KI enträtseln: Ein barrierefreier Leitfaden für alle

1. Kursübersicht: Hallo alle zusammen. Es ist ein wunderschöner Tag, um am Leben zu sein. Heute haben wir einen tollen Kurs , der unser Leben super, super einfach machen wird. Der Kurs trägt den Titel Ich für alle. Der Kern des Kurses besteht darin, ein Ich mache es mir zu vereinfachen, für jeden sehr einfach ist, unabhängig von Ihrem Hintergrund, Ihrer fachlichen Freiheit, was Sie im Leben tun. Wir werden I verwenden, was ein sehr komplexer Begriff ist, ein sehr komplexes Gebiet, und vereinfacht, um es allen Beteiligten leicht zu machen , und das ist das Ziel unseres Kurses. Ein vereinfachter Ansatz , der bedeutet, dass alles auf sehr, sehr einfache Weise dargestellt wird. So können wir verstehen, wie Sie KI in Ihrem täglichen Leben, in Ihrer Arbeit und in jedem Ihrer Hobbys einsetzen können Sie KI in Ihrem täglichen Leben, . Lassen Sie uns also gemeinsam darüber sprechen. Also gut, die Gerichte werden sich hauptsächlich den wichtigsten Bausteinen befassen, die Einführung in die künstliche Gelierung Also, was ist KI? Wie können wir es definieren? Wir werden uns auch mit maschinellem Lernen und Diplom befassen, da dies einige der Möglichkeiten sind, die von KI-Entwicklern und Fachleuten häufig genutzt werden KI-Entwicklern und Fachleuten Also werden wir die Grundlagen der KI vereinfachen, sie einfach machen Was sind also die Hauptbausteine von KI? Was ist KI aus technischer und auch aus intellektueller Sicht? Wie können wir über KI nachdenken? Und wie, was passiert hinter der Nachbarschaft, wenn Sie so wollen, hinter den Vorhängen. Und schließlich das Bauen von Projekten mit KI. Also werden wir über ein Projekt nachdenken. Welche Schritte werden wir zur Kenntnis nehmen, um ein Projekt zu erstellen? Und wie können wir nach einem sehr einfachen, schrittweisen Ansatz ein großartiges KI-Projekt aufbauen ? Dann werden wir dieses Projekt in einer Belohnungssituation anwenden . Okay, also drei Hauptpunkte. Einführung in KI, Grundlagen der KI und Aufbau eines Projekts mit künstlicher Intelligenz. In Ordnung. 2. KI vs. Machine Learning vs. Deep Learning: Lassen Sie uns nun über künstliche Intelligenz sprechen , indem wir sie kurz definieren. Sprechen Sie dann über maschinelles Lernen und schließlich über Lernen. Das Ziel hier ist es, es uns leicht zu machen , künstliche Intelligenz, maschinelles Lernen und Lernen aus einer sehr einfachen Perspektive zu verstehen , also keine technischen Wörter hier, nichts Verrücktes. Halte es einfach. Das Ziel ist es, es zu vereinfachen. Und ich habe auch maschinelles Lernen hinzugefügt, das hier eingesetzt wird, weil sie häufig Artikel, Online-Nachrichten usw. in Zeitungen oder in Ihren Medien verwenden Online-Nachrichten usw. in Zeitungen oder in Ihren Medien Es ist also immer gut für uns , diese Keywords zu verstehen und sicherzustellen, dass wir sie verstehen, weil sie immer verwendet werden. Und vereinfache sie. So können wir sie in unseren täglichen Gesprächen verwenden und verstehen, ob wir ein KI-Tool entwickeln, worüber wir sprechen und wie wir es verwenden können? Also beginnen wir mit künstlicher Intelligenz. Was ist künstliche Intelligenz? Künstliche Intelligenz, auch bekannt als KI, ist ein Bereich der Informatik, der Maschinen dazu bringt, wie Menschen zu denken und zu handeln. Das Ziel hier ist es, eine Maschine, einen Computer, eine Smartwatch, ein Smartphone, einen Smart-TV, alles , was eine CPU enthält, Rap, alles, was Computer enthält , sagen wir Hardware, zu nehmen Computer, eine Smartwatch, ein Smartphone, einen Smart-TV, alles , was eine CPU enthält, Rap, alles, was Computer enthält , sagen wir Hardware, Lassen Sie uns das einfach aus einer sehr einfachen Perspektive betrachten Jedes Computerwerkzeug und alles ist heutzutage ein Computerwerkzeug, das sich wie ein Mensch verhalten und verhalten kann. Das ist unglaublich. Das ist großartig. Ein Beispiel. Heutzutage haben wir viele Tools, die sprechen können, sodass Sie ihnen etwas Text geben und sie können diesen Text nehmen und mit Ihnen sprechen. Wir haben viele Tools, mit denen man ein Bild aufnehmen und dieses Bild verstehen kann , was für Computer in der Anfangszeit sehr schwierig war . Es war sehr schwierig für einen Computer, ein Bild aufzunehmen, es zu verstehen, zu verstehen, was es ist , was es macht usw. Heutzutage können Tools ein Bild aufnehmen und Ihnen genau sagen, was auf dem Bild passiert Wir haben eine Person, die in einem Wald rennt und die folgende Kleidung trägt usw. Das ist also sehr, sehr fortgeschrittenes Zeug , in dem wir als Menschen früher sehr gut waren Früher waren wir, weißt du was, das Einzige, was Computer nicht können, ist Bilder zu verstehen. Verstehen heißt heute Sprache verstehen, Audio verstehen. Das kann ich leicht machen. Das ist also jedes Mal, wenn man etwas sieht, das menschlich ist, wie ein Werkzeug , ein Programm, das menschlich ist und menschliches Verhalten zeigt. Zum Beispiel GPT oder Open AI, GPD, es macht die Arbeit Es kann menschenfreundlichen Text generieren. Text, der Text ähnelt , der von Menschen geschrieben wurde. Das ist KI. Das ist also eine sehr schnelle Definition für KI. Ich hoffe, es macht Sinn. Der zweite ist maschinelles Lernen. Maschinelles Lernen ist der Prozess, bei dem Computer anhand von Daten lernen und sich anpassen , ohne explizit programmiert zu werden. Lassen Sie mich also die Definition vereinfachen. Maschinelles Lernen ist ein Teilbereich der KI, Daten aufnimmt und aus Daten lernt, ohne programmiert zu werden Programmieren ist, wenn man darüber nachdenkt, die Fähigkeit, einem Computer eine Reihe von Anweisungen zu geben Hey, Computer, öffne diesen Schritt. Hey, Computer, öffne dieses Tool, bewerte das Tool, gib meinen Namen in meine E-Mail in mein Telefon ein. Also geben wir dem Computer einige Anweisungen. Das ist ein Programm. Jedes Mal, wenn Sie ein Programm auf Ihrem Computer öffnen, geht es Schritt für Schritt vor. Es funktioniert, indem es eine Anweisung gibt. Nehmen wir an, Sie haben einen Media Player, der Videos auf Ihrem Computer oder Telefon abspielt . Sie öffnen es, das Programm selbst öffnet Ihr Video automatisch und beginnt mit der Wiedergabe. Sie möchten das Video anpassen und zu, sagen wir, 50% des Videos haben, sagen wir das Video dauert 2 Minuten und Sie möchten zur 1-Minuten-Marke gehen, Sie können einfach mit der Maus zur 1-Minuten-Marke ziehen. Das sind also Programme, sie verstehen weder menschliche Logik noch menschliche Intuition Aber maschinelles Lernen nimmt Daten auf und versteht, wie diese Daten funktionieren, und versteht die Person in den Daten Ich gebe Ihnen ein Beispiel für maschinelles Lernen. Es ist ein sehr einfaches Beispiel, das als Beispiel für die Abwanderungsrate bezeichnet wird Viele Unternehmen, die hauptsächlich mit Abonnements Geld verdienen, wollen also hauptsächlich mit Abonnements Geld verdienen, die Fluktuation verstehen. Sie wollen wissen, wie viele Leute das Abonnement nächsten Monat kündigen werden das Abonnement nächsten Monat kündigen werden , damit wir mit ihnen sprechen können Hey, warum kündigst du das Abonnement und was ist los? Können wir etwas Besseres für Sie tun, um die generierte oder jene Abmelderate zu verstehen die generierte oder jene Abmelderate Was passiert , ist, dass die Unternehmen Daten über alle Abonnenten korrigieren sie an ein Tool für maschinelles Lernen weitergeben. Und das Tool für maschinelles Lernen wird uns vorhersagen , wer die Personen sind, die sich abmelden werden, wie es das Patent verstehen wird. Damit sich eine Person abmelden kann, muss sie zwischen diesem und diesem Alter sein. Sie müssen ihre Aktivitäten zwischen diesem und diesem Zeitpunkt nutzen . Das ist wirklich interessant, weil Computer heutzutage die Daten verstehen und daraus lernen können . Maschinelles Lernen ist also datenintensiv, also geben wir dem Computer einfach einige Daten. Hey, Computer nimmt die Daten und dann wird der Computer sie verstehen und wir machen es uns leicht , damit zu arbeiten. Also gut, lass uns jetzt über Diplony sprechen. Ploy ist eine Technik , bei der Computer lernen, Muster zu erkennen und Entscheidungen zu treffen , ähnlich wie das menschliche Gehirn funktioniert Diplony ist, sagen wir, ein fortgeschritteneres Gebiet als KI und maschinelles Lernen, wo es um viel Daten geht Es braucht also mehr Daten als maschinelles Lernen. Und es funktioniert