WEBVTT

00:00:02.870 --> 00:00:07.590
>> Willkommen zurück bei Entwicklern
Einführung in Data Science.

00:00:07.590 --> 00:00:09.450
Wahrscheinlich sind viele von euch schon

00:00:09.450 --> 00:00:12.120
mit der Tradition vertraut
Programmierlogik.

00:00:12.120 --> 00:00:13.740
Lassen Sie uns also versuchen zu verstehen,

00:00:13.740 --> 00:00:15.360
das maschinelle Lernen bei der

00:00:15.360 --> 00:00:17.220
die traditionelle Programmierlogik.

00:00:17.220 --> 00:00:18.640
Das ist ein Bild davon,

00:00:18.640 --> 00:00:20.670
die Ihnen den Unterschied in der

00:00:20.670 --> 00:00:24.580
Traditionsprogrammierung entsteht
im Vergleich zu einem Machine Learning-Modell.

00:00:24.580 --> 00:00:28.290
Herkömmliche Programmieranwendungen
ästhetisch programmierende Logik

00:00:28.290 --> 00:00:30.405
, um die spezifischen Ausgänge zu erhalten.

00:00:30.405 --> 00:00:32.780
Statische Ergebnisse werden basierend auf

00:00:32.780 --> 00:00:35.075
die Programmlogik im Algorithmus.

00:00:35.075 --> 00:00:37.130
Ihr maschinelles Lernen
und speziell

00:00:37.130 --> 00:00:39.290
in einem überwachten maschinellen Lernen,

00:00:39.290 --> 00:00:41.810
Sie haben Ihre Daten, die

00:00:41.810 --> 00:00:44.090
Ihre Funktionen und dann haben Sie

00:00:44.090 --> 00:00:47.005
in Ausgängen, die Ihre Etiketten sind.

00:00:47.005 --> 00:00:50.720
Das geht durch die
Algorithmusberechnung

00:00:50.720 --> 00:00:52.820
und das Modell erstellt wird,

00:00:52.820 --> 00:00:55.460
können wir an die grundlegenden
Level-Benutzerfunktion mit

00:00:55.460 --> 00:00:58.580
eine mathematische Funktion
mit den Daten erstellt werden.

00:00:58.580 --> 00:01:02.375
Dies wird als Training Ihrer
Maschinelles Lernmodell.

00:01:02.375 --> 00:01:06.710
Im maschinellen Lernen gibt es
sind zwei verschiedene Kategorien,

00:01:06.710 --> 00:01:09.470
man wird überwachtes Lernen genannt

00:01:09.470 --> 00:01:12.635
und die andere ist
unbeaufsichtigtes Lernen.

00:01:12.635 --> 00:01:14.870
Beaufsichtigt bedeutet, dass wir

00:01:14.870 --> 00:01:17.165
die Beispiele für beide Daten,

00:01:17.165 --> 00:01:19.280
verwenden, um vorherzusagen und die Antwort.

00:01:19.280 --> 00:01:22.070
Zum Beispiel ist ein Hund oder ist eine Katze.

00:01:22.070 --> 00:01:25.130
Wir werden die
Modell-Tag-Bild von

00:01:25.130 --> 00:01:28.605
eine Feature-Kategorie für
Hunde und für Katzen.

00:01:28.605 --> 00:01:32.445
Wir würden ihm sagen,
was ist eine Katze und ein Hund ist.

00:01:32.445 --> 00:01:36.600
Dann würde das Modell lernen
wie die bereitgestellten Daten getagt werden.

00:01:36.600 --> 00:01:40.760
Ein überwachtes Lernen ist, wenn wir
geben Sie ihm ein nicht markiertes Dataset an

00:01:40.760 --> 00:01:42.635
lernen, ohne es zu geben

00:01:42.635 --> 00:01:45.590
die Antwort auf das, was
wir wollen, dass es lernt.

00:01:45.590 --> 00:01:49.295
Wie Sie sehen können, unter der
überwachtes maschinelles Lernen,

00:01:49.295 --> 00:01:52.460
Es gibt zwei Methoden:
Regression und Klassifizierung.

00:01:52.460 --> 00:01:55.235
Während unter der unbeaufsichtigten
maschinelles Lernen,

00:01:55.235 --> 00:01:57.845
es gibt drei verschiedene
Methoden: Clustering,

00:01:57.845 --> 00:02:00.905
Anomalieerkennung,
und Empfehlung.

00:02:00.905 --> 00:02:02.810
Jetzt, da wir ein wenig

00:02:02.810 --> 00:02:05.210
Verständnis dessen, was
maschinelles Lernen ist,

00:02:05.210 --> 00:02:08.825
Schauen wir uns das Modell an
Bauprozess auf hohem Niveau.

00:02:08.825 --> 00:02:11.540
Wie Sie sehen können, gibt es
sind vier Hauptstufen.

00:02:11.540 --> 00:02:14.090
Wir sagten, es gibt eine Vorbereitung
Ihre Daten, trainieren Sie Ihr Modell,

00:02:14.090 --> 00:02:17.600
Testen Sie Ihr Modell und
Ihr Modell operationalisieren.

00:02:17.600 --> 00:02:18.875
A bereiten Sie Ihre Daten vor,

00:02:18.875 --> 00:02:21.305
und dies ist eine Phase, die Sie finden müssen,

00:02:21.305 --> 00:02:22.985
wählen und erstellen Sie eine Daten,

00:02:22.985 --> 00:02:27.620
Anwendung von Vorverarbeitungstechniken
und füllen Sie auch Lücken in Ihren Daten.

00:02:27.620 --> 00:02:33.455
Das Zugmodell bedeutet, dass
Sie müssen Ihr Modell geben

00:02:33.455 --> 00:02:36.590
spezifische Daten, so dass Ihre
Modell wird es lernen

00:02:36.590 --> 00:02:40.175
aus diesen Daten, um
als etwas in der Zukunft.

00:02:40.175 --> 00:02:43.010
Dies ist eine sehr iterative Aufgabe

00:02:43.010 --> 00:02:45.990
weil Sie möglicherweise
Ändern der Daten im Modell

00:02:45.990 --> 00:02:48.560
bis Sie denken, dass Sie

00:02:48.560 --> 00:02:52.190
gute Buchhaltungsdaten
für die Produktionsstufe.

00:02:52.190 --> 00:02:54.020
Testmodell, jetzt, da Sie

00:02:54.020 --> 00:02:57.200
ein Modell, von dem Sie denken, dass es
sehr gut abschneiden,

00:02:57.200 --> 00:02:59.800
Sie können es testen, um
die neuen Daten wiegen.

00:02:59.800 --> 00:03:01.980
Schließlich können Sie Ihr Modell operationalisieren.

00:03:01.980 --> 00:03:05.030
Jetzt ist es an der Zeit,
Ihr Modell, so dass Sie

00:03:05.030 --> 00:03:09.360
kann es von
unterschiedlichen Anwendungen.