
Turkish: 
Tamam, bu yüzden yapay zeka makinesi veri madenciliği veri analizini öğreniyor
kümeleme sınıflandırma verileri ön işleme
Büyük veri
AI ve makine öğrenmesi ve veri verileri hakkında hiçbir şey duymadan şimdi bir yere gitmek zor
Her yerde araştırma var
Her iki yılda bir, daha önce olduğundan daha fazla veri üretmemizi önerdik.
Yani veri miktarı iki yılda bir ikiye katlanıyor, bu kesinlikle ben değilim, astronomik veri miktarını biliyorsunuz.
ama şey elbette ki
Bu veri mutlaka veri tabloları oluşturabileceğiniz herhangi bir şey anlamına gelmez
Ama içlerinde ne olduğunu ve ne anlama geldiklerini anlamadıkça, hiçbir bilgin yok, değil mi?
Yani veriye sahip olmak ile bilgi sahibi olmak arasında bir ayrım var. Yani hepsi çok iyi bir tür olarak evet diyerek
Çok fazla veri üretiyoruz
Ama aslında birçoğu kullanılmıyor, birçoğu sabit diskte oturuyor.

Arabic: 
حسنا ، آلة الذكاء الاصطناعي تعلم تحليل بيانات التنقيب عن البيانات
تجميع تصنيف البيانات قبل المعالجة
البيانات الكبيرة
من الصعب الانتقال إلى أي مكان الآن دون سماع معلومات الذكاء الآلي والتعلم الآلي والبيانات ، على وجه الخصوص
انها البحوث في كل مكان
لقد اقترحنا أن نقوم كل عامين بإنشاء بيانات أكثر من أي وقت مضى
لذا فإن كمية البيانات تتضاعف كل عامين حتى الآن ، وهذا ليس صحيحًا تمامًا ، أنت تعرف مقدار البيانات الفلكية
لكن الشيء بالطبع هو ذلك
هذه البيانات لا تعني بالضرورة أي شيء حقيقة أنه يمكنك إنشاء جداول للبيانات
لكن ما لم تفهم ما فيها وماذا تعني ، فلست لديك أي معرفة ، أليس كذلك؟
لذلك هناك فرق بين امتلاك البيانات وامتلاك المعرفة. لذلك كل شيء يقول نعم بنوع جيد
نحن ننتج كمية هائلة من البيانات
ولكن في الواقع لا يعتاد الكثير منها على وجوده على قرص صلب

English: 
Okay, so artificial intelligence machine learning data mining data analysis
clustering classification data pre-processing
big data
It's hard to go anywhere now without hearing about AI and machine learning and data data, particularly
It's everywhere research
We've suggested that every two years we generate more data than ever existed before
So the amount of data is doubling every two years now, that isn't absolutely am, you know astronomical amount of data
but the thing is of course that
This data doesn't necessarily mean anything the fact you can create tables of data
But unless you understand what's in them and what they mean, you haven't got any knowledge, right?
So there's a distinction between having data and having knowledge. So all very well saying yes as a species
We're producing a huge amount of data
But actually a lot of it doesn't get used a lot of it sits there on a hard disk

Arabic: 
في انتظار قيام شخص ما بالنظر إليه ، وهذا ما نتحدث عنه هنا إذا أردنا استخراج المعرفة من البيانات
سنحتاج إلى بعض الأدوات والعمليات للقيام بذلك بطريقة رسمية ، وهذا هو ما هو علم البيانات ، صحيح و
أشياء مثل التعلم الآلي ومنظمة العفو الدولية لها مكان داخلها
لذا ، إذا قمت بذلك لعملك ، فإن تحليل البيانات سيكون مفيدًا لك
ربما توليد بيانات شركتك وتريد تحليل هذه البيانات؟
ولكن من ناحية أخرى ، ربما كنت مجرد مستهلك والشركات تستخدم البيانات الخاصة بك. إنهم يولدون بيانات عنك
والواقع أنهم يستفيدون من البيانات التي لديك. هذه هي أحيانًا قرارات غيرت الحياة وتُتخذ على بياناتك
وبالتالي ، فمن المفيد معرفة كيف تعمل هذه العملية ، وأنا مثال بسيط للغاية
وهو ما قد تفعله بنفسك حتى لو افترضنا أنك متصل بالإنترنت لحجز بعض الرحلات لقضاء عطلة
ثم قررت أن رحلتين في الواقع عبر مطار وسيط أرخص من رحلة واحدة ، أليس كذلك؟
أنت تقوم بتحليل البيانات
لنفترض أنك تأخذ الكثير من مصادر البيانات المختلفة وتنفذ المسار الأمثل وهذا بالطبع يحدث تلقائيًا أيضًا
حسب موقع الطيران الذي تستخدمه. حسنًا ، إذن هذا النوع من الأشياء تفعله بالفعل

Turkish: 
Birinin bakmasını bekliyorum ve verilerden bilgi çıkarmak istiyorsak, burada konuştuğumuz şey budur.
Bunu resmi bir şekilde yapmak için bazı araçlara ve işlemlere ihtiyacımız olacak ve bu, veri biliminin ne olduğu, doğru ve
Makine öğrenmesi ve AI gibi şeylerin içinde bir yer vardır.
Belki de bunu işiniz için yaparsanız, veri analizi sizin için yararlı olacaktır.
Belki şirketiniz veri üretiyor ve bu verileri analiz etmek istiyorsunuz?
Ama öte yandan, belki de sadece bir tüketicisiniz ve şirketler sizinle ilgili verileri kullanıyor. Senin hakkında veri üretiyorlar
Ve aslında onlar sizin verilerinizden faydalanıyorlar. Bunlar bazen verilerinizde alınan yaşamı değiştiren kararlardır.
Ve bu sürecin nasıl çalıştığını bilmek güçlendirici ve ben çok basit bir örnek
Hangi tatilde rezervasyon yaptırmak için çevrimiçi olduğunuzu varsayalım.
Ve sonra, aslında bir ara havaalanı üzerinden iki uçuşun tek bir uçuştan daha ucuz olduğuna karar veriyorsunuz, değil mi?
Veri analizi yapıyorsun
Birçok farklı veri kaynağını aldığınızı ve en uygun rotayı bulduğunuzu ve bunun elbette otomatik olarak gerçekleştiğini söyleyin
Kullandığınız uçuş web sitesine bağlı olarak. Pekala, zaten yaptığınız bu tür şeyler

English: 
Waiting for someone to look at it and that's kind of what we're talking about here if we want to extract knowledge from data
we're going to need some tools and processes to do this in a formal way and that's that's what data science is, right and
Things like machine learning and AI have a place within it
So perhaps if you do this for your job, then data analysis is going to be useful for you
Maybe your company's generating data and you want to analyze this data?
But on the other hand, perhaps you're just a consumer and companies are using data on you. They're generating data on you
And actually they're profiting from data on you. These are sometimes life-changing decisions that are being made on your data
And so it's empowering to know how this process works and I'm a very simple example
Which you might even do yourself suppose you go online to book some flights for a holiday
And then you decide that actually two flights via an intermediate Airport is cheaper than a single flight, right?
You're doing data analysis
Say you're taking lots of different data sources and working out the optimal route and this of course happens automatically as well
Depending on the flight website that you're using. All right, so this kind of stuff you're already doing it