mit, ich bin sicher, Sie haben von diesem neuronalen Netzwerk gehört. Also nur eine Art, wie der Computer Daten mit demselben Ansatz versteht wie das menschliche Gehirn. In unserem Gehirn haben wir einige Neuronen, die miteinander verbunden sind , sodass wir verstehen, uns erinnern und so weiter. Wir haben ein Programm entwickelt, das das macht, aber dieses Programm funktioniert nur, wenn Sie viele Daten haben Das Churnet-Beispiel kann hier angewendet werden. Der Abmeldetarif kann also hier angewendet werden. Ebenfalls. In diesem Fall Computer Vision. Das Verständnis eines Bildes kann hier also angewendet werden. Spracherkennung kann hier angewendet werden. Pron ist also nur ein Unterbegriff. Stellen Sie sich etwa ein Unterfach vor, das ein Programm auswählt, ein Werkzeug, das dem menschlichen Gehirn ähnelt Ganz einfach. Der einzige Unterschied zwischen AI Machine und Per erfordert viele Daten. Du benötigst eine riesige Menge an Daten damit der Computer die Leidenschaft versteht , damit der Computer die Leidenschaft versteht. Was ist hier los? Warum trifft dieser Benutzer diese Entscheidung? Warum unterscheidet sich dieses Bild von einem anderen Bild? Das ist also der Unterschied. KI denkt wie ein Mensch, maschinelles Lernen, Programmieren eines Computerprogramms, indem man ihm Daten gibt, damit es versteht, wie man Entscheidungen trifft, und Deep Learning. Es ist eine Technik, ein Teilgebiet der KI, wo wir ein Programm namens neuronale Netzwerke oder neuronale Netze haben , das Dingen wie dem menschlichen Gehirn ähnelt, wissen Sie, und es benötigt riesige Datenmengen Muster zu verstehen und Entscheidungen zu treffen Das sind also drei Bereiche, einfach, leicht zu verstehen, geben ihnen nicht mehr zu denken, als sie es verdienen, sehr, sehr einfach. In Ordnung. 3. KI vs. Machine Learning vs. Deep Learning-Aufgaben: Lassen Sie uns nun über die Aufgaben sprechen, die KI ausführt. Was sind einige der Aufgaben, die von KI ausgeführt werden? Wir werden also über die Aufgaben sprechen, die von KI ausgeführt werden, über die Aufgabe, die durch maschinelles Lernen neu gestaltet wurde, und über die Aufgaben, die von KI ausgeführt werden. Was können wir tun? Wir können Bilderkennung machen, also können wir Bilder erkennen, wie ich es dir gesagt habe. Wir haben also einen Bildcomputer und der Computer kann nicht verstehen, was in dem Bild vor sich geht. Das war eigentlich für Computer vorgesehen, Spracherkennung. Wir können dem Computer leicht Anweisungen geben. He Computer, kannst du bitte die Datei öffnen? Hey Computer, kannst du das Video abspielen? Hey Computer, kannst du das machen? Kannst du meinen Browser öffnen? Kannst du zu meinen sozialen Medien gehen? Also geben wir dem Computer Anweisungen und der Computer sollte unser Audio aufnehmen, es in Anweisungen umwandeln und dann die Anweisungen sehr genau ausführen und dann die Anweisungen sehr genau ausführen. Das ist für Computer heutzutage extrem schwierig , es ist machbar. Empfehlungssysteme, das sind Systeme wie Netflix, also schauen Sie sich einen Film an, Netflix versteht Ihre Vorlieben, welche Art von Filmen Sie mögen, und Sie werden Empfehlungen von ähnlichen Filmen erhalten. Unsere Empfehlungssysteme sind sehr, sehr leistungsfähig. Sie nehmen hauptsächlich dein Verhalten und basierend auf deinem Verhalten empfehlen wir dir Filme oder irgendetwas, das dem ähnelt, was du tust. Diese sind also auch großartig, sagen wir mal, die Anwendung von KI und autonomen Fahrzeugen. Das sind also Fahrzeuge, die sich selbst fahren können. Wir sehen also viele Unternehmen, die derzeit autonome Autos und Fahrzeuge entwickeln , die die Straße leicht verstehen, die Fahrzeuge verstehen, die sich vielleicht auf der anderen Straßenseite befinden usw. Und sie können die Aufgabe ohne menschliches Eingreifen erledigen. Sie sind sehr mächtig, aber sie werden immer noch programmiert und trainiert. Robotik, alle Roboter, die Sie auf der Welt sehen, sind in vollem Tempo, weil sie Computer Vision benötigen . Sie müssen reden. Besondere Anerkennung, sie müssen die Empfehlungen zur Audioerkennung verstehen. Sie müssen Ihre Vorlieben verstehen, damit sie auf eine Weise mit Ihnen sprechen können , die für Sie Sinn macht. Autonom, auch fähig. Sie müssen sich also leicht bewegen können. sind also einige der Neuerungen, die wir in den nächsten Jahren nutzen werden, und ich möchte, dass Sie sie im Auge behalten. In Ordnung. Lassen Sie uns nun über einige der Aufgaben sprechen , die von Maschinen ausgeführt werden. Wir haben Spam-Filter. Spam-Filterung ist die Fähigkeit eines Computers, Ihre E-Mails nach Spam und Nicht-Spam herauszufiltern. Also schicken wir eine E-Mail den Computer ohne Ihr Zutun, wir lesen die E-Mail und sehen, okay, diese E-Mail enthält einen fehlerhaften Link. Diese E-Mail ist nicht, nicht lokal, oh, das ist Spam. Das ist wirklich fortgeschritten und das macht unser Leben wirklich, wirklich einfach. So funktioniert es. Wir geben dem Computer eine Menge Spam- und Nicht-Spam-Daten, und der Computer wird verstehen Leidenschaft Spam-Daten oder Spam-E-Mails haben, und er wird in Zukunft Schutz bieten und E-Mails werden als Spam gespeichert Das ist also eine großartige Anwendung für uns, um unser Leben zu vereinfachen Die sentimentale Analyse wird hauptsächlich in sozialen Medien eingesetzt. Wenn Sie also ein Unternehmen sind oder Ihre eigene Marke oder Ihre eigenen Inhalte erstellt haben, möchten Sie verstehen, wie Ihre Mitarbeiter oder vielleicht Ihre Nutzer zu Ihrer Marke und zu Ihren Inhalten Wenn Sie also ein sentimentales Analysetool haben, das beispielsweise Tweet- oder Facebook-Beiträge oder so etwas akzeptiert Und es wird Ihnen sagen, ob Ihre Kunden zufrieden sind. Sie sind traurig. Sie sind wütend. Sie sind fröhlich. wird dir sagen, was vor sich geht, sodass du Maßnahmen ergreifen kannst Wenn wir also annehmen, dass Kunden verrückt sind, können Sie mit ihnen sprechen. Wenn sie zufrieden sind, kannst du sie auch mitnehmen. Sentimentalyse ist also die Fähigkeit des Computers, die Stimmung einer Person anhand ihrer Ausdrücke, ihres Verhaltens und ihres Textes leicht zu verstehen einer Person anhand ihrer Ausdrücke, ihres Verhaltens und ihres Textes leicht zu Okay, Betrugserkennung, hier wird hauptsächlich die Finanzbranche genutzt , um zu verstehen, ob es sich bei einer Transaktion um ob es sich bei einer Transaktion So können wir es erkennen und stoppen. Es funktioniert also einfach, wenn einem Computer einige betrügerische Transaktionen und nicht betrugsfreie Transaktionen zugewiesen werden . Und der Computer wird verstehen , was Betrug ist und was kein Betrug ist. Bildklassifizierung ist der Grund dafür , dass der Computer ein Bild aufnimmt und es klassifiziert Das ist also, sagen wir, ein Computerbild. Das ist ein Bürobild, das ist ein Autobild. Das ist sehr, sehr nett. Börsenanalyse ist auch ein weiterer Teilbereich , in dem der Computer das maschinelle Lernen problemlos nutzen kann. Versuchen Sie, den Kurs einer Aktie oder den Kurs von Finanztiteln vorherzusagen einer Aktie oder den Kurs von Finanztiteln vorherzusagen indem Sie sich einfach die historischen Daten oder die Daten dieses Finanzinstruments ohne Probleme ansehen. Okay, also sehr einfache Anwendungen die die Welt revolutionieren, wie jedes große Unternehmen da draußen, nutzen sie täglich, um die Situation auszunutzen Denn wenn Sie KI nicht verwenden , kann sie gegen Sie eingesetzt werden Es ist also wirklich nett, KI zu verwenden und über einige der Anwendungen nachzudenken, um genau zu wissen , wann wir über KI sprechen und wann wir über ein einfaches Computerprogramm sprechen. In Ordnung, lassen Sie uns jetzt ein bisschen über Lernen sprechen. Das Lernen ist fortgeschrittener, wie ich dir gesagt habe. Es verwendet ein normales Netzwerk. Es ist also eine andere Methode, ein Programm, das Daten mit demselben Ansatz versteht wie ein menschliches Gehirn. Und es beinhaltet die folgenden Aufgaben. Wir haben also die Verarbeitung natürlicher Sprache, das ist ein sehr, sehr wichtiger Bereich, der die menschliche Sprache versteht. Man gibt dem Computer also eine Sprache, er wird die Wörter verstehen, die Art und Weise, wie man Sätze schreibt, den Text. Und es kann Text für Sie generieren. Ors kann Ihnen auf der Grundlage Ihrer Antwort eine Antwort geben. Also natürliche Sprachverarbeitung, Erkennung von Anomalien. Also das ist eine