Welcome to this free online class o

Welcome to this free online class on
machine learning. Machine learning is one
of the most exciting recent technologies.
And in this class, you learn about the
state of the art and also gain practice
implementing and deploying these algorithms
yourself. You've probably use a learning
algorithm dozens of times a day without
knowing it. Every time you use a web
search engine like Google or Bing to
search the internet, one of the reasons
that works so well is because a learning
algorithm, one implemented by Google or
Microsoft, has learned how to rank web
pages. Every time you use Facebook or
Apple's photo typing application and it
recognizes your friends' photos, that's
also machine learning. Every time you read
your email and your spam filter saves you
from having to wade through tons of spam
email, that's also a learning algorithm.
For me one of the reasons I'm excited is
the AI dream of someday building machines
as intelligent as you or me. We're a long
way away from that goal, but many AI
researchers believe that the best way to
towards that goal is through learning
algorithms that try to mimic how the human
brain learns. I'll tell you a little bit
about that too in this class. In this
class you learn about state-of-the-art
machine learning algorithms. But it turns
out just knowing the algorithms and
knowing the math isn't that much good if
you don't also know how to actually get
this stuff to work on problems that you
care about. So, we've also spent a lot
of time developing exercises for you to
implement each of these algorithms and
see how they work fot yourself. So why is
machine learning so prevalent today?
It turns out that machine learning is a
field that had grown out of the field of
AI, or artificial intelligence. We wanted
to build intelligent machines and it turns
out that there are a few basic things that
we could program a machine to do such as
how to find the shortest path from A to B.
But for the most part we just did not know
how to write AI programs to do the more
interesting things such as web search or
photo tagging or email anti-spam. There
was a realization that the only way to do
these things was to have a machine learn
to do it by itself. So, machine learning
was developed as a new capability for
computers and today it touches many
segments of industry and basic science.
For me, I work on machine learning and
in a typical week I might end up talking to
helicopter pilots, biologists, a bunch
of computer systems people (so my
colleagues here at Stanford) and averaging
two or three times a week I get email from
people in industry from Silicon Valley
contacting me who have an interest in
applying learning algorithms to their own
problems. This is a sign of the range of
problems that machine learning touches.
There is autonomous robotics, computational
biology, tons of things in Silicon Valley
that machine learning is having an impact
on. Here are some other examples of
machine learning. There's database mining.
One of the reasons machine learning has so
pervaded is the growth of the web and the
growth of automation All this means that
we have much larger data sets than ever
before. So, for example tons of Silicon
Valley companies are today collecting web
click data, also called clickstream data,
and are trying to use machine learning
algorithms to mine this data to understand
the users better and to serve the users
better, that's a huge segment of
Silicon Valley right now. Medical
records. With the advent of automation, we
now have electronic medical records, so if
we can turn medical records into medical
knowledge, then we can start to understand
disease better. Computational biology.
With automation again, biologists are
collecting lots of data about gene
sequences, DNA sequences, and so on, and
machines running algorithms are giving us
a much better understanding of the human
genome, and what it means to be human.
And in engineering as well, in all fields of
engineering, we have larger and larger,
and larger and larger data sets, that
we're trying to understand using learning
algorithms. A second range of machinery
applications is ones that we cannot
program by hand. So for example, I've
worked on autonomous helicopters for many
years. We just did not know how to write a
computer program to make this helicopter
fly by itself. The only thing that worked
was having a computer learn by itself how
to fly this helicopter. [Helicopter whirling]
Handwriting recognition. It turns out one
of the reasons it's so inexpensive today to
route a piece of mail across the
countries, in the US and internationally,
is that when you write an envelope like
this, it turns out there's a learning
algorithm that has learned how to read your
handwriting so that it can automatically
route this envelope on its way, and so it
costs us a few cents to send this thing
thousands of miles. And in fact if you've
seen the fields of natural language
processing or computer vision,
these are the fields of AI pertaining to
understanding language or understanding
images. Most of natural language processing
and most of computer vision today is
applied machine learning. Learning
algorithms are also widely used for self-
customizing programs. Every time you go to
Amazon or Netflix or iTunes Genius, and it
recommends the movies or products and
music to you, that's a learning algorithm.
