در این مطلب، ویدئو آیا این بهترین کتاب در زمینه یادگیری ماشینی است؟ بررسی Hands On Machine Learning با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:05:31
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:05,480 –> 00:00:08,340
بسیار خوب، پس من می خواهم این کتاب را به شما نشان دهم
2
00:00:08,340 –> 00:00:10,139
این کتاب یادگیری ماشینی با
3
00:00:10,139 –> 00:00:11,280
یادگیری روانی تنسورفلو،
4
00:00:11,280 –> 00:00:13,590
زیرا ممکن است بهترین
5
00:00:13,590 –> 00:00:16,529
کتاب عملی در مورد یادگیری ماشینی باشد که
6
00:00:16,529 –> 00:00:19,650
تا به حال دیده ام، اگر می خواهید بدانید چرا
7
00:00:19,650 –> 00:00:21,810
فکر می کنم به تماشای آن ادامه دهید و ما
8
00:00:21,810 –> 00:00:27,210
نگاهی دقیقتر بیندازم، میدانم که
9
00:00:27,210 –> 00:00:29,039
گفتن اینکه فکر میکنم این
10
00:00:29,039 –> 00:00:31,410
بهترین کتاب در مورد یادگیری ماشینی است
11
00:00:31,410 –> 00:00:33,630
که بهترین کتاب عملی وجود دارد، واقعاً بازی بزرگی است، اما میخواهم
12
00:00:33,630 –> 00:00:35,370
دلیل آن را توضیح دهم، بنابراین بیایید نگاهی به
13
00:00:35,370 –> 00:00:37,380
فهرست مطالب بیندازیم و فقط ببینید چه چیزی در آن
14
00:00:37,380 –> 00:00:38,969
وجود دارد منظورم این است که
15
00:00:38,969 –> 00:00:41,010
برای شروع شانزده فصل وجود دارد و همچنین
16
00:00:41,010 –> 00:00:42,960
e-های متکی نیز وجود دارد، اما فصل یک
17
00:00:42,960 –> 00:00:45,930
پیشینه
18
00:00:45,930 –> 00:00:47,640
یادگیری ماشین را به شما می دهد و به شما توضیح می دهد که
19
00:00:47,640 –> 00:00:49,379
یادگیری ماشین چیست که چرا استفاده می شود و چگونه از آن
20
00:00:49,379 –> 00:00:52,020
استفاده می شود و سپس یک بار. شما این کار را انجام
21
00:00:52,020 –> 00:00:54,690
دادید وقتی آن فصل دو را خواندید و
22
00:00:54,690 –> 00:00:56,010
قبلاً وارد یک پروژه شده اید، اکنون یک پروژه یادگیری ماشینی تمام عیار وجود دارد،
23
00:00:56,010 –> 00:00:58,079
24
00:00:58,079 –> 00:01:00,030
اگر قبلاً این کانال را تماشا کرده
25
00:01:00,030 –> 00:01:02,070
باشید، می دانید که فکر می کنم چقدر مهم است.
26
00:01:02,070 –> 00:01:04,110
انجام پروژه ها در ord برای یادگیری این
27
00:01:04,110 –> 00:01:05,850
موارد و فصل دوم شما تازه
28
00:01:05,850 –> 00:01:08,369
شروع کرده اید و پروژه ای برای کار دارید
29
00:01:08,369 –> 00:01:10,619
و شما را گام به گام
30
00:01:10,619 –> 00:01:12,630
در پروژه طی می کند تا بدانید در مورد
31
00:01:12,630 –> 00:01:15,570
کار با داده ها و نحوه دریافت داده صحبت می کند.
