست قبل از شروع،
754
00:27:17,919 –> 00:27:19,760
بنابراین با آن مجموعه دادهها
755
00:27:19,760 –> 00:27:22,000
نه تنها به خود مجموعه دادهها نگاهی
756
00:27:22,000 –> 00:27:22,960
میاندازیم،
757
00:27:22,960 –> 00:27:26,080
بلکه سؤالاتی را نیز بپرسیم، بنابراین میخواهیم
758
00:27:26,080 –> 00:27:27,760
759
00:27:27,760 –> 00:27:30,559
چیزی را از آن مجموعههای داده به ترتیب پیشبینی کنیم.
760
00:27:30,559 –> 00:27:31,520
برای اینکه ما
761
00:27:31,520 –> 00:27:34,480
واقعاً نتیجه را بگیریم، بنابراین دوباره یک
762
00:27:34,480 –> 00:27:36,399
763
00:27:36,399 –> 00:27:39,279
نمایش دستی با استفاده از
764
00:27:39,279 –> 00:27:41,360
کنسول مدیریت aws و یادگیری ماشینی aws انجام میدهیم،
765
00:27:41,360 –> 00:27:43,840
بنابراین بیایید درست شیرجه بزنیم، اما
766
00:27:43,840 –> 00:27:45,039
قبل از اینکه من واقعاً
767
00:27:45,039 –> 00:27:50,080
بپرم، اجازه دهید به سناریوی واقعی نگاهی بیندازیم،
768
00:27:50,080 –> 00:27:53,760
بنابراین این
769
00:27:53,760 –> 00:27:55,440
سناریو است. برای پیشبینی یادگیری ماشینی
770
00:27:55,440 –> 00:27:56,799
که قرار است
771
00:27:56,799 –> 00:28:00,399
از آن استفاده کنیم، بنابراین دو فایل وجود دارد که
772
00:28:00,399 –> 00:28:03,840
مجموعه دادهها هستند، اول فایل banking.csv
773
00:28:03,840 –> 00:28:04,960
است
774
00:28:04,960 –> 00:28:07,279
و این فایل حاوی
775
00:28:07,279 –> 00:28:09,440
سابقه یا دادههای مربوط به
776
00:28:09,440 –> 00:28:12,720
مشتریانی است که محصولات مشابهی
777
00:28:12,720 –> 00:28:15,120
را با سپرده مدتدار بانکی شما خریداری کردهاند، بنابراین این
778
00:28:15,120 –> 00:28:16,720
مربوط میشود. برای صنعت بانکداری
779
00:28:16,720 –> 00:28:19,760
یا صنعت مالی، فایل دیگر
780
00:28:19,760 –> 00:28:20,799
781
00:28:20,799 –> 00:28:24,960
فایل csv back dot بانکی است و از
782
00:28:24,960 –> 00:28:26,880
این فایل برای پیش بینی اینکه آیا
783
00:28:26,880 –> 00:28:28,320
مشتریان بالقوه
784
00:28:28,320 –> 00:28:31,760
به پیشنهاد ما و او پاسخ خواهند داد یا خیر استفاده می شود.
785
00:28:31,760 –> 00:28:34,320
سوال میلیون دلاری است که ما
786
00:28:34,320 –> 00:28:35,760
برای پیشبینی به یادگیری ماشینی نیاز داریم که آیا
787
00:28:35,760 –> 00:28:38,799
این مشتری در محصول جدید من مشترک میشود
788
00:28:38,799 –> 00:28:40,000
789
00:28:40,000 –> 00:28:42,720
و به نظر میرسد یک سناریوی بسیار واقعی در دنیای واقعی
790
00:28:42,720 –> 00:28:43,520
791
00:28:43,520 –> 00:28:46,159
خوب است زیرا بیشتر اوقات شما در حال جمعآوری
792
00:28:46,159 –> 00:28:46,720
دادهها
793
00:28:46,720 –> 00:28:48,320
در موسسه مالی خود هستید، برای
794
00:28:48,320 –> 00:28:50,720
مثال یا هر صنعت دیگری که
795
00:28:50,720 –> 00:28:51,600
شما در حال کار هستید
796
00:28:51,600 –> 00:28:54,159
و با همه آن دادههایی که
797
00:28:54,159 –> 00:28:55,679
دارید،
798
00:28:55,679 –> 00:28:58,720
باید از آنها سؤالات نوکر برای پیشبینی بپرسید،
799
00:28:58,720 –> 00:28:59,760
800
00:28:59,760 –> 00:29:02,000
بنابراین در این مثال آیا این مشتری
801
00:29:02,000 –> 00:29:02,960
مشترک
802
00:29:02,960 –> 00:29:05,600
محصول جدید من میشود و این میتواند
803
00:29:05,600 –> 00:29:06,240
دوباره
804
00:29:06,240 –> 00:29:08,399
هر محصول جدیدی باشد که بانک شما دارد.
805
00:29:08,399 –> 00:29:10,320
806
00:29:10,320 –> 00:29:11,600
807
00:29:11,600 –> 00:29:14,559
808
00:29:14,559 –> 00:29:16,240
809
00:29:16,240 –> 00:29:18,480
در مجموعه داده banking.csv که من
810
00:29:18,480 –> 00:29:20,880
به زودی به شما نشان خواهم داد
811
00:29:20,880 –> 00:29:23,200
که پاسخ این سوال ویژگی
812
00:29:23,200 –> 00:29:23,919
y است
813
00:29:23,919 –> 00:29:25,840
که فقط ستون دیگری است، دریابید که آیا مشتریان در محصولات جدید مشترک می شوند یا نه. در
814
00:29:25,840 –> 00:29:27,600
فایل اکسل یا csv
815
00:29:27,600 –> 00:29:29,760
که حاوی مقادیر یک برای بله
816
00:29:29,760 –> 00:29:31,840
و صفر برای نه است،
817
00:29:31,840 –> 00:29:34,960
می توانید از
818
00:29:34,960 –> 00:29:38,640
false یا true یا یک صفر
819
00:29:38,640 –> 00:29:41,039
یا بله یا خیر استفاده کنید، بنابراین همه این
820
00:29:41,039 –> 00:29:41,919
ویژگی ها
821
00:29:41,919 –> 00:29:44,320
c همچنین از an استفاده می شود، بنابراین در این مثال
822
00:29:44,320 –> 00:29:46,320
از یک یا صفر استفاده می کنیم زیرا مجموعه داده
823
00:29:46,320 –> 00:29:49,360
قبلاً حاوی ستونی به نام y است
824
00:29:49,360 –> 00:29:52,159
و سپس حاوی مقادیری است و همچنین
825
00:29:52,159 –> 00:29:53,360
اینها دوباره
826
00:29:53,360 –> 00:29:56,080
طبقه بندی باینری هستند ویژگی که شما
827
00:29:56,080 –> 00:29:57,919
می خواهید یادگیری ماشین آمازون
828
00:29:57,919 –> 00:29:58,799
یاد بگیرد
829
00:29:58,799 –> 00:30:01,360
چگونه پیش بینی کند. به عنوان مشخصه هدف شناخته می شود،
830
00:30:01,360 –> 00:30:02,399
831
00:30:02,399 –> 00:30:05,360
بنابراین این مهم است که ما باید مشخصه هدف را مشخص کنیم
832
00:30:05,360 –> 00:30:07,120
833
00:30:07,120 –> 00:30:08,880
که ستون y سمت راست است که
834
00:30:08,880 –> 00:30:10,880
مشخصه هدف است یا بله یا خیر،
835
00:30:10,880 –> 00:30:12,640
بنابراین این مشتری در محصول من مشترک
836
00:30:12,640 –> 00:30:14,000
می شود یا بله یا
837
00:30:14,000 –> 00:30:15,279
خیر
838
00:30:15,279 –> 00:30:17,919
عالی است، بنابراین اکنون که شما مجموعه داده ها را درک می کنید
839
00:30:17,919 –> 00:30:19,600
840
00:30:19,600 –> 00:30:22,640
و من به شما جزئیات می دهم که
841
00:30:22,640 –> 00:30:24,240
کجا بروید و این مجموعه داده ها را دانلود کنید،
842
00:30:24,240 –> 00:30:25,440
همچنین می توانید تمرین کنید
843
00:30:25,440 –> 00:30:26,880
و به خاطر داشته باشید که ممکن است
844
00:30:26,880 –> 00:30:28,640
هزینه کمی برای آن وجود داشته باشد
845
00:30:28,640 –> 00:30:30,880
زیرا یادگیری ماشین در
846
00:30:30,880 –> 00:30:31,840
آمازون رایگان نیست
847
00:30:31,840 –> 00:30:34,240
آنها حدود 40 سنت در ساعت شارژ می کنند یا
848
00:30:34,240 –> 00:30:35,679
چیزی شبیه به آن
849
00:30:35,679 –> 00:30:37,120
می توانید به درس قبلی مراجعه کنید
850
00:30:37,120 –> 00:30:39,200
که من
851
00:30:39,200 –> 00:30:41,440
هزینه یا قیمت را مشخص کرده ام پس به خاطر داشته
852
00:30:41,440 –> 00:30:42,960
باشید که باشه شما شارژ خواهید شد
853
00:30:42,960 –> 00:30:44,080
خوب با این گفته
854
00:30:44,080 –> 00:30:46,559
بیایید جلو برویم و
855
00:30:46,559 –> 00:30:47,039
856
00:30:47,039 –> 00:30:50,320
بر اساس سناریوی خود به مجموعه مراحل بعدی نگاهی بیندازیم،
857
00:30:50,320 –> 00:30:51,760
858
00:30:51,760 –> 00:30:54,000
بنابراین در واقع یک سطل به عنوان
859
00:30:54,000 –> 00:30:55,360
سه سطل ایجاد می کنیم که همه
860
00:30:55,360 –> 00:30:56,240
این فایل ها را مرور می کنیم.
861
00:30:56,240 –> 00:30:59,600
چند فایل csv در سطل آمازون s3
862
00:30:59,600 –> 00:31:00,320
863
00:31:00,320 –> 00:31:02,320
و سپس از یادگیری ماشینی آمازون برای پیشبینی استفاده میکنیم،
864
00:31:02,320 –> 00:31:03,840
پس بیایید به جلو برویم
865
00:31:03,840 –> 00:31:04,080
و
866
00:31:04,080 –> 00:31:05,840
به جلو ادامه دهیم، من میخواهم سطلهای s3 را ایجاد کنم
867
00:31:05,840 –> 00:31:07,600
و
868
00:31:07,600 –> 00:31:09,600
هر دوی این فایلها را در آن سطلها قرار
869
00:31:09,600 –> 00:31:10,799
دهیم، بنابراین بیایید این را به حداقل برسانیم.
870
00:31:10,799 –> 00:31:14,640
بیایید به سرویسها برویم و به s3 بروید،
871
00:31:14,640 –> 00:31:17,200
اکنون همیشه میتوانید سطل خود را جستجو کنید
872
00:31:17,200 –> 00:31:18,159
و
873
00:31:18,159 –> 00:31:21,519
شما را به سطلها نیز
874
00:31:21,519 –> 00:31:23,440
875
00:31:23,440 –> 00:31:24,559
876
00:31:24,559 –> 00:31:26,159
877
00:31:26,159 –> 00:31:28,880
میبرد، بنابراین در اینجا من هفت سطل و دو منطقه و احتمالاً چند سطل قدیمی در اینجا دارم که برای دوره مهندسی devops خود دارم.
878
00:31:28,880 –> 00:31:29,760
نگران
879
00:31:29,760 –> 00:31:31,600
نباشید اگر سطل های sv خود را برای اولین بار باز می کنید
880
00:31:31,600 –> 00:31:33,840
، باید خالی باشد،
881
00:31:33,840 –> 00:31:36,960
باید سطل صفر و ناحیه صفر باشد،
882
00:31:36,960 –> 00:31:38,799
بنابراین تنها کاری که در اینجا باید انجام دهید این است که ادامه دهید
883
00:31:38,799 –> 00:31:41,120
و روی get bucket کلیک کنید
884
00:31:41,120 –> 00:31:45,200
و باید نام سطل را مشخص کنید.
885
00:31:45,200 –> 00:31:48,000
من دادم سطل نامی به نام my dash
886
00:31:48,000 –> 00:31:48,960
banking است
887
00:31:48,960 –> 00:31:50,399
و می توانید منطقه ای را انتخاب کنید که در آن نوشته شده است
888
00:31:50,399 –> 00:31:52,159
usc North virginia
889
00:31:52,159 –> 00:31:53,600
یا می توانید روی منوی کشویی کلیک کنید و
890
00:31:53,600 –> 00:31:56,080
مناطقی را انتخاب کنید که در صورت وجود می توانید تنظیمات را
891
00:31:56,080 –> 00:31:57,919
از یک سطل موجود کپی کنید.
892
00:31:57,919 –> 00:32:00,399
اجازه دهید ادامه دهید و روی next کلیک کنید
893
00:32:00,399 –> 00:32:01,760
میخواهم شما را درست مراحل را طی کنید،
894
00:32:01,760 –> 00:32:03,200
بنابراین این مرحله یک است که
895
00:32:03,200 –> 00:32:04,480
کامل شد، سپس ما باید مرحله
896
00:32:04,480 –> 00:32:06,880
دوم را پیکربندی کنیم، برخی از گزینهها را تنظیم کرده
897
00:32:06,880 –> 00:32:09,039
و سپس مرور کنیم،
898
00:32:09,039 –> 00:32:12,000
بنابراین در اینجا در مرحله دوم گزینههای پیکربندی،
899
00:32:12,000 –> 00:32:13,679
میتوانید ویژگیهای اضافی مانند ویرایش گزارش
900
00:32:13,679 –> 00:32:16,559
دسترسی به سرور را تنظیم کنید. برچسبها
901
00:32:16,559 –> 00:32:19,120
و غیره بنابراین همه چیز را به عنوان پیشفرض رها میکنیم،
902
00:32:19,120 –> 00:32:19,760
903
00:32:19,760 –> 00:32:23,120
یک بار دیگر ادامه را کلیک میکنیم
904
00:32:23,120 –> 00:32:25,360
و سپس سطل را درست میکنیم، بنابراین فقط
905
00:32:25,360 –> 00:32:26,640
یک اجرای ساده
906
00:32:26,640 –> 00:32:29,120
از ایجاد خود سطل، بنابراین
907
00:32:29,120 –> 00:32:30,960
وقتی سطل ایجاد شد، اجازه دهید به پایین اسکرول
908
00:32:30,960 –> 00:32:31,840
909
00:32:31,840 –> 00:32:34,640
کنم و بانکداری من را اینجا پیدا کنم. بنابراین اگر
910
00:32:34,640 –> 00:32:36,080
آن را باز کنم البته خالی است
911
00:32:36,080 –> 00:32:37,519
و کاری که باید انجام دهم این است
912
00:32:37,519 –> 00:32:39,600
که مجموعه داده ها
913
00:32:39,600 –> 00:32:43,360
را در s5 آپلود کنم، بنابراین تنها کاری که باید در اینجا انجام دهید این
914
00:32:43,360 –> 00:32:46,240
است که به سادگی روی آپلود کلیک کنید و روی افزودن فایل ها کلیک کنید.