Turkish: 
Bu sadece bu süreci resmileştirmeye çalışmak durumunda. Peki, başlangıçta listelediğim şeylerden herhangi biri ne anlama geliyor?
İyi bir sorun, herkesin tanımlarının biraz farklı olması.
Ama aynı zamanda, bu terimlerin çoğunun tamamen birbirinin yerine kullanıldığını düşünüyorum. AI klasik örnektir.
Yani AI her yerde doğru konuşmadır
AI’yı gördüğünüz zaman, AI’ya eklenmiş olmadan bir ürünü satın alamazsınız.
Aslında makine öğrenmekten bahsediyoruz
yani makine öğrenmesi biz olduğumuz fikridir
Bir makineyi bir işi açıkça gerçekleştirmeden eğitmek
bunu yapmak için programlama. Makine öğrenmesi olmayan AI'nın güzel bir örneği, bir farenin labirentte olduğu faresini söylesin.
Yaptığınız şey rastgele sola ya da sağa dönmesini söylüyor, hiçbir şey öğrenmiyor
Labirentin ne olduğunu anlamıyor ama sonunda bir tür ilkel yapay zekâ olacak.
Bu hiçbir şey öğrenmeyi içermiyor
Makine öğrenmesi, vermemekle ilgilidir
Buradaysan, sola dönersen sola dönersen sağa dön
Sadece örnekler veriyor ve çoğu görevi kendi başına yapmayı öğreneceğini umuyor, değil mi?

Arabic: 
إنها مجرد حالة محاولة إضفاء الطابع الرسمي على هذه العملية. إذن ماذا يعني أي من الأشياء التي ذكرتها في البداية؟
حسنًا ، هناك مشكلة واحدة وهي أن تعريفات الجميع تختلف قليلاً
لكنني أعتقد أيضًا أن الكثير من هذه المصطلحات تُستخدم بشكل متبادل تمامًا AI هو المثال الكلاسيكي
إذن الذكاء الاصطناعي هو كلام صحيح في كل مكان
لا يمكنك شراء منتج ما دون أن تضيف إليه AI الكثير من الوقت الذي تراه AI
نحن نتحدث في الواقع عن التعلم الآلي
التعلم الآلي هو فكرة أننا
تدريب آلة لأداء مهمة دون صراحة
برمجة ذلك للقيام بذلك. من الأمثلة الجيدة على الذكاء الاصطناعي الذي لا يمثل تعلمًا آليًا أن يقول فأرة في متاهة حيث كل شيء
إنك تقوم بذلك بإخبارها بالتحول إلى اليسار أو اليمين بشكل عشوائي وعدم تعلم أي شيء
لا يفهم ماهية المتاهة ، لكنها ستنتهي في النهاية ، وهذا نوع من الذكاء الاصطناعي البدائي
هذا لا ينطوي على تعلم أي شيء
التعلم الآلي هو عدم إعطائه
الشروط التي لا توضح ما إذا كنت هنا ، انعطف يسارًا إذا كنت هنا ، على اليمين
إنها مجرد إعطاء أمثلة على أمل أن تتعلم أداء معظم المهام بنفسها ، أليس كذلك؟

English: 
It's just a case of trying to formalize this process. So what do any of the things I listed at the beginning mean?
Well one problem is that everyone's definitions differ slightly
But also I think that a lot of these terms are used completely interchangeably AI is the classic example
So AI is everywhere right talk
You can't buy a product without it having been having AI added to it a lot of the time you see AI
We're actually talking about machine learning
so machine learning is the idea that we're
Training a machine to perform a task without explicitly
programming it to do so. A good example of AI that isn't machine learning would be lets say a mouse in a maze where all
You're doing is telling it to turn left or right at random not learning anything
It doesn't understand what the maze is but it will eventually get to the end right that's a kind of rudimentary artificial intelligence
That doesn't involve learning anything
Machine learning is about not giving it
Conditions not saying if you're here turn left if you're here turn, right
It's just giving it examples and hoping it will learn to perform most tasks itself, right?

Turkish: 
Bu nedenle, makine öğrenmesi AI'nın bir alt kümesidir, ancak makine öğrenmesini sık kullanıyorsak, bunlar birbirlerinin yerine kullanılmamalıdır.
Yapacağımız şey onu veri örneklerine göre yetiştirmek.
Böylece, eğitmeye çalıştığımız mevcut bazı veri setlerine sahip olacağız ve makineyi öğrenmeyi ya dağıtmak için kullanmaya çalışıyoruz.
bu veriler hakkında bilgi sahibi olmak veya tahminlerde bulunmak
Sorun, tüm verilerin bir nevi gürültülü ve dağınık olmasına eşit olmamasıdır.
Belki ne olduğunu bilmiyoruz ve ona belirli bir tekniği uygulayıp uygulayamayacağımızı bilmiyoruz.
Sağ. Ve böylece bu verileri temizlememiz gerek. Bu verinin ne olduğunu anlaması ve biraz bilgi edinmemiz gerekiyor.
Böylece bu AI veya makine öğrenme tekniklerini uygulayabiliriz.
Böylece veri alabilen ve daha sonra kullanabileceğimiz veya anlayabileceğimiz bir şekilde hazırlayabilen şeylerin birleşimi
Bu veri bilimi
Bu veri analizini bu kurs boyunca yapmamızın birkaç yolu var.
R kullanabiliriz, Python kullanabiliriz, MATLAB kullanabiliriz. Hepsinin artıları ve eksileri var
R'yi kullanacağız çünkü ücretsiz ve istatistiksel analiz için gerçekten iyi
Bir sürü harika kütüphanesi var.
Python'u gerçekten tanıyorsanız, belki bu tür şeyler için başlamak istediğiniz şey budur.
Ama biz R ile çalışacağımızı biliyoruz.

English: 
So machine learning is a subset of AI but they shouldn't be used interchangeably if we're using machine learning often
What we'll do is we train it based on samples of data
So we'll have some existing data set that we're trying to train on and we're trying to use the machine learning to either tease out
information or make predictions on this data
The problem is that not all data is sort of made equal some of its noisy and messy
Maybe we don't know what it is and don't know whether we can apply a certain technique to it
Right. And so we need to clean this data up. We need to take this data understand what it is and extract some knowledge
So that we can then apply these AI or machine learning techniques to it
So this combination of things that can take data and prepare it in a way that we can then use it or understand it
That's data science
There are quite a few ways we could do this data analysis right throughout this course
We could use R, we could use Python, we could use MATLAB. They all have their pros and cons
We're gonna use R because it's free and it's really good for statistical analysis
It's got loads of great libraries
If you're really familiar with Python, then maybe that's what you want to start with for this kind of stuff
But we know we're going to be working with R

