در این مطلب، ویدئو اعتبارسنجی چارچوب داده در پایتون – مقدمه عملی – Yotam Perkal – PyCon Israel 2018 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:
00:00:02,520 –> 00:00:16,700
[موسیقی]
2
00:00:16,700 –> 00:00:18,690
سلام به همه
3
00:00:18,690 –> 00:00:20,850
قبل از شروع میخواهم با
4
00:00:20,850 –> 00:00:29,570
یک فیلم کوتاه شروع کنم، باید عمیقتر
5
00:00:31,090 –> 00:00:33,650
6
00:00:33,650 –> 00:00:36,530
7
00:00:36,530 –> 00:00:37,970
8
00:00:37,970 –> 00:00:40,460
9
00:00:40,460 –> 00:00:47,540
باشیم. درست نیست چگونه
10
00:00:47,540 –> 00:00:54,440
شروع کنیم با پیشنهاد کم آیا شما
11
00:00:54,440 –> 00:00:56,330
دو هفته را صرف تمیز کردن آن کردید آیا باید به
12
00:00:56,330 –> 00:00:58,400
فروشنده پول پرداخت می کردید تا هیدراته شود.
13
00:00:58,400 –> 00:01:00,400
14
00:01:00,400 –> 00:01:01,910
15
00:01:01,910 –> 00:01:04,699
16
00:01:04,699 –> 00:01:12,680
جعبه شنی من نمیدانم
17
00:01:12,680 –> 00:01:16,759
تصمیم گرفتی از جعبه شنی فرار کنی یا نه، این است که من یک GPU دارم که
18
00:01:16,759 –> 00:01:22,070
همه چیز برای خودت باشد رایانههای من راحتتر فقط
19
00:01:22,070 –> 00:01:24,220
به خودت اجازه بده تا ببینی نام آن
20
00:01:24,220 –> 00:01:31,009
جلسه خوب است، بنابراین کسی که میتواند ارتباط برقرار کند اجازه دهید من
21
00:01:31,009 –> 00:01:35,420
یک دست درازی سریع ببینم، خب بنابراین
22
00:01:35,420 –> 00:01:37,130
خیلی زیاد نیست، اما برخی افراد می توانند ارتباط برقرار کنند که
23
00:01:37,130 –> 00:01:39,890
خوب است، بنابراین بله، وقتی در یک
24
00:01:39,890 –> 00:01:42,679
محیط توسعه یا محیط سندباکس کار می
25
00:01:42,679 –> 00:01:45,470
کنیم، معمولاً همه چیز به آرامی پیش می رود،
26
00:01:45,470 –> 00:01:46,340
27
00:01:46,340 –> 00:01:48,410
می دانیم که داده های ما همه چیز تمیز است،
28
00:01:48,410 –> 00:01:51,679
قابل کنترل است، مشکلات
29
00:01:51,679 –> 00:01:54,020
معمولاً زمانی شروع می شوند که مدل ما با آن مواجه می شود.
30
00:01:54,020 –> 00:01:57,289
با داده های واقعی یا زمانی که در تولید مستقر هستیم،
31
00:01:57,289 –> 00:02:03,110
پس اگر
32
00:02:03,110 –> 00:02:06,069
راهی وجود داشت که بتوانیم این
33
00:02:06,069 –> 00:02:09,979
انتقال را کمی کمتر نمایشی کنیم، چه کاری می توانیم انجام دهیم، بنابراین
34
00:02:09,979 –> 00:02:12,530
خبر خوب این است که کارهایی وجود دارد
35
00:02:12,530 –> 00:02:14,090
که می توانیم انجام دهیم و من هستم
36
00:02:14,090 –> 00:02:17,690
امروز در مورد برخی از آنها صحبت خواهم کرد، بنابراین من
37
00:02:17,690 –> 00:02:19,430
تام شما هستم. من یک مهندس نرم افزار در
38
00:02:19,430 –> 00:02:21,830
PayPal هستم، من در حال توسعه
39
00:02:21,830 –> 00:02:24,739
راه حل ها و ابزارهای اتوماسیون در پایتون برای
40
00:02:24,739 –> 00:02:28,220
چهار سال گذشته به علاوه در حال حاضر در
41
00:02:28,220 –> 00:02:30,470
حوزه امنیت سایبری هستم و همچنین بسیار کار می کنم.
