Buckets:
مقدمهای بر گریدیو[[introduction-to-gradio]]
در این فصل یاد میگیریم چگونه برای مدلهای یادگیری ماشین خود دموهای تعاملی بسازیم.
اصلاً چرا باید برای مدل یادگیری ماشین خود دمو یا رابط کاربری گرافیکی بسازیم؟ دموها به افراد زیر اجازه میدهند:
- توسعهدهندگان یادگیری ماشین بهسادگی کار خود را برای مخاطبان گسترده، از جمله تیمها یا مشتریان غیر فنی، ارائه کنند
- پژوهشگران مدلها و رفتار یادگیری ماشین را آسانتر بازتولید کنند
- آزمایشکنندگان کیفیت یا کاربران نهایی نقاط شکست مدلها را آسانتر شناسایی و اشکالزدایی کنند
- کاربران گوناگون سوگیریهای الگوریتمی را کشف کنند
برای ساخت دموها از کتابخانهی گریدیو استفاده میکنیم. گریدیو به شما اجازه میدهد برای هر مدل یادگیری ماشین، دموهای وبمحور را کاملاً با پایتون بسازید، سفارشی کنید و به اشتراک بگذارید.
در اینجا چند نمونه از دموهای یادگیری ماشین ساختهشده با گریدیو را میبینید:
یک مدل تشخیص طرح که طرحی را دریافت میکند و برچسبهایی دربارهی چیزی که فکر میکند ترسیم شده است خروجی میدهد:
یک مدل پاسخگویی استخراجی به پرسش که پاراگرافی از متن و یک پرسش را دریافت میکند و پاسخ و امتیاز احتمال را خروجی میدهد (این نوع مدل را در فصل ۷ بررسی کردیم):
یک مدل حذف پسزمینه که یک تصویر را دریافت کرده و تصویر را با پسزمینه حذف شده خروجی میدهد:
این فصل به بخشهایی تقسیم شده است که هم مفاهیم و هم کاربردها را شامل میشوند. پس از یادگیری مفهوم هر بخش، آن را برای ساخت نوع مشخصی از دمو، از دستهبندی تصویر تا تشخیص گفتار، به کار میبرید. تا پایان فصل میتوانید این دموها و نمونههای بسیار دیگری را فقط با چند خط کد پایتون بسازید.
👀 برای دیدن نمونههای جدید فراوان از دموهای یادگیری ماشین ساختهشده توسط جامعه، فضاهای هاگینگفیس را بررسی کنید!
Xet Storage Details
- Size:
- 3.07 kB
- Xet hash:
- 63c7a1c75f1afb133f06ebb40e80244a556bd5a328afe761a36bb486b15e5910
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.