در این مطلب، ویدئو تجسم داده ها در پایتون با Anaconda Spyder 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.
مدت زمان فیلم: 00:20:55
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:04,790 –> 00:00:12,420
assalamu alaikum به CSI tnx
2
00:00:12,420 –> 00:00:15,630
اولین بوت کمپ برنامه نویسی 2g خوش آمدید
3
00:00:15,630 –> 00:00:22,250
در همه ویدیوهای قبلی من
4
00:00:22,250 –> 00:00:27,060
درباره نحوه انجام برخی از
5
00:00:27,060 –> 00:00:31,710
محاسبات آماری اساسی و مفید با
6
00:00:31,710 –> 00:00:38,360
پایتون با استفاده از آناکوندا عنکبوت مانند صحبت کردم
7
00:00:38,730 –> 00:00:45,530
و در این ویدیوها درباره نحوه
8
00:00:45,530 –> 00:00:48,590
محاسبه میانگین حالت میانگین صحبت کردم.
9
00:00:48,590 –> 00:00:52,800
انحراف استاندارد و واریانس، بنابراین علاوه
10
00:00:52,800 –> 00:00:56,840
بر مواردی که در این ویدیوی کوتاه به آن خواهم پرداخت،
11
00:00:56,840 –> 00:00:59,960
در واقع به تازگی
12
00:00:59,960 –> 00:01:04,099
در مورد تجسم داده ها با پایتون شروع می کنم،
13
00:01:04,099 –> 00:01:09,890
در واقع تجسم داده ها موضوع بسیار
14
00:01:09,890 –> 00:01:17,100
بزرگی است و
15
00:01:17,100 –> 00:01:20,549
در علم داده کاربرد زیادی دارد، بنابراین تجسم داده ها
16
00:01:20,549 –> 00:01:24,479
به این معنی است که چگونه نتیجه
17
00:01:24,479 –> 00:01:28,470
آزمایش نتیجه خود را هر داده ای نشان می دهید، به طوری که اگر در
18
00:01:28,470 –> 00:01:33,530
گوگل جستجو کنید و ما
19
00:01:33,530 –> 00:01:36,810
در مورد تجسم داده ها در پایتون جستجوی گوگل انجام
20
00:01:36,810 –> 00:01:42,060
دهیم، خواهید دید که شرایط
21
00:01:42,060 –> 00:01:46,369
تمام منابع در مورد تجسم تجسم داده ها وجود دارد،
22
00:01:46,369 –> 00:01:48,509
بنابراین اگر باز کنید برخی از
23
00:01:48,509 –> 00:01:51,540
اینها برخی از اینها سپس خواهید
24
00:01:51,540 –> 00:01:55,140
دید که انواع مختلفی از تجسم داده وجود دارد،
25
00:01:55,140 –> 00:01:57,570
این تجسم داده است
26
00:01:57,570 –> 00:02:00,869
و شما مقدار زیادی y خواهید دید
27
00:02:00,869 –> 00:02:03,600
شما خیلی چیزها را خواهید دید خیلی چیزها را خواهید دید
28
00:02:03,600 –> 00:02:06,030
این یک افکت برنامه پایتون است، بنابراین
29
00:02:06,030 –> 00:02:10,050
تجسم داده ها یک موضوع گسترده است، بنابراین در
30
00:02:10,050 –> 00:02:12,250
این برنامه و این
31
00:02:12,250 –> 00:02:15,580
من فقط به شما
32
00:02:15,580 –> 00:02:18,910
توضیح می دهم که چگونه شروع به یادگیری
33
00:02:18,910 –> 00:02:22,510
در مورد تجسم داده ها در واقع آن خواهید کرد.