915
00:32:46,240 –> 00:32:47,200
916
00:32:47,200 –> 00:32:48,399
و با این کار
917
00:32:48,399 –> 00:32:50,399
اکسپلورر ویندوز برای شما ظاهر می شود
918
00:32:50,399 –> 00:32:52,399
تنها کاری که باید انجام دهید این است که فقط به
919
00:32:52,399 –> 00:32:54,320
آن پوشه ای بروید که مجموعه داده ها در آن قرار دارند،
920
00:32:54,320 –> 00:32:55,440
بنابراین هنگامی که
921
00:32:55,440 –> 00:32:57,600
مجموعه داده هایی را که می خواهید آپلود کنید پیدا کردید، به
922
00:32:57,600 –> 00:32:59,600
سادگی
923
00:32:59,600 –> 00:33:01,360
هر دوی این مجموعه داده ها را انتخاب کنید زیرا ما
924
00:33:01,360 –> 00:33:04,080
می خواهید فایل banking.csv
925
00:33:04,080 –> 00:33:08,640
و فایل banking.batch.csv را آپلود
926
00:33:08,640 –> 00:33:10,799
کنید، بنابراین روی open کلیک کنید و این کار ادامه می یابد
927
00:33:10,799 –> 00:33:11,760
و
928
00:33:11,760 –> 00:33:14,480
دو فایل برای شما آپلود می شود به سادگی روی
929
00:33:14,480 –> 00:33:15,679
نوار پیشرفت آپلود
930
00:33:15,679 –> 00:33:18,240
در پایین اینجا کلیک کنید، ما می گوییم که آپلود
931
00:33:18,240 –> 00:33:19,760
در حال انجام است. هنگامی که
932
00:33:19,760 –> 00:33:21,200
هر دوی این فایل ها با
933
00:33:21,200 –> 00:33:23,679
موفقیت آپلود شدند، موفق شدند،
934
00:33:23,679 –> 00:33:25,760
بنابراین در حین آپلود، بیایید
935
00:33:25,760 –> 00:33:27,600
این فایل ها را باز کنیم، من قبلاً آنها را
936
00:33:27,600 –> 00:33:29,519
در اینجا باز کرده ام، بنابراین
937
00:33:29,519 –> 00:33:33,120
ابتدا فایل banking.csv را در اکسل به شما نشان می دهم در
938
00:33:33,120 –> 00:33:36,240
اینجا این فایل به نظر می رسد. مانند
939
00:33:36,240 –> 00:33:37,760
این، این فایل دارای ستون هایی مانند
940
00:33:37,760 –> 00:33:41,840
سن، تحصیلات وضعیت تاهل شغلی
941
00:33:41,840 –> 00:33:44,880
و تعدادی دیگر است، اما
942
00:33:44,880 –> 00:33:48,240
مهمتر از همه، ستون آخر این است که چه چیزی
943
00:33:48,240 –> 00:33:48,880
مهم
944
00:33:48,880 –> 00:33:51,200
است که y سمت راست است که عنوان
945
00:33:51,200 –> 00:33:52,320
y است
946
00:33:52,320 –> 00:33:54,480
و اینجا جایی است که طبقه بندی
947
00:33:54,480 –> 00:33:55,440
رخ می دهد،
948
00:33:55,440 –> 00:33:58,960
بنابراین صفر برای هیچ و یکی برای بله است
949
00:33:58,960 –> 00:34:01,360
و همه اینها رکوردهایی هستند که متعلق
950
00:34:01,360 –> 00:34:03,200
به سفارشی هستند،
951
00:34:03,200 –> 00:34:05,120
بنابراین اگر به پایین اسکرول کنم متوجه می شوم که
952
00:34:05,120 –> 00:34:06,480
حدود 40
953
00:34:06,480 –> 00:34:08,719
هزار به علاوه سمت راست وجود دارد، بنابراین اگر
954
00:34:08,719 –> 00:34:11,040
پایان کنترل را روی صفحه کلید خود انجام
955
00:34:11,040 –> 00:34:12,639
دهم، من را به آخرین رکورد می برد که
956
00:34:12,639 –> 00:34:14,320
حدود 41 000
957
00:34:14,320 –> 00:34:17,599
189 رکورد است. اگر من کنترل
958
00:34:17,599 –> 00:34:20,960
خانه را انجام دادم، من را به سمت راست اول ببرید، بنابراین
959
00:34:20,960 –> 00:34:23,839
این فایل banking.csv است خوب است و
960
00:34:23,839 –> 00:34:25,040
دوباره
961
00:34:25,040 –> 00:34:26,879
این فایل ها را در اختیار شما قرار می دهم و ادامه می دهم و
962
00:34:26,879 –> 00:34:28,480
دانلود می کنم
963
00:34:28,480 –> 00:34:30,639
و سپس به آنها نگاهی بیندازید و
964
00:34:30,639 –> 00:34:32,000
متوجه می شوید که
965
00:34:32,000 –> 00:34:35,440
ستون ها چیستند. فایل دوم
966
00:34:35,440 –> 00:34:39,199
فایل CSV دسته نقطه خط خطی بانکی است
967
00:34:39,199 –> 00:34:42,560
و این دوباره دارای تحصیلات وضعیت شغلی سن
968
00:34:42,560 –> 00:34:44,399
و غیره است،
969
00:34:44,399 –> 00:34:47,440
اما این شامل
970
00:34:47,440 –> 00:34:49,599
ویژگی هدف واقعی که حساب y
971
00:34:49,599 –> 00:34:51,918
سمت راست است، نیست، بنابراین ستون آخر فقط به
972
00:34:51,918 –> 00:34:55,040
کار گرفته شده است، بنابراین اینها فقط هستند. ردیفهایی
973
00:34:55,040 –> 00:34:58,079
که به هر رکورد مشتری تعلق دارند،
974
00:34:58,079 –> 00:34:59,040
بنابراین دستهای از
975
00:34:59,040 –> 00:35:01,920
مشتریان هستند که حاوی یا به
976
00:35:01,920 –> 00:35:03,760
کار گرفته شدهاند،
977
00:35:03,760 –> 00:35:05,280
بسیار عالی هستند، بنابراین اکنون هر
978
00:35:05,280 –> 00:35:06,880
دوی این فایلها را دیدهاید که چه شکلی هستند.
979
00:35:06,880 –> 00:35:09,839
980
00:35:09,920 –> 00:35:13,520
981
00:35:13,520 –> 00:35:14,240
982
00:35:14,240 –> 00:35:16,800
s3 بنابراین در درس بعدی ادامه می
983
00:35:16,800 –> 00:35:18,160
دهم و سپس از
984
00:35:18,160 –> 00:35:20,880
یادگیری ماشینی آمازون برای ارزیابی
985
00:35:20,880 –> 00:35:21,599
مجموعه داده ها استفاده می کنم
986
00:35:21,599 –> 00:35:23,280
و دوباره این سوال را مطرح می کنم که سوال چیست،
987
00:35:23,280 –> 00:35:25,359
بیایید این موضوع را مطرح کنیم که
988
00:35:25,359 –> 00:35:27,440
آیا این مشتری در محصول جدید من مشترک می شود،
989
00:35:27,440 –> 00:35:29,280
990
00:35:29,280 –> 00:35:31,920
بنابراین امیدوارم این تا اینجا به تمرین کمک می کند
991
00:35:31,920 –> 00:35:32,960
992
00:35:32,960 –> 00:35:35,680
شما می توانید مجموعه داده های خود را نیز در صورت تمایل آپلود کنید
993
00:35:35,680 –> 00:35:36,800
994
00:35:36,800 –> 00:35:39,119
و سپس ما می توانیم روی پیش بینی
995
00:35:39,119 –> 00:35:39,920
ها نیز
996
00:35:39,920 –> 00:35:42,839
کار کنیم، بنابراین با این بیایید به درس بعدی
997
00:35:42,839 –> 00:35:45,839
998
00:35:49,359 –> 00:35:51,760
999
00:35:51,760 –> 00:35:52,480
1000
00:35:52,480 –> 00:35:54,400
برویم.
1001
00:35:54,400 –> 00:35:56,160
منبع داده
1002
00:35:56,160 –> 00:35:57,680
در درس قبلی ما به سادگی
1003
00:35:57,680 –> 00:36:01,200
مجموعه داده های خود را در سطل های s3 آپلود
1004
00:36:01,200 –> 00:36:04,320
کردیم و در اینجا در واقع
1005
00:36:04,320 –> 00:36:07,200
یک منبع آموزشی ایجاد می کنیم زیرا برای
1006
00:36:07,200 –> 00:36:09,119
یادگیری ماشینی باید داده ها را به درستی
1007
00:36:09,119 –> 00:36:09,680
1008
00:36:09,680 –> 00:36:12,160
تقسیم کنیم تا aws مجموعه داده های ما را به دو قسمت تقسیم کند
1009
00:36:12,160 –> 00:36:12,960
1010
00:36:12,960 –> 00:36:16,160
و از یک قسمت از آن مجموعه داده
1011
00:36:16,160 –> 00:36:19,680
به عنوان منبع آموزشی استفاده کنید، بنابراین ما
1012
00:36:19,680 –> 00:36:22,520
دو فایل CSV را آپلود کردیم که
1013
00:36:22,520 –> 00:36:24,880
یکی banking.csv بود و دیگری
1014
00:36:24,880 –> 00:36:28,160
فایل dash batch.csv بانکی بود در سطل های s3،
1015
00:36:28,160 –> 00:36:30,400
ما می توانیم به سرعت مجموعه داده ها را تأیید کنیم.
1016
00:36:30,400 –> 00:36:32,160
hin s3 bucket بنابراین من میروم
1017
00:36:32,160 –> 00:36:34,000
و روی سرویسهای اخیراً بازدید شده
1018
00:36:34,000 –> 00:36:34,800
1019
00:36:34,800 –> 00:36:38,160
در s3 کلیک میکنم و این ما را
1020
00:36:38,160 –> 00:36:40,320
به سطلهای s3 میبرد که در آن من باید بتوانم
1021
00:36:40,320 –> 00:36:42,720
هر دو مجموعه داده را ببینم،
1022
00:36:42,720 –> 00:36:44,720
بنابراین نام سطل بانکی من بود.
1023
00:36:44,720 –> 00:36:45,760
میرویم و
1024
00:36:45,760 –> 00:36:48,800
این را باز میکنیم و اینجا عالی
1025
00:36:48,800 –> 00:36:51,200
پیش میرویم، بنابراین مجموعههای داده را داریم، بیایید
1026
00:36:51,200 –> 00:36:51,920
به
1027
00:36:51,920 –> 00:36:54,720
سرویسها برگردیم و اکنون میخواهیم
1028
00:36:54,720 –> 00:36:56,000
پیش برویم و منبع داده آموزشی خود را ایجاد کنیم،
1029
00:36:56,000 –> 00:36:58,880
بنابراین برای انجام این کار تنها کاری که باید
1030
00:36:58,880 –> 00:36:59,280
انجام دهید این
1031
00:36:59,280 –> 00:37:01,839
است که پیمایش کنید. تا قسمتی که می
1032
00:37:01,839 –> 00:37:03,839
گوید یادگیری ماشین
1033
00:37:03,839 –> 00:37:05,760
در کنسول مدیریت aws و
1034
00:37:05,760 –> 00:37:08,079
سپس روی یادگیری ماشین کلیک کنید
1035
00:37:08,079 –> 00:37:10,640
و اکنون به
1036
00:37:10,640 –> 00:37:13,760
صفحه کنسول واقعی برای یادگیری ماشین هدایت می شوید
1037
00:37:13,760 –> 00:37:16,320
و اینجا فقط می گوید که برای
1038
00:37:16,320 –> 00:37:18,240
توسعه دهندگان در تمام سطوح مهارت آسان است. استفاده
1039
00:37:18,240 –> 00:37:19,920
از فناوری ml
1040
00:37:19,920 –> 00:37:21,760
aws machine learning یک
1041
00:37:21,760 –> 00:37:23,920
سرویس مدیریتشده برای ساخت مدلهای ml
1042
00:37:23,920 –> 00:37:26,720
و ایجاد پیشبینی است، بنابراین ما
1043
00:37:26,720 –> 00:37:28,000
1044
00:37:28,000 –> 00:37:29,760
میخواهیم در این درس فقط
1045
00:37:29,760 –> 00:37:31,440
منبع داده منبع آموزشی را نشان دهیم
1046
00:37:31,440 –> 00:37:33,520
و سپس بعداً ما را
1047
00:37:33,520 –> 00:37:34,480
ایجاد خواهیم کرد.
1048
00:37:34,480 –> 00:37:36,160
مدل یادگیری ماشینی، پس بیایید
1049
00:37:36,160 –> 00:37:37,680
شروع
1050
00:37:37,680 –> 00:37:40,160
کنیم، راهاندازی استاندارد به سادگی شامل
1051
00:37:40,160 –> 00:37:42,240
مجموعههای داده نمونه است، در واقع این چیزی است که
1052
00:37:42,240 –> 00:37:43,839
من در حال حاضر
1053
00:37:43,839 –> 00:37:46,960
مجموعه دادههای بانکی ارائهشده توسط aws
1054
00:37:46,960 –> 00:37:48,240
را نشان میدهم و البته میخواهم
1055
00:37:48,240 –> 00:37:50,240
مجموعههای داده دیگری را نشان دهم و
1056
00:37:50,240 –> 00:37:52,960
در موارد مختلف پیشبینی کنم. مجموعه دادهها در
1057
00:37:52,960 –> 00:37:54,400
درسهای بعدی نیز انجام میشود،
1058
00:37:54,400 –> 00:37:56,240
اما این فقط یک اجرای ساده است، بنابراین
1059
00:37:56,240 –> 00:37:57,599
1060
00:37:57,599 –> 00:38:00,880
قبل از اینکه واقعاً به پروژههای پیچیدهتر برویم، مفهوم اصلی را درک کنید،
1061
00:38:00,880 –> 00:38:03,040
1062
00:38:03,040 –> 00:38:05,520
بنابراین تنها کاری که در اینجا باید انجام دهید این است
1063
00:38:05,520 –> 00:38:06,480
که روی راهاندازی کلیک کنید
1064
00:38:06,480 –> 00:38:08,800
و این شما را به دادههای ورودی میبرد.
1065
00:38:08,800 –> 00:38:11,040
توجه صفحه حدود پنج مرحله وجود دارد،
1066
00:38:11,040 –> 00:38:13,359
بنابراین ابتدا داده های ورودی است، سپس شما باید
1067
00:38:13,359 –> 00:38:15,520
طرحواره را
1068
00:38:15,520 –> 00:38:18,400
مشخص کنید، شناسه ردیف مشخصه هدف را مشخص کنید و
1069
00:38:18,400 –> 00:38:18,800
سپس
1070
00:38:18,800 –> 00:38:21,599
قبل از شروع
1071
00:38:21,599 –> 00:38:22,400
با اولین
1072
00:38:22,400 –> 00:38:25,359
مرحله، اکنون مرور
1073
00:38:25,359 –> 00:38:26,560
1074
00:38:26,560 –> 00:38:29,520
کنید. به یاد دارید
1075
00:38:29,520 –> 00:38:30,320
حاوی
1076
00:38:30,320 –> 00:38:33,200
داده های تاریخی برای مشتریانی است که
1077
00:38:33,200 –> 00:38:34,079
1078
00:38:34,079 –> 00:38:36,640
محصولاتی مشابه سپرده بانکی شما خریداری کرده اند،
1079
00:38:36,640 –> 00:38:38,320
1080
00:38:38,320 –> 00:38:40,560
بنابراین در اینجا تنها کاری که ما می خواهیم انجام دهیم دو
1081
00:38:40,560 –> 00:38:42,880
چیز در این دوره است. درس اصلی ابتدا
1082
00:38:42,880 –> 00:38:44,320
یک منبع داده آموزشی ایجاد می کنیم یک
1083
00:38:44,320 –> 00:38:46,160
منبع
1084
00:38:46,160 –> 00:38:49,440
داده یک شی است که حاوی محل
1085
00:38:49,440 –> 00:38:52,160
داده های ورودی و ابرداده های مهم
1086
00:38:52,160 –> 00:38:53,119
در مورد
1087
00:38:53,119 –> 00:38:55,599
آن داده های ورودی است و
1088
00:38:55,599 –> 00:38:56,960
همچنین می خواهیم پیش برویم
1089
00:38:56,960 –> 00:39:00,320
و یک طرح واره ایجاد کنیم تا طرحواره چیست،
1090
00:39:00,320 –> 00:39:02,640
به سادگی اطلاعاتی است که
1091
00:39:02,640 –> 00:39:04,720
یادگیری ماشین آمازون برای تفسیر
1092
00:39:04,720 –> 00:39:08,160
داده های ورودی برای مدل ml نیاز دارد که
1093
00:39:08,160 –> 00:39:10,000
بعداً ایجاد خواهیم کرد
1094
00:39:10,000 –> 00:39:11,920
و این شامل نام ویژگی ها
1095
00:39:11,920 –> 00:39:13,440
و انواع داده های اختصاص داده شده آنها
1096
00:39:13,440 –> 00:39:15,920
و نام ویژگی های خاص به
1097
00:39:15,920 –> 00:39:17,680
چند روش می شود.