42
00:02:30,470 –> 00:02:32,239
علاقهمند به علم داده و
43
00:02:32,239 –> 00:02:34,880
یادگیری ماشین و بهویژه
44
00:02:34,880 –> 00:02:37,130
تقاطع بین یادگیری ماشین
45
00:02:37,130 –> 00:02:39,620
و امنیت سایبری، بنابراین
46
00:02:39,620 –> 00:02:43,790
مثالهای متخاصم مسمومیت دادهها به چیزهای جالب زیادی حمله میکند،
47
00:02:43,790 –> 00:02:46,670
اما این چیزی نیست که
48
00:02:46,670 –> 00:02:48,110
امروز
49
00:02:48,110 –> 00:02:49,099
میخواهم درباره آن با شما صحبت کنم، میخواهم با شما درباره اعتبارسنجی داده صحبت کنم
50
00:02:49,099 –> 00:02:51,069
51
00:02:51,069 –> 00:02:53,599
چرا بسیار مهم است و چگونه
52
00:02:53,599 –> 00:02:55,849
می توانیم آن را به عنوان بخشی
53
00:02:55,849 –> 00:03:00,860
از خط لوله یادگیری ماشین خود پیاده سازی کنیم، بنابراین ابتدا
54
00:03:00,860 –> 00:03:02,360
بیایید مشکل را درک کنیم،
55
00:03:02,360 –> 00:03:04,690
پس چرا به آن اعتبار نیاز داریم، من
56
00:03:04,690 –> 00:03:08,060
استدلال می کنم که باید اعتبار خود را تأیید کنیم داده ها
57
00:03:08,060 –> 00:03:10,819
به همان روشی که ما کد خود را تأیید می کنیم
58
00:03:10,819 –> 00:03:14,330
و من حدس می زنم که شما موافق
59
00:03:14,330 –> 00:03:16,400
هستید از آنجایی که اینجا هستید یا حداقل امیدوارم تا
60
00:03:16,400 –> 00:03:17,959
پایان این گفتگو با من موافقت
61
00:03:17,959 –> 00:03:23,680
کنید تا خطاها منجر به
62
00:03:23,680 –> 00:03:27,230
اولین بد شوند. پیشبینیها این پیشبینیها
63
00:03:27,230 –> 00:03:29,870
میتوانند منجر به تصمیمهای تجاری بدی
64
00:03:29,870 –> 00:03:32,330
شوند که مبتنی بر آن پیشبینیها هستند و
65
00:03:32,330 –> 00:03:35,180
میتوانند منجر به اتلاف زمان زیادی در زمانی
66
00:03:35,180 –> 00:03:37,430
شود که برای تشخیص اینکه
67
00:03:37,430 –> 00:03:40,850
مشکلی با دادههایمان داریم و
68
00:03:40,850 –> 00:03:43,640
قادر به شناسایی آن و رفع آن هستیم. زمانی است
69
00:03:43,640 –> 00:03:45,860
که بهتر است در سطوح بالاتر برای
70
00:03:45,860 –> 00:03:48,950
فکر کردن به توسعه
71
00:03:48,950 –> 00:03:51,290
عملکرد مدل یا پرداختن
72
00:03:51,290 –> 00:03:54,519
به پروژهها یا پروژهها یا وظایف
73
00:03:54,519 –> 00:03:58,690
دیگر صرف شود، به همین دلیل است، اما چه چیزی را بررسی میکنیم
74
00:03:58,690 –> 00:04:01,970
تا معلوم شود که
75
00:04:01,970 –> 00:04:05,840
کیفیت دادهها چند بعد دارد که اینطور نیست. یک
76
00:04:05,840 –> 00:04:08,090
لیست فراگیر اما اینها برخی از
77
00:04:08,090 –> 00:04:11,930
مواردی است که تحقیق نشان می دهد، بنابراین
78
00:04:11,930 –> 00:04:14,480
وقتی می گویم معتبر، داده ها باید معتبر باشند،
79
00:04:14,480 –> 00:04:17,570
اساساً منظورم این است که باید
80
00:04:17,570 –> 00:04:20,298
نحو یا قالب مناسبی داشته باشد، به عنوان مثال اگر من یک
81
00:04:20,298 –> 00:04:21,950
مهر زمانی داشته باشم و انتظار دارم که معتبر باشد. در یک
82
00:04:21,950 –> 00:04:24,350
فرمت خاصی باید مطمئن شوم
83
00:04:24,350 –> 00:04:27,380
که واقعاً اینطور است که باید دقیق باشم، به
84
00:04:27,380 –> 00:04:29,750
این معنی که
85
00:04:29,750 –> 00:04:31,430
قرار است معرف دنیای واقعی
86
00:04:31,430 –> 00:04:34,430
باشد، باید کامل باشد،
87
00:04:34,430 –> 00:04:37,479
برای کامل بودن یکی از مدل های پروژه مثالی می زنم.