Arabic: 
لذا فإن التعلم الآلي عبارة عن مجموعة فرعية من الذكاء الاصطناعي ، لكن لا ينبغي استخدامها بالتبادل إذا كنا نستخدم التعلم الآلي كثيرًا
ما سنفعله هو تدريبنا على عينات من البيانات
وبالتالي ، سيكون لدينا بعض مجموعة البيانات الموجودة التي نحاول التدريب عليها ونحاول استخدام التعلم الآلي لإثارة غضبنا
المعلومات أو جعل التنبؤات على هذه البيانات
المشكلة هي أنه ليس كل البيانات هي نوع من قدم المساواة في بعض من صاخبة والفوضى
ربما لا نعرف ما هو عليه ولا نعرف ما إذا كنا نستطيع تطبيق تقنية معينة عليه
حق. وبالتالي نحن بحاجة إلى تنظيف هذه البيانات. نحن بحاجة إلى أخذ هذه البيانات لفهم ما هو عليه واستخراج بعض المعرفة
حتى نتمكن من تطبيق تقنيات التعلم الآلي أو الذكاء الآلي على ذلك
لذلك هذا المزيج من الأشياء التي يمكن أن تأخذ البيانات وإعدادها بطريقة يمكننا بعد ذلك استخدامها أو فهمها
هذا علم البيانات
هناك عدد قليل من الطرق التي يمكننا بها إجراء تحليل البيانات هذا خلال هذه الدورة التدريبية
يمكننا استخدام R ، يمكننا استخدام Python ، يمكننا استخدام MATLAB. لديهم كل مزاياها وعيوبها
سنستخدم R لأنه مجاني وهو جيد حقًا في التحليل الإحصائي
لقد حصلت على الكثير من المكتبات الكبيرة
إذا كنت على دراية بيثون ، فربما هذا ما تريد أن تبدأ به لهذا النوع من الأشياء
لكننا نعرف أننا سنعمل مع R

Turkish: 
Burada komut dosyaları yazabildiğimiz ve komut dosyalarını çalıştırabileceğimiz komut dosyası alanımız var. Onları kurtarabilir ve daha sonra tekrar gelebilirsiniz.
İçine koyacağımız konsol, belirli komutları biliyorsun.
çevremize sahip, çevremizi bu olan tüm
Değişkenler ve verilerimiz tutulur ve onlara orada bakabiliriz ve sonra yapabileceğiniz herhangi bir parsel var.
R'de çok fazla farklı parsel var, çok yönlü. Bu burada görünecek
Tamam, muhtemelen veri analizine başlamak için ihtiyacınız olan her şeye sahipsiniz. bana göre
R'ye girmenin en iyi yolu, sadece gitmek için
Bu yüzden sahip olduğu en belirgin şeylerden birkaçına bakacak.
Biraz öğrenme eğrisinin bir kısmı, çünkü sözdizimi biraz sıra dışı.
Programlayabilirseniz iyi olacaksınız
ama olmasa bile
hızlıca oraya gitmelisin. R'de çoğu zaman matrisleri ya da vektörleri ya da
Özel bir matris durumu ya da belki veri çerçeveleri veri çerçeveleri, R'nin nazikçe yapabileceğiniz gerçekten güzel bir yönünü oluşturur.
Sütunlarınız için başlıklarınız dışında, Excel’de bulunabilecek bir tablo gibi düşünün.
öyleyse, bunlardan bazılarına ve belki de bizden önce onlarla yapabileceğimiz bazı şeylere bir göz atalım.
Diğer videolarda biraz daha detaylı görün
örneğin

English: 
We have our script area here where we can write scripts and run scripts. You can save them and then come back to them later
Console where we're going to be putting in, you know specific commands
we have our environment which is where all our
Variables and our data is held and we can look at them there and then we have plots any plots of which you can do
quite a lot of different plots in R, very versatile. That's going to appear down here
Okay, so you've probably got everything you need to get started with data analysis. In my opinion
The best way to get into R is just to kind of have a go
So it's going to look at a few of the most obvious things that it does it has
A little bit of a learning curve only because it's syntax is slightly unusual
If you can program you'll be fine
but even if not
you should get there pretty quickly. Most of the time in R we'll be using either matrices or vectors or
Which are kind of a special case of matrices or maybe data frames data frames a really nice aspect of R which you can kind
Of think of like a table that you might have in in Excel, except you've also got headings for your columns
so let's have a look at some of these things and just a few of the things we can do with them before we perhaps
Go into a little bit more detail in other videos
so for example

Arabic: 
لدينا منطقة النص لدينا هنا حيث يمكننا كتابة البرامج النصية وتشغيل البرامج النصية. يمكنك حفظها ثم العودة إليها لاحقًا
وحدة التحكم حيث سنضعها ، أنت تعرف أوامر محددة
لدينا بيئتنا وهو حيث كل ما لدينا
يتم الاحتفاظ بالمتغيرات وبياناتنا ويمكننا أن ننظر إليها هناك وبعد ذلك نرسم أي مخططات يمكنك القيام بها
الكثير جدا من المؤامرات المختلفة في R ، تنوعا للغاية. هذا سوف يظهر هنا
حسنًا ، لذلك ربما يكون لديك كل ما تحتاجه للبدء في تحليل البيانات. في رأيي
أفضل طريقة للدخول إلى R هي مجرد نوع من الانتقال
لذلك سوف ننظر إلى بعض الأشياء الأكثر وضوحًا التي تقوم بها
قليلا من منحنى التعلم فقط لأنه بناء جملة غير عادي بعض الشيء
إذا كنت تستطيع البرنامج فسوف تكون على ما يرام
ولكن حتى لو لم يكن كذلك
يجب أن تحصل هناك بسرعة كبيرة. في معظم الوقت في R سنستخدم إما المصفوفات أو المتجهات أو
التي هي نوع من حالة خاصة من المصفوفات أو ربما إطارات البيانات إطارات البيانات جانبا لطيفا حقا من R والتي يمكنك الكتابة
فكّر في أن مثل جدول قد يكون لديك في Excel ، باستثناء أنك قد حصلت أيضًا على عناوين لأعمدةك
لذلك دعونا نلقي نظرة على بعض هذه الأشياء وفقط عدد قليل من الأشياء التي يمكننا القيام بها معهم قبل ذلك ربما
انتقل إلى مزيد من التفاصيل في مقاطع الفيديو الأخرى
هكذا على سبيل المثال

Arabic: 
قد نلقي نظرة على المتغير X الذي قمت بإنشائه و X هو تسلسل يمتد من صفر إلى آخر
مضاعفات Pi التي استخدمتها لإنشاء هذه المؤامرة
كان ذلك عبارة عن سطر واحد فقط من التعليمات البرمجية التي أنتجت ذلك واستخدمت ذلك لإنشاء مخططي بالقول بشكل أساسي y يساوي شرط X
وبعد ذلك ببساطة التخطيط أنه إذا كنت ترغب في الحصول على مزيد من التعقيد ، يمكننا البدء في النظر في بيانات المصفوفة
لذلك قمت بإنشاء ملف CSV مع وظيفة غوسية فيه. لذلك أساسا مجموعة ثنائية الأبعاد من
القيم التي تكبر في المركز واضحة للغاية
ملف CSV هو أساسا ملف نصي مع
الفواصل التي تفصل بين هذه القيم من السهل جدًا قراءتها وكتابتها من Excel وغيرها
الحزم وبالتالي فهي في كثير من الأحيان ستجد البيانات يتم تمريرها بهذه الطريقة على الأقل
البيانات متوسطة الحجم ، إذا لم تكن كذلك ، فأنت تعلم أنها ضخمة جدًا. يمكنني تحميل هذا باستخدام وظيفة قراءة ملف CSV
لذلك أستطيع أن أقول بيانات الاسم
الآن ، يكون مشغل السهم مكافئًا بشكل أساسي في R لمشغلي التعيين أو يساوي يساوي يساوي كثيرًا
لكنني أميل إلى محاولة واستخدام هذا واحد. اسمه
أنا ذاهب لتعيين قراءة نقطة CSV والملف سيكون المعيار نقطة نقطة CSV