If you think about it they have million
users; there is no way to write a million
different programs for your million users.
The only way to have software give these
customized recommendations is to become
learn by itself to customize itself to
your preferences. Finally learning
algorithms are being used today to
understand human learning and to
understand the brain. We'll talk about
how researches are using this to make
progress towards the big AI dream. A few
months ago, a student showed me an article
on the top twelve IT skills. The skills
that information technology hiring
managers cannot say no to. It was a
slightly older article, but at the top of
this list of the twelve most desirable IT
skills was machine learning. Here at
Stanford, the number of recruiters
that contact me asking if I know any
graduating machine learning students
is far larger than the machine learning
students we graduate each year. So I
think there is a vast, unfulfilled demand
for this skill set, and this is a great time to
be learning about machine learning, and I
hope to teach you a lot about machine
learning in this class. In the next video,
we'll start to give a more formal
definition of what is machine learning.
And we'll begin to talk about the main
types of machine learning problems and
algorithms. You'll pick up some of the
main machine learning terminology, and
start to get a sense of what are the
different algorithms, and when each one
might be appropriate.

ผลลัพธ์ (เปอร์เซีย) 1:

خوش آمدید به این کلاس آنلاین رایگان در تاریخیادگیری ماشینی. یادگیری ماشینی استفن آوری های جدید هیجان انگیز ترین.و در این کلاس شما در مورد یادگیریدولت از هنر و همچنین افزایش عملکردپیاده سازی و استقرار این الگوریتمخودتان. شما احتمالا ام استفاده یادگیریالگوریتم دهها بار در روز بدوندانستن آن. هر زمان به شما استفاده از وبموتور های جستجو مانند گوگل یا بینگ بهجستجو در اینترنت یکی از دلایلکه با این نسخهها کار خوبی است زیرا یادگیریالگوریتم، یکی از اجرا توسط گوگل یامایکروسافت، یاد گرفتم چگونه برای رتبه بندی وبصفحات. هر بار که شما با استفاده از فیس بوک یااپل نرم افزار های تایپ و آن عکسعکس های دوستان خود را به رسمیت می شناسد کههمچنین یادگیری ماشین. هر بار که شما به عنوان خوانده شدهایمیل و فیلتر هرزنامه خود را صرفه جویی شمااز داشتن از طریق تن اسپم ویدایمیل که آن نیز یک الگوریتم یادگیری.برای من یکی از دلایل من هیجان زده استرویای هوش مصنوعی روزی ساختمان ماشین آلاتهوشمند به شما و یا من. طولانی می کنیمراه دور از آن هدف است، اما بسیاری از هوش مصنوعیمحققان بر این باورند که بهترین راه براینسبت به این هدف از طریق یادگیری استالگوریتم های که سعی به تقلید چگونه انسانمغز یاد می گیرد. من شما را به کمیکه بیش از حد در این کلاس. در اینکلاس آشنایی شما با دولت از هنرالگوریتم های یادگیری ماشین. اما به نظر می رسدرتبهٔ فقط دانستن الگوریتم ودانستن ریاضی که اگر خیلی خوب نیستشما نیز نمی دانید که چگونه می توانید واقعاین مسائل به کار بر روی مشکلات که شمادر مورد مراقبت. بنابراین، ما همچنین بسیار برداز زمان توسعه ورزش برای شما بههر یک از این الگوریتم های پیاده سازی وببینید چگونه fot خود کار می کنند. پس چرا استدستگاه یادگیری آنقدر شایع امروز?