در این مطلب، ویدئو نحوه طبقه بندی جنسیت با استفاده از نام ها با یادگیری ماشینی در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,120 –> 00:00:01,800
سلام به همه خوش آمدید دوباره
2
00:00:01,800 –> 00:00:03,330
نام من جسی است و در این
3
00:00:03,330 –> 00:00:05,609
آموزش فوق العاده در مورد نحوه انجام
4
00:00:05,609 –> 00:00:07,710
درست طبقه بندی کلی نام ها صحبت می کنیم، به طوری
5
00:00:07,710 –> 00:00:10,830
که چگونه می توان
6
00:00:10,830 –> 00:00:13,380
جنسیت یک بازدارنده را با توجه به نام آنها پیش بینی یا تشخیص داد،
7
00:00:13,380 –> 00:00:15,900
بنابراین ما قبلاً می دانیم که اکثر
8
00:00:15,900 –> 00:00:19,320
نام های زنانه دارای a و سپس E به عنوان ایده پایان یافته
9
00:00:19,320 –> 00:00:22,560
کلاس ویزا برای ایجاد یا
10
00:00:22,560 –> 00:00:25,619
آموزش الگوریتم یادگیری ماشینی ما به گونه ای که
11
00:00:25,619 –> 00:00:29,099
قادر به تشخیص و پیش بینی دستور کار با
12
00:00:29,099 –> 00:00:30,779
توجه به نام بدنه باشد، بنابراین اول از همه شما مهم این است
13
00:00:30,779 –> 00:00:33,329
که یک بسته پانداس و داوران چقدر آسان است.
14
00:00:33,329 –> 00:00:35,460
سپس چون
15
00:00:35,460 –> 00:00:37,200
با لینکها کار میکنید، باید
16
00:00:37,200 –> 00:00:39,390
ویژگیها را از تست استخراج کنید، نام آنها را بنویسید
17
00:00:39,390 –> 00:00:40,379
تا
18
00:00:40,379 –> 00:00:42,690
بردار را آسان بشماریم و سپس TransAm را غوطهور کنیم،
19
00:00:42,690 –> 00:00:45,570
میتوانید از tfiid نیز استفاده کنید، اما
20
00:00:45,570 –> 00:00:47,420
ترجیحاً ما از این دو استفاده کنیم،
21
00:00:47,420 –> 00:00:51,539
پس حالا بیایید دوباره ادامه دهیم. برای بارگذاری
22
00:00:51,539 –> 00:00:54,030
در آزمایش، بنابراین من سه مجموعه داده از
23
00:00:54,030 –> 00:00:56,129
این سرمایه گذاری روی من دارم که حدود 25
24
00:00:56,129 –> 00:00:58,350
مگابایت است و سپس این یکی در مورد
25
00:00:58,350 –> 00:01:01,980
بیمار یکپارچه یا ناتوانی آنها برای
26
00:01:01,980 –> 00:01:03,420
پیش بینی روی شما دو نفر است، بیایید از دیگری استفاده کنیم
27
00:01:03,420 –> 00:01:08,510
شما به هر حال باید آن را ارزیابی کنید خیلی عالی است،
28
00:01:08,510 –> 00:01:12,360
پس حالا بیایید آن را بررسی کنیم و ببینیم که شما
29
00:01:12,360 –> 00:01:14,250
نام هایی مانند این دارید مری آنا
30
00:01:14,250 –> 00:01:17,400
اما، اینها همه نام های انگلیسی هستند، بنابراین
31
00:01:17,400 –> 00:01:19,320
شما از آن بیابان استفاده می کنم،
32
00:01:19,320 –> 00:01:21,810
بسیار خوب، بنابراین اول از همه می توانید بررسی کنید
33
00:01:21,810 –> 00:01:24,000
برای اندازه آن و حدود بیست و هشت است که
34
00:01:24,000 –> 00:01:27,240
پانصد و هفتاد و هفتاد و پنج را پوشش می دهد
35
00:01:27,240 –> 00:01:30,630
که بسیار بزرگ است، بنابراین بیایید سعی کنیم ببینیم
36
00:01:30,630 –> 00:01:33,000
کجا داده های ما تمیز هستند و آماده
37
00:01:33,000 –> 00:01:35,280
کار با آن هستند، بنابراین با انجام این کار
38
00:01:35,280 –> 00:01:37,549
ستون هایی را که در سرنوشت دارید بررسی کنید.