1098
00:39:17,680 –> 00:39:19,680
طرحواره را ایجاد کنید یا
1099
00:39:19,680 –> 00:39:21,359
1100
00:39:21,359 –> 00:39:24,240
میتوانید هنگام آپلود دادههای s3 خود یک فایل طرحواره جداگانه ارائه دهید یا میتوانید
1101
00:39:24,240 –> 00:39:24,720
به
1102
00:39:24,720 –> 00:39:26,880
یادگیری ماشین آمازون اجازه دهید انواع ویژگیها را استنباط کند
1103
00:39:26,880 –> 00:39:28,640
و یک طرح کلی برای شما ایجاد
1104
00:39:28,640 –> 00:39:30,079
1105
00:39:30,079 –> 00:39:32,560
1106
00:39:32,560 –> 00:39:33,520
1107
00:39:33,520 –> 00:39:35,280
کند. اولین مرحله
1108
00:39:35,280 –> 00:39:36,880
ایجاد مدل ml است
1109
00:39:36,880 –> 00:39:38,320
که ماشین آمازون را نشان می دهد که داده های تاریخی شما را یاد می گیرد
1110
00:39:38,320 –> 00:39:40,160
1111
00:39:40,160 –> 00:39:42,079
و دوباره این فایل csv بانکی است
1112
00:39:42,079 –> 00:39:43,440
که می گوید شما میتوانیم
1113
00:39:43,440 –> 00:39:45,440
فایل را در اینجا پیشنمایش کنیم، ما قبلاً فایل را
1114
00:39:45,440 –> 00:39:47,280
در s3 آپلود کردهایم،
1115
00:39:47,280 –> 00:39:50,320
بنابراین من میروم و روی s3 کلیک میکنم
1116
00:39:50,320 –> 00:39:53,119
و سپس به سادگی مکان را تایپ میکنم، بنابراین تنها چیزی
1117
00:39:53,119 –> 00:39:54,880
که در اینجا نیاز دارم نام سطل است و سپس
1118
00:39:54,880 –> 00:39:57,119
نام فایل را فوروارد برش دهید
1119
00:39:57,119 –> 00:40:00,160
تا بسته name is
1120
00:40:00,160 –> 00:40:01,680
1121
00:40:01,680 –> 00:40:03,920
1122
00:40:03,920 –> 00:40:05,440
1123
00:40:05,440 –> 00:40:08,640
1124
00:40:08,640 –> 00:40:11,119
1125
00:40:11,119 –> 00:40:12,400
1126
00:40:12,400 –> 00:40:15,839
my banking من فقط میروم
1127
00:40:15,839 –> 00:40:16,720
و
1128
00:40:16,720 –> 00:40:19,839
تأیید میکنم که فایل واقعی که در سطل s3 قرار گرفته است،
1129
00:40:19,839 –> 00:40:21,280
1130
00:40:21,280 –> 00:40:23,680
ادامه دهید و روی yes دو مجوز s3 کلیک کنید
1131
00:40:23,680 –> 00:40:24,560
1132
00:40:24,560 –> 00:40:27,200
و پس از تأیید فرآیند، فقط
1133
00:40:27,200 –> 00:40:27,920
1134
00:40:27,920 –> 00:40:30,880
یک پیام نمایش داده میشود که اعتبارسنجی موفقیتآمیز است
1135
00:40:30,880 –> 00:40:31,920
تا به مرحله بعد بروید.
1136
00:40:31,920 –> 00:40:35,760
در ادامه مرحله بعدی
1137
00:40:35,760 –> 00:40:37,280
طرح است
1138
00:40:37,280 –> 00:40:40,319
و دوباره یادگیری ماشین
1139
00:40:40,319 –> 00:40:43,359
داده های ورودی را از فایل banking.csv اسکن کرد
1140
00:40:43,359 –> 00:40:43,599
و
1141
00:40:43,599 –> 00:40:46,160
نام ستون و انواع داده ها را
1142
00:40:46,160 –> 00:40:47,359
برای هر یک از ستون
1143
00:40:47,359 –> 00:40:50,000
های مجموعه داده استنباط کرد و دوباره می توانم
1144
00:40:50,000 –> 00:40:51,200
با نگاهی به
1145
00:40:51,200 –> 00:40:53,359
هر یک از این نوع داده ها مواردی مانند
1146
00:40:53,359 –> 00:40:55,599
1147
00:40:55,599 –> 00:40:58,800
فیلد نمونه طبقه بندی عددی مقدار یک دو سه
1148
00:40:58,800 –> 00:41:01,200
و به همین ترتیب دوباره موارد زیادی
1149
00:41:01,200 –> 00:41:02,800
در هر صفحه وجود دارد، حدود یک تا ده
1150
00:41:02,800 –> 00:41:04,400
مورد در هر صفحه وجود دارد که
1151
00:41:04,400 –> 00:41:06,079
در این مرحله در اینجا نمایش داده می شود
1152
00:41:06,079 –> 00:41:08,000
. می توانم برای مشاهده روی فلش بعدی کلیک
1153
00:41:08,000 –> 00:41:11,200
کنم در مقادیر دیگر نیز
1154
00:41:11,200 –> 00:41:13,839
پس از اینکه با
1155
00:41:13,839 –> 00:41:15,839
خود طرحی که یادگیری ماشین واقعاً
1156
00:41:15,839 –> 00:41:19,359
استفاده کرده و آن را ایجاد کرده راحت باشم، می پرسد که آیا خط اول
1157
00:41:19,359 –> 00:41:20,880
در csv شما
1158
00:41:20,880 –> 00:41:24,480
حاوی نام ستون در مورد ما است،
1159
00:41:24,480 –> 00:41:27,599
من معتقدم که فایل مجموعه داده ما حاوی
1160
00:41:27,599 –> 00:41:28,319
عناوین عناوین ستون سمت راست
1161
00:41:28,319 –> 00:41:30,000
است. بنابراین من بله را انتخاب
1162
00:41:30,000 –> 00:41:31,599
می کنم و شما متوجه
1163
00:41:31,599 –> 00:41:33,920
خواهید شد که aws این نام ها را برای
1164
00:41:33,920 –> 00:41:35,119
شما پیش خواهد برد، مانند
1165
00:41:35,119 –> 00:41:37,760
pda های کمپین مدت زمان قبلی و غیره، و
1166
00:41:37,760 –> 00:41:38,480
اینها
1167
00:41:38,480 –> 00:41:41,599
دوباره عنوان ستون هستند، پس زمانی که با
1168
00:41:41,599 –> 00:41:42,880
این من تمام شد. ادامه دهید و روی ادامه کلیک کنید
1169
00:41:42,880 –> 00:41:44,880
و فقط یک پیام هشدار به من بدهید
1170
00:41:44,880 –> 00:41:46,480
که چون شما
1171
00:41:46,480 –> 00:41:46,960
1172
00:41:46,960 –> 00:41:49,200
ترکیبی از مدل ایجاد ml و جادوگر منبع داده
1173
00:41:49,200 –> 00:41:51,520
را انتخاب کردید، باید یک هدف را انتخاب کنید
1174
00:41:51,520 –> 00:41:54,560
و این ویژگی هدفی است
1175
00:41:54,560 –> 00:41:57,680
که قبلا ذکر کردم. بسیار خوب،
1176
00:41:57,680 –> 00:42:01,280
بنابراین مشخصه هدف می تواند
1177
00:42:01,280 –> 00:42:02,960
نام ستونی باشد که من به دنبال آن هستم
1178
00:42:02,960 –> 00:42:05,520
که ستون y سمت راست آخرین
1179
00:42:05,520 –> 00:42:07,599
ستونی است که می خواهم انتخاب کنم، بنابراین می
1180
00:42:07,599 –> 00:42:09,200
خواهم به آخرین
1181
00:42:09,200 –> 00:42:11,760
ستون اینجا بروید و در اینجا نام ستون به
1182
00:42:11,760 –> 00:42:12,400
نام y
1183
00:42:12,400 –> 00:42:14,640
است. یک نوع داده باینری و حاوی
1184
00:42:14,640 –> 00:42:16,800
0 یا یک به یاد صفر است برای هیچ
1185
00:42:16,800 –> 00:42:19,359
کس برای بله، بنابراین من می خواهم این
1186
00:42:19,359 –> 00:42:21,200
1187
00:42:21,200 –> 00:42:24,960
نام ویژگی باینری خاص y را به عنوان
1188
00:42:24,960 –> 00:42:27,359
مدل های یادگیری ماشین هدف آموزش داده شده بر روی این
1189
00:42:27,359 –> 00:42:28,240
هدف انتخاب کنم،
1190
00:42:28,240 –> 00:42:31,200
ما از رگرسیون لجستیک برای
1191
00:42:31,200 –> 00:42:32,560
آموزش یک
1192
00:42:32,560 –> 00:42:35,280
مدل طبقهبندی باینری خوب به یاد داشته باشید که میتوانیم
1193
00:42:35,280 –> 00:42:36,800
تحلیل رگرسیون مانند
1194
00:42:36,800 –> 00:42:37,599
1195
00:42:37,599 –> 00:42:39,760
رگرسیون خطی چندگانه انجام دهیم، شما همچنین میتوانید
1196
00:42:39,760 –> 00:42:41,760
رگرسیون لجستیک و غیره انجام دهید،
1197
00:42:41,760 –> 00:42:43,119
اما معمولاً برای یک
1198
00:42:43,119 –> 00:42:45,359
مدل
1199
00:42:45,359 –> 00:42:50,160
طبقهبندی باینری، لاگ یا رگرسیون لجستیک خوب است،
1200
00:42:50,160 –> 00:42:52,480
بنابراین هنگامی که من هدف را انتخاب کردم، کلیک کنید
1201
00:42:52,480 –> 00:42:54,960
ادامه
1202
00:42:55,040 –> 00:42:58,160
این کار انجام میشود. داده ها حاوی یک شناسه هستند،
1203
00:42:58,160 –> 00:43:00,000
بنابراین این دوباره یک شناسه ردیف اختیاری است
1204
00:43:00,000 –> 00:43:01,359
که به ما کمک می کند
1205
00:43:01,359 –> 00:43:04,560
بفهمیم که ردیف های تولید چگونه
1206
00:43:04,560 –> 00:43:07,680
با ردیف های مشاهده مختلف مطابقت دارند،
1207
00:43:07,680 –> 00:43:08,079
1208
00:43:08,079 –> 00:43:09,760
بنابراین من روی بررسی کلیک می کنم.
1209
00:43:09,760 –> 00:43:11,119
نقطه i
1210
00:43:11,119 –> 00:43:13,119
و دوباره می توانید به پایین اسکرول کنید و
1211
00:43:13,119 –> 00:43:14,960
هنوز هم می توانید به ویرایش
1212
00:43:14,960 –> 00:43:18,319
همه این مراحل ادامه دهید یا ما واقعاً می توانیم
1213
00:43:18,319 –> 00:43:20,640
ادامه دهیم، بنابراین بررسی کنید و تغییراتی ایجاد کنید، این کار
1214
00:43:20,640 –> 00:43:21,359
ادامه می یابد
1215
00:43:21,359 –> 00:43:25,839
و مدل یادگیری ماشین را به من می دهید
1216
00:43:25,839 –> 00:43:28,160
و در اینجا می توانم به طور خودکار آنچه را
1217
00:43:28,160 –> 00:43:30,079
پیشنهاد می کند من تنظیمات مدل را انتخاب کنم یا
1218
00:43:30,079 –> 00:43:31,839
میتوانم سفارشیسازی کنم،
1219
00:43:31,839 –> 00:43:33,839
بنابراین در حال حاضر طبقهبندی باینری
1220
00:43:33,839 –> 00:43:34,880
است که
1221
00:43:34,880 –> 00:43:37,680
دوباره صفر یا یک را برای هر
1222
00:43:37,680 –> 00:43:40,000
یک یا یکی از دو نتیجه ممکن پیشبینی میکند
1223
00:43:40,000 –> 00:43:42,560
و این مدل با استفاده از الگوریتم رگرسیون لجستیک آموزش داده میشود،
1224
00:43:42,560 –> 00:43:43,280
1225
00:43:43,280 –> 00:43:47,040
بنابراین نام مدل ml
1226
00:43:47,040 –> 00:43:48,079
اختیاری است
1227
00:43:48,079 –> 00:43:51,040
من آن را همانطور که هست رها می کنم و در اینجا
1228
00:43:51,040 –> 00:43:51,680
می توانم
1229
00:43:51,680 –> 00:43:54,480
انتخاب کنم که آیا می خواهم مدل سفارشی خود را تولید کنم
1230
00:43:54,480 –> 00:43:55,599
1231
00:43:55,599 –> 00:43:58,640
یا از مدل پیش فرض
1232
00:43:58,640 –> 00:44:01,440
یادگیری ماشین استفاده کنم که aws پیشنهاد می کند
1233
00:44:01,440 –> 00:44:03,200
که پیش
1234
00:44:03,200 –> 00:44:05,599
فرض توصیه می شود و چه کاری انجام می دهد.
1235
00:44:05,599 –> 00:44:07,040
یک
1236
00:44:07,040 –> 00:44:09,920
دستور غذای پیشفرض تولید کنید و از پارامترهای آموزشی پیشفرض استفاده
1237
00:44:09,920 –> 00:44:11,119
کنید و
1238
00:44:11,119 –> 00:44:14,240
30 عدد از دادههای شما را برای ارزیابی آموزش کنار بگذارد،
1239
00:44:14,240 –> 00:44:15,680
بنابراین تقسیم دادهای را که قبلاً ذکر کردم به خاطر بسپارید،
1240
00:44:15,680 –> 00:44:17,440
1241
00:44:17,440 –> 00:44:19,200
بنابراین اینجاست. قرار است
1242
00:44:19,200 –> 00:44:21,920
مجموعه داده ها را تقسیم کند تا 40000 رکورد
1243
00:44:21,920 –> 00:44:22,800
یا بیشتر
1244
00:44:22,800 –> 00:44:24,800
در فایل banking.csv وجود داشته باشد،
1245
00:44:24,800 –> 00:44:26,720
30 مورد از آن رکوردها را می گیرد
1246
00:44:26,720 –> 00:44:29,119
و سپس از آن رکوردها به عنوان
1247
00:44:29,119 –> 00:44:30,880
داده آموزشی استفاده می کند
1248
00:44:30,880 –> 00:44:32,800
و سپس
1249
00:44:32,800 –> 00:44:34,640
1250
00:44:34,640 –> 00:44:36,480
اگر گزینه سفارشی را انتخاب کنم، داده های ارزیابی را به ترتیب تقسیم می کند. به
1251
00:44:36,480 –> 00:44:38,240
عنوان مثال اجازه دهید این را به شما نشان دهم
1252
00:44:38,240 –> 00:44:40,800
این دستور العمل را تغییر می دهد که
1253
00:44:40,800 –> 00:44:42,560
یادگیری ماشینی آمازون تولید می کند، پارامترهای آموزشی را تغییر دهید
1254
00:44:42,560 –> 00:44:44,800
و
1255
00:44:44,800 –> 00:44:48,240
داده های ارزیابی را به صورت تصادفی یا متوالی تقسیم کنید،
1256
00:44:48,240 –> 00:44:50,079
بنابراین دوباره به شما بستگی دارد که آیا می
1257
00:44:50,079 –> 00:44:52,240
خواهید از پیش فرض استفاده کنید یا سفارشی،
1258
00:44:52,240 –> 00:44:53,520
بنابراین ما می خواهیم ادامه دهید و پیش فرض را انتخاب کنید
1259
00:44:53,520 –> 00:44:55,680
در این مرحله
1260
00:44:55,680 –> 00:44:57,760
اینجا نام ارزیابی است و یک بار دیگر بر روی بررسی کلیک کنید به
1261
00:44:57,760 –> 00:45:00,000
1262
00:45:00,000 –> 00:45:02,240
من این فرصت داده می شود که
1263
00:45:02,240 –> 00:45:03,040
1264
00:45:03,040 –> 00:45:05,440
تمام اطلاعات را بررسی کنم و پس از اتمام
1265
00:45:05,440 –> 00:45:06,880
کار، می روم و روی
1266
00:45:06,880 –> 00:45:10,240
ایجاد ml کلیک می کنم. مدل عالی است، بنابراین به نظر می
1267
00:45:10,240 –> 00:45:12,000
رسد که مدل را با موفقیت ایجاد کرده است
1268
00:45:12,000 –> 00:45:12,880
، وضعیت
1269
00:45:12,880 –> 00:45:16,319
نشان می دهد که در حالت تعلیق است و هنگامی که
1270
00:45:16,319 –> 00:45:19,119
همه چیز پردازش شد، آموزش منبع داده
1271
00:45:19,119 –> 00:45:19,680
1272
00:45:19,680 –> 00:45:21,680
برای ما ایجاد می شود، در اینجا
1273
00:45:21,680 –> 00:45:22,960
شناسه منبع داده است
1274
00:45:22,960 –> 00:45:24,720
که می توانم یک مورد نیز بگیرم. به طرحواره ورودی نگاه کنید،
1275
00:45:24,720 –> 00:45:26,160
1276
00:45:26,160 –> 00:45:29,200
یک ارزیابی دیگر انجام دهید و سپس میتوانیم
1277
00:45:29,200 –> 00:45:29,839
1278
00:45:29,839 –> 00:45:32,000
به بخش پیشبینی نگاهی بیندازیم، جایی
1279
00:45:32,000 –> 00:45:34,400
که میتوانم معیارهای ساعت ابری را مشاهده کنم
1280
00:45:34,400 –> 00:45:37,520
، آستانه امتیاز تولیدات دستهای را ایجاد میکند
1281
00:45:37,520 –> 00:45:39,839
و غیره،
1282
00:45:39,839 –> 00:45:41,839
بنابراین تبریک میگویم که شما با موفقیت
1283
00:45:41,839 –> 00:45:42,960
1284
00:45:42,960 –> 00:45:45,839
مدل ml واقعی را ایجاد کردید. در این
1285
00:45:45,839 –> 00:45:47,520
درس فقط میخواهم نشان دهم
1286
00:45:47,520 –> 00:45:49,440
که چگونه میتوان منبع آموزشی خود را ایجاد کرد، طرح واره دادههای خود را ایجاد کرد
1287
00:45:49,440 –> 00:45:50,880
1288
00:45:50,880 –> 00:45:52,800
و سپس البته
1289
00:45:52,800 –> 00:45:54,720
خود مدل را در درس بعدی میخواهیم به
1290
00:45:54,720 –> 00:45:56,800
نتایج واقعی نگاهی بیندازیم
1291
00:45:56,800 –> 00:46:00,640
و سپس در نهایت به سؤال خود پاسخ دهیم.