این تبدیل کرد که ماشین یادگیریمیدان که از زمینه های رشد کرده بودهوش مصنوعی یا هوش مصنوعی. ما می خواستیمبرای ساخت ماشین های هوشمند و آن تبدیل می شودکه چند چیز اساسی وجود دارد کهما می تواند یک ماشین را مانند برنامهچگونه برای پیدا کردن کوتاهترین مسیر از A تا B.اما در اکثر موارد ما فقط نمی دانستمچگونه برای نوشتن برنامه های هوش مصنوعی برای انجام کار بیشترهمه چیز از جمله وب جستجو جالب یانشان کردن در عکس یا ایمیل ضد هرزنامه. وجودتحقق است که تنها راه برای انجاماین چیزها بود به یادگیری ماشینبرای این کار به خودی خود. بنابراین، یادگیری ماشینیبه عنوان قابلیت های جدید برای توسعه داده شدرایانه ها و امروز آن بسیاری را لمسبخش صنعت و علوم پايه.برای من، من کار در یادگیری ماشین ودر هفته معمولی من صحبت کردن ممکن است در نهایتخلبانان هلیکوپتر، زیست شناسان، دستهاز کامپیوتر سیستم های مردم (بنابراین منهمکاران اینجا در دانشگاه استنفورد) و به طور متوسطدو یا سه بار در هفته که من دریافت ایمیل ازمردم در صنعت از دره سیلیکونتماس با من که علاقه دراستفاده از الگوریتم های یادگیری به خودمشکلات. این نشانه ای از محدوده استمشکلات که لمس یادگیری ماشینی.رباتیک مستقل و محاسباتی استزیست شناسی، تن چیزهایی در سیلیکون ولییادگیری ماشینی این است که با داشتن تاثیردر. برخی از نمونه های دیگر از اینجایادگیری ماشینی. معدن پایگاه داده وجود دارد.یکی از دلایل یادگیری ماشینی استpervaded رشد وب است ورشد این بدان معناست که به طور خودکارمجموعه داده های بسیار بزرگتر از همیشه حاضرقبل از. بنابراین، برای مثال تن سیلیکونولی شرکت های امروز وب در حال جمع آوریداده ها نیز به نام اطلاعات clickstream را کلیک کنیدو سعی در استفاده از یادگیری ماشینیالگوریتم به معدن این اطلاعات را به درککاربران بهتر و به خدمت کاربرانبهتر است که بخش عظیمی ازدره سیلیکون در حال حاضر. پزشکیسوابق. با ظهور اتوماسیون، ماهم پرونده الکترونیکی، بنابراین اگرما می تواند تبدیل سوابق پزشکی به پزشکیدانش، پس ما می توانید شروع به درکبیماری بهتر. زیست شناسی محاسباتی.حال با اتوماسیون دوباره، زیست شناسانجمع آوری مقدار زیادی از اطلاعات مربوط به ژنتوالی DNA و توالی و غيره وماشین آلات الگوریتم های در حال اجرا هستند به ما دادندرک خیلی بهتر از انسانژنوم، و این یعنی انسان شود.و نیز در رشته های مهندسیمهندسی، ما بزرگتر و بزرگتر است،و بزرگتر و بزرگتر داده مجموعه، کهما در حال تلاش برای درک یادگیری با استفاده ازالگوریتم های. محدوده دوم ماشین آلاتبرنامه های کاربردی است آنهایی که نمی توانیمبرنامه با دست. بنابراین مثلا منهلی کوپتر خود مختار برای بسیاری کار کردهسال. ما فقط نحوه نوشتن می دانستیدبرنامه های کامپیوتر به این هلیکوپترپرواز به خودی خود. تنها چیزی است که کار می کردکامپیوتر با خود یاد میگرفت چگونهپرواز این هلی کوپتر. [هلیکوپتر چرخیدن]تشخیص دست خط. یکی معلوماز دلایل آن است پس امروز ارزان بهقطعه نامه در سراسر مسیرکشورهای