در این مطلب، ویدئو آموزش پایتون: متغیرهای عددی 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: 00:04:07
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:02,480 –> 00:00:05,750
همانطور که در درس قبل ذکر شد، اکثر
2
00:00:05,750 –> 00:00:07,700
مدلهای یادگیری ماشین نیاز دارند که
3
00:00:07,700 –> 00:00:10,870
دادههای شما در قالب عددی باشد، اما
4
00:00:10,870 –> 00:00:14,330
حتی اگر دادههای خام شما تماماً عددی
5
00:00:14,330 –> 00:00:16,490
باشد، هنوز کارهای زیادی میتوانید برای
6
00:00:16,490 –> 00:00:20,210
بهبود ویژگیهای خود انجام دهید، ویژگیهای عددی
7
00:00:20,210 –> 00:00:22,850
میتوانند برای نشان دادن مجموعهای عظیم از
8
00:00:22,850 –> 00:00:24,350
ویژگیها و
9
00:00:24,350 –> 00:00:27,530
اندازهگیریهای مختلف تقریباً هر چیزی را که
10
00:00:27,530 –> 00:00:29,960
بتوان از نظر کمی اندازهگیری کرد، میتواند
11
00:00:29,960 –> 00:00:34,070
بهعنوان دادههای عددی ثبت شود، بهعنوان مثال،
12
00:00:34,070 –> 00:00:37,190
سن، قیمت یک کالا به حساب میآید و حتی
13
00:00:37,190 –> 00:00:39,670
دادههای مکانی مانند مختصات
14
00:00:39,670 –> 00:00:42,500
بسته به نوع کاربرد،
15
00:00:42,500 –> 00:00:44,480
ویژگیهای عددی را
16
00:00:44,480 –> 00:00:46,880
میتوان به روشهای مختلفی در نظر گرفت. در مورد
17
00:00:46,880 –> 00:00:49,730
برخی از ملاحظات و
18
00:00:49,730 –> 00:00:51,710
مراحل احتمالی مهندسی ویژگی که باید
19
00:00:51,710 –> 00:00:55,989
هنگام برخورد با داده های عددی به خاطر بسپارید،
20
00:00:56,150 –> 00:00:58,520
یکی از اولین سوالاتی که باید
21
00:00:58,520 –> 00:01:00,770
هنگام کار با ویژگی های عددی بپرسید
22
00:01:00,770 –> 00:01:03,830
این است که آیا بزرگی ویژگی
23
00:01:03,830 –> 00:01:07,220
مهم ترین ویژگی آن است یا فقط
24
00:01:07,220 –> 00:01:10,790
جهت آن است. برای مثال اگر مجموعه داده
25
00:01:10,790 –> 00:01:12,470
ای از نرده های ایمنی و بهداشتی رستوران
26
00:01:12,470 –> 00:01:14,780
حاوی تعداد زمان داشته باشید
27
00:01:14,780 –> 00:01:17,990
یک رستوران تخلفات عمده ای
28
00:01:17,990 –> 00:01:20,330
داشته است، شما ممکن است بیشتر به این اهمیت دهید که آیا این
29
00:01:20,330 –> 00:01:22,370
رستوران اصلاً تخلفات عمده ای داشته است یا خیر،
30
00:01:22,370 –> 00:01:24,500
زیرا ترجیح می دهید هیچ
31
00:01:24,500 –> 00:01:27,890
شانسی را در مورد اینکه آیا این یک مجرم مکرر بوده است
32
00:01:27,890 –> 00:01:31,130
را در نظر نگیرید که به مجموعه داده های Toei
33
00:01:31,130 –> 00:01:33,619
حاوی شناسه های رستوران و
34
00:01:33,619 –> 00:01:36,050
تعداد دفعات آنها نگاه می کند. تخلفات عمده داشتیم،
35
00:01:36,050 –> 00:01:38,330
میتوانیم ببینیم که برخی از رستورانها هیچ
36
00:01:38,330 –> 00:01:41,210
تخلف عمدهای ندارند، اما بسیاری از رستورانها یک یا
37
00:01:41,210 –> 00:01:42,780
چند
38
00:01:42,780 –> 00:01:45,330
مورد دارند، ما در حال ایجاد مجدد یک ستون باینری جدید بودیم
39
00:01:45,330 –> 00:01:47,700
که نشان میدهد آیا
40
00:01:47,700 –> 00:01:53,010
رستورانی تخلفی انجام داده است یا نه،
41
00:01:53,010