English: 
We might look at our variable X which I've created and X is a sequence going from 0 all the way up to a few
multiples of Pi which I used to create this plot
That was only one line of code that produced that and I've used that to create my plot by essentially saying y equals sine X
And then just simply plotting that if you wanna get a little bit more complicated we can start looking at matrix data
So I created a CSV file with a Gaussian function in it. So essentially a two dimensional array of
Values that get bigger in the center very straightforward
the CSV file is essentially a text file with
commas separating those values very easy to read and write these out of Excel and other
packages and so they're off you'll often find data is passed around in this way at least
Moderately sized data, if it isn't too, you know to it too huge. I can load this in using my read CSV function
So I can say name data
Now the arrow operator is essentially equivalent in R for the assignment operators or equals equals will often work
But I tend to try and use this one. So namedata
I'm going to assign read dot CSV and the file is going to be norm dot CSV

Turkish: 
Yarattığım X değişkenine bakabiliriz ve X, 0'dan bir kaç taneye kadar giden bir sekanstır.
bu arsa oluşturmak için kullandığım Pi katları
Bu, onu üreten tek bir kod satırıydı ve bunu temel olarak y nin X sinüsüne eşit olduğunu söyleyerek komployu oluşturmak için kullandım.
Ve sonra basitçe, biraz daha karmaşık olmak istiyorsanız, matris verilerine bakmaya başlayabileceğimizi belirtelim.
Bu yüzden içinde Gauss işlevine sahip bir CSV dosyası oluşturdum. Yani aslında iki boyutlu bir dizi
Merkezde çok daha büyük olan değerler çok basit
CSV dosyası esasen bir metin dosyasıdır.
Bu değerleri ayırma virgüllerini Excel ve diğerlerinden okumak ve yazmak çok kolaydır
paketleri ve böylece kapalı olduklarında sık sık verilerin bu şekilde geçirildiğini göreceksiniz
Orta büyüklükte veri, eğer değilse, çok büyük olduğunu da biliyorsunuzdur. Bunu CSV okuma fonksiyonumu kullanarak yükleyebilirim
Böylece isim verilerini söyleyebilirim.
Şimdi ok operatörü, atama işleçleri için eşit olarak R'ye eşdeğerdir ya da eşittir eşit çalışır
Ama bunu kullanmaya çalışıyorum. Yani isim verisi
Nokta nokta CSV'yi atayacağım ve dosya nokta nokta CSV olacak

Turkish: 
Ve bu dosya için bir başlığım yok. Bu yüzden etiketler için üst satırı kullanmak istemiyorum
Yani başlık eşittir diyeceğim
false ve bu isim veriye yüklenmiştir ve bir göz atabiliriz, bu yüzden buradaki isim verisine tıklayacağım ve eğer tıklarsak
Üzerinde görebilirsiniz burada bizim verilerimizin satır ve sütunlar var
Bu dizideki tek tek öğelere bakabiliriz, böylece 3. konumdaki verileri söyleyebiliriz.
sağ
Ve bu üçüncü sırayı alacak ve karşısındaki dördüncü değer bir tanesini boş bırakabilir ve bir bütününe sahip olabilir.
satır veya
Tersine, bunun gibi bir sütunun tamamı ve bu nedenle, değer aralıklarını almak çok kolaydır.
Belirli sütunlara işaret eden belirli sütunlara bakarak belirli sütunları seçerek çok büyük bir veri tablosuna sahipsiniz.
Bu, verilere bakarken R'nin oldukça popüler olmasının nedenlerinden biridir.
Aslında veri çerçevesi denilen bir şeye bakıyor olacağız. Şimdi bir veri çerçevesi. Bir yüküm var bir tane basit bir
Temelde bir değerler tablosu, ancak aynı tip olması gerekecek
Yani bir dizide normalde hepsi yüzer olacak veya hepsi tam sayı olacak. Veri çerçevesinde farklı şeyler olabilir.

Arabic: 
وليس لدي رأس لهذا الملف. لذلك لا أرغب في استخدام الصف العلوي للتسميات
لذلك سأقول أن الرأس يساوي
false ويتم تحميلها في namesata ويمكننا إلقاء نظرة لذلك سأضغط على nameata هنا وإذا نقرت
يمكنك أن ترى أنه يوجد لدينا صفوف وأعمدة بياناتنا هنا
يمكننا أن ننظر إلى العناصر الفردية في هذه المجموعة حتى نتمكن من قول البيانات في الموضع ثلاثة أربعة
حق
وسيكون هذا هو الصف الثالث لأسفل والقيمة الرابعة عبر يمكننا أيضا ترك واحد فارغ ومجرد الحصول على كامل
الصف أو
على العكس من ذلك ، هناك عمود بأكمله مثل هذا ومن السهل جدًا أن تأخذ نطاقات من القيم
لديك جدول ضخم من البيانات يقوم بتحديد أعمدة معينة تبحث في أعمدة معينة تخطط لأعمدة معينة
هذا هو أحد الأسباب التي تجعل R مشهورًا جدًا في كثير من الأحيان عندما تنظر إلى البيانات
سنبحث في الواقع عن شيء يسمى إطار البيانات. الآن إطار البيانات. أنا عندي حمولة واحدة هي مجرد أ
في جوهرها جدول القيم ، ولكن يجب أن يكون من نفس النوع
لذلك في صفيف ، عادة ما تكون جميعها تطفو أو ستكون جميعها أعدادًا صحيحة. في إطار البيانات ، يمكن أن يكون هناك أشياء مختلفة

English: 
And I've got no header for this file. So I don't want it to use the top row for the labels
So I'm going to say header equals
false and that's loaded in namedata and we can have a look so I'm gonna click on namedata here and if we click
On it you can see we've got the rows and the columns of our data in here
We can look at individual elements in this array so we can say data at position three four
right
And that's going to be the third row down and the fourth value across we can also leave one empty and just have an entire
row or
Conversely an entire column like this and so it's very easy to take ranges of values
You've got a huge table of data selecting certain columns looking at certain columns plotting certain columns
This is one of the reasons why R is very popular quite often when you're looking at data
We'll actually be looking at something called a data frame. Now a data frame. I've got a load one up is simply a
In essence a table of values, but it will have to be the same type
So in an array, normally they'll all be floats or they'll all be integers. In a data frame, there can be different things