1292
00:46:00,640 –> 00:46:02,160
قرار است از دادههای ما بپرسند که
1293
00:46:02,160 –> 00:46:04,240
آیا مشتریان من
1294
00:46:04,240 –> 00:46:06,640
این محصول جدید را از من میخرند یا نه
1295
00:46:06,640 –> 00:46:08,960
درست است که سؤال اصلی بود،
1296
00:46:08,960 –> 00:46:11,200
بنابراین امیدوارم که تا به حال به تمرین کمک کرده باشد که
1297
00:46:11,200 –> 00:46:12,160
1298
00:46:12,160 –> 00:46:13,839
در قسمت بحث پستی داشته باشم با این
1299
00:46:13,839 –> 00:46:16,520
اجازه دهید به درس بعدی برویم
1300
00:46:16,520 –> 00:46:20,360
[موسیقی]
1301
00:46:23,119 –> 00:46:25,599
خیلی هیجان زده به بازگشت خوش آمدید، بنابراین در
1302
00:46:25,599 –> 00:46:26,880
درس آخر
1303
00:46:26,880 –> 00:46:29,599
توانستیم مدل ml خود را با موفقیت در اینجا تولید کنیم،
1304
00:46:29,599 –> 00:46:30,480
1305
00:46:30,480 –> 00:46:33,280
توجه کنید که وضعیت اکنون کامل است،
1306
00:46:33,280 –> 00:46:34,800
بنابراین در این مورد به جلو حرکت می کنیم درسی که من می
1307
00:46:34,800 –> 00:46:36,000
خواهم نشان دهم که
1308
00:46:36,000 –> 00:46:39,280
چگونه نتایج خود را یکپارچه کنیم و
1309
00:46:39,280 –> 00:46:41,200
سؤال خود را بپرسم که در ابتدا در
1310
00:46:41,200 –> 00:46:42,319
نظر گرفته شده بود
1311
00:46:42,319 –> 00:46:44,480
آیا مشتریان ما از ما خرید می کنند یا خیر،
1312
00:46:44,480 –> 00:46:45,359
1313
00:46:45,359 –> 00:46:47,040
بنابراین این سؤالی بود که ما می
1314
00:46:47,040 –> 00:46:48,560
خواستیم از مدل خود بپرسیم
1315
00:46:48,560 –> 00:46:51,040
و در اینجا توجه کنید که آیا زیر آن پایین بروید
1316
00:46:51,040 –> 00:46:52,720
ارزیابی خواهید
1317
00:46:52,720 –> 00:46:55,839
دید که آخرین نتیجه ارزیابی 0.93 است،
1318
00:46:55,839 –> 00:46:59,280
بنابراین
1319
00:46:59,280 –> 00:47:03,040
برای این مجموعه داده حدود 93 درصد مطمئن است
1320
00:47:03,040 –> 00:47:06,240
و همچنین auc را به شما نشان می دهد
1321
00:47:06,240 –> 00:47:08,319
خوب حالا این یک جورهایی مهم است و
1322
00:47:08,319 –> 00:47:10,720
من می خواستم شاید یک اسلاید در
1323
00:47:10,720 –> 00:47:13,920
مورد auc خرج کنم پس اجازه دهید من اسلاید خود را
1324
00:47:13,920 –> 00:47:16,160
در اینجا
1325
00:47:16,240 –> 00:47:19,359
میآورم auc ناحیه
1326
00:47:19,359 –> 00:47:23,280
زیر منحنی نامیده میشود خوب همچنین به عنوان roc اشاره میکند
1327
00:47:23,280 –> 00:47:26,079
که منحنی ویژگیهای عملکرد گیرنده
1328
00:47:26,079 –> 00:47:28,000
1329
00:47:28,000 –> 00:47:29,839
یک اندازهگیری عملکرد برای
1330
00:47:29,839 –> 00:47:31,839
مشکلات طبقهبندی است مانند
1331
00:47:31,839 –> 00:47:34,000
این یک طبقهبندی باینری صفر و
1332
00:47:34,000 –> 00:47:36,240
یکها درست یا غلط
1333
00:47:36,240 –> 00:47:40,079
بله یا خیر در تنظیمات آستانه های مختلف
1334
00:47:40,079 –> 00:47:42,079
، به عنوان مثال، اگر من
1335
00:47:42,079 –> 00:47:43,680
نیاز به افزایش سطح آستانه داشته باشم
1336
00:47:43,680 –> 00:47:47,680
، می توانم سؤالاتی بپرسم
1337
00:47:47,680 –> 00:47:50,559
مانند سه درصد
1338
00:47:50,559 –> 00:47:52,000
بالا یا چهار درصد برتر را بدانم. مشتریان من
1339
00:47:52,000 –> 00:47:55,119
از من خرید خواهند کرد بسیار خوب، بنابراین
1340
00:47:55,119 –> 00:47:57,119
این ناحیه زیر آن منحنی است
1341
00:47:57,119 –> 00:48:00,480
که انعطاف پذیر است و من می توانم تنظیمات را انتخاب
1342
00:48:00,480 –> 00:48:01,839
کنم و به زودی آن را نیز نشان خواهم داد،
1343
00:48:01,839 –> 00:48:03,200
1344
00:48:03,200 –> 00:48:05,040
اما در حال حاضر فقط
1345
00:48:05,040 –> 00:48:06,640
مفهوم auc roc را درک
1346
00:48:06,640 –> 00:48:08,559
کنید. auroch به
1347
00:48:08,559 –> 00:48:11,119
هر حال auroc که ناحیه زیر
1348
00:48:11,119 –> 00:48:11,920
1349
00:48:11,920 –> 00:48:15,680
ویژگی های عملکرد گیرنده است، دو
1350
00:48:15,680 –> 00:48:17,839
کلمه مختلف که یک کلمه را تشکیل می دهند
1351
00:48:17,839 –> 00:48:19,359
،
1352
00:48:19,359 –> 00:48:22,720
roc یک منحنی احتمال است و auc
1353
00:48:22,720 –> 00:48:25,040
نشان دهنده درجه یا معیار
1354
00:48:25,040 –> 00:48:28,400
توانایی جداگانه است، خوب است، بنابراین دو
1355
00:48:28,400 –> 00:48:28,880
1356
00:48:28,880 –> 00:48:31,520
چیز متفاوت وجود دارد که به ما می گوید چگونه مدل ما تا حد زیادی
1357
00:48:31,520 –> 00:48:33,359
قادر است بین کلاسها تمایز قائل شود،
1358
00:48:33,359 –> 00:48:36,160
بنابراین هر چه سطح زیر منحنی بالاتر
1359
00:48:36,160 –> 00:48:36,800
باشد
1360
00:48:36,800 –> 00:48:39,839
، البته مدل ما بهتر است
1361
00:48:39,839 –> 00:48:42,000
صفرها را به عنوان صفر و یکها را پیشبینی کند،
1362
00:48:42,000 –> 00:48:43,359
1363
00:48:43,359 –> 00:48:45,359
اجازه دهید مثال متفاوتی را در اینجا به شما ارائه دهم،
1364
00:48:45,359 –> 00:48:46,720
بنابراین
1365
00:48:46,720 –> 00:48:49,599
اگر مساحت زیر منحنی بالاتری دارید، اگر مساحت زیر منحنی بالاتری دارید. یا
1366
00:48:49,599 –> 00:48:51,280
auc بالاتر
1367
00:48:51,280 –> 00:48:53,119
مدل بهتر این است که تمایز
1368
00:48:53,119 –> 00:48:54,880
بین بیماران مبتلا به بیماری
1369
00:48:54,880 –> 00:48:58,319
و بدون بیماری خوب است و این در مورد
1370
00:48:58,319 –> 00:48:59,839
مثال ما و
1371
00:48:59,839 –> 00:49:02,000
همچنین فایل csv بانکی صدق می کند که آیا
1372
00:49:02,000 –> 00:49:03,599
cu ما Stomers از ما خرید
1373
00:49:03,599 –> 00:49:06,800
میکنند یا از ما نمیخرند، خوب است، بنابراین این
1374
00:49:06,800 –> 00:49:10,480
معیار عملکرد auc است،
1375
00:49:10,480 –> 00:49:13,680
بنابراین بیایید این را به حداقل برسانیم
1376
00:49:13,680 –> 00:49:17,280
تا معیار ما بسیار خوب باشد، 0.936 است،
1377
00:49:17,280 –> 00:49:21,359
اجازه دهید به جلو برویم و به
1378
00:49:21,359 –> 00:49:24,000
زیر ارزیابیها و خلاصهای بروید که در آن
1379
00:49:24,000 –> 00:49:25,359
واقعاً میتوانید نمودار را ببینید
1380
00:49:25,359 –> 00:49:28,720
و ما میتواند دادههای ما را تفسیر کند
1381
00:49:28,720 –> 00:49:32,160
و نگاهی عمیقتر به آن بیندازد،
1382
00:49:32,160 –> 00:49:34,400
بنابراین اگر
1383
00:49:34,400 –> 00:49:35,839
معیار عملکرد مدل میلیلیتری را
1384
00:49:35,839 –> 00:49:38,800
در ارزیابی اخیرمان پایین بیاورم، این
1385
00:49:38,800 –> 00:49:40,319
نمره کیفیت مدل بسیار خوب در نظر گرفته میشود،
1386
00:49:40,319 –> 00:49:42,160
زیرا مطمئناً
1387
00:49:42,160 –> 00:49:45,359
خط پایه 93 درست 0.5 بود و ما امتیاز را به دست آوردیم.
1388
00:49:45,359 –> 00:49:46,800
0.93
1389
00:49:46,800 –> 00:49:50,319
که خوب است و در اینجا می توانم آستانه امتیاز را تنظیم کنم،
1390
00:49:50,319 –> 00:49:53,599
به عنوان مثال، اگر
1391
00:49:53,599 –> 00:49:56,160
لازم باشد روی آستانه امتیاز تنظیم کلیک
1392
00:49:56,160 –> 00:49:57,200
1393
00:49:57,200 –> 00:49:59,920
کنم، جزئیات عملکرد مدل را
1394
00:49:59,920 –> 00:50:00,720
1395
00:50:00,720 –> 00:50:03,280
نشان می دهد و نمودار توزیع
1396
00:50:03,280 –> 00:50:06,400
پاسخ های پیش بینی شده را برای یک ها و صفرهای واقعی نشان می
1397
00:50:06,400 –> 00:50:09,440
دهد. یک مشتری بله
1398
00:50:09,440 –> 00:50:11,200
است که از ما خرید می کند و صفر به این معنی است
1399
00:50:11,200 –> 00:50:12,960
که سوابق موجود در
1400
00:50:12,960 –> 00:50:14,640
داده های ارزیابی ما مشتریان از ما خرید نمی کنند
1401
00:50:14,640 –> 00:50:16,000
1402
00:50:16,000 –> 00:50:19,440
، این موارد مثبت کاذب را نیز به ما نشان می دهد. و
1403
00:50:19,440 –> 00:50:21,599
منفی های کاذب
1404
00:50:21,599 –> 00:50:24,000
و نمودار بسیار خوب است، البته من می توانم
1405
00:50:24,000 –> 00:50:26,079
روی توضیح این نمودار کلیک کنم
1406
00:50:26,079 –> 00:50:27,599
و این دوباره تکلیف شماست، بنابراین به عنوان یک
1407
00:50:27,599 –> 00:50:29,760
تکلیف، روی توضیح این نمودار کلیک کنید
1408
00:50:29,760 –> 00:50:30,800
و سپس
1409
00:50:30,800 –> 00:50:33,440
برای هر گونه سوالی در مورد پست در بحث بپرسید در مورد آن بخوانید.
1410
00:50:33,440 –> 00:50:35,440
منطقه
1411
00:50:35,440 –> 00:50:38,720
بسیار خوب است، بنابراین اکنون می توانم به امتیاز نگاهی
1412
00:50:38,720 –> 00:50:41,440
1413
00:50:41,440 –> 00:50:44,319
بیندازم و به محض انجام این کار می توانم بر روی این متریک به چپ و راست بروم
1414
00:50:44,319 –> 00:50:46,240
1415
00:50:46,240 –> 00:50:50,160
، مقادیر به سمت راست تغییر می کنند، بنابراین
1416
00:50:50,160 –> 00:50:52,480
آستانه یا مبادله بر اساس
1417
00:50:52,480 –> 00:50:54,400
آستانه امتیاز
1418
00:50:54,400 –> 00:50:56,400
تا زمانی که حرکت می کنم، تغییر می کند. نسبت به موردی که به
1419
00:50:56,400 –> 00:50:57,599
احتمال زیاد پیش بینی
1420
00:50:57,599 –> 00:51:01,760
می شود من می توانم این کار را انجام دهم،
1421
00:51:01,760 –> 00:51:03,839
بنابراین در این مرحله متوجه خواهید شد که دو
1422
00:51:03,839 –> 00:51:06,000
درصد از رکوردها به عنوان رکوردهایی پیش بینی
1423
00:51:06,000 –> 00:51:08,160
می شوند که به این معنی است که دو درصد از
1424
00:51:08,160 –> 00:51:09,280
1425
00:51:09,280 –> 00:51:10,800
مشتریان و دو درصد بالای مشتریان
1426
00:51:10,800 –> 00:51:12,720
از ما خرید خواهند کرد. درست این
1427
00:51:12,720 –> 00:51:16,160
چیزی است که پیش بینی می شود من همچنین می توانم
1428
00:51:16,160 –> 00:51:18,480
بیشتر به سمت راست حرکت کنم که می گوید سه
1429
00:51:18,480 –> 00:51:20,000
درصد راست یا یک درصد
1430
00:51:20,000 –> 00:51:21,599
دو و سپس البته در سمت چپ
1431
00:51:21,599 –> 00:51:23,599
سه خواهد بود.