88
00:04:37,479 –> 00:04:40,729
که ما
89
00:04:40,729 –> 00:04:42,110
در مرکز محصولات امنیتی
90
00:04:42,110 –> 00:04:44,120
PayPal توسعه میدادیم، باید
91
00:04:44,120 –> 00:04:47,690
رفتارهای مخرب را بر اساس
92
00:04:47,690 –> 00:04:50,870
ردیابی تماسهای سیستمی برای کسانی از شما که
93
00:04:50,870 –> 00:04:52,370
با این واژه آشنا نیستند بدون پرداختن
94
00:04:52,370 –> 00:04:54,950
به جزئیات بیش از حد تشخیص دهیم، اساساً هر
95
00:04:54,950 –> 00:04:56,390
عملیاتی که در سیستم عامل انجام میدهید
96
00:04:56,390 –> 00:04:58,070
ترجمه
97
00:04:58,070 –> 00:04:59,630
به مجموعه خاصی
98
00:04:59,630 –> 00:05:03,260
از تماسهای سیستمی، میتواند باز کردن
99
00:05:03,260 –> 00:05:07,640
فایلی باشد که هر فرآیندی را اجرا میکند و
100
00:05:07,640 –> 00:05:09,980
هدف ما این بود که بتوانیم
101
00:05:09,980 –> 00:05:12,200
الگوهای خاصی از آن تماسهای سیستمی را شناسایی کنیم که
102
00:05:12,200 –> 00:05:14,360
نشان میدهند رفتار مخرب میتواند یک
103
00:05:14,360 –> 00:05:17,000
بدافزار در حال اجرا در سیستم باشد که کسی
104
00:05:17,000 –> 00:05:20,660
سعی دارد از آن خارج شود. داده ها و غیره بنابراین ما
105
00:05:20,660 –> 00:05:24,740
مدل را ساختیم و آن را آزمایش کردیم
106
00:05:24,740 –> 00:05:26,630
به نظر می رسد همه چیز خوب کار می کند و ما تصمیم
107
00:05:26,630 –> 00:05:28,880
گرفتیم آن را در تولید مستقر کنیم، فقط
108
00:05:28,880 –> 00:05:30,740
زمانی که شروع به کار کردیم با گرفتن دادهها از
109
00:05:30,740 –> 00:05:32,630
محیط تولید
110
00:05:32,630 –> 00:05:35,000
که دیدیم حفرههایی در دادههایمان داریم، بنابراین
111
00:05:35,000 –> 00:05:38,090
کل دادههایی که
112
00:05:38,090 –> 00:05:40,580
گم شده بودند را کامل میکنیم تا بتوانیم پیشبینیهایمان را انجام دهیم،
113
00:05:40,580 –> 00:05:43,430
اما سؤال اینجاست که
114
00:05:43,430 –> 00:05:45,290
این پیشبینیها چقدر قابل اعتماد هستند و
115
00:05:45,290 –> 00:05:47,060
بدیهی است که رویدادهایی وجود دارد که ما
116
00:05:47,060 –> 00:05:48,890
گم شده بودیم زیرا داده های کاملی نداشتیم،
117
00:05:48,890 –> 00:05:52,430
بنابراین واضح است که این مشکل
118
00:05:52,430 –> 00:05:56,720
شناسایی و برطرف شد، اما هنوز زمان زیادی طول کشید،
119
00:05:56,720 –> 00:06:00,650
بنابراین داده های کامل
120
00:06:00,650 –> 00:06:03,260
نیز باید یکنواخت باشند یا
121
00:06:03,260 –> 00:06:05,960
حداقل به توزیعی که
122
00:06:05,960 –> 00:06:08,570
ما انتظار داریم رعایت کنند، پایبند باشند. به و