39
00:01:37,549 –> 00:01:41,220
بوسه سکسی خوب بررسی کنید که انواع آن
40
00:01:41,220 –> 00:01:43,619
ها اعداد صحیح هستند و باعث می شود که این
41
00:01:43,619 –> 00:01:45,570
عدد صحیح باشد، اما به این دلیل که شما با آن کار خواهید
42
00:01:45,570 –> 00:01:48,509
کرد زیرا اکثر
43
00:01:48,509 –> 00:01:51,090
الگوریتم های یادگیری ماشینی به شما می گویند که کدام کارت حافظه
44
00:01:51,090 –> 00:01:53,159
درست است، بنابراین شما باید این جنسیت
45
00:01:53,159 –> 00:01:55,979
و من را به داده های عددی تبدیل کنید. به
46
00:01:55,979 –> 00:01:58,280
یک اعتبار، بنابراین تمام شده است، بیایید بررسی
47
00:01:58,280 –> 00:02:02,969
کنیم والدین اجسام گمشده را
48
00:02:02,969 –> 00:02:04,409
بررسی کنیم برای مقادیر از دست رفته، هیچ مقدار گمشده ای وجود ندارد
49
00:02:04,409 –> 00:02:06,390
که خوب است،
50
00:02:06,390 –> 00:02:09,628
بیایید این تعداد پنجره را در داده های خود در نظر
51
00:02:09,628 –> 00:02:11,910
بگیریم، ما حدود 18000 پنجره داریم که بسیار زیاد است.
52
00:02:11,910 –> 00:02:12,810
برای جدید
53
00:02:12,810 –> 00:02:16,230
10000 است حالا اجازه دهید روی TFP Mosconi کلیک
54
00:02:16,230 –> 00:02:19,740
کنم، سپس تمام زنانم را به عنوان
55
00:02:19,740 –> 00:02:21,810
صفر و سپس همه وعده های غذایی ام را به عنوان 1 درست جایگزین می کنم
56
00:02:21,810 –> 00:02:23,819
زیرا می خواهیم آنها را به
57
00:02:23,819 –> 00:02:27,510
رهبر مکه تبدیل کنیم، بنابراین وقتی این کار را انجام می دهم مانند این
58
00:02:27,510 –> 00:02:29,670
استاد اکنون اگر من هستم بررسی کنید که منحصربهفرد
59
00:02:29,670 –> 00:02:31,410
به ما کیفیت میدهد که
60
00:02:31,410 –> 00:02:33,989
اپل صفر است و سپس یک تا صفر برای خانمها
61
00:02:33,989 –> 00:02:36,000
و یکی برای وعدههای غذایی، بنابراین بیایید
62
00:02:36,000 –> 00:02:38,520
حملاتی را بررسی کنیم که جنسیت به عدد صحیح تغییر کرده است،
63
00:02:38,520 –> 00:02:40,470
بنابراین اکنون میتوانیم
64
00:02:40,470 –> 00:02:41,790
با آن کار کنیم. آیا قرار است
65
00:02:41,790 –> 00:02:44,010
با نامها کار کنید، پس چگونه
66
00:02:44,010 –> 00:02:45,989
با نامها کار کنیم، چگونه آنها را
67
00:02:45,989 –> 00:02:48,720
به دادههای عددی تبدیل کنیم تا بتوانیم با آنها کار
68
00:02:48,720 –> 00:02:50,730
کنیم که ویژگیها را از سمت راست استخراج کنیم،
69
00:02:50,730 –> 00:02:52,920
بنابراین من وظایف را به عنوان ویژگی
70
00:02:52,920 –> 00:02:56,160
و سپس بعد از آن اضافه میکنم. که از ما پرسیده می شود که آیا
71
00:02:56,160 –> 00:02:58,470
تماس می گیرد یا نوع توالت را مقداردهی اولیه کنید
72
00:02:58,470 –> 00:03:00,569
و سپس به جا می روید و سپس
73
00:03:00,569 –> 00:03:03,420
این ویژگی های s را تغییر می دهید
74
00:03:03,420 –> 00:03:06,420