ایالات متحده و بین المللیوقتی شما نوشتن یک پاکت مانند است کهاین، معلوم یادگیری وجود داردالگوریتم است که نحوه خواندن را یاد گرفته است خود رادست خط به طوری که آن را به طور خودکار می تواندمسیر این پاکت را در آن راه و آنما هزینه های چند سنت برای ارسال این چیزهزاران مایل. و در واقع اگر شمازمینه های زبان طبیعی دیده می شودچشم انداز پردازش و یا کامپیوتراینها زمینه های مربوط به هوش مصنوعیدرک زبان و یا درکتصاویر. بسیاری از پردازش زبان طبیعیو بسیاری از چشم انداز های امروزآموزش کاربردی ماشین. یادگیریالگوریتم ها نیز به طور گسترده ای برای خود استفاده می شودبرنامه های سفارشی. هر بار که شما بهآمازون یا Netflix یا iTunes نابغه و آنتوصیه فیلم و یا محصولات وموسیقی به شما، که الگوریتم یادگیری است.اگر به آن فکر کنند میلیونکاربران; هیچ راهی برای نوشتن یک میلیونبرنامه های مختلف برای شما کاربران میلیون.تنها راه برای دادن این نرم افزارتوصیه های سفارشی است برای تبدیل شدن بهبا خود را به دلخواه خود را به یادسلیقه شما. در نهایت یادگیریالگوریتم های امروز استفاده می شوددرک یادگیری انسان و بهدرک مغز. ما در مورد صحبت کنیدچگونه تحقیقات این را با استفاده ازپیشرفت به سوی رویای هوش مصنوعی بزرگ. اندکیماه پیش، یک دانش آموز من داد مقالهدر مهارت بالا دوازده آن. مهارت هایکه استخدام فناوری اطلاعاتمدیران نمی تواند بدون گفتن به. این بودمقاله کمی مسن تر، اما در بالایاین لیست از دوازده مطلوب ترین آنمهارت های یادگیری ماشینی است. اینجا دراستنفورد، تعداد استخدامکه من می دانم که هر یک در صورت درخواست ارتباط با مادستگاه یادگیری دانش آموزان فارغ التحصیل شدنبیش از یادگیری ماشینی استدانش آموزان ما فارغ التحصیل هر سال. پس منفکر می کنم تقاضای وسیع، نشده استبرای این مجموعه مهارت و زمان زیادی استآشنایی با دستگاه آموزش و شودامیدوارم که به شما تدریس بسیار در مورد ماشینیادگیری در این کلاس. در فیلم بعدیما شروع به دادن رسمی بیشترتعریف یادگیری ماشینی چیست.و ما شروع به صحبت در مورد اصلینوع مشکلات یادگیری ماشین والگوریتم های. شما انتخاب کنید تا برخی ازدستگاه اصلی یادگیری اصطلاحات، وشروع به گرفتن حس چیستالگوریتم های مختلف، و هنگامی که هر یکممکن است مناسب باشد.

ผลลัพธ์ (เปอร์เซีย) 2:

به این کلاس آنلاین رایگان خوش آمدید
یادگیری ماشین است. یادگیری ماشین است
از فن آوری هیجان انگیز ترین.
و در این کلاس, شما را در مورد یادگیری
دولت از هنر و عمل نیز به دست آورید
پیاده سازی و استقرار این الگوریتم
خودتان. شما احتمالا. استفاده از یادگیری
بدون ده ها تن الگوریتم بار در روز
دانستن آن. هر بار که شما با استفاده از یک وب
موتور جستجو مانند گوگل یا بینگ به
جستجو در اینترنت, یکی از دلایل
که کار می کند تا به خوبی است زیرا یادگیری
الگوریتم, یک. اجرا شده توسط گوگل یا
مایکروسافت, آموخته است که چگونه برای رتبه بندی وب
صفحات. هر بار که شما با استفاده از فیس بوک و یا
اپل عکس نرم افزار تایپ و
عکس های دوستان خود به رسمیت می شناسد, که
یادگیری ماشین است. هر بار. که شما به عنوان خوانده شده
ایمیل خود را و فیلتر اسپم خود را به شما صرفه جویی
را از نیاز به از طریق تن از اسپم در اب راه رفتن
ایمیل, که یک الگوریتم یادگیری را نیز.