großartige, großartige Möglichkeit für Computer alles zu verstehen , was abnormal ist Nehmen wir an, abnormales Verhalten von Benutzern in Ihrem Konto. Abnormales Verhalten von Finanzinstrumenten, abnormales Verhalten Ihres Computers. Dies wird also wirklich für die Cybersicherheit und auch für die Finanzbranche verwendet . Erkennung von Anomalien zur Erkennung von abnormalem Verhalten, Gesichtserkennung. Das eignet sich also auch hervorragend für, sagen wir, Sicherheitsaspekte Sie möchten also Ihren Computer oder Ihr Smartphone mit Ihrer Gesichts- und Gesichtserkennung öffnen . Wir verstehen Ihr Merkmal, Ihr Gesichtsmerkmal. Und wir öffnen Ihren Computer oder Ihren Laptop falls es wirklich derjenige ist, der das Smartphone öffnet, den Computer. Kundensegmentierung, ein weiterer Teilbereich der Deklaration oder Anwendung von Deple, bei dem wir einen Puls von Kunden haben und sie anhand eines bestimmten Verhaltens segmentieren Wir haben Kunden , die Produkt A mögen, Kunden, die Produkt B mögen, Kunden, die Produkt mögen, und so weiter und so fort Textgenerierung, das ist also das, worüber heutzutage jeder spricht, wie Ch GPT Wenn wir also Text generieren, stellen wir dem Computer eine Frage und wir erhalten Text Hey Computer, kannst du bitte 2.500 Artikel über Machelleuniformy schreiben 2.500 Artikel über Machelleuniformy Und der Computer wird diesen wunderschön gestalteten Artikel schreiben wunderschön gestalteten Wir haben heutzutage viele Tools wie GPT, die das können Und sie können das auf sehr, sehr fortschrittliche Weise tun, sodass Sie nicht einmal wissen, ob es sich um ein menschliches oder ein KI-Tool Ordnung, das sind also nur einige Aufgaben, einige Anwendungen von Deep Learning. Und ich wollte es mit dir teilen, taub zu sein, damit du sehen kannst. Okay, also was ist, was ist nicht, was ist Bearbeitung, was ist keine Maschine Was ist Ply und was nicht Deployment? Wir können also zwischen mir und einfachen Computerprogrammen oder Software unterscheiden . Also gut, das war es mit den Aufgaben. Lassen Sie uns nun ein bisschen über das Wichtigste sprechen, das ich baue. 4. Bausteine der KI: Was sind also KI-Bausteine? Ich habe ein sehr einfaches Diagramm für Sie erstellt , das vier KI-Bausteine enthält. Um ein KI-Tool zu erstellen, benötigen Sie also vier Hauptbausteine. Wir verfügen über Datenalgorithmen , Rechenleistung sowie Bereitstellung und Wartung Keine Sorge, ich werde sicherstellen, dass ich jeden einzelnen von ihnen auf sehr, sehr einfache Weise erkläre jeden einzelnen von ihnen auf sehr, sehr einfache Weise Aber das sind die wichtigsten Bausteine , über die Sie nachdenken können. Jedes Mal, wenn Sie über KI nachdenken. Sie möchten ein KI-Tool in Ihrem Unternehmen, in Ihrem Job, in Ihrer täglichen Arbeit, als Ersteller von Inhalten, in Ihrem Privatleben, etwas für Sie und Ihre Familie entwickeln Ihrem Unternehmen, in Ihrem Job, in Ihrer täglichen Arbeit, als Ersteller von Inhalten, . Das können Sie mit KI tun. Aber Sie müssen über die wichtigsten Bausteindaten nachdenken. Habe ich Daten für diesen Algorithmus? Welchen Algorithmus sollte ich wählen? Welches Tool sollte ich wählen, wenn Sie so wollen, Rechenleistung Habe ich einen leistungsfähigen Computer für die Bereitstellung und Wartung? Wo kann ich das Gerät einsetzen? Wo kann ich dieses Tool vielleicht platzieren , damit ich es in meiner Familie oder meinen Kollegen verwenden kann? Okay. Sehr einfach. Sehr einfach. Lassen Sie uns nun tief in jeden einzelnen von ihnen eintauchen. 5. Daten: Daten. Daten sind der Treibstoff der KI, wenn Sie von Daten hören, das ist der Treibstoff dafür, dass wir ohne Daten niemals KI haben werden. KI braucht Daten, um ohne sie zu funktionieren. Sie kann nicht funktionieren. Wenn Sie sich an das Spam-E-Mail-Beispiel erinnern. Damit wir einen KI-basierten Spamfilter entwickeln können, ein Tool, das Ihre E-Mails nach Sperma und Nicht-Spa-E-Mails filtert , benötigen wir ein Tool, oder wir brauchen dieses Tool, um viele E-Mails zu erhalten und das wir herausfiltern können, das ist Spam und das ist kein Spam. Damit der Computer die Versionen einer Spam-E-Mail und die Persion einer Nicht-Spam-E-Mail verstehen kann die Versionen einer Spam-E-Mail und die Persion einer Nicht-Spam-E-Mail Das ist also sehr wichtig. Es ist der Treibstoff für Daten. Auch für die Finanztransaktionen benötigen wir viele historische Daten, aber zum Beispiel eine Aktie, um zu verstehen, okay, wie sich die Preise verhalten und wie sich die Qualitäts- und Quantitätsdaten bewegen . Bitte tu mir immer einen Gefallen. Denken Sie an die Qualität der Daten, die ich habe. Hochwertige Daten, zum Beispiel, wenn Sie viele Spam-Daten haben, diese aber nicht sauber sind, sie sind nicht von hoher Qualität. Es gibt keinen klaren Unterschied zwischen Spam-E-Mail und Nicht-Spam-Mail Ihr KI-Tool wird sich nicht wirklich gut verhalten. Es ist also genau wie bei uns Menschen. Wir lernen aus Büchern, wir lernen aus Kursen. Wenn der Kurs von hoher Qualität ist, werden Sie leicht lernen. Also das Gleiche, weil KI lernt, trainieren wir KI. Die Daten selbst sollten von hoher Qualität sein. Bessere Daten werden zu einem zuverlässigeren Tool führen. Aus diesem Grund haben wir manchmal zwei Unternehmen, die dieselbe Aufgabe ausführen. Textgenerierung von Firma A und Textgenerierung von Firma B. Firma A geht es viel besser. Der einzige Grund , warum sie das tun, sind ihre Daten. Die Daten, die sie verwenden, um ihr Tool zu trainieren , sind von hoher Qualität. Okay, lassen Sie uns jetzt über die Datenaufbereitung sprechen. Wann immer Sie über Daten sprechen, gibt es immer eine Aufgabe, die mit Daten einhergeht, nämlich die Datenaufbereitung. also an, Sie sind Nehmen wir also an, Sie sind in einem Unternehmen und teilen Ihren Kollegen mit, dass Sie viele Daten benötigen , um ein Tool zu entwickeln. Diese Daten sollten exportiert oder von Ihren Kollegen übernommen werden, oder sagen wir Sie möchten sie bei Ihnen zu Hause entwickeln, sie von Ihrem Computer oder Smartphone oder was auch immer übernehmen und dann bereinigen. Entferne alles, was nicht nützlich sein wird wenn es, sagen wir, mal Spam enthält, oder sagen wir, ein Datum oder was auch immer, du musst es entfernen. Wenn die Daten eine Beschreibung enthalten, die von Ihnen nicht zum Entfernen verwendet wird. Reinigen Sie also die Daten und stellen Sie sicher, dass die Daten rein sind. Also im Fall von E-Mail haben wir den E-Mail-Titel. Die E-Mail, sagen wir Betreff. Und dann haben wir den E-Mail-Inhalt oder den E-Mail-Text. Wir geben es dem Computer. Der Computer entfernt, sagen wir, alles, was nichts damit zu tun hat und das dem KI-Tool nicht helfen würde, es zu verstehen und Maßnahmen zu ergreifen Manchmal bereinige ich Daten so, dass ich mir die Frage Wenn ich die Aufgaben manuell erledigen würde, helfen mir diese Daten dann bei meiner Aufgabe? Denken Sie also darüber nach die Daten aus menschlicher Sicht zu bereinigen. Ich, wir werden in diesem Fall immer menschliche Intelligenz einsetzen . Und es ist wirklich gut für uns, es zu bereinigen und die besten Praktiken zu befolgen, um die Daten zu bereinigen. Okay, lassen Sie uns jetzt ein wenig über einige Beispiele für Daten in KI sprechen . Wann immer wir also über Daten in KI sprechen, haben wir vier Hauptunterschiede Und das sind nur Beispiele, wir haben Textdaten, also jede Art von textbasierten Daten, also sagen wir E-Mails, Bücher, Artikel. Das sind Textdaten. Sie können es der KI geben, die KI wird es verstehen und sie wird Ihnen einige Ergebnisse oder Ergebnisse liefern. Bilddaten, das ist also wirklich gut für Computer Vision, wenn Sie versuchen, ein Tool zu entwickeln, das Bilder versteht. Sie können ihm also ganz einfach eine Reihe von Bildern in einem beliebigen Format geben und das Tool wird es verstehen. Numerische Daten. Wir haben also viele Daten. Es sind Börsendaten, Finanztransaktionsdaten. Nehmen wir an, Sie sind Lehrer und haben einige Noten von Ihren Schülern. Sie können es einfach dem KI-Tool geben und diese Noten analysieren. Das ist also wirklich großartig. Numerische Daten sind bei weitem die Zahl der Daten, die im KI-Bereich fast verwendet werden , weil sie leicht zu verstehen sind und zudem mathematisch sind, sodass der Computer sie anhand von Audiodaten leicht verstehen kann Das ist für Audiotext. Wenn Sie Audio oder den Computer erzeugen möchten, um Text zu verstehen , geben Sie ihn auf spracherkennende Weise Wir haben also einen Online-Assistenten oder einen KI-Assistenten, sodass Sie einfach mit ihm sprechen können Es wird verstehen, was Sie brauchen und es wird die Aufgabe ausführen. Das sind also alles einige der wichtigsten Datenpunkte, an die Sie sich erinnern sollten. Wir haben also Textdaten wie ein E-Mail-Bild, Daten wie Ihr Bild, numerische Daten wie Ihre Finanztransaktionen und Audiodaten wie Ihre Audioaufnahme oder einen Online-Assistenten. Das sind also einige Beispiele , an die Sie sich erinnern sollten. 