1432
00:51:23,599 –> 00:51:25,839
1433
00:51:25,839 –> 00:51:28,640
1434
00:51:28,640 –> 00:51:30,400
من می خواهم به kn سه درصد
1435
00:51:30,400 –> 00:51:32,160
بالای مشتریانی که
1436
00:51:32,160 –> 00:51:33,760
پیشبینی میشوند بهعنوان یکی از مشتریان پیشبینی میشوند که به این معنی است که آنها
1437
00:51:33,760 –> 00:51:35,280
خرید خواهند کرد
1438
00:51:35,280 –> 00:51:38,400
و من
1439
00:51:38,400 –> 00:51:41,040
آستانه امتیاز معاوضه را در نقطه شش دارم، بنابراین این
1440
00:51:41,040 –> 00:51:42,480
یک خلاصه کاملاً دقیق
1441
00:51:42,480 –> 00:51:44,559
از آنچه یادگیری ماشین میتواند
1442
00:51:44,559 –> 00:51:46,319
برای ما و
1443
00:51:46,319 –> 00:51:49,680
دادههای ما انجام دهد به شما ارائه میدهد. در این مرحله از زمان تنظیم کنید اگر
1444
00:51:49,680 –> 00:51:51,040
از این
1445
00:51:51,040 –> 00:51:54,079
مکان خاص راضی باشم، میتوانم ادامه دهم و
1446
00:51:54,079 –> 00:51:55,280
روی ذخیره
1447
00:51:55,280 –> 00:51:59,040
آستانه امتیاز در 0.78 کلیک کنم، بنابراین اکنون
1448
00:51:59,040 –> 00:52:02,160
آستانه ما با موفقیت ذخیره شد،
1449
00:52:02,160 –> 00:52:04,559
بنابراین بیایید به پیشبینیهای خود
1450
00:52:04,559 –> 00:52:05,280
1451
00:52:05,280 –> 00:52:06,800
برویم، خوب است، بنابراین ما میرویم جلوتر کلیک
1452
00:52:06,800 –> 00:52:08,960
کنید و از پنجره ناوبری سمت چپ در اینجا روی “امتحان واقعی” کلیک کنید
1453
00:52:08,960 –> 00:52:11,040
1454
00:52:11,040 –> 00:52:13,119
تا به محض انجام این کار،
1455
00:52:13,119 –> 00:52:14,319
گزینه ای برای
1456
00:52:14,319 –> 00:52:17,440
ایجاد یک پیش بینی بلادرنگ به صورت رایگان
1457
00:52:17,440 –> 00:52:19,040
با استفاده از مرورگر وب در این صفحه
1458
00:52:19,040 –> 00:52:21,280
1459
00:52:21,280 –> 00:52:22,640
داشته باشم. فرم را تکمیل کنید
1460
00:52:22,640 –> 00:52:26,319
یا یک رکورد داده واحد را با
1461
00:52:26,319 –> 00:52:27,680
فرمت csv ارائه دهید
1462
00:52:27,680 –> 00:52:30,000
زیرا من قبلاً داده های موجود را دارم
1463
00:52:30,000 –> 00:52:32,400
که فایل banking.csv است، بنابراین می توانم
1464
00:52:32,400 –> 00:52:33,920
به سادگی هر یک از این
1465
00:52:33,920 –> 00:52:36,240
خطوط را خطوط داده درست انتخاب کنم، بنابراین می خواهم ادامه دهم
1466
00:52:36,240 –> 00:52:37,040
و شاید
1467
00:52:37,040 –> 00:52:40,720
این را انتخاب کنم. بر و من
1468
00:52:40,720 –> 00:52:44,079
این ردیف را انتخاب میکنم، آن را کپی کنید،
1469
00:52:44,079 –> 00:52:46,800
اجازه دهید به صفحه مدلهای ml خود برگردیم
1470
00:52:46,800 –> 00:52:48,480
و به سادگی روی
1471
00:52:48,480 –> 00:52:50,800
دکمه ثبت چسباندن کلیک کنیم و در اینجا فقط
1472
00:52:50,800 –> 00:52:52,800
یک مشتری را پیشبینی میکنم که
1473
00:52:52,800 –> 00:52:54,480
آیا آن مشتری از ما خرید میکند
1474
00:52:54,480 –> 00:52:55,920
یا خیر.
1475
00:52:55,920 –> 00:52:57,839
یکی از محصولات بانکی ما را بخرید یا نه
1476
00:52:57,839 –> 00:53:00,079
و روی چسباندن یک رکورد
1477
00:53:00,079 –> 00:53:01,839
1478
00:53:01,839 –> 00:53:04,000
کلیک کنید، بنابراین من میروم و روی ارسال کلیک میکنم، بنابراین ادامه میدهم
1479
00:53:04,000 –> 00:53:05,920
و به سادگی پیست میکنم
1480
00:53:05,920 –> 00:53:08,559
و سپس روی ارسال کلیک میکنم و این
1481
00:53:08,559 –> 00:53:09,599
1482
00:53:09,599 –> 00:53:12,000
پیشبینی ایجاد میکند. نتیجه برای من
1483
00:53:12,000 –> 00:53:14,000
ایجاد پیشبینی
1484
00:53:14,000 –> 00:53:18,559
و کامل است، بنابراین در این مرحله نتایج
1485
00:53:18,559 –> 00:53:20,880
با برچسب صفر پیشبینی میشوند که
1486
00:53:20,880 –> 00:53:21,839
به این معنی است که
1487
00:53:21,839 –> 00:53:24,319
بعید است که مشتری بخواهد
1488
00:53:24,319 –> 00:53:26,000
از ما عالی خرید کند
1489
00:53:26,000 –> 00:53:27,680
اگر سؤالی در مورد این
1490
00:53:27,680 –> 00:53:29,760
پست در منطقه بحث دارید
1491
00:53:29,760 –> 00:53:31,760
کاملاً قدرتمند است. قدرتمند با استفاده از
1492
00:53:31,760 –> 00:53:33,040
یادگیری ماشین
1493
00:53:33,040 –> 00:53:35,920
در aws و تلاش برای ایجاد
1494
00:53:35,920 –> 00:53:37,760
مدلهای رگرسیون و پیشبینی
1495
00:53:37,760 –> 00:53:40,880
بر اساس مجموعه دادههای خود، بنابراین ادامه دهید و
1496
00:53:40,880 –> 00:53:43,200
با این تمرین تمرین کنید،
1497
00:53:43,200 –> 00:53:44,559
من شما را تشویق میکنم با
1498
00:53:44,559 –> 00:53:46,480
مجموعه دادههای خود تمرین کنید و مطمئن شوید که
1499
00:53:46,480 –> 00:53:47,760
خود را آماده کردهاید. دادهها
1500
00:53:47,760 –> 00:53:49,359
ابتدا باید آن خطاهای واقعی
1501
00:53:49,359 –> 00:53:51,920
صفر و یک را داشته باشند که مهم است
1502
00:53:51,920 –> 00:53:53,520
زیرا
1503
00:53:53,520 –> 00:53:55,119
قبل از اینکه بتوانید
1504
00:53:55,119 –> 00:53:56,480
به سادگی یک
1505
00:53:56,480 –> 00:53:59,520
فایل csv یا یک فایل با فرمت اکسل را وارد کنید و
1506
00:53:59,520 –> 00:54:01,599
سپس aws یادگیری ماشینی را ایجاد کند باید زمان صرف کنید تا دادههای خود را آماده کنید.
1507
00:54:01,599 –> 00:54:04,079
درست است، بنابراین ما باید
1508
00:54:04,079 –> 00:54:07,040
روش مناسبی را در جای خود داشته باشیم، درست
1509
00:54:07,040 –> 00:54:08,319
مانند روشی که
1510
00:54:08,319 –> 00:54:10,319
قدم به قدم در ایجاد همه این
1511
00:54:10,319 –> 00:54:12,720
مدلها و سپس پیشبینی از دادههای من
1512
00:54:12,720 –> 00:54:14,720
انجام میدهیم، بنابراین با این امید تمرین کنید که این کمک میکند،
1513
00:54:14,720 –> 00:54:24,720
اجازه دهید به درس بعدی برویم
1514
00:54:24,720 –> 00:54:27,040
خوش آمدید. در این درس فقط
1515
00:54:27,040 –> 00:54:28,480
میخواستم یک بررسی سریع
1516
00:54:28,480 –> 00:54:30,480
صورتحساب و داشبورد مدیریت هزینهها
1517
00:54:30,480 –> 00:54:32,559
را دریافت کنم تا کنون
1518
00:54:32,559 –> 00:54:34,960
حدود 67 سنت از من هزینه شده است،
1519
00:54:34,960 –> 00:54:36,880
بنابراین
1520
00:54:36,880 –> 00:54:39,440
برای همه آزمایشگاههایی که در واقع
1521
00:54:39,440 –> 00:54:42,400
تا کنون پوشش دادهایم، کمتر از یک دلار است.
1522
00:54:42,400 –> 00:54:45,200
فایل csv banking dot درست مجموعه دادهای است
1523
00:54:45,200 –> 00:54:46,079
که ما استفاده
1524
00:54:46,079 –> 00:54:48,720
کردهایم و همچنین از مجموعه داده فارغالتحصیل یا فارغالتحصیل استفاده کردهایم،
1525
00:54:48,720 –> 00:54:50,799
1526
00:54:50,799 –> 00:54:53,839
بنابراین برای پروژههای دو میلیلیتری که
1527
00:54:53,839 –> 00:54:56,480
نشان دادم در واقع فقط abo را نشان میدهد.
1528
00:54:56,480 –> 00:54:57,760
کمتر از یک دلار
1529
00:54:57,760 –> 00:55:00,160
خوب است، بنابراین اگر بخواهید واقعاً این کارها را انجام دهید
1530
00:55:00,160 –> 00:55:02,000
، این هزینه را نیز متحمل خواهید شد،
1531
00:55:02,000 –> 00:55:04,640
بسته به میزان استفاده شما،
1532
00:55:04,640 –> 00:55:06,720
بنابراین مهم است که به محض اینکه کارتان خوب شد، محیط خود را تمیز کنید،
1533
00:55:06,720 –> 00:55:08,480
1534
00:55:08,480 –> 00:55:11,760
بنابراین این چیزی است که من آیا
1535
00:55:11,760 –> 00:55:14,000
من چند پروژه برای شما
1536
00:55:14,000 –> 00:55:15,680
ساختم و محیط را تمیز کرد،
1537
00:55:15,680 –> 00:55:18,400
بنابراین روز بعد
1538
00:55:18,400 –> 00:55:20,240
داشبورد مدیریت صورتحساب و هزینه را بررسی کردم
1539
00:55:20,240 –> 00:55:22,960
و این چیزی است که تاکنون ساخته شده است، بنابراین
1540
00:55:22,960 –> 00:55:24,480
دوباره فقط یک بررسی سریع
1541
00:55:24,480 –> 00:55:25,839
برای صورتحساب انجام دهید و مطمئن شوید که
1542
00:55:25,839 –> 00:55:27,520
اینها را دارید هشدارها به درستی تنظیم شدهاند،
1543
00:55:27,520 –> 00:55:30,000
من این را در یکی
1544
00:55:30,000 –> 00:55:31,920
از سخنرانیهای قبلی نشان دادهام،
1545
00:55:31,920 –> 00:55:33,920
بنابراین فقط میخواستم
1546
00:55:33,920 –> 00:55:35,040
در مورد
1547
00:55:35,040 –> 00:55:37,359
صورتحساب به شما گوشزد کنم و شما باید مراقب
1548
00:55:37,359 –> 00:55:38,160
1549
00:55:38,160 –> 00:55:40,960
املای aws خود باشید، بنابراین
1550
00:55:40,960 –> 00:55:42,960
من فقط میخواهم آن را پوشش دهم این 50 سوال
1551
00:55:42,960 –> 00:55:44,319
در قسمت بحث پست شده است با این
1552
00:55:44,319 –> 00:55:49,839
بیایید به درس بعدی برویم
1553
00:55:53,119 –> 00:55:54,799
خوش آمدید به عقب برگردید فوق العاده هیجان زده در حال حرکت
1554
00:55:54,799 –> 00:55:56,240
به جلو در این درس می خواهم در
1555
00:55:56,240 –> 00:55:57,920
مورد
1556
00:55:57,920 –> 00:55:59,839
یادگیری ماشینی aws و
1557
00:55:59,839 –> 00:56:02,160
هوش مصنوعی و نحوه اعمال aws و نحوه
1558
00:56:02,160 –> 00:56:02,880
ما صحبت کنم می توانید
1559
00:56:02,880 –> 00:56:06,400
به عنوان توسعه دهندگان پایتون یاد بگیرید، بنابراین بیایید ابتدا
1560
00:56:06,400 –> 00:56:08,000
شروع کنیم،
1561
00:56:08,000 –> 00:56:09,359
من در مورد
1562
00:56:09,359 –> 00:56:11,200
تفاوت بین ai و
1563
00:56:11,200 –> 00:56:14,240
ml صحبت خواهم کرد، بنابراین یادگیری ماشینی
1564
00:56:14,240 –> 00:56:16,160
روشی برای دستیابی به
1565
00:56:16,160 –> 00:56:18,079
هوش مصنوعی است
1566
00:56:18,079 –> 00:56:19,599
زیرا هوش مصنوعی
1567
00:56:19,599 –> 00:56:21,920
واقعاً به این فکر می کند که در بالا
1568
00:56:21,920 –> 00:56:23,440
یا دایره بیرونی قرار دارد.
1569
00:56:23,440 –> 00:56:25,119
و در دایره درونی شما
1570
00:56:25,119 –> 00:56:26,799
یادگیری ماشینی دارید
1571
00:56:26,799 –> 00:56:29,599
، هوش مصنوعی مفهوم گستردهتری
1572
00:56:29,599 –> 00:56:30,400
1573
00:56:30,400 –> 00:56:33,040
از ماشینها است که میتوانند وظایفی را که شما هوشمند میدانید انجام دهند
1574
00:56:33,040 –> 00:56:34,720
،
1575
00:56:34,720 –> 00:56:37,200
بنابراین شاید آنها کارهای زائدی هستند که
1576
00:56:37,200 –> 00:56:39,599
میخواهید آنها را خودکار کنید و خودشان
1577
00:56:39,599 –> 00:56:42,240
یاد بگیرند که این هدفی است که یک
1578
00:56:42,240 –> 00:56:43,280
مفهوم گستردهتر
1579
00:56:43,280 –> 00:56:46,160
در حال حاضر در ai یادگیری ماشین است که
1580
00:56:46,160 –> 00:56:46,880
به نوبه خود
1581
00:56:46,880 –> 00:56:49,839
کاربرد خود ai است که
1582
00:56:49,839 –> 00:56:51,119
بر این ایده استوار است
1583
00:56:51,119 –> 00:56:54,160
که وقتی دادهها را تغذیه میکنید
1584
00:56:54,160 –> 00:56:56,839
، ماشینها باید بتوانند خودشان یاد بگیرند،
1585
00:56:56,839 –> 00:56:59,440
بنابراین کلمه کلیدی در
1586
00:56:59,440 –> 00:57:02,559
اینجا داده است که به معنای دادههای بزرگ است. و ما متوجه
1587
00:57:02,559 –> 00:57:04,079
خواهیم شد که چگونه این
1588
00:57:04,079 –> 00:57:06,319
واقعاً در مورد یادگیری ماشینی صحبت
1589
00:57:06,319 –> 00:57:07,680
در مورد داده های بزرگ
1590
00:57:07,680 –> 00:57:10,079
بعد از یادگیری ماشینی عمیقاً
1591
00:57:10,079 –> 00:57:11,040
انواع مختلفی را
1592
00:57:11,040 –> 00:57:14,160
که من دوست دارم اعمال می کند. بحث اول، یادگیری
1593
00:57:14,160 –> 00:57:15,119
تحت نظارت
1594
00:57:15,119 –> 00:57:18,079
است که در آن سیستمها به سادگی
1595
00:57:18,079 –> 00:57:18,799
در معرض
1596
00:57:18,799 –> 00:57:22,559
دادههای بزرگ یا بزرگ دادههای برچسبگذاری شده قرار میگیرند، در
1597
00:57:22,559 –> 00:57:24,480
اینجا کلیدواژهای که میخواهید
1598
00:57:24,480 –> 00:57:25,599
روی آن تمرکز کنید و به خاطر بسپارید
1599
00:57:25,599 –> 00:57:29,119
برچسبگذاری است، بنابراین همه دادههای شما
1600
00:57:29,119 –> 00:57:32,400
برچسبگذاری شده یا حاوی یک برچسب هستند و برخی از
1601
00:57:32,400 –> 00:57:34,079
سیستمها ممکن است
1602
00:57:34,079 –> 00:57:37,520
برای تسلط بر یک کار، باید در معرض میلیونها مثال قرار بگیرید،
1603
00:57:37,520 –> 00:57:39,040
بنابراین این یادگیری تحت نظارت است که
1604
00:57:39,040 –> 00:57:41,599
نسبتاً
1605
00:57:41,599 –> 00:57:44,720
رایج است، همچنین این روزها یک چالش بزرگ
1606
00:57:44,720 –> 00:57:48,000
برای یافتن اطلاعات یا دادههای برچسبدار وجود دارد،
1607
00:57:48,000 –> 00:57:49,440
زیرا معمولاً دادههای شما
1608
00:57:49,440 –> 00:57:51,200
برچسب
1609
00:57:51,200 –> 00:57:55,839
شما را نمیزنند، مثلاً اگر میخواهید بگوییم.