برای من یکی از دلایلی که من بسیار هیجان زده. هستم است
رویای AI ساختمان ماشین آلات روزی
به عنوان هوشمند به شما به عنوان یا من. ما طولانی
راه دور از آن هدف است, اما بسیاری از AI
محققان معتقدند که بهترین راه برای
رسیدن به این هدف است از طریق یادگیری
الگوریتم است که سعی در. تقلید چگونه انسان
مغز می آموزد. من به شما یک کمی به
مورد که بیش از حد در این کلاس است. در این
کلاس شما در مورد دولت از هنر را یاد بگیرند
الگوریتم های یادگیری ماشین. اما معلوم
شد فقط دانستن الگوریتم ها و
دانستن ریاضی. است که بسیار خوب اگر
شما نیز نمی دانند که چگونه در واقع
این مسائل به کار بر روی مشکلات که شما
در مورد مراقبت. بنابراین, ما نیز صرف مقدار زیادی
از زمان در حال توسعه ورزش را برای شما به
پیاده سازی هر یک از این الگوریتم. ها و
ببینید که چگونه آنها روی خود کار می کنند. پس چرا
یادگیری ماشین آنقدر شایع است?
به نظر می رسد که یادگیری ماشین است
درست است که از زمینه رشد کرده بود
AI, یا هوش مصنوعی. ما می خواستیم
به ساخت ماشین های هوشمند. و آن را تبدیل
می کند که چند چیز اساسی است که وجود دارد
ما می تواند یک ماشین برنامه ای برای انجام مانند
چگونه برای پیدا کردن کوتاه ترین مسیر از A به B
اما در بیشتر قسمت ها ما فقط نمی دانم
که چگونه به نوشتن برنامه های. AI به انجام بیشتر
چیزهای جالب مانند جستجو در وب و یا
برچسب زدن عکس یا ایمیل آنتی اسپم. وجود دارد
یک تحقق آن است که تنها راه برای انجام
این چیزها بود که یک ماشین یادگیری
برای انجام آن به خودی خود. بنابراین, یادگیری ماشین
به. عنوان یک قابلیت جدید برای توسعه داده شد
کامپیوتر و امروز آن را لمس بسیاری از
بخش های صنعت و علوم پایه.
برای من, من در یادگیری ماشین کار می کنند و
در یک هفته معمول من ممکن است در نهایت به صحبت کردن به
خلبانان بالگرد,. زیست شناسان, یک دسته
سیستم های کامپیوتری افراد (به من طوری که
در اینجا همکاران در دانشگاه استنفورد) و به طور متوسط
​​یا دو سه در بار هفته ایمیل من از
در مردم صنعت از دره سیلیکون
تماس با من در که علاقه
از استفاده. الگوریتم های یادگیری به خود
مشکلات. نشانه ای از این است از طیف وسیعی
مشکلاتی که لمس یادگیری ماشین است.
رباتیک خودمختار است, محاسباتی وجود دارد
زیست شناسی, تن از در چیزهایی دره سیلیکون
است که یادگیری ماشین که است با یک داشتن اثر
در. در اینجا برخی از نمونه های دیگر از هستند
یادگیری ماشین است. پایگاه داده وجود دارد استخراج از معادن.
یکی از دلایل یادگیری ماشین است تا
نفوذ است رشد وب و
رشد اتوماسیون همه این بدان معنی است که
ما باید مجموعه داده های بسیار بزرگ تر از. هر زمان دیگری
قبل از. بنابراین, برای مثال تن از سیلیکون
شرکت دره امروز جمع آوری وب
کلیک داده ها, همچنین کلیکها نامیده می شود,
و در حال تلاش برای استفاده از یادگیری ماشین
الگوریتم به معدن این داده ها برای درک
کاربران بهتر و خدمت. به کاربران
بهتر است, که بخش عظیمی از این
دره سیلیکون در حال حاضر. پزشکی
سوابق. با ظهور اتوماسیون, ما
در حال حاضر سوابق پزشکی الکترونیکی, بنابراین اگر
ما می توانیم پرونده پزشکی به پزشکی به نوبه خود
دانش, پس ما می توانیم شروع. به درک
بیماری بهتر است. زیست شناسی محاسباتی.
با اتوماسیون دوباره, زیست شناسان
جمع آوری مقدار زیادی از اطلاعات در مورد ژن
توالی, توالی DNA, و غیره, و
ماشین آلات در حال اجرا الگوریتم به ما
درک بهتری از انسان
ژنوم, و آنچه. در آن به معنی انسان.