6. Algorithmen: Lassen Sie uns nun ein wenig über Algorithmen sprechen. Der zweite Baustein der KI sind Algorithmen. Das Gehirn der KI ist der Algorithmus. Ai verwendet den Algorithmus als Gehirn, um die Daten zu verarbeiten und Entscheidungen zu treffen. Sobald Sie die Daten haben, benötigen wir natürlich eine Möglichkeit, wie der Computer die Daten verarbeiten kann. Wir haben einen Algorithmus , der das macht. Der Algorithmus besteht nur aus einer Reihe von Schritten, die der KI mitteilen , wie sie die Daten verarbeiten und den Pfad verstehen soll. Keine Sorge, alle KI-Algorithmen sind Open Source und online verfügbar. Wenn Sie ein KI-Tool entwickeln möchten, müssen Sie den Algorithmus nicht von Grund auf neu entwickeln , erstellen und testen. Jeder großartige Algorithmus ist online und als Open Source verfügbar , sodass Sie ihn verwenden, implementieren und mit der Arbeit beginnen können. Das ist also das Schöne an KI. Zweiter Punkt, über den Sie nachdenken sollten, wann immer Sie über Algorithmen, Arten von Algorithmen nachdenken Algorithmen, Arten von Algorithmen Ai hat verschiedene Algorithmen für verschiedene Aufgaben. Maschinen prognostizieren anhand historischer Daten, Lernen eignet sich hervorragend für Bild- und Spezialerkennung. Denken Sie also darüber nach Also musst du für jede Aufgabe , die du ausführst, darüber nachdenken, okay, welche Art von Algorithmus sollte ich verwenden, wenn ich versuche, Bilder zu verarbeiten? Was sind die besten Algorithmen, die besten Tools, die meine Daten für eine Bildaufgabe verarbeiten können meine Daten für eine Bildaufgabe verarbeiten Sie müssen also immer über einen guten Algorithmus nachdenken , der die Aufgabe erledigen kann. Also verlinke einfach die Rätsel. Dieses Rätsel geht, dieses Rätsel. Wie können wir das einfach und ohne Probleme machen? Okay, aus den Daten lernen. Also lerne ich mit verschiedenen Algorithmen aus den Daten. Wir haben also überwachte Algorithmen und überwachten Algorithmus zur Verstärkung der Algorithmen. Mach dir keine Sorgen um die Namen. Ziel ist es, die Begriffe zu vereinfachen. Sie müssen also nur verstehen , dass Ihr Ziel wahr ist. Nummer eins, bereite die Daten vor. Nummer zwei: Nimm die Daten und finde heraus, welcher Algorithmus für meine Aufgabenprobe am besten geeignet ist für . Mach dir darüber keine Gedanken. Okay, als Nächstes. Lassen Sie uns nun ein wenig über einige Beispiele für Algorithmen sprechen. Das sind also nur einige Beispiele. Ich habe hier nur vier Beispiele für uns aufgeführt. Wir beginnen mit linearer Erholung. Lineare Regation ist ein online verfügbarer Open-Source-Algorithmus , mit dem wir alle eine KI entwickeln können, die numerische Daten verwendet und zukünftige Daten vorhersagt Ein Beispiel wäre der Verkauf. Sie sind ein Unternehmen und möchten den Umsatz für den nächsten Monat vorhersagen. Sie werden dem Vertrieb in den letzten zehn Jahren eine KI zur Verfügung stellen und den Algorithmus für lineare Rekreation verwenden kostenlos online verfügbar ist. Sobald Sie es dem linearen Regrationsalgorhythmus, dem Tool zur linearen Regulierung, wenn Sie so wollen, zur Der Computer, wir verstehen die Daten und los geht's, wir werden deine Antwort haben Wie hoch sind die Verkäufe im nächsten Monat? Der Computer wird die Arbeit für Sie erledigen. Wenn Sie also numerische Daten verwenden oder damit umgehen, ist die Börse ebenfalls ein gutes Beispiel. Gib es dem Computer und führe den Computer zur Arbeit. Okay? Entscheidungsbäume. Entscheidungsbäume sind erstaunlich, weil sie zur Klassifizierung verwendet werden. Sagen wir ein Beispiel. Sie haben also ein Klassenzimmer mit vielen Schülern und Sie versuchen vorherzusagen, welche Schüler eine Prüfung erstellen werden und welche nicht. Was Sie tun können, ist ein KI-Tool, einen Entscheidungsbaum, zur Verfügung zu stellen. In diesem Fall sagen all diese Daten und der Computer voraus, dass es erfolgreich sein wird voraus, dass es und dieser Student scheitern wird. Das ist also ein großartiges Tool, wenn Sie eine Entscheidung treffen müssen. Sie versuchen also vorherzusagen, ob ein Kunde eine E-Mail abonnieren und abonnieren wird oder so. Spam, Spa. Wir haben einen Baum. Wir haben einen Entscheidungsbaum, der auf der Grundlage Ihrer Daten erstellt wird . Machen Sie sich darüber keine Gedanken. Er ist online verfügbar, sodass Sie ihn problemlos verwenden können. Und das ist wirklich großartig für nicht numerische Entscheidungen. Jedes Mal, wenn Sie etwas tun , das nicht numerisch ist, kann es in einen Decis-Eintrag eingegeben Neuronale Netzwerke sind das , das ich zuvor erklärt habe. Also kann ich es wieder machen. Keine Sorge. Es ist also hauptsächlich ein Algorithmus, ein Tool, das die Funktionen des menschlichen Gehirns in einem Algorithmus verwendet . Die Leute, die ein Neuron entwickelt haben, haben das menschliche Gehirn studiert Im menschlichen Gehirn haben wir einige Neuronen, die sich miteinander verbinden, um eine Entscheidung zu treffen Lassen Sie uns also ein Tool entwickeln, das denselben Ansatz verwendet, und versuchen wir, es einem Computer zu geben und zu sehen, was passiert. Es ist nur eine Emulation als Repräsentation des menschlichen Gehirns Deshalb wird es neuronales Netzwerk genannt. Es ist also ein Netzwerk, es ist ein Haufen von Punkten, die miteinander verbunden sind. Benötigt Daten, um eine Entscheidung zu treffen. Das ist wirklich gut für die Bilderkennung. Es ist fantastisch für die Textgenerierung. Jede Aufgabe, die sehr, sehr schwierig zu erledigen ist , überlässt man einer neuronalen Arbeit, die kostenlos online verfügbar ist , und sie erledigt die Arbeit für Sie. Ein zufälliger Wald ist ein Haufen Bäume. Wenn Sie also eine sehr schwierige Entscheidung zu treffen versuchen, also versuchen wir, sagen wir, bei diesen speziellen Kunden zu schützen , welcher Kunde wird am ehesten ein Produkt von uns kaufen? Das ist also eine sehr schwierige Entscheidung , denn wer kauft und wer nicht, ist keine einfache Antwort Jetzt wird es eine Menge Daten über unser Kaufverhalten erfordern, wann, wie kauft der Kunde im Juli immer bei uns Also müssen wir über diese Fragen nachdenken und sie dem Computer stellen. Nehmen wir an, wir sammeln viele Daten über den Kunden und geben sie im Random-Forest-Format an den Computer weiter. Und los geht's, wir werden unsere Antwort mit Random Forest erhalten. Es eignet sich also auch gut für entscheidungsbasierte Algorithmen oder entscheidungsbasierte Probleme, und es eignet sich hervorragend für komplexe Entscheidungen. Lineare Kation, numerische Daten, Entscheidungsbaum und Random Forest, nicht numerische Daten. Hauptsächlich Entscheidungen oder Funktionen für komplexe Aufgaben wie Computer Vision Sie versuchen, ein Bild zu verstehen, Spracherkennung, Sie versuchen, die Stimme zu verstehen, Spracherkennung usw. Das sind also einige der Beispiele. Die besten Algorithmen sind online verfügbar, sodass Sie sie nie von Grund auf neu programmieren oder etwas über Programmierung usw. lernen müssen. Alles, was Sie tun müssen, ist sie zu benutzen und schon ist alles in Ordnung. 