WEBVTT

00:00:03.200 --> 00:00:08.100
>> Geliştiricilere tekrar hoş geldiniz
veri bilimine giriş.

00:00:08.100 --> 00:00:12.510
Yaygın bir soru gösteriyor ki
birçok müşteri, geliştirici,

00:00:12.510 --> 00:00:15.030
ama aynı zamanda veri bilim adamları bana sormak,

00:00:15.030 --> 00:00:18.690
hangi makine öğrenimi
algoritma kullanmalıyım?

00:00:18.690 --> 00:00:24.465
Her zaman cevap veririm, duruma göre değişir.
birçok farklı faktöre göre.

00:00:24.465 --> 00:00:27.300
Ama en önemlisi,
seçtiğiniz algoritma bağlıdır

00:00:27.300 --> 00:00:30.750
bir yönüyle
veri bilimi senaryosu.

00:00:30.750 --> 00:00:32.880
Ne yapmak istiyorsun?
verilerinizle mi?

00:00:32.880 --> 00:00:36.515
Bu en önemli sorular
Kendine sormalısın.

00:00:36.515 --> 00:00:39.200
Özellikle, başka bir
önemli bir soru,

00:00:39.200 --> 00:00:41.870
iş nedir
istediğiniz sorular

00:00:41.870 --> 00:00:45.305
öğrenerek cevap
geçmiş verilerinden mi?

00:00:45.305 --> 00:00:48.679
Makine öğreniminin birçok
farklı algoritmalar,

00:00:48.679 --> 00:00:51.740
ve her farklı algoritma
başaramanıza yardımcı olabilir

00:00:51.740 --> 00:00:55.200
farklı bir hedef ve cevap
farklı bir soru.

00:00:55.200 --> 00:00:57.615
Şunlardan bir bakalım.

00:00:57.615 --> 00:01:01.755
İlki tahmin etmek.
farklı kategoriler arasında.

00:01:01.755 --> 00:01:04.940
Burada iki farklı var
yöntem türleri,

00:01:04.940 --> 00:01:07.160
ve biz iki sınıf var
Sınıflandırma

00:01:07.160 --> 00:01:08.960
hangi cevap harika

00:01:08.960 --> 00:01:12.315
olan soru
iki seçenekli sorular,

00:01:12.315 --> 00:01:15.150
Evet ya da hayır gibi, doğru ya da yanlış.

00:01:15.150 --> 00:01:18.545
Sonra var
çok sınıflı sınıflandırma,

00:01:18.545 --> 00:01:21.110
hangi cevap harika
karmaşık sorular

00:01:21.110 --> 00:01:24.355
birden fazla olası seçenek ile.

00:01:24.355 --> 00:01:27.560
Ayrıca makine kullanabilirsiniz
verilerinizde öğrenme

00:01:27.560 --> 00:01:30.405
verilerinizdeki ortakları keşfedin.

00:01:30.405 --> 00:01:32.450
Burada üç farklı türü var

00:01:32.450 --> 00:01:34.805
tavsiye edenler gibi bir yöntem,

00:01:34.805 --> 00:01:37.400
ne tahmin de harika

00:01:37.400 --> 00:01:40.220
birisi ilgilenecek
içinde, gelecekte.

00:01:40.220 --> 00:01:46.085
Kümeleme ayırma da harika
gruplara benzer veri noktaları.

00:01:46.085 --> 00:01:50.030
Son olarak, anomali tespiti,
hangi de harika

00:01:50.030 --> 00:01:55.450
tanımlama ve tahmin etme
nadir veya sıradışı veri noktaları.

00:01:55.450 --> 00:01:58.715
Yapabileceğiniz başka bir şey daha
verileriniz ile aslında

00:01:58.715 --> 00:02:02.405
ne anlama
görüntü sunuyor,

00:02:02.405 --> 00:02:05.045
ve aynı zamanda anlayış
doğal dil.

00:02:05.045 --> 00:02:08.960
Burada böyle yöntemler var
görüntü sınıflandırması olarak,

00:02:08.960 --> 00:02:13.130
bu tanımlamak mümkün
sinir ağları ile görüntü.

00:02:13.130 --> 00:02:16.325
Ayrıca metin analitiği, bu yapabiliyor

00:02:16.325 --> 00:02:20.660
yüksek kaliteli türetilmiştir
metinden bilgi.

00:02:20.660 --> 00:02:23.150
Son olarak, eğer tahmin etmek gerekiyorsa

00:02:23.150 --> 00:02:26.285
dayalı sonuçlar
değerler arasındaki ilişki,

00:02:26.285 --> 00:02:29.930
farklı bir kullanabilirsiniz
gerileme yöntemi türü.

00:02:29.930 --> 00:02:34.310
Gerileme ile, sen
genellikle tarafından tahmin yapma

00:02:34.310 --> 00:02:39.580
ilişkiyi tahmin etme
değerleriniz arasında.

00:02:39.580 --> 00:02:44.715
Bu özel kullanım örneği için
Sara'nın çözmeye çalıştığı,

00:02:44.715 --> 00:02:46.980
Bence tahmin etmeliyiz.

00:02:46.980 --> 00:02:50.395
kaç bisiklet olacak
önümüzdeki bir saat içinde kiralanacak.

00:02:50.395 --> 00:02:53.660
Ben gerçekten düşünüyorum
tahmin, en önemlisi,

00:02:53.660 --> 00:02:58.460
regresyon doğru yöntemdir
kullanmamız gerektiğini çünkü

00:02:58.460 --> 00:03:00.620
gerçekten bir sonuç tahmin etmek istiyorum

00:03:00.620 --> 00:03:04.290
ilişkiye dayalı
değerleri arasında.