که نام هایی هستند که یا به
75
00:03:06,420 –> 00:03:08,850
شکل بردارهایی تبدیل می شوند تا ویژگی ها را
76
00:03:08,850 –> 00:03:13,440
از آن استخراج کنیم بنابراین اکنون می توانیم ببینیم ویژگی
77
00:03:13,440 –> 00:03:15,660
هایی که استخراج می شوند و چگونه بوده
78
00:03:15,660 –> 00:03:17,489
است که همه این نامها را به ما داده
79
00:03:17,489 –> 00:03:20,549
است که بسیار خوشحال است، پس از
80
00:03:20,549 –> 00:03:23,519
اینکه سعی کنید دادههای ما را به
81
00:03:23,519 –> 00:03:26,010
بیماریهای کارآموز در مجموعه داده تست M با استفاده از
82
00:03:26,010 –> 00:03:29,160
انتخاب موتور مردانه تقسیم کنید و سپس
83
00:03:29,160 –> 00:03:31,790
پس از
84
00:03:33,350 –> 00:03:38,160
تبدیل شدن اردکها به این صورت، پس از آن S
85
00:03:38,160 –> 00:03:39,780
برای ویژگی هایی است که از اینجا به دست آورده ایم
86
00:03:39,780 –> 00:03:41,519
که قبلاً به بردار تبدیل شده اند
87
00:03:41,519 –> 00:03:43,650
و سپس برچسب هایی که
88
00:03:43,650 –> 00:03:45,810
شش است که در واقع نتیجه را ارائه می
89
00:03:45,810 –> 00:03:47,489
دهد تا پیش بینی نکنم که دستور
90
00:03:47,489 –> 00:03:49,560
کار آن برچسب ها یا
91
00:03:49,560 –> 00:03:52,109
نتیجه آنها چیست، بنابراین بعد از آن من برو به آموزش،
92
00:03:52,109 –> 00:03:55,280
مجموعه دادههای ما را بر اساس این تصادفی
93
00:03:55,280 –> 00:03:56,549
4:32 تقسیم کنید
94
00:03:56,549 –> 00:03:59,190
، پس حالا خوب است، بنابراین به یک طبقهبندی کننده ساده بیز باور داشته باشید
95
00:03:59,190 –> 00:04:00,989
که بسیار مفید است
96
00:04:00,989 –> 00:04:04,019
شما با آزمایش کار میکنید، بنابراین ما سعی میکنیم این
97
00:04:04,019 –> 00:04:06,440
را مقداردهی کنیم، میدانید که این
98
00:04:06,440 –> 00:04:09,209
الگوریتم یک طبقهبندی کننده را آموزش میدهد. سپس
99
00:04:09,209 –> 00:04:11,910
باید قطار خود را که برای
100
00:04:11,910 –> 00:04:13,470
ویژگی های ما در یک رنگ سفید است، برای
101
00:04:13,470 –> 00:04:16,140
هدف ما قرار می دهیم یا با هم نوک می زنیم و سپس به
102
00:04:16,140 –> 00:04:19,350
بررسی نمره کاهو می رویم سپس روز
103
00:04:19,350 –> 00:04:21,659
حدود شانزده و شصت و سه امتیاز من
104
00:04:21,659 –> 00:04:24,360
است که اینطور نیست. قسمتی که مدرن ترین نقطه
105
00:04:24,360 –> 00:04:26,699
مقابل است وقتی
106
00:04:26,699 –> 00:04:29,099
شهروندی دارم که مشکلی ندارد اما ما می توانیم
107
00:04:29,099 –> 00:04:30,569
با موارد مختلف
108
00:04:30,569 –> 00:04:33,060
کار کنیم که طبق آن ما نمی توانیم
109
00:04:33,060 –> 00:04:34,499
دقت یک مدل را درست بررسی کنیم، بنابراین
110
00:04:34,499 –> 00:04:37,080
آپارتمان کریس را انجام دهید، اوه لطفاً این کار را انجام
111
00:04:37,080 –> 00:04:38,219