Arabic: 
لذلك يمكن أن يكون الاسم الأول والأخير بجانب العمر. فمثلا
لذلك قمت للتو بإنشاء ملف CSV صغير جدًا مع بعض الأشخاص العشوائيين فيه. لذلك دعونا تحميل هذا الأمر
لذلك سأقول المسماة
تعيين قراءة CSV
أسماء نقطة
CSV وإذا نظرت إلى بيانات الاسم ، يمكنك أن ترى أن لديها ثلاثة أعمدة
انها حصلت على اللقب الاسم الأول والعمر و
خمسة صفوف وهناك خمسة أشخاص في مجموعة البيانات هذه ، وبعد ذلك يمكنك أن تفعل ما فعلته من قبل ولكن الآن يمكننا أيضًا الفهرسة
من خلال أسماء هذه الأعمدة حتى أستطيع أن أقول أنني أريد جميع الأسماء الأولى على سبيل المثال حتى أستطيع أن أقول nameata
دولار
الاسم الأول وأستطيع أن أرى
جميع الأسماء الأولى المختلفة حتى تتمكن من البدء في الاطلاع على مجموعة البيانات هذه والمزيد من التفاصيل ، بشكل واضح
هذه ليست مجموعة بيانات صغيرة تمامًا ، لكنك حصلت على الفكرة التي يمكنك من خلالها أيضًا النظر في الحالات الفردية
لذلك يمكننا أن نقول بيانات الاسم وأريد فقط الصف الثاني على سبيل المثال بيانات الاسم الصف الثاني
ها نحن ذا بيل جونز وهو يبلغ من العمر 18 عامًا ونحن ننتقل عبر مقاطع الفيديو هذه
سيكون أمرًا شائعًا بالنسبة لنا لتحميله

Turkish: 
Böylece yaşın yanında ad ve soyadını alabilirsin. Örneğin
Bu yüzden içinde rastgele bazı insanlar ile küçük bir CSV dosyası yarattım. Hadi bunu yükleyelim.
Yani isim vereceğim diyeceğim
CSV okuma ata
nokta isimleri
CSV ve ad verilerine bakarsam üç sütun olduğunu görebilirsiniz.
adının soyadı ve yaşı var ve
Beş satır ve bu veri kümesinde beş kişi var ve daha önce yaptığım gibi yapabilirsin ama şimdi de indeksleyebiliriz
Bu sütunların isimlerine göre, örneğin ilk isimlerin hepsini istediğimi söyleyebilirim, böylece isim verilerini söyleyebilirim.
dolar
ilk isim ve görebiliyorum
Tüm farklı isimler, bu veri kümesine ve daha ayrıntılı olarak bakmaya başlayabilmeniz için açıkçası
Bu mutlak küçük veri seti değildir, ancak bireysel örneklere de bakabileceğinize dair bir fikir edinebilirsiniz.
Böylece isim verilerini söyleyebiliriz ve sadece ikinci satırı istiyorum; örneğin isim verilerini ikinci satır
İşte gidiyoruz, Bill Jones ve bu videolar arasında ilerlerken 18 yaşında
Yüklememiz çok yaygın olacak.

English: 
So you could have first and last name next to age. For example
So I've just created a tiny little CSV file with some random people in it. So let's load this up
So I'm going to say namedata
assign read CSV
names dot
CSV and if I look at name data, you can see that it's got three columns
it's got first name surname and age and
Five rows and there's five people in this dataset and then you can do just like I did before but now we can also index
By the names of these columns so I could say I want all of the first names for example so I can say namedata
dollar
first-name and I can see
All the different first names so you can start to look at this data set and more in more detail, obviously
This isn't absolute tiny data set but you get the idea you could also look at individual instances
So we could say name data and I want just the second row for example name data the second row
There we go, Bill Jones and he's 18 years old as we move through these videos
It's going to be very common for us to load in

Turkish: 
Bu formattaki bu gibi veri kümeleri ve ardından bu veri çerçevelerine dayanarak bunları işlemeye başlar. Yani belki bir örnek, değil mi?
öyleyse, çevrimiçi bir perakendeci olduğunuzu ve birinin dükkanınıza girip bazı şeyler aldığını ve belki de sizin
Yaptıklarının ne olduğunu anlamaya çalışmak, böylece denemek ve satın almalarını sağlamak için onlara e-posta gönderelim.
Daha fazla ürün veya onlara önerilen ürünleri ve bunun gibi şeyleri gösterin
Demek davranışlarının bir şeklini denemek ve denemek istiyorsun, değil mi?
Ve sahip olduğun tek şey, sepetlerine ne eklediklerine ve ne aldıklarına tıkladıkları, değil mi?
Yani, bu tür eşyalara baktıklarını ve düzenli olarak bunlara baktıklarını öğrendiniz.
Ve sonra bazen görünüşte tamamen rastgele bir şey satın alırlar ve bu da sepetlerine girip hemen satın alınır.
Belki bir hediye hakkıdır? Belki de onlara insan olarak bağlı değildir.
Yani tüm bu verileri, tüm bu alımları alıyorsunuz.
Ürünler bakıyorlar ve bunu bu kişinin bir tür resmine dönüştürüyorsunuz ve o kişiyi diğerleriyle birlikte kümeliyorsunuz.
benzer şeyler satın alan ve bir sonraki satın almak istediklerini tahmin etmeye çalışan tüketiciler, değil mi?

English: 
Datasets like this in this format and then start to process them based on these data frames. So perhaps an example, right?
so, so let's imagine you're an online retailer and someone comes into your shop and buy some things and maybe they you
Trying to understand what it is what they do so that you can let's say send them emails to try and get them to buy
More products or show them recommended products and things like this
So you want to try and build up a pattern of their behavior, right?
And all you've got is what they click on what they add to their basket and what they buy, right?
So you've learned that they're looking at these kinds of items and they look at these ones regularly
And then sometimes they just buy something completely random seemingly, and that goes in their basket and gets bought straight away
Maybe it's a present right? So maybe it's not tied to them as a person
So you're taking all of this data all of these purchases all of these?
Products are they're looking at and you're turning this into a kind of picture of this person and you're clustering that person in with other
consumers that bought similar things and trying to predict what they want to buy next, right?

Arabic: 
مجموعات البيانات مثل هذا في هذا التنسيق ثم البدء في معالجتها بناءً على إطارات البيانات هذه. لذلك ربما مثال ، أليس كذلك؟
لذلك ، لذلك دعونا نتخيل أنك بائع تجزئة عبر الإنترنت ويأتي شخص ما إلى متجرك ويشتري بعض الأشياء وربما يكون هو أنت
في محاولة لفهم ما هو ما يفعلونه حتى تتمكن من القول إرسال رسائل البريد الإلكتروني لهم لمحاولة الحصول عليها لشراء
المزيد من المنتجات أو إظهارها المنتجات الموصى بها وأشياء من هذا القبيل
إذن أنت تريد أن تحاول بناء نمط من سلوكهم ، أليس كذلك؟
وكل ما لديك هو ما ينقرون على ما يضيفونه إلى سلتهم وما يشترونه ، أليس كذلك؟
لذلك تعلمت أنهم يبحثون في هذه الأنواع من العناصر وينظرون إليها بانتظام
ثم في بعض الأحيان يشترون شيئًا عشوائيًا تمامًا على ما يبدو ، وهذا ينطبق على سلتهم ويتم شراؤه على الفور
ربما هو الحاضر الصحيح؟ لذلك ربما لا يرتبط بهم كشخص
لذلك أنت تأخذ كل هذه البيانات كل هذه المشتريات كل هذه؟
المنتجات التي يبحثون عنها وتقوم بتحويلها إلى صورة من صور هذا الشخص وتقوم بتجميع ذلك الشخص مع الآخرين
المستهلكين الذين اشتروا أشياء مماثلة ويحاولون التنبؤ بما يريدون شراءه بعد ذلك ، أليس كذلك؟