123
00:06:08,570 –> 00:06:10,640
باید منحصر به فرد باشد به این معنی که ما انتظار نداریم
124
00:06:10,640 –> 00:06:16,040
هیچ تکراری در داده های خود مشاهده کنیم و
125
00:06:16,040 –> 00:06:17,900
مسئله این است که این مشکلی است که
126
00:06:17,900 –> 00:06:20,090
برای همه مرتبط است، خوب همه ما می دانیم که
127
00:06:20,090 –> 00:06:22,040
این سناریویی که ما روی یک مدل کار می کنیم یا یک
128
00:06:22,040 –> 00:06:25,420
ویژگی می تواند باشد. چندین ماه کار
129
00:06:25,420 –> 00:06:29,240
که باید آن را تغییر دهید تا زمانی که
130
00:06:29,240 –> 00:06:31,070
از نتایج راضی شویم و در این
131
00:06:31,070 –> 00:06:32,840
مرحله ممکن است تصمیم بگیریم خوب است که وقت آن رسیده است که به
132
00:06:32,840 –> 00:06:35,720
سمت تولید حرکت کنیم در آن نقطه
133
00:06:35,720 –> 00:06:37,970
اساساً چهار سناریو وجود دارد.
134
00:06:37,970 –> 00:06:40,580
اولین مورد این است که
135
00:06:40,580 –> 00:06:43,520
همه چیز عالی است، ما مدل خود را به کار میگیریم،
136
00:06:43,520 –> 00:06:46,160
همه چیز عالی به نظر میرسد
137
00:06:46,160 –> 00:06:47,780
زیرا عالی است که پیشبینیهایی را که میخواهیم دریافت میکنیم
138
00:06:47,780 –> 00:06:50,840
و همه چیز عالی است،
139
00:06:50,840 –> 00:06:53,600
مشکل این است که همانطور که همه ما میدانیم
140
00:06:53,600 –> 00:06:56,170
دنیا همه رنگین کمان نیست و پروانهها و
141
00:06:56,170 –> 00:06:59,960
معمولاً اینطور نیست که
142
00:06:59,960 –> 00:07:01,610
من را به سناریوی دوم میرساند
143
00:07:01,610 –> 00:07:04,760
که کمی واقعبینانهتر است که در آن دوباره
144
00:07:04,760 –> 00:07:07,070
مدل خود را به کار میگیریم و سپس
145
00:07:07,070 –> 00:07:08,840
ممکن است چند روز طول بکشد، چند
146
00:07:08,840 –> 00:07:11,150
هفته بعد از چند ماه و ما شروع به
147
00:07:11,150 –> 00:07:12,210
مشاهده بدتر شدن
148
00:07:12,210 –> 00:07:15,930
عملکرد مدلهایمان میکنیم، اساساً
149
00:07:15,930 –> 00:07:18,180
مدل ما نشانههایی به ما میدهد که
150
00:07:18,180 –> 00:07:20,220
چیزی اشتباه است و دوباره
151
00:07:20,220 –> 00:07:22,259
مشکل را بررسی میکنیم، امیدواریم آن را برطرف کنیم
152
00:07:22,259 –> 00:07:24,419
و عملکرد مدل بهبود یابد که
153
00:07:24,419 –> 00:07:26,310
میتواند یک فرآیند تکراری باشد تا زمانی که
154
00:07:26,310 –> 00:07:29,030
از نتیجه راضی شویم
155
00:07:29,030 –> 00:07:32,070
مشکلسازتر سناریویی که مشابه این سناریویی است سناریویی
156