دهید، بیایید این کار را انجام دهیم. باز
112
00:04:38,219 –> 00:04:39,840
هم همین کار را برای جسارت درمان ما انجام
113
00:04:39,840 –> 00:04:44,099
دادید، بنابراین در هر مجموعه داده تالار گفت و
114
00:04:44,099 –> 00:04:47,210
گو می بینید که چه چیزی را باید به درستی دریافت کنید.
115
00:04:47,210 –> 00:04:49,680
116
00:04:49,680 –> 00:04:55,430
117
00:04:55,430 –> 00:05:01,439
٪
118
00:05:01,439 –> 00:05:05,009
خوب است که بسیار خوب است به این
119
00:05:05,009 –> 00:05:08,960
کامل ترین حق که خوب است بله آن را می دانستم،
120
00:05:08,960 –> 00:05:13,680
بنابراین بیایید حرکت کنیم و
121
00:05:13,680 –> 00:05:16,529
مدلی را که ایجاد کرده اید به دست آوریم و از آن استفاده کنیم تا
122
00:05:16,529 –> 00:05:19,289
چیزی را پیش بینی کنیم، بنابراین برای پیش بینی بهتر از
123
00:05:19,289 –> 00:05:21,539
همه، بیایید ببینیم چگونه با اولی کار کنیم.
124
00:05:21,539 –> 00:05:24,029
ویژگی های استراتژی از ژاپن استفاده از
125
00:05:24,029 –> 00:05:26,909
احمقانه است که نویسنده محدب است و
126
00:05:26,909 –> 00:05:29,520
ما هر مری داریم آنها می خواهند
127
00:05:29,520 –> 00:05:32,279
داده ها را به درستی تغییر دهند و سپس آن را
128
00:05:32,279 –> 00:05:34,229
تبدیل کنند تا هدف این دو ساعت را دوباره ایجاد کنند،
129
00:05:34,229 –> 00:05:36,900
بنابراین اگر دوباره این کار را
130
00:05:36,900 –> 00:05:40,710
با این پشتیبان انجام دهم ویکی را بگیر این را
131
00:05:40,710 –> 00:05:42,270
بفهم این اثر قرار است به
132
00:05:42,270 –> 00:05:44,610
ما اعداد درستی بدهد، به طوری که نام
133
00:05:44,610 –> 00:05:47,669
مریم به مجرای تبدیل شده است تا تبدیل نشود
134
00:05:47,669 –> 00:05:49,139
و سپس شما آن را به عنوان
135
00:05:49,139 –> 00:05:51,930
کامل بی عجله نسبت می دهید، حالا بیایید آن را به سیگار پیش بینی کنیم
136
00:05:51,930 –> 00:05:54,300
تا معجزه شود تا
137
00:05:54,300 –> 00:05:55,889
همه بدانند که مریم یک زن پس
138
00:05:55,889 –> 00:05:58,759
بیایید ما را نسبتاً ببینیم اگر می دانید
139
00:05:58,759 –> 00:06:02,789
کامل است بنابراین اکنون طبقه بندی کننده ما
140
00:06:02,789 –> 00:06:05,669
قطعاً یک ترک است که مری یک
141
00:06:05,669 –> 00:06:08,009
سامری زن است بنابراین بیایید دوباره
142
00:06:08,009 –> 00:06:10,349
برای نامی مانند Mac که تقریباً
143
00:06:10,349 –> 00:06:13,649
شبیه به EV ery است و می تواند کلید ما باشد
144
00:06:13,649 –> 00:06:15,240
که فقط یک حرف است امتحان کنیم. آیا ما با هم
145
00:06:15,240 –> 00:06:17,279
تفاوت داریم که ببینیم چه چیزی را به شما گفتم که
146
00:06:17,279 –> 00:06:19,159
تشخیص دهید، بنابراین ما همان روش را انجام می
147
00:06:19,159 –> 00:06:22,639
دهیم، اجازه دهید دوباره آن را امتحان کنم.