Turkish: 
Ve o zaman onlara bir e-posta gönderdiğinizde, buna bir göz atmanız gerektiğini söyleyin çünkü bu gerçekten iyi ve satın almadınız
Geçen sefer ama bu sefer kesinlikle almak isteyeceksin. Böylece, bazı bilgileri çıkarmak istediğimiz bazı verilerimiz var.
İlk yaptığımız şey nedir?
iyi
Bakmaya başlamalıyız ve bir tür bilgiyi denemeye çalışmalıyız.
Doğru ya da bu verileri analiz etme veri analizi, olup bitenleri denemek ve çalışmak için istatistiksel önlemleri kullanma fikridir.
Bu bir tür döngü. Verileri analiz edeceğiz
Yani bir veri analizi yapacağız ve belki de bazen verileri analiz etmek için istatistik kullanmak yeterli değil
Bununla ilgili her şeyi gerçekten öğrenemezsin
Evet, matematiksel olarak nasıl çalıştığını öğrenebilirsin, bilirsin, ama ne anlama geldiğini anlayamayabilirsin.
Bu yüzden verileri görselleştirmek gerçekten yardımcı olabilir. Öyleyse biz de yapacağız verileri görselleştireceğiz.
Görselleştirme, bu yüzden çalışmayı deneyen komployu çizecek.
trendler ve
Farklı değişkenler ve bunun gibi şeyler arasındaki bağlar ileri geri olma şeklindedir.
Doğru, her ikisini de defalarca yapabilir ve elimizde ne olduğunu bulabilirsin, değil mi?
Yani böyle bir şey yapacaksın. Ve sonra yapacağımız şey, verileri önceden işleyeceğiz.

Arabic: 
وذلك عندما ترسل إليهم رسالة بريد إلكتروني تفيد بأنه يجب عليك إلقاء نظرة على هذا لأن هذه الرسالة جيدة حقًا ولم تقم بشرائها
آخر مرة ولكنك تريد بالتأكيد شرائه هذه المرة. لذلك لدينا بعض البيانات التي نريد استخراج بعض المعرفة
ما هو أول شيء نفعله؟
حسنا
علينا أن نبدأ في النظر في الأمر ومحاولة استخلاص بعض المعلومات
صحيح أو تحليل هذه البيانات تحليل البيانات هي فكرة استخدام التدابير الإحصائية لمحاولة معرفة ما يجري
هذا نوع من الدورة. سنقوم بتحليل البيانات
لذلك سنقوم بتحليل البيانات وربما لا يكون استخدام الإحصائيات لتحليل البيانات في بعض الأحيان كافيًا
لا يمكنك حقا معرفة كل شيء عن ذلك
نعم ، يمكنك أن تتعلم ، كيف تعرف ، كيف تعمل ، ولكنك قد لا تفهم معنى كل ذلك
لذا فإن تصور البيانات يمكن أن يكون مفيدًا حقًا. إذن ما سنفعله أيضًا هو أننا سنصور البيانات
التصور بحيث يتم رسمه بالتخطيط لمحاولة التمرين
الاتجاهات و
الروابط بين المتغيرات المختلفة وأشياء من هذا القبيل وهذه نوع من التراجع والخلف
صحيح ، يمكنك أن تفعل كل من هذه الأشياء عدة مرات والعمل على ما لدينا ، أليس كذلك؟
لذلك سوف تفعل شيئا مثل هذا. ثم ما سنفعله هو أننا سنقوم بمعالجة البيانات مسبقًا

English: 
And that's when you send them an email say you should look at this one because this one's really good and you didn't buy it
Last time but you'll definitely want to buy it this time. So we've got some data we want to extract some knowledge
What's the first thing we do?
well
We have to start to look at it and try and tease out some kind of information
Right or analyze this data the data analysis is the idea of using statistical measures to try and work out what's going on
This is kind of a cycle. We're going to analyze the data
So we're going to do a data analysis and perhaps sometimes just using statistics to analyze the data isn't enough
You can't really learn everything about it
Yes, you can learn, you know, mathematically how it works, but you might not understand about what it all means
So visualizing the data can be really helpful. So what we'll also do is we'll visualize the data
Visualization so that's going to be charting it plotting it trying to work out
trends and
Links between different variables and things like this and these are kind of being back and forth
Right, you could do both of these things numerous times and work out what we've got, right?
So you're gonna do something like this. And then what we're going to do is we're going to pre-process the data

Turkish: 
Genelde, kayıtlarınızı gerçekte ihtiyaç duyduğunuzdan çok daha fazla veri bulursunuz. Sağ. Bu kesinlikle bir çevrimiçi mağaza için geçerlidir
Bir çok ürüne bakacağım
Ama satın almaya son vermedim ve gerçekten bir şey almayacaktım, belki de bir rüya görüyorum ve bir nevi var.
Beni bu beni doğru almaya ikna etmelerinin daha iyi olabileceği şeyleri ortaya çıkarmak için bu bilgiyi kullanmaya ne dersiniz?
Bu, size verileri önceden hazırlayacağınız ve saçma sapan şeyleri gidereceğiniz ve gerçekten yararlı olan şeyleri anlatabileceğiniz
Yani bu ön işleme tabi tutuluyor ve bu bir çeşit analiz ve görselleştirme döngüsü olacak
ve
Ön işleme ve bu şeyleri tekrar edebiliriz ve sonra verilerimizi en kullanışlı şekilde inceleyebilir ve azaltabiliriz.
Yapabileceğimiz bilginin özü
Ve bundan en iyi şekilde yararlanın. Şimdi sadece verileri analiz etmek yeterli olabilir, değil mi?
Şimdi siz bir nevi bilgi edindiniz.
Trendlerin ne olduğunu anlıyorsunuz ve belki de tek istediğiniz buydu. Bu bazen böyle olur
Belki de aslında yapmak istediğimiz şeyleri biraz daha ileri götürmek.
Bu sistemi denemek ve modellemek ve daha sonra ne olacağını tahmin etmek için makine öğrenmeyi veya modellemeyi kullanacağız.
Mesela bir çevrimiçi mağaza durumunda
Bundan sonra insanların ne alacağını tahmin etmeye başlamak isteyebiliriz ve bunu yapabilir miyiz

Arabic: 
غالبًا ما ستجد بيانات تسجيلك أكثر بكثير مما تحتاجه بالفعل. حق. هذا صحيح بالتأكيد من متجر على الانترنت
سأبحث عن الكثير من المنتجات
لكنني لا ينتهي بالشراء ولم أكن سأشتري حقًا. أعرف أني ربما حلم رائع ولديهم نوع ما
للتخلص من هذه المعلومات للعمل على معرفة ما الذي قد يقنعني بالشراء بشكل صحيح؟
إذاً هذا سيذهب إلى معالجة البيانات الأولية وإزالة الهراء والتمرير وصولاً إلى الأشياء المفيدة حقًا
لذلك هذا هو مرحلة ما قبل المعالجة وهذا سيكون نوعا من دورة التحليل والتصور
و
ما قبل المعالجة ويمكننا تكرار هذه الأشياء ومن ثم يمكننا حقًا البحث عن بياناتنا وتقليصها إلى أكثر أنواع الاستخدام
جوهر المعرفة التي نستطيع
والحصول على أقصى استفادة منه. الآن قد يكون مجرد تحليل البيانات يكفي ، أليس كذلك؟
لقد حصلت الآن على بعض المعرفة
أنت تفهم نوع الاتجاهات وربما كان هذا هو كل ما تريد القيام به. هذا هو الحال في بعض الأحيان
ربما في الواقع ما نريد القيام به هو اتخاذ أشياء أبعد قليلاً
سنستخدم التعلم الآلي أو النمذجة لمحاولة تصميم هذا النظام والتنبؤ بما سيحدث بعد ذلك؟
هكذا على سبيل المثال في حالة متجر على الانترنت
قد نود أن نبدأ في التنبؤ بما سيشترى الناس بعد ذلك وإذا كان بإمكاننا فعل ذلك