32
00:01:15,570 –> 00:01:17,520
و نحوه تمیز کردن داده ها و نحوه
33
00:01:17,520 –> 00:01:19,920
تجسم داده های خود و سپس مدل
34
00:01:19,920 –> 00:01:21,420
سازی داده ها و در پایان تمرین هایی وجود دارد که
35
00:01:21,420 –> 00:01:23,880
می دانید که
36
00:01:23,880 –> 00:01:25,439
شما را کمی به چالش می کشد و
37
00:01:25,439 –> 00:01:27,259
راه حل هایی وجود دارد که فصل سوم
38
00:01:27,259 –> 00:01:29,700
طبقه بندی در مورد
39
00:01:29,700 –> 00:01:31,590
انواع طبقه بندی صحبت می کند. فصل چهارم
40
00:01:31,590 –> 00:01:33,600
مدلهای آموزشی البته
41
00:01:33,600 –> 00:01:35,759
نزول گرادیان رگرسیون خطی را پوشش میدهد که
42
00:01:35,759 –> 00:01:37,439
رگرسیون لجستیک را پوشش میدهد و
43
00:01:37,439 –> 00:01:39,390
سپس تمرینهایی در پایان
44
00:01:39,390 –> 00:01:41,790
فصل پنجم وجود دارد که ماشینهای بردار پشتیبان هستند
45
00:01:41,790 –> 00:01:44,070
و این همان داستان است که
46
00:01:44,070 –> 00:01:46,049
به بخشهای کوچک تقسیم
47
00:01:46,049 –> 00:01:47,970
میشوند، کدهایی نیز وجود دارد. اما شما را به
48
00:01:47,970 –> 00:01:50,850
نحوه کارکرد همه اینها راهنمایی می کند فصل
49
00:01:50,850 –> 00:01:52,890
شش درخت تصمیم فصل هفت
50
00:01:52,890 –> 00:01:54,750
مجموعه یادگیری و جنگل های تصادفی
51
00:01:54,750 –> 00:01:56,640
فصل هشت کاهش ابعاد
52
00:01:56,640 –> 00:01:58,710
که 8 درجه است از شانزده فصل و
53
00:01:58,710 –> 00:02:00,210
ما در حال حاضر در حال کاهش ابعاد هستیم
54
00:02:00,210 –> 00:02:03,299
و سپس قسمت دوم همه چیز در مورد
55
00:02:03,299 –> 00:02:05,490
شبکه های عصبی و یادگیری عمیق است، اما
56
00:02:05,490 –> 00:02:07,829
نه تنها این که به شما نشان می دهد چگونه این کار را
57
00:02:07,829 –> 00:02:09,660
با جریان تانسور جریان تانسور انجام دهید
58
00:02:09,660 –> 00:02:11,250
ضروری است اگر می خواهید بتوانید این کار را انجام
59
00:02:11,250 –> 00:02:11,530
60
00:02:11,530 –> 00:02:13,209
دهید و قسمت اول
61
00:02:13,209 –> 00:02:15,069
فصل اول قسمت دوم همه چیز در مورد نحوه
62
00:02:15,069 –> 00:02:16,000
استفاده از tensorflow
63
00:02:16,000 –> 00:02:17,650
در فصل 10 است، مقدمه ای بر
64
00:02:17,650 –> 00:02:20,140
شبکه های عصبی مصنوعی فصل 11
65
00:02:20,140 –> 00:02:22,540
آموزش شبکه های عصبی عمیق فصل 12
66
00:02:22,540 –> 00:02:24,850
توزیع تانسور جریان در دستگاه ها
67
00:02:24,850 –> 00:02:26,470
و سرورها است که اگر بخواهید برای انجام این کار به
68
00:02:26,470 –> 00:02:28,900
روشی عملی
69
00:02:28,900 –> 00:02:30,700
میدانید که باید بدانید چگونه این کار را انجام دهید و سپس
70
00:02:30,700 –> 00:02:32,110
به سمت
71
00:02:32,110 –> 00:02:33,760
72
00:02:33,760 –> 00:02:35,980
رمزگذارهای خودکار شبکههای عصبی کانولوشنال حرکت میکنید و سپس حتی
73
00:02:35,980 –> 00:02:38,140
فصلی در مورد یادگیری تقویتی وجود دارد،
74
00:02:38,140 –> 00:02:41,350
نه همه انواع کتابها این نوع
75
00:02:41,350 –> 00:02:43,239
آموزش تقویتی را پوشش میدهد و سپس ضمیمههایی را
76
00:02:43,239 –