00:07:32,070 –> 00:07:35,580
است که در آن دوباره به
157
00:07:35,580 –> 00:07:37,139
نوعی با داده های اصلی خود مشکل داریم
158
00:07:37,139 –> 00:07:39,389
اما این بار مدل
159
00:07:39,389 –> 00:07:41,009
نشان نمی دهد که چیزی اشتباه است. g
160
00:07:41,009 –> 00:07:43,650
لازم است فردی با دانش
161
00:07:43,650 –> 00:07:46,229
دامنه یا تخصص دامنه به داده ها نگاه کند
162
00:07:46,229 –> 00:07:48,330
و متوجه شود که چیزی غیرفعال
163
00:07:48,330 –> 00:07:51,509
164
00:07:51,509 –> 00:07:53,759
165
00:07:53,759 –> 00:07:57,360
166
00:07:57,360 –> 00:08:00,330
است. یکی
167
00:08:00,330 –> 00:08:02,669
که در آن ما با
168
00:08:02,669 –> 00:08:04,860
داده های زیربنایی خود مشکل داریم اما از آن آگاه نیستیم،
169
00:08:04,860 –> 00:08:07,770
خوب مدل ما به ما
170
00:08:07,770 –> 00:08:10,949
پیش بینی می کند، اما پیش بینی های ما
171
00:08:10,949 –> 00:08:15,060
بر اساس داده های نادرست است، بنابراین چه کاری می توانیم انجام دهیم
172
00:08:15,060 –> 00:08:17,520
چگونه می توانیم مطمئن شویم که در آن قرار نمی گیریم.
173
00:08:17,520 –> 00:08:21,690
آن دسته های سوم یا چهارم، بنابراین
174
00:08:21,690 –> 00:08:23,780
این یک سوال عالی است، خوشحالم که پرسیدم
175
00:08:23,780 –> 00:08:28,979
و می خواهم امروز برخی از ابزارها را به شما نشان دهم
176
00:08:28,979 –> 00:08:30,419
که به این موضوع می پردازند، اما
177
00:08:30,419 –> 00:08:33,299
قبل از اینکه انجام دهم، فقط می خواهم به این نکته اشاره کنم که نکته مهم
178
00:08:33,299 –> 00:08:36,330
این بحث برای من این
179
00:08:36,330 –> 00:08:38,099
است کمتر در مورد ابزارهای خاصی که
180
00:08:38,099 –> 00:08:40,740
خواهیم دید، بیشتر در مورد
181
00:08:40,740 –> 00:08:46,070
طرز فکر خوب است، بنابراین بیایید درست در
182
00:08:46,070 –> 00:08:48,510
اولین ابزاری که امروز می خواهم در مورد آن با شما صحبت کنم
183
00:08:48,510 –> 00:08:50,900
، به نام متاسفم
184
00:08:50,900 –> 00:08:56,100
voluptuous voluptuous،
185
00:08:56,100 –> 00:08:57,839
محبوب ترین ابزار آن است. را
186
00:08:57,839 –> 00:09:00,360
سه موردی که امروز خواهیم دید،
187
00:09:00,360 –> 00:09:02,700
به طور خاص برای اعتبارسنجی قاب داده
188
00:09:02,700 –> 00:09:06,120
نیست، اما می توان از آن برای انجام این کار استفاده کرد
189
00:09:06,120 –> 00:09:09,870
و من به شما نشان خواهم داد که چگونه، بنابراین امیدوارم که
190
00:09:09,870 –> 00:09:12,360
بتوانید ببینید خوب است، من اساساً چند سلول را اجرا خواهم کرد.