7. Rechenleistung: Lassen Sie uns nun ein wenig über Rechenleistung sprechen. Auf dieser Folie möchte ich mich also hauptsächlich darauf konzentrieren, möchte ich mich also hauptsächlich darauf konzentrieren warum wir Rechenleistung benötigen, um ein KI-Tool zu entwickeln Alle KI-Tools, alle KI-Programme, sie benötigen Rechenleistung, um die Daten zu verarbeiten Die Idee hier ist, dass wir einen sehr starken Computer brauchen, eine sehr starke Hardware Weißt du, ich würde nicht einmal zum DTSCPU-Ram gehen. Lass es uns sehr einfach halten. Wir brauchen einen leistungsfähigen Computer, um diese Daten aufzunehmen, verarbeiten und zu verstehen, wie sie funktionieren. Und das ist ein Hauptangriffsstoff der KI, denn ohne die Rechenleistung der Niederländer wird es für den Computer schwierig sein, die Daten zu verarbeiten Nehmen wir an, wir haben Milliarden von Datenpunkten, Milliarden von, sagen wir, Kunden , die wir zu verarbeiten versuchen Natürlich brauchen wir einen sehr, sehr starken Computer mit einem starken B-CPU-Speicher und allen Hardwaretechniken, einen Computercomputer, um diese Daten zu verarbeiten und uns eine Antwort zu geben. Es ist also der Motor der KI. Ohne einen starken Computer, ein starkes Tool, die Hardware selbst werden wir nichts tun können. KI wird also täglich von vielen Unternehmen und vielen Menschen eingesetzt werden . Der Einsatz von Rechenleistung wird also immer stärker nachgefragt. Viele Unternehmen und viele Einzelpersonen nutzen jetzt Cloud Computing Sie gehen also zu Amazon oder Acrosoftazu oder Google Cloud. Sie gehen zu einem der Cloud-Anbieter, einem der großen Cloud-Anbieter, und sie geben Ihnen die Aber Sie müssen natürlich dafür bezahlen. Und das ist etwas, das Sie verstehen müssen Weil KI eine starke Rechenleistung benötigt, besteht eine wachsende Nachfrage Jeder versucht jetzt, die zuzuweisen und dafür zu bezahlen Rechenleistung zuzuweisen und dafür zu bezahlen, um sie nutzen zu können Und habe eine unglaubliche, unglaubliche Erfahrung mit der Entwicklung Da Rechenleistung gefragt ist, viele Unternehmen wie Intel und all die Computerunternehmen Hardware entwickeln, jetzt fortschrittlichere Hardware fortschrittlichere Also ein besserer Prozessor, ein besserer Speicher, eine bessere grafische Verarbeitungseinheit Sie entwickeln viele dieser fantastischen Tools und erstaunlichen Funktionen , die von KI-Entwicklern von uns verwendet werden können , um die Arbeit schneller zu erledigen. Das ist also die Stärke davon. In diesem Zeitalter, in dem wir leben, haben wir eine unglaubliche Chance. Warum? Weil Computer jetzt stark sind, wir jetzt eine Menge Daten haben und wir jetzt eine Menge Zahnfleisch haben, das wir benutzen können Wir befinden uns also in einer perfekten Zeit, einem perfekten Ort, um KI in unserem täglichen Leben, in unseren Unternehmen und allem, was wir tun, einzusetzen in unseren Unternehmen und allem, was wir tun, Ordnung, stellen Sie sich Rechenleistung als einige der Hardware-Dinge vor, die In Ordnung, stellen Sie sich Rechenleistung als einige der Hardware-Dinge vor, die ich tun muss, um den Job zu erledigen, um mir das Leben ohne Probleme zu erleichtern Und das können wir jetzt dank Unternehmen wie Indien, wie Intel, problemlos dank Unternehmen wie Indien, wie Intel, Weil sie uns all diese Dinge zur Verfügung stellen und wir sie einfach ohne Probleme verwenden können. Das ist also etwas, das man im Hinterkopf behalten sollte. Und sie spielen vielleicht eine entscheidende Rolle bei der Entwicklung von A und der Weiterentwicklung von KI. wenn Sie sich an mich erinnern, vor ein paar Jahren hatten wir keine starken Computer und Sie mussten heutzutage viel Geld bezahlen , um einen sehr starken, schnellen Computer zu bekommen, Sie können ihn leicht bekommen, oder Sie können einfach, wenn Sie ein AA-Tool entwickeln, gehen Sie einfach zu einem Cloud-Anbieter, zahlen ihnen etwas Geld, und sie werden Ihnen die Ressource zuweisen , die Sie einsetzen können Ihr KI-Tool und sorgen Sie dafür, dass es funktioniert. Okay, schauen wir uns nun einige Beispiele für Rechenleistung Wir haben Quantencomputer, sind Computertypen , die noch entwickelt werden Es sind fortschrittliche Computer, die superschnell sind und häufig in der Cybersicherheit eingesetzt werden können. Diese eignen sich also auch hervorragend für KI, da sie über eine superschnelle und schnelle Rechenleistung verfügen. Wissen Sie, sie können heutzutage nicht schnell eingesetzt werden , weil sie gerade entwickelt werden. Aber sie sind die Zukunft. Und ich wollte Ihnen nur mitteilen, dass sie existieren und dass sie da draußen sind. Cloud Computing ist der Hauptteil des KI-Entwicklungszyklus. Warum? Weil wir viele Anbieter haben, die uns diese Computer zur Verfügung stellen können. Sie haben Rechenzentren. Sie haben Leute, die diese Rechenzentren verwalten. Und sie stellen uns diese Rechenleistung zur Verfügung und wir zahlen einfach Und sie bieten uns Dienstleistungen für Sie. Also AWS, Microsoft Azure, Google Cloud, all das können sie ohne Probleme für uns tun. Graphische Verarbeitungseinheit. Grafikverarbeitungseinheit, also GPU. Grafikverarbeitung ist ein Tool, eine Hardware , die die Daten sehr schnell verarbeitet. Es ist also in jedem Computer, also haben wir heute auf jedem Computer eine GPU und Text In Vida und anderen Unternehmen, die an GPUs arbeiten, haben wir sehr schnelle GPUs , die die Datenverarbeitung übernehmen können Dank der Weiterentwicklung von GPUs können wir also eine Menge Daten verarbeiten und großartige, großartige Ergebnisse erzielen Wir haben TPUs oder Tensor Processing Units . Dies sind nur KI-gestützte Anwendungen, die von Google entwickelt wurden Google ist also ein Unternehmen, das derzeit beispielsweise ein Tool namens Tensor Flow besitzt beispielsweise ein Tool namens Tensor Flow Es ist eine Bibliothek, die für KI verwendet wird. Sie stellen uns auch TPUs zur Verfügung. Und diese TPUs sind in der Lage , Anwendungen zu erstellen , die speziell für KI konzipiert sind Jedes Mal, wenn Sie über ein KI-System verfügen, können Sie Google TPU verwenden können sie, da es sich um Google-Immobilien handelt, sodass sie hauptsächlich Google Cloud- und Google-Infrastrukturen nutzen können Google Cloud- und Google-Infrastrukturen Und sie können auch eine große, wichtige Rolle in Bezug auf Rechenleistung und KI spielen . Denken Sie also darüber nach, das sind nur Beispiele Sie müssen nicht tief in sie eindringen. Nehmen wir am Ende des Tages an, Sie entwickeln ein Tool. Sie gehen einfach zu einem Cloud-Anbieter wie Google Clouds oder AWS, weisen ihnen einige Ressourcen zu und alles wird erledigt, weil sie bereits über die Infrastruktur verfügen Okay, Quantencomputer sind also sehr, sehr fortschrittlich, sie erledigen die Arbeit für uns Sie werden hauptsächlich für Cybersicherheit verwendet und befinden sich noch in der Entwicklung, sodass wir immer noch nicht wissen, was sie können. Cloud Computing, hauptsächlich die Fähigkeit, mithilfe Cloud-Anbieters enorme Rechenleistung und eines Cloud-Anbieters enorme Rechenleistung und riesige Rechenressourcen zu nutzen Genau wie AWS Zu sind Google Cloud-Grafikprozessoren kleine Hardwareeinheiten, die zur Verarbeitung der Daten verwendet werden Tensor-Verarbeitungseinheiten sind von Google bereitgestellte Verarbeitungseinheiten, die auch an der Analyse der Daten arbeiten Und sie werden hauptsächlich für komplexe Aufgaben eingesetzt. Komplexe I-Aufgabe, okay. 8. Bereitstellung und Wartung in KI: Lassen Sie uns nun über die Bereitstellung und Wartung von Modellen sprechen. Wenn Sie fertig sind und Ihr Tool funktioniert, Ihr KI-Tool, nehmen wir an, Sie entwickeln ein KI-Tool , mit dem Sie beispielsweise Verkäufe im nächsten Monat vorhersagen können. Sie haben also ein Unternehmen und versuchen, Verkäufe für den nächsten Monat vorherzusagen, okay? Was Sie tun können, ist einfach und ohne Probleme ein Tool zu erstellen, ein Tool zu erstellen auf der Grundlage früherer Verkäufe vorhergesagt werden können. Sehr nett, sehr einfach. Was kannst du tun? Was Sie in diesem Fall tun können ist das Tool zu nehmen und es bereitzustellen. Sie müssen das Tool in der Cloud oder auf Ihrem PC oder an einem beliebigen Ort platzieren Ihrem PC oder , an dem es verwendet werden kann und auf das zugegriffen werden kann. Wenn Sie der einzige sind , der es verwenden wird, können Sie es auf Ihrem PC einsetzen und damit arbeiten. Aber wenn Sie den Service so anbieten, dass es Menschen ermöglicht wird, und das ist vielleicht das bedeutendste Beispiel oder die Hauptanwendungen von KI, was Sie in diesem Fall tun können, ist einfach, ohne Probleme, sich an einen Cloud-Anbieter zu wenden. Melden Sie sich also bei AWS oder Google Cloud erstellen Sie ein Konto und kaufen Sie dann einige Ressourcen und nutzen Sie sie. Bereitstellung ist also die Fähigkeit, ein KI-Modell, KI-Tool, das Sie entwickelt haben, ins Internet zu stellen, es in eine Infrastruktur, sagen wir einen Cloud-Anbieter, oder auf Ihren eigenen Computer zu stellen, sodass es von Ihnen oder jedem in Ihrer Umgebung verwendet werden kann, okay? Skalierbarkeit: Jedes Mal, wenn wir über KI