English: 
Often you'll be finding your recording much more data than you actually need. Right. This is certainly true of an online shop
I'm going to be looking at a lot of products
But I don't end up buying and I was never really going to buy I know maybe a pipe dream and they've got a sort
Of weed out this information to work out what it is that they might actually better convince me to buy right?
So this is going to you going to preprocess data and remove a nonsense and drill right down to the stuff that's really useful
So this is pre-processing and this is going to be a kind of cycle of analysis and visualization
and
Pre-processing and we can repeat these things and then we can really drill down and whittle down our data into the most usable sort of
Core of knowledge that we can
And get the most out of it. Now it may be that just analysing the data is enough, right?
You've now sort of you've obtained some knowledge
You kind of understand what the trends are and maybe that was all you wanted to do. That's sometimes the case
Maybe actually what we want to do is take things a little bit further
We're going to use machine learning or modeling to try and model this system and predict what's going to happen next?
So for example in the case of an online shop
We might want to start predicting what people are going to buy next and if we can do that

Turkish: 
İşte o zaman bu e-postaları gönderebilir veya önerilen öğelerinde bir şeyleri işaretleyebilir ve örnek olarak daha fazla satış yapabiliriz.
DIY araçlarına bakmak için birisinin çok zaman harcadığını düşünelim. Son zamanlarda taşınan bir ev olduğunu biliyorum
DIY yaparak çok zaman geçirdim ve her zaman yeni araçlar almaya çalışıyorum çünkü iyi bir fikir gibi görünüyor
Yani, bilirsin, belki belli bir testere alırım ve sonra birkaç ay sonra anlarsın. Beni tavsiye etmeye başladılar
biraz farklı bir testere
Bu biraz farklı bir amaca hizmet ediyor, birdenbire kesinlikle yapmam gerekiyor ve başka bir tane daha düşünüyorum.
Belki bunu satın alırım ve sonunda 10 testerem vardır ve testerelerin nasıl kullanılacağını bilmiyorum
Ama biliyorsunuz, perakendecilerin işi bitti
Bu verileri çıkarmak istiyorsak
Bu sistemi modellemek ve şu an için öngörülerde bulunmak için makine öğrenmeyi veya modellemeyi kullanacağız
Örneğin, verileri bir araya toplayabiliriz. Satın alma geçmişimi benzer kişilerle ilişkilendirebiliriz. Ne alıyorlar?
Bunları da satın almaya cazip gelebilir miyim?
Belki başka birinden çok farklıyım
Bu yüzden bana belli ürünler önermek iyi bir fikir değil çünkü bu şeyleri satın almak pek mümkün değil
Belki tıbbi alanda farklı bir örnek kullanın

Arabic: 
وذلك عندما نتمكن من إرسال هذه الرسائل الإلكترونية أو الإبلاغ عن الأشياء في العناصر الموصى بها والحصول على المزيد من المبيعات كمثال
دعنا نتخيل أن شخصًا ما قضى الكثير من الوقت في البحث عن أدوات DIY الصحيحة. لقد كنت تعرف منزل انتقلت مؤخرا
قضيت الكثير من الوقت في القيام بالأعمال اليدوية وأحاول دائمًا شراء أدوات جديدة لأنها تبدو فكرة جيدة
لذا ، كما تعلمون ، ربما أشتري نوعًا معينًا من المناشير وبعد ذلك تعرفون بعد بضعة أشهر. لقد بدأوا في التوصية بي
نوع مختلف قليلا من المنشار
الذي يخدم غرضًا مختلفًا قليلاً ، فجأة ، أنا بالتأكيد بحاجة إلى القيام به وأعتقد أن هناك غرضًا آخر نعم
ربما سأشتري ذلك وبعد ذلك لدي 10 مناشير ولا أعرف كيفية استخدام أي من المناشير
لكنك تعلم أن مهمة تجار التجزئة تتم
إنه إذا أردنا استخراج هذه البيانات
سنستخدم التعلم الآلي أو النمذجة لوضع نموذج لهذا النظام ووضع توقعات في الوقت الحالي
على سبيل المثال ، يمكننا تجميع البيانات معًا. يمكننا ربط سجل الشراء الخاص بي بأشخاص متشابهين. ما الذي يشترونه؟
هل يمكنني إغراء شراء هذه الأشياء أيضًا ، أليس كذلك؟
ربما أنا مختلفة جدا عن شخص آخر
وبالتالي ، ليس من الجيد أن أوصي ببعض المنتجات لأنني من غير المحتمل أن أشتري هذه الأشياء
ربما استخدم مثالًا مختلفًا في المجال الطبي

English: 
That's when we can send out these emails or flag things in their recommended items and get many more sales as an example
Let's imagine that someone has spent a lot of time looking at DIY tools right. I've you know recently moved house
I spent a lot of time doing DIY and I'm always trying to buy new tools because it just seems like a good idea
So, you know, maybe I buy a certain kind of saw and then you know a few months later. They're starting to recommend me
a slightly different kind of saw
that serves a slightly different purpose that suddenly I definitely need to be doing and I think another yeah
Maybe I will buy that and then the end I have 10 saws and I don't know how to use any of the saws
But you know, the retailers job is done
It's if we want to extract this data
We're going to use machine learning or modeling to put to model this system and make predictions right now
So for example, we could cluster the data together. We could link my purchase history with similar people. What are they buying?
Can I be tempted to buy those things as well, right?
Maybe I'm very different from someone else
And so it's not a good idea to recommend me certain products because I'm unlikely to buy those things
Perhaps use a different example in the medical domain

Arabic: 
من الشائع جدًا تصنيف الأشخاص إلى فئات من المخاطر ، حتى يمكننا استخدام العلاجات الوقائية
لذلك في كل مرة أذهب فيها إلى طبيب سيقومون بجمع بيانات عني حول ما لا أستطيع مواجهته
ما هو حاليا واحد معي؟ وما هو الخطأ معي من قبل و؟
الجمع بين ذلك معكم تعرف البيانات القياسية
مثل كم ممارسة شخص ما ، وأنت تعرف تاريخ عائلاتهم و
كيف ما مستويات التوتر لديهم وأشياء من هذا القبيل؟
يمكننا الجمع بين كل هذه الأشياء لتقديم تنبؤات حول ما كانوا معرضين لخطر في المستقبل
لذلك ، أنت تعرف أمراض القلب أو أي شيء آخر مثل هذا. يمكن أن ينقذ حياة شخص ما
إذا لاحظت أنهم معرضون لخطر شيء معين ، يمكنك حقًا أن تنصح هذا الشخص بأن تعرفه
زيادة مستوى ممارستها أو تغيير نظامهم الغذائي. هناك مصطلحان آخران نواجههما ، هل تعرفين الكثير ، أليس كذلك؟
لذلك هناك تنقيب عن البيانات والبيانات الكبيرة الآن
لست متأكدًا حقًا ما هو التنقيب عن البيانات لأنني لا أعتقد أن أي شخص هو قليلاً. انها قليلا من الكلمة الطنانة
حقا ما هو التنقيب عن البيانات هو مزيج من المعالجة المسبقة لبياناتك وربما استخدام التكتلات لاستخراج بعض المعرفة منها ، أليس كذلك؟
إذاً هذه هي الكلمة التي نستخدمها بدلاً من تلك الأشياء ، أليس كذلك؟