191
00:09:12,360 –> 00:09:14,850
192
00:09:14,850 –> 00:09:16,829
مقداری واردات و ورود به سیستم داریم و سپس
193
00:09:16,829 –> 00:09:19,820
مجموعه دادههای فروش را میخوانیم، بیایید به دادهها نگاهی بیندازیم
194
00:09:19,820 –> 00:09:23,160
، بنابراین چندین ستون
195
00:09:23,160 –> 00:09:24,270
مهر زمان داریم
196
00:09:24,270 –> 00:09:27,360
CD فروشگاه شماره فروش آگهی، مبلغ فروش و
197
00:09:27,360 –> 00:09:29,520
همبستگی که شخصی
198
00:09:29,520 –> 00:09:32,310
که فروش را انجام داده است، میتوانیم به دادهها نگاه کنیم. انواع
199
00:09:32,310 –> 00:09:37,830
ویژگیهای مختلف ما و اکنون
200
00:09:37,830 –> 00:09:41,160
اینجاست که ما شروع به بررسی
201
00:09:41,160 –> 00:09:44,370
قابلیتهای voluptuous میکنیم، من
202
00:09:44,370 –> 00:09:46,710
یک تابع ساده ایجاد کردهام که در چارچوب دادهای
203
00:09:46,710 –> 00:09:48,810
که میخواهیم کدام فیلد را اعتبار سنجی کنیم
204
00:09:48,810 –> 00:09:51,690
و اساساً برای اینکه voluptuous
205
00:09:51,690 –> 00:09:53,610
قادر به پردازش باشد، میگیرد. ما باید
206
00:09:53,610 –> 00:09:56,180
آن را به فرمت JSON تبدیل کنیم و سپس
207
00:09:56,180 –> 00:10:00,420
فقط یک طرح طرح را روی آن اجرا کنیم و
208
00:10:00,420 –> 00:10:02,340
طرح ما در اینجا تعریف شده است در
209
00:10:02,340 –> 00:10:04,470
حال حاضر ما فقط به
210
00:10:04,470 –> 00:10:06,690
یک فیلد خاص که مبلغ فروش است نگاه
211
00:10:06,690 –> 00:10:11,450
می کنیم و می خواهیم مطمئن شویم که
212
00:10:11,450 –> 00:10:13,950
داده های ما نوع شناور است و محدوده
213
00:10:13,950 –> 00:10:18,810
بین دو و 1550 است، بنابراین ما به سادگی
214
00:10:18,810 –> 00:10:22,050
تابع خود را یک تابع اعتبار سنجی اجرا می کنیم و
215
00:10:22,050 –> 00:10:25,320
می بینیم که اخطاری دریافت می کنیم که در آن حالت
216
00:10:25,320 –> 00:10:28,140
مقدار شناور انتظار می رود اما
217
00:10:28,140 –> 00:10:30,300
اینطور نبود، بنابراین اگر به خاطر داشته باشید
218
00:10:30,300 –> 00:10:32,340
دیدیم که نوع داده یا فروش در
219
00:10:32,340 –> 00:10:34,800
واقع غیرمنتظره است، بنابراین این یک اشتباه است، بیایید
220
00:10:34,800 –> 00:10:38,330
سریعاً آن را برطرف کنیم و تأیید اعتبار خود را مجدداً اجرا کنیم،
221
00:10:38,330 –> 00:10:40,560
و اکنون می بینیم
222
00:10:40,560 –> 00:10:42,270
که با گزارش های خطای مختلف متفاوت هستیم،
223
00:10:42,270 –> 00:10:45,540
بنابراین مقدار باید حداقل دو باشد و می
224
00:10:45,540 –> 00:10:47,010
بینیم که مقادیر منفی زیادی
225
00:10:47,010 –> 00:10:50,490
داریم. همچنین
226
00:10:50,490 –> 00:10:52,910
نشانی از مقدار کل
227
00:10:52,910 –> 00:10:56,250
خطاها در قاب داده از 214
228
00:10:56,250 –> 00:11:00,120
نمونه 57 یا اشتباه دریافت کنید، بنابراین بیایید طرح خود را به روز
229
00:11:00,120 –> 00:11:04,650
کنیم و ممکن است به داده ها نگاه کنیم و
230
00:11:04,650 –> 00:11:06,390
تصمیم بگیریم که ممکن است بازگردانده شود ممکن است
231
00:11:06,390 –> 00:11:08,970
شخصی یک مورد را خریداری کرده باشد اما من
232
00:11:08,970 –> 00:11:11,070
می خواستم آنها را برگردانید و ما می
233
00:11:11,070 –> 00:11:12,930
خواستیم این پول را پس دهیم، بنابراین اگر من بدانم که
234
00:11:12,930 –> 00:11:15,890
حداکثر قیمت یک کالا در فروشگاه من 1550 است،
235
00:11:15,890 –> 00:11:20,520
انتظار دارم حداقل –
236
00:11:20,520 –> 00:11:23,280
صد و پانصد و پنجاه و سپس
237
00:11:23,280 –> 00:11:25,740
آن را دوباره اجرا کنیم و این بار می بینیم که ما
238
00:11:25,740 –> 00:11:28,440
خطاهای کمتری دارند اما هنوز
239
00:11:28,440 –> 00:11:30,420
مقادیر کمی وجود دارد که بالاتر از آن چیزی است که ما
240
00:11:30,420 –> 00:11:32,340
انتظار داریم و باز هم ممکن است
241
00:11:32,340 –> 00:11:35,300
دلایل متعددی در این مورد وجود
242
00:11:35,300 –> 00:11:37,490
داشته باشد.
