WEBVTT

00:00:02.870 --> 00:00:07.590
>> Geliştiricilere Tekrar Hoş Geldiniz
Veri Bilimine Giriş.

00:00:07.590 --> 00:00:09.450
Muhtemelen birçoğunuz zaten vardır

00:00:09.450 --> 00:00:12.120
geleneğe aşina
programlama mantığı.

00:00:12.120 --> 00:00:13.740
O zaman anlamaya çalışalım.

00:00:13.740 --> 00:00:15.360
yararlanarak makine öğrenme

00:00:15.360 --> 00:00:17.220
gelenek programlama mantığı.

00:00:17.220 --> 00:00:18.640
Bu bunun bir görüntüsü.

00:00:18.640 --> 00:00:20.670
bu nasıl farkı gösterir

00:00:20.670 --> 00:00:24.580
gelenek programlama oluşturulur
bir makine öğrenme modelikarşı.

00:00:24.580 --> 00:00:28.290
Geleneksel programlama kullanır
estetik program mantığı

00:00:28.290 --> 00:00:30.405
belirli çıktıları almak için.

00:00:30.405 --> 00:00:32.780
Statik sonuçlar,

00:00:32.780 --> 00:00:35.075
algoritmadaki program mantığı.

00:00:35.075 --> 00:00:37.130
Makine öğreniminiz
ve özellikle

00:00:37.130 --> 00:00:39.290
denetlenen bir makine öğreniminde,

00:00:39.290 --> 00:00:41.810
verileriniz var.

00:00:41.810 --> 00:00:44.090
özellikleri ve daha sonra var

00:00:44.090 --> 00:00:47.005
etiketleriniz olan çıktılarda kullanılır.

00:00:47.005 --> 00:00:50.720
Bu geçer
algoritma hesaplama

00:00:50.720 --> 00:00:52.820
ve model oluşturulur,

00:00:52.820 --> 00:00:55.460
biz temel ulaşabilirsiniz
düzey kullanıcı fonksiyonu kullanarak

00:00:55.460 --> 00:00:58.580
matematiksel bir fonksiyon
verilerle oluşturulur.

00:00:58.580 --> 00:01:02.375
Buna eğitim denir.
makine öğrenme modeli.

00:01:02.375 --> 00:01:06.710
Makine öğreniminde,
iki farklı kategoride,

00:01:06.710 --> 00:01:09.470
bir denetimli öğrenme denir

00:01:09.470 --> 00:01:12.635
ve diğeri
denetimsiz öğrenme.

00:01:12.635 --> 00:01:14.870
Denetimli, verdiğimiz anlamına gelir

00:01:14.870 --> 00:01:17.165
her iki veri örnekleri,

00:01:17.165 --> 00:01:19.280
tahmin etmek ve cevap için kullanabilirsiniz.

00:01:19.280 --> 00:01:22.070
Örneğin, bir köpek ya da bir kedi.

00:01:22.070 --> 00:01:25.130
Biz verecek
model etiket görüntüsü

00:01:25.130 --> 00:01:28.605
için bir özellik kategorisi
köpekler ve kediler için.

00:01:28.605 --> 00:01:32.445
Ona söylerdik.
Kedi ve köpek olan şey.

00:01:32.445 --> 00:01:36.600
O zaman model öğrenecekti.
sağlanan verilerin nasıl etiketlenebildiğini.

00:01:36.600 --> 00:01:40.760
Denetimli bir öğrenme,
için etiketlenmemiş bir veri kümesi vermek

00:01:40.760 --> 00:01:42.635
vermeden öğrenmek

00:01:42.635 --> 00:01:45.590
ne cevap
Öğrenmesini istiyoruz.

00:01:45.590 --> 00:01:49.295
Gördüğünüz gibi, altında
denetimli makine öğrenimi,

00:01:49.295 --> 00:01:52.460
iki yöntem vardır:
gerileme ve sınıflandırma.

00:01:52.460 --> 00:01:55.235
Denetimsiz altında iken
makine öğrenimi,

00:01:55.235 --> 00:01:57.845
üç farklı vardır
yöntemleri: kümeleme,

00:01:57.845 --> 00:02:00.905
anomali tespiti,
ve tavsiye.

00:02:00.905 --> 00:02:02.810
Şimdi biz biraz var

00:02:02.810 --> 00:02:05.210
ne anlama
makine öğrenimi,

00:02:05.210 --> 00:02:08.825
modele bakalım.
yüksek düzeyde inşa süreci.

00:02:08.825 --> 00:02:11.540
Gördüğünüz gibi, orada
dört ana aşamadır.

00:02:11.540 --> 00:02:14.090
Bir hazırlık olduğunu söyledik.
verilerinizi, modelinizi eğitmek,

00:02:14.090 --> 00:02:17.600
modelinizi test edin ve
modelinizi operasyonel hale getirir.

00:02:17.600 --> 00:02:18.875
Verilerinizi hazırlamak,

00:02:18.875 --> 00:02:21.305
Ve bu da bulmanız gereken bir aşama.

00:02:21.305 --> 00:02:22.985
bir veri seçmek ve oluşturmak,

00:02:22.985 --> 00:02:27.620
ön işleme tekniklerinin uygulanması
ve ayrıca verilerinizdeki boşlukları doldurun.

00:02:27.620 --> 00:02:33.455
Tren modeli,
modeli vermek zorunda

00:02:33.455 --> 00:02:36.590
belirli veriler, böylece
model bunu öğrenmek için gidiyor

00:02:36.590 --> 00:02:40.175
tahmin etmek için bu verilerden
gelecekte bir şey olarak.

00:02:40.175 --> 00:02:43.010
Bu çok yinelemeli bir görevdir

00:02:43.010 --> 00:02:45.990
çünkü gerekebilir
modeldeki verileri değiştirme

00:02:45.990 --> 00:02:48.560
olduğunu düşündüğünüze kadar

00:02:48.560 --> 00:02:52.190
iyi bir muhasebe verisi
üretim aşaması için.

00:02:52.190 --> 00:02:54.020
Test modeli, şimdi var

00:02:54.020 --> 00:02:57.200
olduğunu düşündüğünüz bir model
çok iyi bir performans sergileyecek,

00:02:57.200 --> 00:02:59.800
için test edebilirsiniz
yeni verileri tartın.

00:02:59.800 --> 00:03:01.980
Son olarak, modelinizi operasyonel hale alın.

00:03:01.980 --> 00:03:05.030
Şimdi operasyonelleşme zamanı.
modelinizi böylece

00:03:05.030 --> 00:03:09.360
itibaren tüketebilirsiniz
farklı uygulamalar.