Turkish: 
İnsanları risk kategorilerine göre sınıflandırmak oldukça yaygındır, bu yüzden önleyici tedavileri kullanabiliriz
Bu yüzden her doktora gittiğimde baş edemediklerimle ilgili veri toplayacaklar.
Şuanda bende ne var? Ve daha önce bende yanlış olan neydi?
Bunu, standart verileri bildiğinizle birleştirin
Birinin ne kadar egzersiz yaptığını ve aile geçmişini bildiğini ve
Stres seviyeleri ve bunun gibi şeyler nasıl?
Gelecekte risk altında olduklarını tahmin etmek için bütün bunları birleştirebiliriz.
Yani, kalp hastalığını veya bunun gibi başka bir şeyi biliyorsunuz. Birisinin hayatını kurtarabilir
Belirli bir şey riski altında olduklarını anlarsanız ve o kişiyi gerçekten bilmenizi tavsiye edersiniz
Egzersiz seviyelerini arttırın veya diyetlerini değiştirin. Karşılaştığımız iki terim daha var, değil mi?
Yani şu anda veri madenciliği ve büyük veri var
Veri madenciliğinin ne olduğundan emin değilim çünkü kimsenin biraz olduğunu sanmıyorum. Buzzwordden bir parça
Gerçekten de veri madenciliği nedir, verilerinizi ön işlemden geçirme ve belki de bazı bilgileri çıkarmak için kümelemeyi kullanmak bir kombinasyondur, değil mi?
Demek bizim türümüz bu şeylerin yerine kullanılmaya başlanmış bir kelime, değil mi?

English: 
It's quite common to classify people into kind of risk categories, right so that we can maybe use preventative treatments
So every time I go to a doctor they're going to collect data on me on what I can't cope
What's currently one with me? And what was wrong with me before and?
Combine that with with you know standard data
like how much exercise someone does and you know their family history and
How what their stress levels are and things like this?
We can combine all these things to make a prediction as to what they were at risk of in the future
So, you know heart disease or something else like this. It could save someone's life
If you spot that they're at risk of a certain thing and you can really advise that person to you know
Increase their level of exercise or alter their diet. There are two other terms that we come across, you know a lot, right?
So there's data mining and big data right now
I'm not really sure what data mining is because I don't think anyone is it's a bit. It's a bit of a buzzword
Really what data mining is is a combination of pre-processing your data and maybe using clustering to extract some knowledge from it, right?
So that's our sort of it's a word that's come to be used in place of those things, right?

Turkish: 
Birisi veri madenciliği yaptıklarını söylüyorsa, yaptıkları şey budur. Ön işleme tabi tutuyorlar ve verilerinden bazı bilgiler alıyorlar
Bir gece, harika bir son söz. Aslında hiçbir şey madenciliği yapmıyorsun, değil mi?
Sen sadece herkesin verilerde ne yaptığını yapıyorsun. Büyük veri, belki birçok örnek topladığımız fikridir.
bir şey
Büyük bir sayı biliyorsunuz ya da örneklerimizin her biri oldukça karmaşık ve bu durumda birçok değişkene sahip.
Elimizdeki veri miktarı biraz garip değil mi?
Bu yüzden belki de büyük verilerin, dizüstü bilgisayarınızda çalışan bir bulut hesaplama kullanıyormuş gibi çalıştırabileceğiniz bir veri olmadığını söyleyebilirim.
Altyapı veya kesinlikle paralel işleme bu verileri önceden işlemek ve analiz etmek için bir şekilde
Tam olarak çizginin tam olarak neresinde, ne kadar büyük. Bilmiyorum ama tam olarak çizgiyi bir şekilde çizdiğimiz yer
Bu gerçekten önemli değil, doğru olan fikir şu ki
Bir tür olarak sahip olduğumuz veri miktarı artık daha fazla üretiyor ve verilerimizin daha fazlası büyük veriler haline geliyor
Ama kesin olarak kesimin nerde olduğunu biliyorsun, bu gerçekten önemli değil.
Veri doğru nedir? Veri olduğuna eminim

Arabic: 
إذا قال شخص ما إنه يقوم باستخراج البيانات ، فهذا ما يفعله. إنهم يقومون بمعالجة واستخراج بعض المعرفة من بياناتهم مسبقًا
إنها ليلة إنها كلمة رائعة. أنت لا تستدين أي شيء حقًا ، أليس كذلك؟
أنت تفعل فقط ما يفعله الجميع على البيانات. البيانات الضخمة هي فكرة أننا ربما جمعنا الكثير من الأمثلة عليها
شيئا ما
أنت تعرف أن عددًا كبيرًا أو أن كل مثال من الأمثلة معقدة للغاية ولديها الكثير من المتغيرات في هذه الحالة
كمية البيانات التي لدينا هي نوع من غير عملي ، أليس كذلك؟
لذلك يمكنني القول أن البيانات الضخمة ليست بيانات يمكنك تشغيلها على الكمبيوتر المحمول الخاص بك كما لو كنت تستخدم الحوسبة السحابية
بنية أساسية أو معالجة متوازية بالتأكيد بطريقة ما قبل المعالجة وتحليل هذه البيانات
صحيح بالضبط أين الخط ، وكم هو كبير. لا أعرف ولكن أين بالضبط نرسم الخط في بعض الطرق
ليس من المهم حقًا ، صحيح أن الفكرة تكمن في ذلك
كمية البيانات التي ننتجها نحن الآن كأصناف أكثر وأكثر أصبحت بياناتنا بيانات كبيرة
لكنك تعرف بالضبط أين لا يكون الأمر غير مهم
ما هي البيانات الصحيحة؟ أنا متأكد من أن هذه البيانات

English: 
If someone says they're doing data mining, that's what they're doing. They're pre-processing and extracting some knowledge from their data
It's a night it's a cool sounding word. You're not actually mining anything, right?
you're just doing what everyone else does on data. Big data is the idea that maybe we've collected a lot of examples of
something
You know a huge number or each of our examples is quite complicated and it has a lot of variables right in that case
The amount of data we've got is sort of unwieldy, right?
So I would argue perhaps that big data is not data that you can run on your laptop like you might be using cloud compute
Infrastructure or certainly parallel processing in some way to to pre-process and analyze this data
Right so exactly where the line, how big is big. I don't know but exactly where we draw the line in some ways
It's not really important, right the idea is just that
The amount of data we as a species are now producing more and more of our data is becoming big data
But you know exactly where the cutoff is isn't it's not doesn't really matter
What is data right? I'm pretty sure that's data

Arabic: 
هل هذه البيانات صحيحة؟ هذه الصورة أو تلك البيانات
هل هذه البيانات؟ ما هي البيانات؟

English: 
Right is this data? this picture or that data
Is this data? What what is data?

Turkish: 
Bu veri doğru mu? bu resim veya bu veri
Bu veri mi? Veri nedir?