nachdenken, gibt es ein sehr, sehr gutes Konzept, das Sie verstehen sollten, nämlich Skalierbarkeit. Sie müssen sicherstellen, dass Ihr KI-Tool auf so viele Benutzer wie möglich skaliert werden kann Sie haben sich eine großartige Idee ausgedacht , ein Tool, mit , ein Tool, dem Unternehmen ihre Verkäufe vorhersagen können Sobald Sie das Tool eingerichtet haben, es beispielsweise mithilfe von Google Cloud auf unserer Website bereitstellen Es sollte skalierbar sein. Es sollte in der Lage sein, das gleiche Leistungsniveau aufrechtzuerhalten , unabhängig davon, wie viele Benutzer das Tool tatsächlich verwenden. Wenn Sie also 100.000 Benutzer haben , die Ihre beiden gleichzeitig verwenden, 1 Million Benutzer, sollte es problemlos funktionieren. Aus diesem Grund wird empfohlen, einen Cloud-Anbieter zu verwenden, da die Arbeit für Sie erledigen kann, ohne dass Probleme bei der Modellüberwachung auftreten. Überwachung von KI-Modellen ist daher unerlässlich, um Probleme zu erkennen und zu beheben, die durch Änderungen in den realen Daten verursacht werden. Es ist also wirklich gut für uns, immer zu überwachen ob unser KI-Tool hervorragende Arbeit leistet , und Feedback vom Benutzer zu erhalten. Sobald Sie also die Verkaufsdaten haben, werde ich zu 100% einsatzbereit sein und perfekt funktionieren. Natürlich werden Sie Feedback von Ihnen erhalten, diese Daten verwenden, sie an das Tool zurückgeben, und das Tool wird sich verbessern und wir werden bessere Arbeit leisten. Das sollten Sie also im Hinterkopf behalten und das ist sehr, sehr wichtig. Dies sind einige Beispiele für Tools zur Bereitstellung und Überwachung. Und ich, das sind nur Tools, also möchte ich nicht, dass Sie sich vielleicht einschüchtern lassen, oder das sind nur Namen einiger Tools, die Sie verwenden können und die alle für die Bereitstellung und Wartung von KI verwendet werden alle für die Bereitstellung und Wartung von KI verwendet Um deine zu nehmen, habe ich es auf den Markt gebracht. Okay, wir haben Docker, ein Open-Source-Tool, Sie Ihre KI problemlos einsetzen können. Wir haben Azure Machine Learning. Es ist auch ein von Microsoft Azure bereitgestellter Cloud-Dienst , mit dem Sie Ihre Tools für maschinelles Lernen bereitstellen können . Okay, Würfel. Es ist auch ein Tool, das mit Docker einhergeht und für Skalierbarkeit verwendet wird Sie haben viele KI-Technologien und Sie haben viele Benutzer, die diese Technologien verwenden Cubans ist ein Tool, das Sie installieren, um sicherzustellen , dass Ihre Benutzer alle mit der Leistung zufrieden sind, wenn, sagen wir, eines Ihrer Tools ausfällt Sie haben problemlos einen Ersatz. Also nur ein Tool zur Aufrechterhaltung der Skalierbarkeit, um Ihre Benutzer glücklich zu machen. Flow ist ein Tool, das zur Wartung verwendet wird. Überwachen Sie also die Wartung und stellen Sie sicher, dass Sie benachrichtigt werden, wenn es einen Puck gibt , damit Sie ihn reparieren können Einige Tools, die installiert werden können und problemlos verwendet werden können, so dass wir für jedes von ihnen einen Task-Docker zur Bereitstellung erstellen können Nehmen wir an, ich bin mit der Arbeit an meinem KI-Tool fertig. Ich möchte es online stellen. Ich kann Docker verwenden. Azure Machine Learning ist ein Unterfeld, sagen wir, ein Unterdienst von Turqets Ich kann einfach zu Azure gehen, diesen Service auswählen und ihn kaufen und meine KI auf Cubonetis, was Sie einen Orchestrator nennen, bereitstellen diesen Service auswählen und ihn kaufen und meine KI auf Cubonetis, was Sie einen Orchestrator nennen, bereitstellen. Es überwacht also quasi alle KI-Dienste , die laufen Und wenn einer unserer Dienste ausfällt, gibt es einen Ersatz. Skalierbarkeit ist ebenfalls vorhanden. Wir haben viele Benutzer, kein Benutzer wechselt, was die Leistung von Betten oder wirklich guter Luftzirkulation für die Überwachung angeht Wir stellen sicher, dass alle Dienste ohne Probleme einwandfrei funktionieren, okay 9. Aufbau eines KI-Projekts: Jetzt ist es an der Zeit, dass wir über den Lebenszyklus des KI-Projekts sprechen . Wie können wir ein KI-Projekt einfach und ohne Probleme von Schritt Nummer eins bis Schritt Nummer fünf erstellen Schritt Nummer eins bis Schritt Nummer ? Wir fangen zuerst an, wir müssen das Problem identifizieren. Also bevor du etwas tust, musst du dich hinsetzen und weißt du was. Lass mich über das Problem nachdenken. Was versuche ich zu lösen? Versuche ich, den Vertrieb zu schützen? Versuche ich Bilder zu verstehen? Versuche ich, ein Tool zu entwickeln, mit dem ich alle Spams reparieren oder entfernen kann, indem ich den Spam herausfiltere Identifizieren Sie außerdem das Problem und verstehen Sie, welche Art von Problem ich damit zu lösen versuche Das ist also ein sehr wichtiger Schritt, denn wenn das Problem, das Sie beheben möchten , nicht klar definiert ist, wird es zu einer Diskrepanz kommen Okay? Erfassung und Aufbereitung der Daten. Sobald Sie das Problem identifiziert haben und genau verstanden haben, was Sie zu lösen versuchen, müssen Sie im nächsten Schritt die Daten sammeln und aufbereiten. Wir müssen anfangen, die Daten zu sammeln. Wenn Sie ein Unternehmen haben, in dem Sie arbeiten, wird es einfach sein. Sie können einfach mit Ihren Kollegen sprechen und die Daten abrufen. Wenn Sie die Daten nicht haben, können Sie sich an einen Open-Source-Datenanbieter wenden. Gehen Sie also online und suchen kostenlosen Daten, die Sie problemlos verwenden können. Also Open-Source-Daten. Wenn Sie die Daten nicht haben, können Sie auch eine Umfrage erstellen, mit Ihren Kunden sprechen und Feedback von ihnen einholen. Sammeln und Aufbereiten der Daten, gesammelte Daten, speichern Sie sie auf Ihrem Computer oder speichern Sie sie bei einem Cloud-Anbieter. Und dann reinige es. Stellen Sie sicher, dass Sie alle Dinge, die Sie nicht benötigen, daraus entfernen. Auswahl und Implementierung eines KI-Modells. Sobald Sie die Daten gesammelt und vorbereitet haben, muss ich im nächsten Schritt ein KI-Modell auswählen und es in meinem Computer implementieren. Also, wie gesagt, KI-Modelle sind online verfügbar, sodass alle KI-Technologien Open Source sind. Wenn es sich also um ein numerisches Tool handelt, können Sie die sellinare Regression verwenden Wenn es sich um eine Entscheidung handelt, können Sie den Entscheidungsbaum verwenden. Wählen Sie einfach diesen Fall aus. Was kann ich verwenden, wenn Sie es erledigt haben? Sie können es einfach implementieren. Wann immer Sie es implementieren, führen Sie es einfach aus. Sie müssen nur auf die Schaltfläche Ausführen klicken, damit das Modell trainiert und bewertet wird. Sobald Sie also ein Modell implementiert haben, müssen Sie nur die Daten nehmen und sie in das Modell einfügen, um es ebenfalls zu trainieren . Sie müssen geschult werden. Sie müssen ihnen die Daten geben, damit Sie die Situation verstehen und auf der Grundlage der Situation Entscheidungen treffen können. Also trainieren wir es und bewerten, ob das Modell gut läuft. Wird es sich korrigieren, wenn es uns ständig die richtige Antwort gibt? Dies sind einige der Fragen, die Sie stellen müssen, und wir verfügen heutzutage über viele kostenlose Tools, mit denen wir die Schulung und auch die Evaluierung durchführen können , sodass Sie sich nicht mit schwerem Heben, Bereitstellen und Warten befassen müssen . Das ist also der letzte Schritt. Wir nehmen das Tool, stellen es online, sagen wir bei einem Cloud-Anbieter. Wenn es offline ist, können Sie es einfach auf Ihren eigenen Computer und auf Ihr Smartphone legen. Stellen Sie es also einfach in einem bestimmten System bereit und beginnen Sie damit zu arbeiten. Und stellen Sie sicher, dass Sie es pflegen. Stellen Sie sicher, dass es sehr, sehr einfach ist , wenn Sie neue Daten hinzufügen . Also fangen wir damit an und definieren das Problem, dann sammeln wir Daten und bereiten die Daten auf. Dann wählen wir aus, welches Modell wir verwenden werden. Wir trainieren es und wir evaluieren es. Und schließlich setzen wir es ein und warten es. Okay. 10. Das Problem identifizieren: Lassen Sie uns nun vielleicht über eine reale Situation sprechen vielleicht über eine reale Situation , in der wir den schrittweisen Ansatz umsetzen werden . Und wir werden verstehen, wie wir KI einfach einsetzen können, um das Problem zu lösen. Wir haben viele E-Mails erhalten und einige davon sind Spam. Und oh mein Gott, wir haben so viele schlechte