1610
00:57:55,839 –> 00:57:58,480
از تصاویر عکس بگیرید بسیار خوب
1611
00:57:58,480 –> 00:58:00,720
و صدها هزار تصویر دارید،
1612
00:58:00,720 –> 00:58:03,760
اما تنها چیزی که دارید تصویر واقعی است
1613
00:58:03,760 –> 00:58:06,000
که اکنون تصویر باید
1614
00:58:06,000 –> 00:58:08,079
با یک برچسب خاص مرتبط شود،
1615
00:58:08,079 –> 00:58:11,760
بنابراین برچسب زدن یک چالش بزرگ
1616
00:58:11,760 –> 00:58:15,440
در یادگیری ماشینی امروز است و بعد
1617
00:58:15,440 –> 00:58:17,119
یادگیری بدون نظارت است
1618
00:58:17,119 –> 00:58:19,839
که وظایف الگوریتمهایی با شناسایی
1619
00:58:19,839 –> 00:58:22,079
الگوها و دادهها در
1620
00:58:22,079 –> 00:58:24,480
تلاش برای شناسایی شباهتها و تقسیم
1621
00:58:24,480 –> 00:58:25,760
دادهها به دستهها،
1622
00:58:25,760 –> 00:58:28,160
بنابراین یادگیری بدون نظارت یا
1623
00:58:28,160 –> 00:58:29,920
بدون ساختار است.
1624
00:58:29,920 –> 00:58:31,599
سپس شما یادگیری نیمه نظارتی دارید
1625
00:58:31,599 –> 00:58:33,280
که دوباره ترکیبی از هر دو
1626
00:58:33,280 –> 00:58:36,559
نظارت شده و بدون نظارت است،
1627
00:58:36,559 –> 00:58:38,319
در این مورد فقط مقادیر کمی از
1628
00:58:38,319 –> 00:58:40,319
داده های برچسب و مقادیر زیادی از
1629
00:58:40,319 –> 00:58:42,720
داده های بدون برچسب برای آموزش سیستم ها است، بنابراین دوباره
1630
00:58:42,720 –> 00:58:44,000
1631
00:58:44,000 –> 00:58:48,240
دو مورد برتر را با هم ترکیب می کنید، یادگیری تقویتی
1632
00:58:48,240 –> 00:58:48,799
1633
00:58:48,799 –> 00:58:51,040
نوع دیگری است. که به این موضوع مربوط می شود که چگونه عاملان نرم افزار
1634
00:58:51,040 –> 00:58:53,119
باید در یک محیط اقداماتی را انجام دهند
1635
00:58:53,119 –> 00:58:55,200
تا برخی از مفهوم پاداش تجمعی را به حداکثر برسانند
1636
00:58:55,200 –> 00:58:56,480
1637
00:58:56,480 –> 00:58:59,599
، سیستم کامپیوتری
1638
00:58:59,599 –> 00:59:01,040
ورودی را به طور مداوم دریافت می کند و به
1639
00:59:01,040 –> 00:59:03,200
طور مداوم به خودی خود در حال بهبود است و
1640
00:59:03,200 –> 00:59:04,799
این واقعاً
1641
00:59:04,799 –> 00:59:07,040
یادگیری تقویتی است و در نهایت ما یادگیری عمیق را
1642
00:59:07,040 –> 00:59:08,480
داریم که در آن وارد عصبی می شویم.
1643
00:59:08,480 –> 00:59:09,440
شبکههایی
1644
00:59:09,440 –> 00:59:11,200
که این روزها تقریباً در حال گسترش
1645
00:59:11,200 –> 00:59:13,839
به شبکههای دیگر
1646
00:59:13,839 –> 00:59:16,000
با تعداد لایههای زیاد هستند،
1647
00:59:16,000 –> 00:59:18,240
میتوانید چندین لایه داشته باشید، هرچه لایههای بیشتری
1648
00:59:18,240 –> 00:59:18,799
1649
00:59:18,799 –> 00:59:21,200
در یادگیری عمیق داشته باشید
1650
00:59:21,200 –> 00:59:22,880
، نتیجه مؤثرتر خواهد بود
1651
00:59:22,880 –> 00:59:24,480
و آنها با استفاده از مقادیر انبوه داده
1652
00:59:24,480 –> 00:59:26,160
آموزش داده میشوند، بنابراین میلیونها و
1653
00:59:26,160 –> 00:59:28,720
میلیونها تصویر،
1654
00:59:28,720 –> 00:59:31,119
بنابراین فقط یک نمای کلی سطح بالا برای
1655
00:59:31,119 –> 00:59:32,000
یادگیری ماشین
1656
00:59:32,000 –> 00:59:33,839
در این نکته و شما نیاز دارید که انواع مختلف
1657
00:59:33,839 –> 00:59:35,599
اینها را عمیقاً درک کنید
1658
00:59:35,599 –> 00:59:37,920
، خوب، بنابراین وقتی در
1659
00:59:37,920 –> 00:59:39,040
مورد داده های برچسب صحبت
1660
00:59:39,040 –> 00:59:40,400
می کنیم، باید بدانید که یادگیری نظارت شده
1661
00:59:40,400 –> 00:59:42,160
1662
00:59:42,160 –> 00:59:44,839
چه چیزی است که یادگیری بدون نظارت چیست و به همین
1663
00:59:44,839 –> 00:59:47,040
1664
00:59:47,040 –> 00:59:50,319
ترتیب دقت یادگیری ماشینی است،
1665
00:59:50,319 –> 00:59:52,559
بنابراین برای درک تفسیر و
1666
00:59:52,559 –> 00:59:55,760
دقت سیستمهای یادگیری ماشینی را مقایسه کنید،
1667
00:59:55,760 –> 00:59:57,280
حدود سه چیز وجود دارد که
1668
00:59:57,280 –> 00:59:59,040
میخواهم ابتدا روی آنها تمرکز
1669
00:59:59,040 –> 01:00:00,799
کنم، و آن اینکه چه چیزی
1670
01:00:00,799 –> 01:00:03,040
پیشبینی میشود،
1671
01:00:03,040 –> 01:00:04,559
چه نتیجه نهایی که به دنبال آن هستید،
1672
01:00:04,559 –> 01:00:06,079
1673
01:00:06,079 –> 01:00:08,640
برای مثال اگر بخواهید
1674
01:00:08,640 –> 01:00:09,359
1675
01:00:09,359 –> 01:00:12,480
هوای فردا را به خوبی پیشبینی کنید. برای
1676
01:00:12,480 –> 01:00:13,680
استناد به برخی دادهها،
1677
01:00:13,680 –> 01:00:17,520
برخی از دادههای ماقبل تاریخ درست است
1678
01:00:17,520 –> 01:00:19,520
و این همان جایی است که دادههای بزرگ وارد میشوند،
1679
01:00:19,520 –> 01:00:21,440
بنابراین شما نگاهی به
1680
01:00:21,440 –> 01:00:24,799
الگوهای دادههای 10 ساله گذشته
1681
01:00:24,799 –> 01:00:26,640
برای آن آب و هوای خاص در یک
1682
01:00:26,640 –> 01:00:28,079
منطقه خاص بیندازید
1683
01:00:28,079 –> 01:00:30,640
و سپس میتوانید پیشبینی کنید که چگونه
1684
01:00:30,640 –> 01:00:32,720
خواهد بود. فردا
1685
01:00:32,720 –> 01:00:34,720
مورد دوم اعتماد به نفس
1686
01:00:34,720 –> 01:00:36,400
پیش بینی است
1687
01:00:36,400 –> 01:00:37,839
، به عنوان مثال اجازه دهید
1688
01:00:37,839 –> 01:00:39,760
مثال دیگری برای
1689
01:00:39,760 –> 01:00:42,160
اطمینان در تجزیه و تحلیل چهره و و فا به شما ارائه دهم.
1690
01:00:42,160 –> 01:00:43,440
تشخیص ce به
1691
01:00:43,440 –> 01:00:45,680
عنوان مثال تشخیص aws که ما
1692
01:00:45,680 –> 01:00:48,000
نگاهی به استفاده از پایتون خواهیم انداخت
1693
01:00:48,000 –> 01:00:50,640
به ما می گوید که سرویس در یک نتیجه خاص چقدر مطمئن است
1694
01:00:50,640 –> 01:00:52,799
1695
01:00:52,799 –> 01:00:54,559
و ما می دانیم که سیستم های یادگیری ماشین
1696
01:00:54,559 –> 01:00:56,319
1697
01:00:56,319 –> 01:00:58,880
ماهیت احتمالی دارند به عبارت دیگر شما
1698
01:00:58,880 –> 01:01:00,720
مدل های آماری را درست مانند خطی اجرا می کنید.
1699
01:01:00,720 –> 01:01:03,119
رگرسیون یا رگرسیون چندگانه
1700
01:01:03,119 –> 01:01:05,440
و به نتیجه می رسند که
1701
01:01:05,440 –> 01:01:06,480
1702
01:01:06,480 –> 01:01:09,200
سطح اطمینان یا فاصله اطمینان می تواند
1703
01:01:09,200 –> 01:01:10,640
نود درصد باشد می تواند نود و پنج
1704
01:01:10,640 –> 01:01:12,559
درصد باشد می تواند نود و نه درصد باشد
1705
01:01:12,559 –> 01:01:15,760
و به همین ترتیب نمره اطمینان را می توان
1706
01:01:15,760 –> 01:01:18,000
به عنوان معیاری برای سنجش میزان
1707
01:01:18,000 –> 01:01:21,040
اعتماد در نظر گرفت. سیستمها در
1708
01:01:21,040 –> 01:01:22,319
نتایج قرار میگیرند البته هرچه
1709
01:01:22,319 –> 01:01:24,079
عدد اطمینان بیشتر باشد، میتوان به نتایج بیشتر
1710
01:01:24,079 –> 01:01:25,839
اعتماد کرد
1711
01:01:25,839 –> 01:01:30,480
، مورد بعدی برای پیشبینیها است،
1712
01:01:30,480 –> 01:01:31,920
بنابراین چگونه این پیشبینیها قرار است استفاده شوند،
1713
01:01:31,920 –> 01:01:35,200
بنابراین
1714
01:01:35,200 –> 01:01:36,880
استفاده از یک پیشبینی یادگیری ماشین
1715
01:01:36,880 –> 01:01:39,440
نیز با اطمینان همراه است. مهم است زیرا
1716
01:01:39,440 –> 01:01:42,240
به دقت در زمینه کمک می کند، اجازه دهید
1717
01:01:42,240 –> 01:01:43,359
1718
01:01:43,359 –> 01:01:45,760
هنگام استفاده مجدد از تحلیل چهره برای
1719
01:01:45,760 –> 01:01:47,359
مثال یا تشخیص چهره مثالی بزنم
1720
01:01:47,359 –> 01:01:50,400
شما تصاویر حاوی
1721
01:01:50,400 –> 01:01:50,720
1722
01:01:50,720 –> 01:01:52,720
عینک آفتابی را دقیقاً در یک کاتالوگ عکس خاص جستجو میکنید.
1723
01:01:52,720 –> 01:01:54,319
1724
01:01:54,319 –> 01:01:56,559
نمایش تصاویر بیشتر در یک نتیجه جستجو
1725
01:01:56,559 –> 01:01:58,480
اغلب مطلوبتر است،
1726
01:01:58,480 –> 01:02:01,039
حتی اگر برخی از آنها مطابقت کاملی نداشته باشند،
1727
01:02:01,039 –> 01:02:02,799
1728
01:02:02,799 –> 01:02:05,440
بنابراین به دلیل هزینه یک نتیجه ناقص
1729
01:02:05,440 –> 01:02:06,640
1730
01:02:06,640 –> 01:02:09,599
در موارد استفاده پایین است. مردم معمولاً
1731
01:02:09,599 –> 01:02:10,720
اعتماد کمتری را
1732
01:02:10,720 –> 01:02:13,119
در ازای نتایج بیشتر میپذیرند و
1733
01:02:13,119 –> 01:02:15,760
بازرسی دستی کمتری از آن نتایج را
1734
01:02:15,760 –> 01:02:18,160
با استفاده از تشخیص چهره برای شناسایی
1735
01:02:18,160 –> 01:02:19,280
افراد مورد علاقه
1736
01:02:19,280 –> 01:02:21,440
در تحقیقات میپذیرند، شاید یا
1737
01:02:21,440 –> 01:02:23,680
مجریان قانون به عنوان مثال دیگری
1738
01:02:23,680 –> 01:02:26,799
باید از آستانه اطمینان 99 توصیهشده استفاده کنند،
1739
01:02:26,799 –> 01:02:28,960
زیرا
1740
01:02:28,960 –> 01:02:30,720
شناسایی آن به ویژه در
1741
01:02:30,720 –> 01:02:32,559
1742
01:02:32,559 –> 01:02:34,880
بنابراین درک
1743
01:02:34,880 –> 01:02:36,559
خطرات و دقت یادگیری ماشین مهم
1744
01:02:36,559 –> 01:02:37,599
است،
1745
01:02:37,599 –> 01:02:39,520
بنابراین در ادامه میخواهم در مورد
1746
01:02:39,520 –> 01:02:41,440
تشخیص aws به عنوان مثال صحبت کنم،
1747
01:02:41,440 –> 01:02:44,079
بنابراین تشخیص aws از تصویر مبتنی بر یادگیری عمیق استفاده میکند
1748
01:02:44,079 –> 01:02:45,039
و
1749
01:02:45,039 –> 01:02:47,599
تجزیه و تحلیل ویدیو را ارائه میکند، به عنوان مثال میتوانید
1750
01:02:47,599 –> 01:02:49,359
صحنه شی را انجام دهید. و
1751
01:02:49,359 –> 01:02:50,079
1752
01:02:50,079 –> 01:02:52,640
تشخیص چهره فعالیت شما همچنین می توانید
1753
01:02:52,640 –> 01:02:54,000
1754
01:02:54,000 –> 01:02:57,119
خطوط چهره خود را تجزیه و تحلیل کنید برخی از تحلیلهای عمیقتر
1755
01:02:57,119 –> 01:02:59,280
چهره شما میتوانید
1756
01:02:59,280 –> 01:03:00,640
1757
01:03:00,640 –> 01:03:03,280
تشخیص افراد مشهور و متن و تصاویر با تشخیص تماس ناایمن را ردیابی
1758
01:03:03,280 –> 01:03:04,079
1759
01:03:04,079 –> 01:03:07,200
کنید، بنابراین این یک مثال خوب است
1760
01:03:07,200 –> 01:03:07,839
1761
01:03:07,839 –> 01:03:09,280
و ما از آن استفاده میکنیم، این را
1762
01:03:09,280 –> 01:03:11,440
نشان میدهیم و همچنین
1763
01:03:11,440 –> 01:03:13,359
نحوه ارتباط آن با پایتون و سپس ما
1764
01:03:13,359 –> 01:03:15,200
میتوانیم برنامههای پایتون را اجرا کنیم
1765
01:03:15,200 –> 01:03:18,480
و تشخیص aws را مدیریت کنیم
1766
01:03:18,480 –> 01:03:21,280
، یکی از مفاهیم کلیدی است که میخواهم آن
1767
01:03:21,280 –> 01:03:22,319
را به
1768
01:03:22,319 –> 01:03:25,760
خاطر بسپارید و ابتدا آن را درک کنید،
1769
01:03:25,760 –> 01:03:26,559
1770
01:03:26,559 –> 01:03:29,599
منابع دادهای است که منبع داده یک
1771
01:03:29,599 –> 01:03:32,720
شی است که حاوی ابرداده در مورد
1772
01:03:32,720 –> 01:03:33,839
دادههای ورودی شما
1773
01:03:33,839 –> 01:03:36,319
به عنوان مثال ماشین آمازون است. Learning
1774
01:03:36,319 –> 01:03:38,160
دادههای ورودی شما را میخواند
1775
01:03:38,160 –> 01:03:40,319
و آمار توصیفی را
1776
01:03:40,319 –> 01:03:41,280
1777
01:03:41,280 –> 01:03:45,280
در مورد ویژگیهای آن محاسبه میکند و آمار را
1778
01:03:45,280 –> 01:03:46,559
همراه با طرح و
1779
01:03:46,559 –> 01:03:48,880
اطلاعات دیگر به عنوان بخشی از شی منبع داده ذخیره میکند،
1780
01:03:48,880 –> 01:03:52,160
بنابراین مهم است
1781
01:03:52,160 –> 01:03:55,359
که آمازون ml از منبع داده
1782
01:03:55,359 –> 01:03:58,960
برای آموزش و ارزیابی یادگیری ماشینی استفاده کند.