148
00:06:22,639 –> 00:06:25,979
149
00:06:25,979 –> 00:06:29,939
150
00:06:29,939 –> 00:06:32,310
151
00:06:32,310 –> 00:06:34,080
ماه
152
00:06:34,080 –> 00:06:36,419
مک کلیدی است او قادر به پیش
153
00:06:36,419 –> 00:06:39,729
بینی نقشه حداکثر است، بنابراین اجازه دهید از یک عجله استفاده
154
00:06:39,729 –> 00:06:43,210
کنیم نه لی انگلیسی، بنابراین ما داریم
155
00:06:43,210 –> 00:06:45,699
ناتاشا را به یاد داشته باشید که اکثر نامهای ارشد
156
00:06:45,699 –> 00:06:49,779
از هر جادهای به عنوان نیمی از روز به روز
157
00:06:49,779 –> 00:06:50,259
158
00:06:50,259 –> 00:06:53,949
سوهانا آنا ناتاشا است. مشاهده خواهد شد که ما در حال
159
00:06:53,949 –> 00:06:56,050
پرستش نوک های خانواده فیلم آنها
160
00:06:56,050 –> 00:06:59,050
و عزیزم هستیم، بنابراین وقتی آن را امتحان کردید و
161
00:06:59,050 –> 00:07:03,669
دوباره آن را بررسی می کنیم، فیلمی عالی است،
162
00:07:03,669 –> 00:07:07,509
بنابراین شما داده های نمونه ای از
163
00:07:07,509 –> 00:07:09,939
اسامی تصادفی نفرتیتی داشته باشید که یک نام آفریقایی است
164
00:07:09,939 –> 00:07:10,749
، مطمئن نیستم که
165
00:07:10,749 –> 00:07:13,080
اما نام آن است. آفریقایی من مالک
166
00:07:13,080 –> 00:07:17,409
سویا نیجریه یا بخش داده
167
00:07:17,409 –> 00:07:19,210
تاتیانا شیا جوزف است. این یک رسانه چینی است
168
00:07:19,210 –> 00:07:21,159
که می بینید وقتی
169
00:07:21,159 –> 00:07:22,839
این همه نیروی کار کمی را پیش بینی کردید
170
00:07:22,839 –> 00:07:24,610
که جالب خواهد بود،
171
00:07:24,610 –> 00:07:27,870
پس حالا بیایید بررسی کنیم و ببینیم
172
00:07:27,870 –> 00:07:31,149
خوب است، بنابراین اکنون ATT یک حالت تهوع زن
173
00:07:31,149 –> 00:07:33,639
احساس شگفتی ویدیو چگونه می توانید
174
00:07:33,639 –> 00:07:34,779
زن باشید وای
175
00:07:34,779 –> 00:07:38,169
داویا یک غذا یا دامپزشک است تب
176
00:07:38,169 –> 00:07:40,899