و در مهندسی و همچنین, در تمام زمینه های
مهندسی, ما بزرگتر و بزرگتر,
و بزرگتر و مجموعه داده های بزرگ, که
ما در حال تلاش برای درک یادگیری با استفاده از
الگوریتم باشد. طیف دوم ماشین آلات
برنامه. های کاربردی هستند که ما نمی توانیم است
با دست برنامه ریزی کنید. بنابراین برای مثال, من
در هلیکوپتر مستقل برای بسیاری از کار
سال است. ما فقط نمی دانند که چگونه برای نوشتن یک
برنامه کامپیوتری را به این هلیکوپتر
پرواز به خودی خود. تنها. چیزی که کار
داشتن یک کامپیوتر را یاد بگیرند چگونه به خودی خود
به پرواز این هلیکوپتر. [هلیکوپتر چرخان]
تشخیص دست خط. به نظر می رسد یکی
از دلایل آن را بسیار ارزان امروز به
مسیر یک قطعه الکترونیکی در سراسر
کشور, در ایالات متحده. و بین المللی,
این است که وقتی شما ارسال یک پاکت مانند
این, آن را تبدیل به یک یادگیری وجود دارد
الگوریتم است که آموخته است که چگونه به عنوان خوانده شده خود را
دست خط به طوری که آن را به طور خودکار می توانید
مسیر این. پاکت در راه است, و پس از آن
ما هزینه چند سنت برای ارسال این چیزی
هزاران مایل. و در واقع اگر شما
دیده می شود زمینه های زبان طبیعی
پردازش و یا بینایی کامپیوتر,
این زمینه AI مربوط به می
فهم زبان و یا درک
تصاویر. . بسیاری از پردازش زبان طبیعی
و بسیاری از بینایی کامپیوتر امروز
یادگیری ماشین استفاده می شود. آموزش
الگوریتم نیز به طور گسترده برای خود استفاده
برنامه های سفارشی. هر بار که شما به
آمازون و یا Netflix و یا آیتونز نابغه, و آن را
توصیه فیلم. و یا محصولات و
موسیقی به شما, که یک الگوریتم یادگیری است.
اگر شما در مورد آن فکر می کنند که میلیون
کاربران. هیچ راهی برای ارسال نامه میلیون نفر وجود دارد
برنامه های مختلف برای کاربران میلیون خود را.
تنها راه به نرم افزار به. این
توصیه های سفارشی است برای تبدیل شدن به
یاد خود را به خود سفارشی به
تنظیمات خود را. در نهایت یادگیری
الگوریتم هستند که امروز استفاده می شود به
درک یادگیری انسان و
درک مغز است. ما در مورد صحبت
چگونه تحقیقات با استفاده از این به.
پیشرفت به سوی رویای بزرگ AI. چند
ماه پیش, یک دانش آموز من یک مقاله نشان داد
در بالای دوازده مهارت های IT. مهارت های
که استخدام فناوری اطلاعات
مدیران نمی توانید به گفتن ندارد. این بود
مقاله کمی مسن تر, اما در بالای
این. لیست از دوازده مطلوب ترین IT
مهارت های یادگیری ماشین است. در اینجا در
دانشگاه استنفورد, تعداد استخدام
که با من تماس بگیرید در صورت درخواست من می دانم که هر
دانش آموزان فارغ التحصیل یادگیری ماشین
است بسیار بزرگتر از یادگیری ماشین
دانش آموزان ما هر سال. فارغ التحصیل. بنابراین من
فکر می کنم یک گسترده, تقاضا برآورده نشده وجود دارد
برای این مجموعه مهارت, و این زمان بسیار خوبی است
یادگیری در مورد یادگیری ماشین, و من
امیدوارم که به شما مقدار زیادی در مورد ماشین آموزش
یادگیری در این کلاس است. . در این ویدئو بعد,
ما شروع به دادن رسمی تر
تعریف از آنچه یادگیری ماشین است.
و ما شروع به صحبت در مورد اصلی
انواع مشکلات یادگیری ماشین و
الگوریتم باشد. شما انتخاب کنید تا برخی از
اصطلاحات اصلی یادگیری ماشین و
شروع به گرفتن یک. حس از چه
الگوریتم های مختلف, هنگامی که هر و یک
ممکن است مناسب باشد.