1783
01:03:58,960 –> 01:04:00,319
مدلسازی کنید
1784
01:04:00,319 –> 01:04:04,240
و پیشبینیهای دستهای را تولید کنید،
1785
01:04:04,319 –> 01:04:06,720
سپس مدل یادگیری ماشینی را داریم،
1786
01:04:06,720 –> 01:04:07,680
یک مدل میلیلیتری
1787
01:04:07,680 –> 01:04:10,640
به عنوان یک مدل ریاضی
1788
01:04:10,640 –> 01:04:12,240
که پیشبینی را تولید میکند، در نظر بگیرید.
1789
01:04:12,240 –> 01:04:15,520
1790
01:04:15,520 –> 01:04:18,799
آمازون ml تقریباً از
1791
01:04:18,799 –> 01:04:20,640
سه نوع
1792
01:04:20,640 –> 01:04:24,000
مدل طبقهبندی باینری طبقهبندی چند طبقه
1793
01:04:24,000 –> 01:04:25,200
1794
01:04:25,200 –> 01:04:28,240
و رگرسیون پشتیبانی میکند، بنابراین رگرسیون
1795
01:04:28,240 –> 01:04:30,319
صرفاً هدف آموزش یک مدل رگرسیونی است
1796
01:04:30,319 –> 01:04:32,559
که یک مقدار عددی را
1797
01:04:32,559 –> 01:04:34,240
درست همانطور که قبلاً ذکر کردم پیشبینی میکند.
1798
01:04:34,240 –> 01:04:35,760
برای مثال، اگر
1799
01:04:35,760 –> 01:04:38,400
هوای فردا را پیشبینی میکنید، باید
1800
01:04:38,400 –> 01:04:41,599
حداقل 90 درصد یا 95
1801
01:04:41,599 –> 01:04:44,720
مطمئن باشید که
1802
01:04:44,720 –> 01:04:47,760
بیرون آفتابی خواهد بود، به طور مشابه،
1803
01:04:47,760 –> 01:04:48,319
1804
01:04:48,319 –> 01:04:51,440
اگر با یک سناریوی مجری قانون کار میکنید، باید 99 اطمینان داشته باشید،
1805
01:04:51,440 –> 01:04:54,799
بنابراین این یک
1806
01:04:54,799 –> 01:04:55,520
مثال است.
1807
01:04:55,520 –> 01:04:58,559
یک رگرسیون چند
1808
01:04:58,559 –> 01:05:00,400
کلاسه در اینجا هدف از آموزش یک
1809
01:05:00,400 –> 01:05:01,920
مدل ml چند کلاسه
1810
01:05:01,920 –> 01:05:04,319
پیشبینی مقادیری است که متعلق به یک
1811
01:05:04,319 –> 01:05:05,119
1812
01:05:05,119 –> 01:05:07,760
مجموعه از پیش تعریفشده محدود از مقادیر مجاز هستند و
1813
01:05:07,760 –> 01:05:08,640
1814
01:05:08,640 –> 01:05:10,559
باینری صرفاً مقادیری را پیشبینی میکند که
1815
01:05:10,559 –> 01:05:12,319
فقط میتوانند یکی از دو حالت را درست
1816
01:05:12,319 –> 01:05:17,280
یا درست داشته باشند. ارزیابیهای کاذب
1817
01:05:17,280 –> 01:05:20,559
کیفیت مدل ml شما را اندازهگیری میکند
1818
01:05:20,559 –> 01:05:22,400
و به سادگی تعیین میکند که آیا
1819
01:05:22,400 –> 01:05:24,400
خوب عمل میکند،
1820
01:05:24,400 –> 01:05:26,960
بنابراین در ارزیابی میتوانید این را
1821
01:05:26,960 –> 01:05:27,520
به عنوان
1822
01:05:27,520 –> 01:05:30,880
داشتن فکر کنید. بینشهای مدل شما میتوانید
1823
01:05:30,880 –> 01:05:33,680
بریدگیها را داشته
1824
01:05:33,680 –> 01:05:37,599
باشید، فراخوانی دقیق دقت و غیره
1825
01:05:37,599 –> 01:05:40,799
پیشبینیهای دستهای برای مجموعهای از
1826
01:05:40,799 –> 01:05:42,160
مشاهدات هستند که میتوانند بهصورت
1827
01:05:42,160 –> 01:05:45,280
همزمان اجرا شوند و این برای
1828
01:05:45,280 –> 01:05:48,079
تجزیه و تحلیل پیشبینیکننده که
1829
01:05:48,079 –> 01:05:49,760
1830
01:05:49,760 –> 01:05:52,079
نیاز به زمان واقعی ندارند، ایدهآل است. پیشبینیها
1831
01:05:52,079 –> 01:05:53,280
و اینها
1832
01:05:53,280 –> 01:05:55,680
برای برنامههایی هستند که نیاز به تأخیر کم دارند، بهعنوان
1833
01:05:55,680 –> 01:05:56,799
1834
01:05:56,799 –> 01:05:59,920
مثال، مانند یک برنامه موبایل تعاملی تحت وب
1835
01:05:59,920 –> 01:06:02,880
یا برنامه دسکتاپ، بنابراین هر
1836
01:06:02,880 –> 01:06:04,720
مدل یادگیری ماشینی را میتوان
1837
01:06:04,720 –> 01:06:07,680
با استفاده از رابط برنامهنویسی برنامهنویسی پیشبینی زمان واقعی با تأخیر کم،
1838
01:06:07,680 –> 01:06:09,200
1839
01:06:09,200 –> 01:06:12,160
بعد
1840
01:06:12,160 –> 01:06:14,640
از هوش مصنوعی
1841
01:06:14,640 –> 01:06:16,079
aws برای پیشبینی جستجو کرد. به سه
1842
01:06:16,079 –> 01:06:18,319
لایه اصلی که
1843
01:06:18,319 –> 01:06:20,400
در این مرحله میخواهم آنها را برجسته کنم که همگی در بالای
1844
01:06:20,400 –> 01:06:20,960
1845
01:06:20,960 –> 01:06:23,039
زیرساخت و شبکه aws قرار دارند و
1846
01:06:23,039 –> 01:06:25,359
این به نام amazon ai شناخته میشود،
1847
01:06:25,359 –> 01:06:27,280
بنابراین اگر با این اصطلاح برخورد کردید، این
1848
01:06:27,280 –> 01:06:29,200
همان معنای واقعی است.
1849
01:06:29,200 –> 01:06:31,760
خدمات ai را داشته باشید که
1850
01:06:31,760 –> 01:06:34,079
شامل تشخیص آمازون آمازون پلی
1851
01:06:34,079 –> 01:06:35,359
آمازون lex است،
1852
01:06:35,359 –> 01:06:37,200
سپس پلت فرم ai را در
1853
01:06:37,200 –> 01:06:39,280
وسط ساعت خود دارید. ave the amazon machine
1854
01:06:39,280 –> 01:06:40,400
learning
1855
01:06:40,400 –> 01:06:44,160
emr و spark ml و سپس لایه سوم
1856
01:06:44,160 –> 01:06:47,359
موتورهایی است که حرکت می کنند
1857
01:06:47,359 –> 01:06:49,039
به عبارت دیگر شما می توانید
1858
01:06:49,039 –> 01:06:50,720
کتابخانه های apache tensorflow داشته باشید، می توانید
1859
01:06:50,720 –> 01:06:55,280
مشعل پای کافه و غیره داشته باشید
1860
01:06:55,280 –> 01:06:57,200
و در نهایت ما پشته یادگیری ماشینی آمازون را داریم
1861
01:06:57,200 –> 01:06:58,640
1862
01:06:58,640 –> 01:07:00,880
که یک پشته قوی است. سرویس مبتنی بر ابری
1863
01:07:00,880 –> 01:07:02,400
1864
01:07:02,400 –> 01:07:04,799
که استفاده از فناوری یادگیری ماشین را برای توسعه دهندگان در تمام سطوح مهارت آسان می
1865
01:07:04,799 –> 01:07:06,960
1866
01:07:06,960 –> 01:07:09,280
کند. خود پشته دوباره شبیه به
1867
01:07:09,280 –> 01:07:11,599
هوایی است که قبلاً به آن نگاه کردیم
1868
01:07:11,599 –> 01:07:14,079
و می توانید ببینید که دقیقاً
1869
01:07:14,079 –> 01:07:16,160
به سه لایه نیز تقسیم شده است، بنابراین خدمات برنامه را در
1870
01:07:16,160 –> 01:07:18,000
اختیار دارید. سرویس های پلت فرم
1871
01:07:18,000 –> 01:07:19,280
در وسط و سپس
1872
01:07:19,280 –> 01:07:21,200
چارچوب ها و زیرساخت ها را
1873
01:07:21,200 –> 01:07:23,760
دارید آنچه که من می خواهم در اینجا به آن اشاره کنم
1874
01:07:23,760 –> 01:07:25,520
خدمات پلت فرم است که لایه دومی
1875
01:07:25,520 –> 01:07:26,640
است که
1876
01:07:26,640 –> 01:07:29,760
می بینید گزینه ای به نام مکانیکال ترک را می بینید
1877
01:07:29,760 –> 01:07:32,400
که یک سرویس است یا فرض کنید یک
1878
01:07:32,400 –> 01:07:33,359
جامعه در آنجا شما وجود دارد.
1879
01:07:33,359 –> 01:07:35,920
می توانید از طریق مکانیک آمازون آنلاین شوید
1880
01:07:35,920 –> 01:07:36,960
1881
01:07:36,960 –> 01:07:39,520
و سپس افرادی را استخدام کنید تا
1882
01:07:39,520 –> 01:07:41,280
کارهایی را برای شما انجام دهند و می توانید به آنها پول پرداخت کنید
1883
01:07:41,280 –> 01:07:43,680
، این را به عنوان یک وب سایت مستقل در نظر
1884
01:07:43,680 –> 01:07:45,280
بگیرید. e یا چیزی شبیه به
1885
01:07:45,280 –> 01:07:46,960
آن معمولاً در
1886
01:07:46,960 –> 01:07:49,039
دنیای واقعی استفاده میشود، من از آن برای
1887
01:07:49,039 –> 01:07:52,240
برچسبگذاری دادهها استفاده میکنم، بنابراین اگر
1888
01:07:52,240 –> 01:07:52,960
دادههای زیادی
1889
01:07:52,960 –> 01:07:55,280
دارید و میخواهید یادگیری تحت نظارت انجام دهید،
1890
01:07:55,280 –> 01:07:56,880
به کسی نیاز دارید که واقعاً به
1891
01:07:56,880 –> 01:07:57,599
صورت
1892
01:07:57,599 –> 01:07:59,839
دستی آن برچسبها را برای آنها ایجاد کند. شما و دوباره
1893
01:07:59,839 –> 01:08:01,760
این یک چالش بزرگ
1894
01:08:01,760 –> 01:08:05,200
برای یادگیری ماشین از امروز است،
1895
01:08:05,200 –> 01:08:07,520
بنابراین امیدوارم که این به تمرین با
1896
01:08:07,520 –> 01:08:09,280
تمام این مفاهیم و اصطلاحات مهم کمک کند
1897
01:08:09,280 –> 01:08:10,319
زیرا
1898
01:08:10,319 –> 01:08:11,520
1899
01:08:11,520 –> 01:08:13,359
اگر سؤالی دارید در طول دوره به جلو از آنها استفاده
1900
01:08:13,359 –> 01:08:14,720
1901
01:08:14,720 –> 01:08:16,880
خواهم کرد. خوشحال می شوم در این درس کمک کنم و
1902
01:08:16,880 –> 01:08:21,679
توضیح بدهم، بیایید به درس بعدی
1903
01:08:22,839 –> 01:08:25,839
1904
01:08:28,158 –> 01:08:30,319
برویم، در این درس کوتاه بسیار هیجان زده هستم.
1905
01:08:30,319 –> 01:08:32,560
1906
01:08:32,560 –> 01:08:35,120
1907
01:08:35,120 –> 01:08:36,960
1908
01:08:36,960 –> 01:08:39,359
1909
01:08:39,359 –> 01:08:42,238
شما یک اکانت لایه رایگان دارید که
1910
01:08:42,238 –> 01:08:42,960
عالی است
1911
01:08:42,960 –> 01:08:44,719
و برای کل سال معتبر است
1912
01:08:44,719 –> 01:08:48,560
و حدود 750 ساعت
1913
01:08:48,560 –> 01:08:50,560
نمونه ec2 دارید و چیزهای دیگری وجود دارد
1914
01:08:50,560 –> 01:08:51,759
که در قسمت قبلی در مورد آنها صحبت کردم.
1915
01:08:51,759 –> 01:08:53,279
cture اما در اینجا من فقط می خواهم
1916
01:08:53,279 –> 01:08:56,158
برجسته کنم اجازه دهید ابتدا به
1917
01:08:56,158 –> 01:08:57,679
برگه بعدی در اینجا بروید،
1918
01:08:57,679 –> 01:09:00,080
بنابراین کاری که باید انجام دهید این است که به
1919
01:09:00,080 –> 01:09:01,600
amazon.com aml
1920
01:09:01,600 –> 01:09:04,560
pricing این آدرس اینترنتی است که می توانید ببینید
1921
01:09:04,560 –> 01:09:06,799
و در این صفحه فقط
1922
01:09:06,799 –> 01:09:09,520
برای یک یا دو لحظه من مایلم اشاره
1923
01:09:09,520 –> 01:09:11,120
کنم که شما فقط برای چیزی که استفاده می کنید هزینه می پردازید و
1924
01:09:11,120 –> 01:09:12,880
حداقل کارمزد و تعهدات اولیه وجود ندارد،
1925
01:09:12,880 –> 01:09:14,158
1926
01:09:14,158 –> 01:09:16,960
بنابراین قیمت گذاری به صورت زیر عمل می کند و شما
1927
01:09:16,960 –> 01:09:18,799
می توانید خودتان این را مطالعه کنید،
1928
01:09:18,799 –> 01:09:20,319
اما من می خواهم تأکید کنم که
1929
01:09:20,319 –> 01:09:23,279
تجزیه و تحلیل داده ها و مدل هزینههای ساختمان
1930
01:09:23,279 –> 01:09:26,158
آمازون از شما حدود 42 سنت سنت
1931
01:09:26,158 –> 01:09:27,040
آمریکا
1932
01:09:27,040 –> 01:09:30,640
در ساعت دریافت میکند و سپس همانطور که
1933
01:09:30,640 –> 01:09:31,520
1934
01:09:31,520 –> 01:09:33,759
با تحلیل دادهها و هزینههای ساخت مدل
1935
01:09:33,759 –> 01:09:35,120
1936
01:09:35,120 –> 01:09:37,600
برای پیشبینیهای دستهای پیش میروید، میبینید که 10
1937
01:09:37,600 –> 01:09:39,520
سنت در هزار
1938
01:09:39,520 –> 01:09:41,920
پیشبینی به 1000 پیشبینی بعدی و سپس
1939
01:09:41,920 –> 01:09:44,238
حدود 0.0001 است.
1940
01:09:44,238 –> 01:09:46,399
1941
01:09:46,399 –> 01:09:47,679
1942
01:09:47,679 –> 01:09:50,158
برای مثال،
1943
01:09:50,158 –> 01:09:51,679
میخواهم به این نکته توجه کنم که اگر میخواهید از یادگیری ماشین آمازون استفاده میکنید، فرض کنیم که از
1944
01:09:51,679 –> 01:09:53,120
یادگیری ماشینی آمازون برای کمک
1945
01:09:53,120 –> 01:09:55,280
به طبقهبندی خودکار محصولات در
1946
01:09:55,280 –> 01:09:56,480
کاتالوگ خود
1947
01:09:56,480 –> 01:09:58,640
با استفاده از توضیحات محصول استفاده میکنید. دادههای یونی بهعنوان
1948
01:09:58,640 –> 01:09:59,920
مجموعه آموزشی،
1949
01:09:59,920 –> 01:10:02,719
بنابراین در صورت 20 ساعت زمان محاسباتی
1950
01:10:02,719 –> 01:10:03,679
،
1951
01:10:03,679 –> 01:10:05,600
حدود هشت دلار و نه دلار
1952
01:10:05,600 –> 01:10:07,600
و غیره دریافت خواهید کرد، اگر از آن
1953
01:10:07,600 –> 01:10:09,199
برای هزینههای پیشبینی ماهانه
1954
01:10:09,199 –> 01:10:10,960
استفاده کنید، 89
1955
01:10:10,960 –> 01:10:13,600
و کل هزینه تقریباً حدود 100 خواهد بود. یک
1956
01:10:13,600 –> 01:10:14,960
ماه
1957
01:10:14,960 –> 01:10:17,120
با 20 ساعت زمان محاسباتی،
1958
01:10:17,120 –> 01:10:18,239
حدود
1959
01:10:18,239 –> 01:10:20,480
890000 پیشبینی دستهای، بنابراین
1960
01:10:20,480 –> 01:10:21,840
فقط میخواهم این را برجسته
1961
01:10:21,840 –> 01:10:23,440
کنم تا بدانید که اگر
1962
01:10:23,440 –> 01:10:25,040
از برخی از این آزمایشگاهها استفاده میکنید
1963
01:10:25,040 –> 01:10:27,600
یا تمرینهایی انجام میدهید یا پروژههای خود را انجام
1964
01:10:27,600 –> 01:10:29,920
میدهید، باید از هزینههای یادگیری ماشینی آگاه باشید
1965
01:10:29,920 –> 01:10:32,000
زیرا aws رایگان نیست،
1966
01:10:32,000 –> 01:10:34,320
بنابراین امیدوارم
1967
01:10:34,320 –> 01:10:35,760
اگر سوالی دارید در قسمت بحث پست
1968
01:10:35,760 –> 01:10:39,100
کنید، بیایید به درس بعدی
1969
01:10:39,100 –> 01:10:42,840
[موسیقی]
1970
01:10:42,840 –> 01:10:45,840
1971
01:10:45,920 –> 01:10:49,520
1972
01:10:49,520 –> 01:10:52,080
برویم.
