WEBVTT

00:00:02.180 --> 00:00:07.505
>> Geliştiricilere tekrar hoş geldiniz
Veri Bilimine giriş.

00:00:07.505 --> 00:00:10.390
Şimdi daha fazla bilgi alalım.
nasıl seçebileceğiniz hakkında

00:00:10.390 --> 00:00:11.680
için en iyi model

00:00:11.680 --> 00:00:15.100
ile veri bilimi senaryonuz
otomatik makine öğrenimi.

00:00:15.100 --> 00:00:17.800
Anlamak
bir setin tahmin gücü

00:00:17.800 --> 00:00:20.420
saygı ile özellikleri
bağımlı bir değişkene,

00:00:20.420 --> 00:00:21.970
çok zor bir sorundur,

00:00:21.970 --> 00:00:23.770
ve evrensel bir metrik olmadığını

00:00:23.770 --> 00:00:26.155
bu da sana bunu nasıl yapacağınızı söyleyebilir.

00:00:26.155 --> 00:00:28.120
Yani sorunun cevabı,

00:00:28.120 --> 00:00:31.180
hangi algoritma
kullanımı her zaman, bağlıdır.

00:00:31.180 --> 00:00:33.400
Boyutuna, kalitesine,

00:00:33.400 --> 00:00:35.170
ve verilerinizin doğası,

00:00:35.170 --> 00:00:39.205
ne istediğinize bağlıdır
bu özel cevap ile yapmak.

00:00:39.205 --> 00:00:41.650
Son olarak, sorunun cevabı,

00:00:41.650 --> 00:00:45.119
hangi parametreleri kullanmalıyım
da çok zor.

00:00:45.119 --> 00:00:47.090
Bildiğiniz gibi, hiperparametreler

00:00:47.090 --> 00:00:50.435
daha yüksek seviye parametreleri
öğrenilemez

00:00:50.435 --> 00:00:53.030
kullanarak doğrudan verilerden

00:00:53.030 --> 00:00:56.215
degrade iniş veya diğer
optimizasyon algoritması.

00:00:56.215 --> 00:00:59.600
Onlar yapısal açıklar
bir model hakkında bilgi

00:00:59.600 --> 00:01:03.380
önce karar verilmelidir
bir model parametreleri uydurma.

00:01:03.380 --> 00:01:06.125
Model parametreleri ayarı
ve daha önce arama

00:01:06.125 --> 00:01:08.860
dayalı optimal parametreler değerleri

00:01:08.860 --> 00:01:13.065
öğrenme ve deneyim olabilir
aynı zamanda çok zaman alıcı olabilir.

00:01:13.065 --> 00:01:16.085
Farklı tahminciler
daha uygundur

00:01:16.085 --> 00:01:19.160
farklı veri türleri için
ve aynı zamanda farklı sorunlar.

00:01:19.160 --> 00:01:22.610
O kadar sık söyleyebilirim ki.
çözmenin en zor kısmı

00:01:22.610 --> 00:01:24.170
bir makine öğrenme sorunu olabilir

00:01:24.170 --> 00:01:27.175
doğru bulma
işiniz için tahminci.

00:01:27.175 --> 00:01:31.100
Bu yüzden sık sık kullanıyorum.
otomatik makine öğrenimi,

00:01:31.100 --> 00:01:34.070
hangi sürecidir
zaman alıcı otomatikleme

00:01:34.070 --> 00:01:37.295
ve makinenin yinelemeli görevi
öğrenme modeli geliştirme.

00:01:37.295 --> 00:01:41.510
Otomatik makine öğrenimi
belirsizliği dikkate alır,

00:01:41.510 --> 00:01:43.940
onların birleştiren
için olasılıksal model

00:01:43.940 --> 00:01:47.090
en iyi belirlenmesi
sonraki denemek için boru hattı.

00:01:47.090 --> 00:01:51.350
Bu yaklaşım,
otomatik makine öğrenme

00:01:51.350 --> 00:01:55.925
en umut verici keşfetmek
zaman kaybetmeden olanaklar.

00:01:55.925 --> 00:01:58.080
Şimdi, daha yakından bakalım.

00:01:58.080 --> 00:02:01.790
farklı otomatik
makine öğrenimi yetenekleri.

00:02:01.790 --> 00:02:04.670
Her şeyden önce, otomatik
ihtiyacınız olan makine öğrenimi

00:02:04.670 --> 00:02:08.255
makine öğrenimini tanımlama
çözmek istediğiniz sorun.

00:02:08.255 --> 00:02:11.914
Bunlar sınıflandırma olabilir,
tahmin veya gerileme.

00:02:11.914 --> 00:02:14.060
Sonra kaynağı belirtmeniz gerekir

00:02:14.060 --> 00:02:16.600
ve biçimi
eğitim verileri etiketlenmiştir.

00:02:16.600 --> 00:02:20.420
Bu NumPy olacak.
diziler veya Pandas DataFrame.

00:02:20.420 --> 00:02:22.640
Son olarak, yapılandırmanız gerekir

00:02:22.640 --> 00:02:25.055
bilgisayar hedefi
model eğitimi için,

00:02:25.055 --> 00:02:27.064
yerel bilgisayarınız gibi,

00:02:27.064 --> 00:02:30.380
Azure makine öğrenimi
bilgisayar, uzak VM,

00:02:30.380 --> 00:02:32.825
bu nedenle Azure Veri Tuğlalarımız, örneğin,

00:02:32.825 --> 00:02:35.240
ve eğitim sırasında
Azure Makine Öğrenimi

00:02:35.240 --> 00:02:37.700
temelde bir dizi hizmet

00:02:37.700 --> 00:02:42.635
denemek paralel olmayan boru hatları
farklı algoritmalar ve parametreler.

00:02:42.635 --> 00:02:45.140
Sadece bir kere çarptığında duracak.

00:02:45.140 --> 00:02:49.345
çıkış kriterleri
deneyde tanımlayın.

00:02:49.345 --> 00:02:54.330
AutoMLConfig sınıfı temsil eder
göndermek için bir yapılandırma

00:02:54.330 --> 00:02:56.500
otomatik bir makine öğrenimi

00:02:56.500 --> 00:02:59.310
Azure Machine Learning'de denemeler.

00:02:59.310 --> 00:03:02.710
Bu yapılandırma nesnesi
içerir ve devam eder

00:03:02.710 --> 00:03:06.245
yapılandırma parametreleri
etrafında deney,

00:03:06.245 --> 00:03:10.145
yanı sıra eğitim verileri
çalışma saatinde kullanılması gerekir.

00:03:10.145 --> 00:03:14.070
Daha fazla bilgi için lütfen bkz.
aka.ms/AutoMLConfig-Class.