E-Mails , die wir nicht mögen müssen, wir müssen eine Lösung finden. Wir führen ein kleines Unternehmen als Team. Und wir haben beschlossen, weißt du was, lass uns ein I-Spam-Fett einrichten. Klingt nach einer guten Idee. Und dieses Tool kann auch von unseren Kollegen und anderen Partnern genutzt werden , Beispiel in unseren Unternehmenspartnerschaften mit anderen Unternehmen , die wir haben. Wir haben uns zusammengesetzt und gesagt das Problem ist, dass wir versuchen, ein Tool zu entwickeln , das uns hilft , das Problem des täglichen Empfangs von Spam-E-Mails zu lösen. Okay, wie können wir über das Problem nachdenken? In einem sehr einfachen Diagramm erhalte ich eine E-Mail. Das Tool teilt mir einfach mit, ob es sich um Spam oder Nicht-Spam handelt. Sehr, sehr einfacher Spam, kein Spam. Okay, lassen Sie uns jetzt ein wenig über die Identifizierung des Problems sprechen . Die Aufgabe besteht darin, E-Mails automatisch zu identifizieren und herauszufiltern. Da es sich um ein sehr klassifizierendes Entscheidungsproblem handelt, können wir in diesem Fall den Entscheidungsbaum verwenden. Und es wird zu 100% funktionieren, weil wir eine Entscheidung treffen müssen. Ich habe eine E-Mail erhalten, ist es ein Spa oder nicht? Span Super einfach. Super gut. Also beginnen wir mit der Identifizierung des Problems. Wir möchten die Erkennung von Spa-Bildern in unserem System automatisieren . Wir haben also ein kleines Team und ich möchte nur herausfinden, ob die Bilder unser Unternehmen erhält. Spanne für Spanne. So weit, so gut, den Kontext und die Einschränkungen zu verstehen. Wir müssen also sicherstellen , dass wir diese beiden Punkte verstehen , nämlich den Kontext und die Einschränkung. Also haben wir dafür ein Budget? Wie viel Zeit werden wir brauchen, um das System zu entwickeln? Haben wir Leute, die mich ein bisschen verstehen, die mit KI arbeiten können, die die Arbeit machen können? Wir haben das technische Team, das die Arbeit erledigt. Dies ist auch Teil der Problemidentifikation, um unsere Umwelt zu verstehen. Können wir das machen? Können wir dieses Problem lösen? Ja oder nein, Festlegung einer Erfolgsmetrik. Also müssen wir das für dieses System sicherstellen, damit wir sagen können: Wow, wir haben es geschafft. Unser System funktioniert, wir sind erfolgreich. Was ist unsere Erfolgsmatrix? Verwenden Sie in diesem Fall diese Zufriedenheitsstufe Wir werden die Benutzer also verlassen, sobald sie unser System mit einer Benutzerzufriedenheit nutzen unser System mit einer Benutzerzufriedenheit Sagen wir ein Schnellformular, in dem sie einfach sagen können, ob, ob sie zufrieden sind oder nicht. Also, wenn Sie mit dem System zufrieden sind, geben Sie uns einen Daumen hoch. Wenn nicht, gib uns einen Daumen runter. Okay? Also das sind einige der Fragen, die ich dir nur in die Denkweise bringen möchte , dass du sehr, sehr vereinfacht über KI nachdenkst , okay? 11. Daten sammeln und aufbereiten: Lassen Sie uns nun über das Sammeln und Aufbereiten der Daten sprechen. Also müssen wir zuerst die Daten korrigieren. Nehmen Sie alle E-Mails, die unser Unternehmen erhalten hat. Jeder, jeder Mitarbeiter, der E-Mails in unserem Unternehmen erhält. Wir werden nur die Reinigung korrigieren. Entferne alles, was wir nicht benutzen werden. Bilder aus den E-Mails, wie alles, was nicht relevant sein wird, MGs, was auch immer Säubere sie, stelle sicher, dass nur das Thema und der Text und dann die Daten aufgeteilt werden. Das ist etwas , was ich für diesen Teil der Folien oder des Kurses weggelassen habe für diesen Teil der Folien oder des Kurses Sobald du die Daten hast, musst du deine Daten nehmen und sie in Trainingsdaten und Testdaten aufteilen Trainingsdaten und Testdaten Lassen Sie mich das erklären. Sie geben dem Computer die Lektion, der Computer lernt den Unterschied zwischen Spam- und Nicht-Sperma-E-Mails. Okay, so weit, so gut. Ich bin glücklich. Sobald der Computer gelernt hat, müssen Sie testen, ob der Computer wirklich verstanden hat, was Sie meinten. Nun haben wir kleine Testdaten, wir können sie an den Computer weitergeben und schauen, ob der Computer in der Lage sein wird, zu erkennen, ob es sich bei der E-Mail um Sperma und Nonspam handelt Sobald Sie die Daten gesammelt haben, müssen Sie sie in ein Trainingsset aufteilen Das Training wird also offensichtlich riesig sein. Nehmen wir an, Sie haben 100.000 E-Mails. 70.000 werden dem Computer zum Lernen gegeben. 30.000 werden verwendet , um zu trainieren, zu testen, um zu sehen, ob der Computer wirklich versteht, und das ist dasselbe Konzept im Punktesystem Wir haben also, sagen wir, ein Semester zum Lernen, also lernen wir etwas über Geschichte, darüber gesagt, eine Sprache über Informatik. Und dann gibt es am Ende des Semesters ein Quiz oder eine Prüfung, ein Zwischensemester, ein Finale, ob wir unsere Fähigkeiten testen, ob wir den Stoff tatsächlich bekommen oder nicht. Das ist also dasselbe Konzept wie wir, es wurde dem menschlichen Verhalten nachempfunden Wie Sie deutlich sehen können, teilen wir uns dort, wo wir Daten aufnehmen, in Training und Testen auf, okay? 12. Auswahl und Umsetzung des KI-Modells: Lassen Sie uns nun über die Auswahl und Implementierung des KI-Modells sprechen. Der erste Schritt besteht also darin, das Modell auszuwählen. Wie ich bereits erklärt habe, müssen wir uns also für jede Situation überlegen, welches das beste Modell für diesen Fall für Spam ist. Es ist sehr einfach. Es ist entscheidungsbasiert. Und jedes Mal wir eine Entscheidung treffen, müssen wir denken, okay, denn das ist eine Entscheidung, wir werden einen Entscheidungsbaum wählen weil wir einem Computer einige Daten geben und der Computer denkt Spam, Non-Spam, sehr binäre, sehr einfache Spam- und Non-Spam-Entscheidung und implementiert das Modell, mit dem wir verwenden können, sagen wir zum Beispiel Python, was ein wirklich berühmtes Programmiersprache für die Implementierung dieser Modelle, Give it the data und Python kann die dritte Entscheidung für uns ohne Probleme implementieren. Okay, sobald wir das Modell ausgewählt haben, müssen wir verstehen, welche Tools wir verwenden werden. Natürlich in diesem Fall Programmiersprache. Werden wir Python, Java verwenden? Werden wir ein Online-Tool verwenden , das bereits eine Entscheidung enthält? Drittens, wir werden ihm nur einige Daten geben. sind also einige der Fragen , über die wir als Team nachdenken müssen , bevor wir diese IMO implementieren. 13. Training und Bewertung des Modells: Lassen Sie uns nun ein wenig über das Training und die Evaluierung des Modells nachdenken . Es ist sehr wichtig für uns, über das Training, die Validierung und das Testen nachzudenken . Jedes Mal, wenn Sie über Schulung und Validierung nachdenken, müssen wir uns in eine Situation versetzen , in der alles Sinn macht. Wir beginnen mit der Reinigung des Modells. Wir nehmen die Daten, die wir bereinigen, sagen wir in diesem Fall, Spermien und Spermien geben sie an einen Entscheidungsbaum weiter, das ist das Tool, mit dem wir eine Entscheidung getroffen haben, einfach einen Algorithmus A. Und dann zwischen dem Modell und dem Modell wird der Text aufgerufen und gelesen. Okay, das ist also eine E-Mail, das ist Spam. Das sind die Gönner , die ich in einem Sam gefunden habe. Das ist kein Spam, das ist Y. Und der Computer durchsucht einfach die Daten und findet die Kunden, den Kunden Verstehe, genau wie wir, wie Menschen, verstehen, wie diese Dinge funktionieren Was macht eine Spam-E-Mail aus und was nicht. Okay. Also können wir Spam-Spam aufteilen oder trennen . So weit so gut. Das Modell wird validiert. Sobald wir damit fertig sind, müssen wir sicherstellen, dass das Modell funktioniert, es ausführen, prüfen, ob es funktioniert, ihm eine neue E-Mail geben, schauen, ob es einwandfrei funktioniert. Dann ist der dritte Schritt das Testen des Modells, das wir nehmen müssen. Wenn Sie sich erinnern, nehmen wir unsere Daten und teilen sie zu 70% in Schulungen und zu 30% in Tests auf. Wir nehmen diese 30% und geben sie dem Modell und wir schauen ob das Modell ein Oder, ein Plus, bekommen wird . Also um zu sehen, ob das Modell gute Arbeit leistet oder nicht. Also, ob das Modell alle Fragen richtig beantwortet in diesem Fall alle E-Mails problemlos als Spam oder Non-Spam identifiziert . Wir wissen, dass unser Modell funktionsfähig ist und wir eine hohe Erfolgsquote haben. Und wir können es problemlos einsetzen. Und wir können damit beginnen, es in unserem Unternehmen einzusetzen, wenn das Modell keine gute Arbeit leistet. Warte mal, lass uns mehr Daten sammeln, lass uns mehr daran arbeiten, okay? Das ist also ein wirklich, wirklich guter Prozess. Also das Modell trainieren, das Modell validieren und das Modell testen Das sind drei Schritte, die hier sehr, sehr wichtig sind. Und das sollte nicht ignoriert werden, denn ich weiß, dass es wirklich eine gute oder bewährte Methode ist, Ihr Modell zu trainieren. Geben Sie ihm zunächst die validierten Daten, also führen Sie ihn aus, um zu sehen, ob er funktioniert. Und dann testen Sie es, indem Sie ihm die Testdaten geben , um zu sehen, ob es betriebsbereit ist. In Ordnung. 