34
00:02:22,510 –> 00:02:29,110
موضوع بسیار مفیدی است، بنابراین اگر به
35
00:02:29,110 –> 00:02:32,800
اینجا بروید و دیدید که چیزهای زیادی
36
00:02:32,800 –> 00:02:35,940
در مورد تجسم داده ها وجود دارد، اما عمدتاً
37
00:02:35,940 –> 00:02:39,880
به شما خواهم گفت، به شما نشان خواهم داد
38
00:02:39,880 –> 00:02:43,780
که در آناکوندا چند
39
00:02:43,780 –> 00:02:45,730
کتابخانه وجود دارد، تعدادی کتابخانه وجود دارد که
40
00:02:45,730 –> 00:02:49,780
به طور گسترده استفاده می شود. برای انجام
41
00:02:49,780 –> 00:02:54,400
تجسم داده ها، به عنوان مثال،
42
00:02:54,400 –> 00:02:58,180
کتابخانه نقشه سیل یک کتابخانه طرح جاسوسی است
43
00:02:58,180 –> 00:03:01,180
که عمدتاً برای تجسم داده ها استفاده می شود و
44
00:03:01,180 –> 00:03:03,850
همچنین می دانید که ما برای به
45
00:03:03,850 –> 00:03:06,850
دست آوردن داده ها از یک فایل داده، باید از
46
00:03:06,850 –> 00:03:10,150
pan و ما استفاده کنیم و همچنین نیاز داریم.
47
00:03:10,150 –> 00:03:13,780
برای برخی از تجسم داده ها و
48
00:03:13,780 –> 00:03:18,519
عملیات مربوطه، هزینه ها را برنامه ریزی کنید، بنابراین اگر
49
00:03:18,519 –> 00:03:26,260
این برنامه را باز کنید، تجسم داده های پروژه من
50
00:03:26,260 –> 00:03:29,410
برای آن،
51
00:03:29,410 –> 00:03:31,900
خوب است، بنابراین این کد را خواهید دید، فکر می کنم
52
00:03:31,900 –> 00:03:35,860
تا این لحظه باید با w آشنا باشید.
53
00:03:35,860 –> 00:03:39,160
من در این دوره هستم، بنابراین من قصد ندارم
54
00:03:39,160 –> 00:03:42,040
این را توضیح دهم، اما به عنوان مثال
55
00:03:42,040 –> 00:03:44,709
اجازه دهید این کد را اجرا کنم، اجازه دهید گزارش
56
00:03:44,709 –> 00:03:48,880
کتابخانه ها را اجرا کنم و اجازه دهید مجموعه داده را وارد کنم
57
00:03:48,880 –> 00:03:54,360
و اجازه دهید تجربیات و بردارهای حقوق و دستمزد خود را دریافت کنم،
58
00:03:54,360 –> 00:03:58,660
بنابراین این
59
00:03:58,660 –> 00:04:00,670
تجربه من است. و بردارهای حقوق و دستمزد من
60
00:04:00,670 –> 00:04:05,650
این را خریدم و خوب است، بنابراین اکنون تجربه خود را دارم
61
00:04:05,650 –> 00:04:07,690
و بردارهای حقوق را به
62
00:04:07,690 –> 00:04:12,989
شما نشان می دهم و بردارهای حقوقم را به شما نشان می دهم
63
00:04:12,989 –> 00:04:15,030
64
00:04:15,030 –> 00:04:18,608
که یادتان می آید که احمق بود یا الیزا
65
00:04:18,608 –> 00:04:21,930
یک ستون تک ستونی دارد،
66
00:04:21,930 –> 00:04:26,560
خوب است، پس حالا اگر بخواهم این طرح را انجام دهم
67
00:04:26,560 –> 00:04:32,860
است PLT به عنوان PLT نقطه نمودار است طرح لوله پایتون
68
00:04:32,860 –> 00:04:33,669
است
69
00:04:33,669 –> 00:04:35,560
peep-peep من نمودار X نامیده میشود.