1973
01:10:52,080 –> 01:10:53,440
کاری که باید انجام دهیم
1974
01:10:53,440 –> 01:10:55,840
این است که نگاهی به یک محیط توسعه یکپارچه بیندازیم، بنابراین ایده
1975
01:10:55,840 –> 01:10:57,199
1976
01:10:57,199 –> 01:11:00,000
python برای توسعه دهندگان حرفه ای
1977
01:11:00,000 –> 01:11:02,080
1978
01:11:02,080 –> 01:11:04,480
pycharm است، البته ما می توانیم از موارد
1979
01:11:04,480 –> 01:11:06,560
دیگر مانند eclipse ide
1980
01:11:06,560 –> 01:11:10,000
یا intellij و غیره استفاده کنیم
1981
01:11:10,000 –> 01:11:13,760
اما برای python pyc. ضرر خیلی خوب کار می کند، خوب،
1982
01:11:13,760 –> 01:11:16,320
بنابراین من می خواهم از pipe charm برای
1983
01:11:16,320 –> 01:11:17,600
حرکت رو به جلو استفاده کنم،
1984
01:11:17,600 –> 01:11:19,679
بنابراین شما باید به این
1985
01:11:19,679 –> 01:11:21,640
آدرس اینترنتی خاص
1986
01:11:21,640 –> 01:11:24,400
jetbrains.com pycharm اسلش رو به جلو بروید
1987
01:11:24,400 –> 01:11:27,440
تا نسخه خود را برای
1988
01:11:27,440 –> 01:11:31,520
ویندوزهای مک یا لینوکس دانلود کنید، بنابراین از
1989
01:11:31,520 –> 01:11:34,239
صفحه وب همه چیز را دانلود کنید. شما باید این کار را انجام دهید
1990
01:11:34,239 –> 01:11:35,440
فقط کافی است روی
1991
01:11:35,440 –> 01:11:37,040
دانلود کلیک کنید اکنون شما را به
1992
01:11:37,040 –> 01:11:39,440
صفحه ای می برد که به شما چند گزینه می دهد درست است
1993
01:11:39,440 –> 01:11:41,760
که می توانید pycharm را برای
1994
01:11:41,760 –> 01:11:43,280
ویندوز
1995
01:11:43,280 –> 01:11:46,400
مک یا لینوکس دانلود
1996
01:11:46,400 –> 01:11:48,400
کنید و در دو نوع کاملا
1997
01:11:48,400 –> 01:11:50,560
حرفه ای و
1998
01:11:50,560 –> 01:11:52,400
حرفه ای در جامعه موجود است البته می توانید
1999
01:11:52,400 –> 01:11:53,760
در صورت نیاز نسخه آزمایشی رایگان را دانلود کنید در
2000
01:11:53,760 –> 01:11:55,280
غیر این صورت همیشه می توانید
2001
01:11:55,280 –> 01:11:57,280
از نسخه جامعه که رایگان
2002
01:11:57,280 –> 01:11:58,560
و منبع باز است استفاده کنید،
2003
01:11:58,560 –> 01:12:00,159
بنابراین ما به
2004
01:12:00,159 –> 01:12:01,600
نسخه انجمن می مانیم، من روی دانلود اینجا کلیک می کنم
2005
01:12:01,600 –> 01:12:04,320
2006
01:12:04,320 –> 01:12:07,520
و این آخرین نسخه برای
2007
01:12:07,520 –> 01:12:09,920
pycharm است. من به پوشه ای می روم
2008
01:12:09,920 –> 01:12:12,560
که می خواهم
2009
01:12:12,560 –> 01:12:14,719
فایل اجرایی واقعی را در آن نگه دارم، بنابراین
2010
01:12:14,719 –> 01:12:15,679
2011
01:12:15,679 –> 01:12:18,880
یک پوشه جدید به نام pycharm ایجاد می کنم و
2012
01:12:18,880 –> 01:12:20,159
روی ذخیره کلیک
2013
01:12:20,159 –> 01:12:22,880
می کنم تا یک فایل 200 مگ باشد.
2014
01:12:22,880 –> 01:12:23,440
ذخیره شده است،
2015
01:12:23,440 –> 01:12:25,840
شما می توانید فرآیند نصب را به خوبی اجرا کنید،
2016
01:12:25,840 –> 01:12:26,800
2017
01:12:26,800 –> 01:12:28,960
بنابراین پس از دانلود تمام کاری که
2018
01:12:28,960 –> 01:12:30,800
باید انجام دهید فقط روی فایل اجرایی کلیک کنید
2019
01:12:30,800 –> 01:12:31,679
2020
01:12:31,679 –> 01:12:33,360
و این یک فایل مستقیم است، بنابراین
2021
01:12:33,360 –> 01:12:34,960
2022
01:12:34,960 –> 01:12:37,120
نصب نمودار دایره ای باید بسیار ساده باشد.
2023
01:12:37,120 –> 01:12:38,560
من فقط می خواستم به شما نشان دهم زیرا
2024
01:12:38,560 –> 01:12:39,840
ممکن است دانش آموزانی وجود داشته باشند
2025
01:12:39,840 –> 01:12:42,480
که بخواهند نصب pycharm را ببینند و قدم
2026
01:12:42,480 –> 01:12:44,159
بزنند
2027
01:12:44,159 –> 01:12:46,560
بنابراین کادر محاوره ای ظاهر می شود روی next کلیک کنید
2028
01:12:46,560 –> 01:12:49,520
این فقط یک صفحه خوش آمدگویی است
2029
01:12:49,520 –> 01:12:52,080
و در اینجا می توانید مکان
2030
01:12:52,080 –> 01:12:53,360
فایل های نصب را انتخاب کنید.
2031
01:12:53,360 –> 01:12:55,360
به طور پیشفرض، پوشه فایلهای برنامه
2032
01:12:55,360 –> 01:12:57,520
jetbrains را انتخاب میکند و سپس نسخه انجمن pycharm را
2033
01:12:57,520 –> 01:12:58,480
2034
01:12:58,480 –> 01:13:01,440
کلیک کنید فضای بعدی مورد نیاز فهرست شده است،
2035
01:13:01,440 –> 01:13:03,440
گزینههای نصب به شما اجازه
2036
01:13:03,440 –> 01:13:06,640
میدهد یک میانبر دسکتاپ برای یک
2037
01:13:06,640 –> 01:13:07,920
راهانداز 32 بیتی ایجاد کنید یا
2038
01:13:07,920 –> 01:13:10,640
64 بیتی را انتخاب کنید. بیت با استفاده از
2039
01:13:10,640 –> 01:13:12,159
ویندوز 10
2040
01:13:12,159 –> 01:13:14,960
در نمونه من، شما همچنین می توانید متغیر مسیر را به روز کنید
2041
01:13:14,960 –> 01:13:15,440
2042
01:13:15,440 –> 01:13:18,400
و این بسیار مهم است
2043
01:13:18,400 –> 01:13:20,640
زیرا به طور خودکار
2044
01:13:20,640 –> 01:13:23,040
به متغیرهای مسیر در ویندوز به روز
2045
01:13:23,040 –> 01:13:25,600
می شود، بنابراین شما ندارید. برای رفتن به صورت دستی و انجام آن،
2046
01:13:25,600 –> 01:13:28,880
همچنین می توانید افزودن پوشه باز را به عنوان
2047
01:13:28,880 –> 01:13:29,440
پروژه
2048
01:13:29,440 –> 01:13:31,679
در منوی زمینه خود انتخاب کنید و
2049
01:13:31,679 –> 01:13:32,960
پیوندهای
2050
01:13:32,960 –> 01:13:36,400
dot py ایجاد کنید، بنابراین هر زمان که فایل پایتون را برداشت یا دید،
2051
01:13:36,400 –> 01:13:39,120
در pycharm درست باز می شود،
2052
01:13:39,120 –> 01:13:41,120
بنابراین من از این استفاده می کنم.
2053
01:13:41,120 –> 01:13:44,719
همچنین روی next کلیک کنید و سپس نصب را انجام
2054
01:13:44,719 –> 01:13:45,280
2055
01:13:45,280 –> 01:13:47,760
دهید روی دکمه نمایش جزئیات کلیک کنید تا
2056
01:13:47,760 –> 01:13:49,840
بتوانید ببینید که در حال استخراج
2057
01:13:49,840 –> 01:13:53,040
همه فایل های
2058
01:13:53,040 –> 01:13:54,800
2059
01:13:54,800 –> 01:13:56,560
2060
01:13:56,560 –> 01:13:58,239
jar است.
2061
01:13:58,239 –> 01:14:01,199
بنابراین هنگامی که نصب pycharm
2062
01:14:01,199 –> 01:14:02,000
کامل شد
2063
01:14:02,000 –> 01:14:03,760
، چند گزینه را که اکنون راه اندازی مجدد کرده
2064
01:14:03,760 –> 01:14:05,280
اید یا می توانید
2065
01:14:05,280 –> 01:14:08,080
بعداً به صورت دستی راه اندازی مجدد کنید، بنابراین من
2066
01:14:08,080 –> 01:14:09,280
این گزینه را علامت زده می گذارم،
2067
01:14:09,280 –> 01:14:12,000
روی finish کلیک کنید و این کار
2068
01:14:12,000 –> 01:14:12,640
2069
01:14:12,640 –> 01:14:15,440
نصب pycharm را برای شما به پایان می رساند، بنابراین دوباره یک
2070
01:14:15,440 –> 01:14:17,199
اجرای تقریباً ساده
2071
01:14:17,199 –> 01:14:18,640
باید انجام شود. هیچ گزینه ای
2072
01:14:18,640 –> 01:14:20,320
ندارید، چه برای مک لینوکس
2073
01:14:20,320 –> 01:14:23,120
یا ویندوز بی نقص
2074
01:14:23,120 –> 01:14:24,400
نصب کنید، بنابراین پس از اتمام نصب،
2075
01:14:24,400 –> 01:14:26,840
می توانید به میانبر روی
2076
01:14:26,840 –> 01:14:28,000
دسکتاپ
2077
01:14:28,000 –> 01:14:30,000
یا نوار وظیفه خود بروید. آن را در
2078
01:14:30,000 –> 01:14:32,800
نوار وظیفه من در اینجا باز کنید و به سادگی
2079
01:14:32,800 –> 01:14:35,120
ایده pycharm را باز کنید و این
2080
01:14:35,120 –> 01:14:37,120
سیاست حفظ حریم خصوصی را نشان میدهد، من فقط
2081
01:14:37,120 –> 01:14:38,560
میروم و تأیید
2082
01:14:38,560 –> 01:14:41,120
میکنم که البته میتوانید در صورت نیاز به
2083
01:14:41,120 –> 01:14:42,560
کلیک روی ادامه کلیک کنید،
2084
01:14:42,560 –> 01:14:44,560
اشتراکگذاری داده اختیاری است در صورت تمایل برای
2085
01:14:44,560 –> 01:14:46,400
ارسال آمار استفاده
2086
01:14:46,400 –> 01:14:48,480
به طوری که اگر اتفاقی افتاد
2087
01:14:48,480 –> 01:14:50,719
یا اشکالی در ایده
2088
01:14:50,719 –> 01:14:53,280
برخی از افزونهها خراب شد، میتوانید آمار استفاده را ارسال کنید،
2089
01:14:53,280 –> 01:14:55,840
2090
01:14:55,840 –> 01:14:58,560
بنابراین میخواهم بگویم
2091
01:14:58,560 –> 01:15:00,080
کادر محاورهای بعدی ارسال نشود به من اجازه میدهد
2092
01:15:00,080 –> 01:15:00,960
2093
01:15:00,960 –> 01:15:03,760
pycharm را که میتوانم تنظیم کنم سفارشی کنم. تم رابط کاربری
2094
01:15:03,760 –> 01:15:05,280
چه
2095
01:15:05,280 –> 01:15:06,800
در سمت چپ باشد چه سمت
2096
01:15:06,800 –> 01:15:09,440
راست، بنابراین فقط به نیاز شما بستگی دارد
2097
01:15:09,440 –> 01:15:10,480
2098
01:15:10,480 –> 01:15:13,360
و من البته میتوانم از
2099
01:15:13,360 –> 01:15:14,960
باقیمانده صرفنظر کنم و پیشفرضها را تنظیم کنم
2100
01:15:14,960 –> 01:15:18,640
یا روی بعدی به عنوان افزونههای ویژه کلیک
2101
01:15:18,640 –> 01:15:21,920
کنم، بنابراین من میروم برای انتخاب تم روشن
2102
01:15:21,920 –> 01:15:22,840
در اینجا بسیار
2103
01:15:22,840 –> 01:15:26,000
خوب و سپس دوباره روی بعدی کلیک
2104
01:15:26,000 –> 01:15:28,320
کنید، من در حال بررسی این موضوع هستم تا
2105
01:15:28,320 –> 01:15:30,159
متوجه شوید که این اولین بار است
2106
01:15:30,159 –> 01:15:31,199
که می
2107
01:15:31,199 –> 01:15:33,120
توانید نگاهی به آن بیندازید، حتی اگر بخواهید
2108
01:15:33,120 –> 01:15:34,800
2109
01:15:34,800 –> 01:15:36,320
باقی مانده را رد کنید و پیش فرض ها را تنظیم کنید،
2110
01:15:36,320 –> 01:15:38,239
همیشه می توانید o این افزونهها را بعداً برگردانید و نصب کنید
2111
01:15:38,239 –> 01:15:41,360
تا افزونههای ویژه بارگیری
2112
01:15:41,360 –> 01:15:42,000
2113
01:15:42,000 –> 01:15:44,000
به شما امکان انجام کارهای اضافی
2114
01:15:44,000 –> 01:15:45,760
مانند پشتیبانی از زبان r را میدهد
2115
01:15:45,760 –> 01:15:46,800
پشتیبانی
2116
01:15:46,800 –> 01:15:49,120
از زبان علامتگذاری پشتیبانی bash
2117
01:15:49,120 –> 01:15:50,560
2118
01:15:50,560 –> 01:15:53,920
از ایده آنها پشتیبانی میکند که یک ویرایشگر است
2119
01:15:53,920 –> 01:15:55,920
که میتوانید اسکریپتها را در
2120
01:15:55,920 –> 01:15:58,560
آن بنویسید تا اگر شما نیاز دارید که همیشه می توانید اینها را نصب کنید،
2121
01:15:58,560 –> 01:16:00,080
2122
01:16:00,080 –> 01:16:02,560
بنابراین من می خواهم از نصب و فعال
2123
01:16:02,560 –> 01:16:03,600
کردن vim استفاده کنم،
2124
01:16:03,600 –> 01:16:06,159
همچنین پشتیبانی از bash خوب است، زیرا
2125
01:16:06,159 –> 01:16:08,080
اگر به عنوان مثال با لینوکس کار می کنید،
2126
01:16:08,080 –> 01:16:10,880
به خصوص با aws از طریق
2127
01:16:10,880 –> 01:16:12,960
ssh متصل می شوید، استفاده از آن
2128
01:16:12,960 –> 01:16:15,679
ها خوب است. شما بیشتر با زب