Return to Video

Kurts Favorite ML Algorithm - Intro to Data Science

  • 0:00 - 0:05
    ،بكل تأكيد. هذا سؤال جيد. أود أن أقول
  • 0:05 - 0:07
    بالضبط تمامًا مثل، التنبيه، الذي يعتمد بالفعل على
  • 0:07 - 0:09
    ،نوع المشكلات التي يعمل عليها علماء البيانات
  • 0:09 - 0:13
    ،نوع الأسئلة التي تبحث عنها. بالنسبة إلي أنا شخصيًا
  • 0:13 - 0:15
    معظم الأسئلة التي تلفت انتباهي
  • 0:15 - 0:18
    ومعظم الأشياء التي تثير اهتمامي، تكون إلى حد ما
  • 0:18 - 0:23
    ،ذات مستوى عالٍ وتكون معرفة بشكل واسع إلى حد ما، وقد ذكرت
  • 0:23 - 0:25
    أن إلقاء نظرة أعمق على الجوانب الاجتماعية لطريقة استخدام الناس
  • 0:25 - 0:29
    ،لشبكات التواصل الاجتماعي. والكثير من الموضوعات من هذا القبيل
  • 0:29 - 0:31
    أحيانًا ما يكون أكثر شيء إفادة يمكنك فعله هو
  • 0:31 - 0:34
    أن تسعى إلى توسيع فهمك وتنويعه
  • 0:34 - 0:37
    ،عن البيانات التي تبحث عنها. ومن هنا
  • 0:37 - 0:39
    يعد نظام المجموعات واحدًا
  • 0:39 - 0:41
    ،من اثنتين من أكثر التقنيات التي وجدت لها قيمة في هذا الصدد. هناك العديد من المنهجيات
  • 0:41 - 0:47
    منها نظام مجموعات k-means، ونظام المجموعات الهرمية. ثم بعد ذلك تأتي تقنيات تقليل الأبعاد
  • 0:47 - 0:50
    .أو الأشياء الأخرى مثل تحليل المكونات المبدئية، PCA
  • 0:50 - 0:53
    شيء واحد آخر، أود الحديث عنه على وجه الخصوص حيث إنني
  • 0:53 - 0:55
    وجدته مفيدًا جدًا ألا وهو المزج بين
  • 0:55 - 0:58
    نظام مجموعات k-means وتحليل المكونات المبدئية. ولذلك إذا كنت تنشئ
  • 0:58 - 1:00
    مجموعات ثم تستخدم تحليل المكونات المبدئية للحصول على أفضل
  • 1:00 - 1:04
    ،المتجهات وأكثرها دلالة لتخطيط تلك المجموعات
  • 1:04 - 1:06
    يمكن أن تقوم بعمل جيد
  • 1:06 - 1:09
    في تقليل أبعاد مجموعة البيانات وإدراك
  • 1:09 - 1:12
    .أهم الاختلافات بين المجموعات بصورة مرئية
タイトル:
Kurts Favorite ML Algorithm - Intro to Data Science
Video Language:
English
Team:
Udacity
プロジェクト:
ud359: Intro to Data Science
Duration:
01:13

Arabic subtitles

改訂