243
00:11:37,490 –> 00:11:41,110
244
00:11:41,110 –> 00:11:47,029
طرحواره من بر این اساس یا ممکن
245
00:11:47,029 –> 00:11:49,910
است تقلبی باشد که شخصی به داده های من دسترسی پیدا کرده و
246
00:11:49,910 –> 00:11:52,309
آن را تغییر داده یا چیزی اشتباه است و من
247
00:11:52,309 –> 00:11:53,629
باید به آن بپردازم
248
00:11:53,629 –> 00:11:55,910
یکی دیگر از قابلیت های قوی ای که
249
00:11:55,910 –> 00:11:58,360
ولوپتوس دارد ایجاد یک
250
00:11:58,360 –> 00:12:01,490
تابع اعتبار سنجی خاص است در این مورد این
251
00:12:01,490 –> 00:12:04,009
تابع بسیار ساده است که
252
00:12:04,009 –> 00:12:07,879
قالب تاریخ را تأیید می کند. و ما آن را اجرا می کنیم با عرض پوزش به
253
00:12:07,879 –> 00:12:10,670
این دلیل که آن را به همان روشی اجرا می
254
00:12:10,670 –> 00:12:12,679
کنیم که طرح خود را تعریف
255
00:12:12,679 –> 00:12:15,139
256
00:12:15,139 –> 00:12:17,660
257
00:12:17,660 –> 00:12:20,809
258
00:12:20,809 –> 00:12:22,939
می کنیم. هر خطایی که
259
00:12:22,939 –> 00:12:25,519
خوب است، به این معنی است که ما
260
00:12:25,519 –> 00:12:28,519
فرمت مناسب را داریم، اما منطق این بار چیست،
261
00:12:28,519 –> 00:12:30,199
میخواهم مطمئن شوم
262
00:12:30,199 –> 00:12:32,569
که تاریخهایی در آینده
263
00:12:32,569 –> 00:12:36,110
نداریم، بنابراین این بار عملکرد را کمی تغییر دادم.
264
00:12:36,110 –> 00:12:38,809
من به دنبال این هستم که ببینم
265
00:12:38,809 –> 00:12:41,749
زمان فعلی کوچکتر از زمان فعلی است. متاسفم
266
00:12:41,749 –> 00:12:43,399
که زمان در کادر داده
267
00:12:43,399 –> 00:12:46,160
از زمان فعلی کوچکتر است و دوباره آن را اجرا می
268
00:12:46,160 –> 00:12:50,360
کنیم و می بینیم که این دو مورد
269
00:12:50,360 –> 00:12:55,309
خطا ایجاد کرده اند بنابراین یکی از آنها
270
00:12:55,309 –> 00:12:58,009
در آینده بسیار نزدیک است و یکی 2050 است
271
00:12:58,009 –> 00:13:01,399
که 30 سال آینده است، بنابراین
272
00:13:01,399 –> 00:13:05,110
دوباره ممکن است چندین عامل در
273
00:13:05,110 –> 00:13:07,699
ایجاد این خطاها وجود داشته باشد، اما ما باید
274
00:13:07,699 –> 00:13:11,299
تصمیم بگیریم و ببینیم که آیا ممکن است
275
00:13:11,299 –> 00:13:13,399
این پیش فروش که وارد
276
00:13:13,399 –> 00:13:14,959
سیستم کرده ایم شکست خورده باشد. اما پرداخت
277
00:13:14,959 –> 00:13:17,119
تا سال 2019 دریافت نمیشو