14. Modellbereitstellung und -Wartung: Lassen Sie uns nun über die Bereitstellung und Wartung Ihres Modells sprechen . Es ist also sehr, sehr wichtig für uns zu verstehen, ob wir das Modell, wenn ich will, getestet und trainiert haben und ob wir die ganze Arbeit gemacht haben ob es lokal verwendet werden soll, also auf unseren Computern innerhalb der Organisation oder im T, oder wir müssen es verwenden, vielleicht ein Cloud-Anbieter wie AWS Sure. Oder einer der Cloud-Anbieter da draußen, der das Modell einsetzt und online mit dem Modell arbeitet. Wir haben also eine Website, nehmen wir an, wir greifen auf alle zusammen und wir verwenden diese Website, um all unsere E-Mails herauszufiltern. Wenn es sich um ein Tool handelt, können wir es auch anderen Unternehmen zur Verfügung stellen. Wir müssen also darüber nachdenken, dass dies nur Entscheidungen sind und die Implementierung sehr einfach ist. Sie müssen nur ein Tool auswählen und es einfach hosten oder Ihr Tool nehmen und es beim Cloud-Anbieter ablegen. Und du bist startklar , sehr einfach. Wenn Sie das Modell also einfach bereitstellen, können Sie in diesem Fall Docker oder Azure Machine Learning in einem der Tools Die Überwachung des Modells ist für uns sehr, sehr wichtig, um das Modell immer zu überwachen, um zu sehen, ob es betriebsbereit ist und ob es funktioniert Was fehlt? Bekommen wir gutes Feedback von den Leuten , die das Modell verwenden? Sind die Leute zufrieden mit dem , was sie mit dem Modell machen? Sind sie begeistert? Haben sie das Gefühl, dass das Modell ihr Leben und ihre täglichen Aufgaben verändert und sie keine Spam-E-Mails mehr erhalten und das Modell beibehalten? Jedes Mal , wenn wir neue E-Mails erhalten, können wir sie dem Model geben. So können wir immer über Spam-E-Mails und Nicht-Spam-E-Mails auf dem Laufenden sein . Jedes Mal, wenn wir Spam-E-Mails erhalten, ist das schwierig. Wir können es einfach dem KI-Modell geben und das AR-Modell wird aktualisiert. Du weißt schon, upgraden, verstehst, oh, du weißt, was das ist. Es gibt einen neuen Benutzer für Spam-E-Mails. Ich werde aufpassen und sicherstellen, dass ich es beim nächsten Mal melde und dem Benutzer helfe. also sehr wichtig , dass Bereitstellung und Wartung mit der Überwachung einhergehen. Also stellen wir das Modell bereit, nehmen wir es, stellen es online, überwachen es und stellen sicher, dass das Modell funktioniert. Wir lassen die Daumen hoch, alle sind glücklich und dann machen wir weiter. Jedes Mal, wenn wir neue Daten erhalten, können wir sie einfach und schnell ohne Probleme an das Modell weitergeben. Okay. 15. KI-Spam-E-Mail-Filter: Schauen wir uns jetzt einfach das Diagramm an , das ich für uns erstellt habe, um zu verstehen, wie der gesamte Lebenszyklus des KI-Spamfilters oder des KI-Tool, das all unsere Spermien filtert , funktioniert. Tipp Nummer eins, Sammeln und Aufbereiten der Daten, die wir verwenden können. In diesem Fall habe ich nur ein Beispiel für die Technologie Python gegeben . Python ist eine sehr mächtige Programmiersprache , die hauptsächlich für KI, Datenanalyse und Datenverarbeitung verwendet wird . Es kann auch zum Sammeln von Daten verwendet werden. Nehmen wir an, Sie haben E-Mails und möchten sie alle sammeln und in einer kleinen Datei oder auf Ihrem Computer lokal oder in der Cloud zusammenstellen in einer kleinen Datei oder . Sie können Python verwenden. Python enthält viele großartige Bibliotheken, die die Arbeit erledigen können, die alle Daten einfach für uns sammeln und die Daten auch in Python aufbereiten können. Wir haben viele Bibliotheken wie Pandas Numpy. Ich kann auf jeden Fall über solche Kurse für Fortgeschrittene sprechen, in denen wir die Daten sammeln und sie dann sehr schnell und sehr einfach bereinigen können die Daten sammeln und sie dann sehr schnell und sehr einfach bereinigen Sobald wir die Daten gesammelt und bereinigt haben, der nächste Schritt darin, ein KI-Modell auszuwählen und zu implementieren. In diesem Fall werden wir einen Decision Treat verwenden, denn wenn wir eine Entscheidung treffen, ist Spam, Spam sehr einfach. Dank Python haben wir eine Bibliothek namens SK Learn oder Psychic Learn, mit der wir das Tool ganz einfach kostenlos zur Verfügung stellen können , ohne etwas zu bezahlen. Das ist wirklich großartig. Python kann auch die Arbeit erledigen, bei der wir das Modell implementieren können, oder das Tool, wenn Sie wollen, um es einfach zu machen, um es für uns einfacher zu machen, und wir können es problemlos verwenden. Sobald wir fertig sind, können wir das Modell einfach trainieren und auswerten. Sobald wir das Modell mit Python implementiert haben, können wir das Modell auch trainieren und auswerten. Python kann den Test auch machen. Wenn Sie nur einen Blick auf das Diagramm werfen , das in den Daten korrekt ist, AR-Modell auswählen und implementieren, das Modell trainieren und auswerten können. All diese Aufgaben werden mit Python erledigt. Python ist ein großartiges Tool, weil es Korrekturen durchführen kann, das AR-Modell implementieren kann und es auch das Training und die Bewertung des Modells durchführen kann. Danke. Es ist also eine erstaunliche Bibliothek in Python. Viele Bibliotheken, viele Tools, wenn Sie so wollen, können von uns als KI-Entwicklern ohne Probleme bei der Implementierung des Modells implementiert werden . Dies ist vielleicht der letzte Schritt, oder vor dem letzten Schritt, wenn Sie so wollen, wo wir das KI-Modell nehmen und es in die Cloud stellen. In diesem Fall habe ich also Microsoft Azure als meinen Cloud-Anbieter ausgewählt, und ich werde einfach mein Modell entfernen. Sobald es funktioniert, habe ich es getestet. Es ist betriebsbereit, es funktioniert ohne Probleme. Nehmen Sie es und stellen Sie es in die Cloud und das ganz einfach und ohne Probleme. Stellen Sie sicher, dass ich es benutze. Stellen Sie sicher, dass es betriebsbereit ist. Vergewissern Sie sich, dass es funktioniert. Natürlich. Vergessen wir nicht, dass wir es warten und sicherstellen müssen , dass es zu 100% ohne Probleme funktioniert. Da wir es nicht pflegen, haben wir möglicherweise ein Problem damit, was in unserem Programm fehlt. Sind unsere Benutzer mit der Ausgabe zufrieden? Das sind also Fragen , die in diesem Fall sehr wichtig sind und die wir beim Einsatz von KI berücksichtigen sollten. Der letzte Schritt, Überwachung und Wartung. In diesem Fall habe ich dir das Logo von Get Lab gegeben. Get as you know ist also ein Tool, mit dem Sie die verschiedenen Änderungen in Ihrem Code und die verschiedenen Änderungen in Ihrer KI oder einer beliebigen Anwendung, die Sie entwickeln, steuern die verschiedenen Änderungen in Ihrem Code und die verschiedenen Änderungen in Ihrer KI können. Die Colso bieten einige Tools, die sich sehr, sehr gut für die Überwachung und Wartung Ihrer KIs eignen Angenommen, es gibt einige Änderungen in Ihrem Code oder in Ihrem KI-Tool Sie können sie einfach begrüßen oder sie problemlos in Ihren Cloud-Anbieter sicherzustellen diesem Fall ist es sehr wichtig und wichtig, Ihr Tool zu pflegen und sicherzustellen, dass Sie jedes Mal, wenn Sie neue Daten erhalten , dem Tool hinzufügen Fall ist es sehr wichtig und wichtig, Ihr Tool zu pflegen und Das war es also für unseren Kurs. Vielen Dank, dass Sie sich die Zeit genommen und den Kurs besucht haben. Ich freue mich sehr, dass du dabei bist, und ich freue mich sehr über deine Zeit. Ich kann es kaum erwarten, Sie in einem Kurs für Fortgeschrittene zu sehen , in dem wir über Python, KI und maschinelles Lernen sprechen und darüber, wie wir sie im täglichen Leben einsetzen können. Vielen Dank und einen schönen, schönen, schönen Tag. Wir sehen uns bald.