70
00:04:35,560 –> 00:04:38,349
71
00:04:38,349 –> 00:04:41,650
72
00:04:41,650 –> 00:04:44,139
73
00:04:44,139 –> 00:04:47,410
74
00:04:47,410 –> 00:04:53,080
برای دریافت کمک یا می
75
00:04:53,080 –> 00:04:55,479
توانید در این مورد در گوگل جستجو کنید، می بینید
76
00:04:55,479 –> 00:05:00,490
که در روش نمودار هر نمودار به من اجازه می دهد
77
00:05:00,490 –> 00:05:04,960
آن را اجرا کنم و من خروجی خود را در اینجا به شما نشان می دهم شما
78
00:05:04,960 –> 00:05:09,520
خروجی را می بینید بنابراین در این
79
00:05:09,520 –> 00:05:11,909
نمودار و تجربه به
80
00:05:11,909 –> 00:05:18,940
من می رسد. محور افقی و ستون a Okay a
81
00:05:18,940 –> 00:05:22,750
nic رنگ e قرار است به آبی است متأسفم برای
82
00:05:22,750 –> 00:05:28,770
نصب محور رنگ آبی است و مشکلی ندارد
83
00:05:28,770 –> 00:05:33,490
زیرا تجربه 0 تا 0 تا 10 یا
84
00:05:33,490 –> 00:05:35,830
چیزی شبیه به این است بنابراین این بسیار
85
00:05:35,830 –> 00:05:36,430
کوتاه است
86
00:05:36,430 –> 00:05:38,650
در واقع من متراکم در ستون حقوق و دستمزد
87
00:05:38,650 –> 00:05:41,860
هستم که از محور y عبور می کند و این است قرمز و
88
00:05:41,860 –> 00:05:46,599
بعد از آبی و قرمز رنگ اخرایی من
89
00:05:46,599 –> 00:05:49,270
می توانم این را در یک رشته رشته ای
90
00:05:49,270 –> 00:05:52,330
مانند این بدهم، بنابراین این کار می کند و
91
00:05:52,330 –> 00:05:55,060
این عنوان نقطه PLT است، عنوان
92
00:05:55,060 –> 00:05:57,759
نشان می دهد که چه عنوانی را می خواهم به این
93
00:05:57,759 –> 00:05:59,710
موضوع
94
00:05:59,710 –> 00:06:08,740
بدهم. برای تاریخ من برای تجسم برای من
95
00:06:08,740 –> 00:06:12,969
این یک است و دسترسی نقطه PLT
96
00:06:12,969 –> 00:06:15,069
سطحی است که می خواهم تعیین کنم
97
00:06:15,069 –> 00:06:18,880
دقیقاً این سطح من است و
98
00:06:18,880 –> 00:06:21,190
سطح y صدای من در این سطح است.
99
00:06:21,190 –> 00:06:25,060
آخرین
100
00:06:25,060 –> 00:06:28,659
این دستوری است که باید به PLT
101
00:06:28,659 –> 00:06:32,380
dot show بدهم، سپس من را
102
00:06:32,380 –> 00:06:35,240
نشان می دهد، نمودار من و من را نشان می دهد و من
103
00:06:35,240 –> 00:06:39,860
نمی توانم روش شبکه بندی نقطه ای ELT دیگری را ارائه کنم،
104
00:06:39,860 –> 00:06:46,220
می توانید از روش grid
105
00:06:46,220 –> 00:06:50,419
استفاده کنید سپس نشان می دهد خطوط شبکه بسیار
106
00:06:50,419 –> 00:06:53,380
خوب است خطوط شبکه منطقه را خوب نشان می دهد
107
00:06:53,380 –> 00:06:58,569
بنابراین این برای سلول thi است s برای
108
00:06:58,569 –> 00:07:01,580
تجربه بر اساس حقوق است، ما تجربیات را
109
00:07:01,580 –> 00:07:04,759
از طریق محور x تنظیم می کنیم و محور y حقوق و دستمزد
110
00:07:04,759 –> 00:07:10,910
اوکی است، بنابراین به احتمال زیاد می توانم برنامه تجربه او را محاسبه
111
00:07:10,910 –> 00:07:16,340
کنم تا PLT
112
00:07:16,340 –> 00:07:17,479
روش هیستوگرام خود را
113
00:07:17,479 –> 00:07:20,570
خوب داشته باشد، پس هیست و سپس من تجربه می دهم
114
00:07:20,570 –> 00:07:23,240
و تعداد دانهها در
115
00:07:23,240 –> 00:07:26,750
چند دانه میخواهید در دادههایتان نمایش
116
00:07:26,750 –> 00:07:29,720
داده شود، بنابراین اگر میدانید که آیا ما
117
00:07:29,720 –> 00:07:32,840
درباره هیستوگرام میدانیم، باید بدانید
118
00:07:32,840 –> 00:07:34,699
که چند دانه لوبیا در اینجا به دست آوردم،
119
00:07:34,699 –> 00:07:37,190
یعنی وای این سریع است
120
00:07:37,190 –> 00:07:40,639
دوم سوم چهارم پنجم ششم هفت
121
00:07:40,639 –> 00:07:44,780
هشت نه و ده دقیقه، پس اجازه دهید من جدول
122
00:07:44,780 –> 00:07:50,270
را قرار دهم تا برای من آسان باشد که
123
00:07:50,270 –> 00:07:54,740
توضیح دهم که آیا می توانم شبکه ای را شبکه بندی کنم تا
124
00:07:54,740 –> 00:07:58,520
ببینید که این هیستوگرام من
125
00:07:58,520 –> 00:08:01,370
است، این برای تجربه من است، بنابراین با
126
00:08:01,370 –> 00:08:03,289
دیدن این هیستوگرام چه چیزی را می بینم
127
00:08:03,289 –> 00:08:06,560
که اکثر افراد
128
00:08:06,560 –> 00:08:12,620
بین چهار تا پنج سال تجربه دارند، دومین
129
00:08:12,620 –> 00:08:16,099
اکثر مردم شاید نه تا ده سال تجربه داشته باشند، نه تا ده سال
130
00:08:16,099 –> 00:08:19,130
131
00:08:19,130 –> 00:08:23,659
بله، تا به حال خوب را تجربه کرده اند و
132
00:08:23,659 –> 00:08:25,969
اگر من عدد لوبیا را
133
00:08:25,969 –> 00:08:31,820
از ده به بیست تغییر دهم این عدد بزرگی است. و سپس آنچه
134
00:08:31,820 –> 00:08:36,589
را که به دست میآورم، میبینید که طبقهبندی شدهتر میشوند،
135
00:08:36,589 –> 00:08:39,679
بنابراین در این مورد میبینم که تعداد لوبیا من
136
00:08:39,679 –> 00:08:43,219
برای این سطل پس از آن تعداد کمی از
137
00:08:43,219 –> 00:08:44,839
افراد
138
00:08:44,839 –> 00:08:47,420
و کارمندانی که من این تجربه را در این زمینه دارم،
139
00:08:47,420 –> 00:08:50,689
بین
140
00:08:50,689 –> 00:08:53,240
هشت تا نه، این خواهد بود. برای من
141
00:08:53,240 –> 00:08:57,529
امشب خوب است، بنابراین اگر آن را
142
00:08:57,529 –> 00:09:03,019
کمتر کنید مانند پنج سطل است
143
00:09:03,019 –> 00:09:06,769
، داده های باریک بیشتری دریافت خواهید کرد، بنابراین به جای
144
00:09:06,769 –> 00:09:10,220
این، اگر پنجاه بن به من بدهید، آنگاه
145
00:09:10,220 –> 00:09:13,579
گسترش بیشتری خواهید گرفت، می بینید که میله های شما بیشتر شده است،
146
00:09:13,579 –> 00:09:19,069
به طوری که چگونه بسیاری از سطل
147
00:09:19,069 –> 00:09:23,899
ها استفاده خواهند شد که بستگی به
148
00:09:23,899 –> 00:09:27,319
مجموعه مشکل شما و هدف شما دارد، بنابراین
149
00:09:27,319 –> 00:09:33,819
لطفاً بعد از این و در
150
00:09:33,819 –> 00:09:38,420
پوشه من پوشه تحقق سریع را تمرین کنید، بنابراین
151
00:09:38,420 –> 00:09:43,790
اگر به
152
00:09:43,790 –> 00:09:46,009
پوشه تجسم داده های خود مراجعه کنم می بینید
153
00:09:46,009 –> 00:09:49,430
که من هم ساختگی دارم. دادههای تایتانیک، بنابراین
154
00:09:49,430 –> 00:09:52,160
اگر مجموعه دادههای تایتانیک را باز کنید و
155
00:09:52,160 –> 00:09:55,910
ویرایشگر
156
00:09:55,910 –> 00:10:02,649
عنوان دریافت کنید، هشت ستون هشت ستون
157
00:10:02,649 –> 00:10:05,899
و دویست و دو هزار
158
00:10:05,899 –> 00:10:07,550
و چهارصد و سی و شش سطر و هشت
159
00:10:07,550 –> 00:10:09,589
ستون دریافت خواهید کرد، این یک نسخه است. y مجموعه داده های بزرگ
160
00:10:09,589 –> 00:10:12,829
و بیایید کمی تمرین انجام دهیم، لطفاً تا
161
00:10:12,829 –> 00:10:15,920
بتوانید این داده ها را از داده ها به عنوان ماتریس داده استخراج کنید
162
00:10:15,920 –> 00:10:20,660
و ماتریس داده نیز
163
00:10:20,660 –> 00:10:24,