در این مطلب، ویدئو آموزش پایتون Seaborn | دوره کامل تصادف دریایی | تجسم داده ها در Seaborn | Kgp Talkie 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: 2:52:19
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:02,340
سلام دوباره به شما خوش آمدید گوش کنید
2
00:00:02,340 –> 00:00:04,740
این Laxmi can Tiwari است و در این
3
00:00:04,740 –> 00:00:07,500
درس قصد دارم در مورد کتابخانه Seabourn آموزش دهم
4
00:00:07,500 –> 00:00:11,040
تا Seabourn
5
00:00:11,040 –> 00:00:12,990
حدوداً 3 ساعت آموزشی طول بکشد
6
00:00:12,990 –> 00:00:16,170
من یک Suvarna کامل را در یک دوره تصادف شرکت خواهم کرد
7
00:00:16,170 –> 00:00:18,990
و با گذراندن این دوره
8
00:00:18,990 –> 00:00:20,960
مطمئناً شرط می بندم
9
00:00:20,960 –> 00:00:24,150
تقریباً همه چیز را در مورد Seabourn ok یاد خواهید گرفت
10
00:00:24,150 –> 00:00:28,050
و اینها چند چیز هستند که من در
11
00:00:28,050 –> 00:00:29,880
اینجا انجام خواهم داد و به
12
00:00:29,880 –> 00:00:32,308
5 ماژول تقسیم می شود.
13
00:00:32,308 –> 00:00:34,079
و
14
00:00:34,079 –> 00:00:36,270
سپس من رسم داده های طبقه بندی شده
15
00:00:36,270 –> 00:00:38,329
و سپس
16
00:00:38,329 –> 00:00:41,940
توزیع تجسم داده ها و سپس
17
00:00:41,940 –> 00:00:43,980
رگرسیون خطی و رابطه
18
00:00:43,980 –> 00:00:46,010
را پوشش خواهم داد و سپس در نهایت یک استثناء
19
00:00:46,010 –> 00:00:48,780
زیباشناسی شکل مناسب را کنترل می
20
00:00:48,780 –> 00:00:52,110
کنم، بنابراین چیزهای زیادی
21
00:00:52,110 –> 00:00:55,199
در اینجا وجود دارد که می توانید ببینید در اینجا ما
22
00:00:55,199 –> 00:00:56,640
همه این موارد را پوشش خواهیم داد نوع متفاوتی
23
00:00:56,640 –> 00:00:58,980
از ارقام شکل های بسیار زیبا
24
00:00:58,980 –> 00:01:01,170
چگونه می توانیم همه آن کارها را انجام دهیم همه
25
00:01:01,170 –> 00:01:03,629
چیز خوب است و این فایل کاری
26
00:01:03,629 –> 00:01:05,880
در مخزن github من در دسترس خواهد بود. tory و
27
00:01:05,880 –> 00:01:07,530
می توانید از آن بازدید کنید و می توانید
28
00:01:07,530 –> 00:01:11,760
این فایل کاری را دانلود کنید و می توانید روی
29
00:01:11,760 –> 00:01:12,890
خودتان کار کنید
30
00:01:12,890 –> 00:01:15,960
خوب می بینید که چیزهای زیادی برای
31
00:01:15,960 –> 00:01:18,509
یادگیری در اینجا وجود دارد در این
32
00:01:18,509 –> 00:01:22,500
آموزش حدوداً سه ساعته خواهد بود
33
00:01:22,500 –> 00:01:24,630
بسیار عالی پس بیایید ادامه دهیم و شروع کنیم آموزش کاملاً جدید
34
00:01:24,630 –> 00:01:27,240
در مورد Seabourn شما
35
00:01:27,240 –> 00:01:28,829
منتظر من باشید لطفا فراموش نکنید که
36
00:01:28,829 –> 00:01:31,320
این کانال را سابسکرایب کنید و لطفاً
37
00:01:31,320 –> 00:01:33,450
فراموش نکنید که این ویدیو را لایک نکنید بسیار خوب من
38
00:01:33,450 –> 00:01:35,100
برای ساخت این
39
00:01:35,100 –> 00:01:38,100
ویدیو وقت زیادی صرف خواهم کرد و واقعاً بسیار سپاسگزارم برای
40
00:01:38,100 –> 00:01:39,960
شما، شما در حال تماشای ویدیوی من هستید، خب،
41
00:01:39,960 –> 00:01:45,420
بیایید از هم اکنون شروع کنیم، بنابراین بیایید ابتدا
42
00:01:45,420 –> 00:01:49,320
وارد کردن Seabourn به عنوان SNS را آغاز کنیم، بنابراین ابتدا
43
00:01:49,320 –> 00:01:55,500
وارد کردن به عنوان SNS را ببینید و یک
44
00:01:55,500 –> 00:01:57,329
چیز دیگر را به شما بگویم که ما
45
00:01:57,329 –> 00:01:59,810
با پانداهای Seabourn SNS کار خواهیم کرد
46
00:01:59,810 –> 00:02:03,210
و numpy و همچنین
47
00:02:03,210 –> 00:02:06,509
matplotlib خوب است، پس بیایید
48
00:02:06,509 –> 00:02:09,270
تمام کتابخانههای کامل را با هم وارد کنیم، بنابراین در
49
00:02:09,270 –> 00:02:12,540
اینجا ما میخواهیم مدافعان مرتع را بهعنوان
50
00:02:12,540 –> 00:02:13,860
PD
51
00:02:13,860 –> 00:02:17,910
وارد کنیم و سپس numpy را بهعنوان
52
00:02:17,910 –> 00:02:23,480
NP وارد کنیم و سپس matplotlib
53
00:02:23,480 –> 00:02:29,520
آن لوله SPL T را وارد کنیم و سپس در نهایت
54
00:02:29,520 –> 00:02:31,830
باید اینجا matplotlib را
55
00:02:31,830 –> 00:02:36,120
در خط خوب بنویسم، بنابراین این خط
56
00:02:36,120 –> 00:02:39,000
مطمئن می شود که تمام شکل های رسم شده باید
57
00:02:39,000 –> 00:02:42,440
بعد از اجرای سلول ظاهر شوند و
58
00:02:42,440 –> 00:02:45,330
اجازه دهید چند سلول دیگر را در این
59
00:02:45,330 –> 00:02:48,000
نوت بوک مشتری وارد کنیم، می توانید escape را در
60
00:02:48,000 –> 00:02:51,480
صفحه کلید خود فشار دهید و سپس B را فشار دهید.
61
00:02:51,480 –> 00:02:53,670
روی صفحه کلید شما به این معنی است که
62
00:02:53,670 –> 00:02:57,840
سلولی را در نوت بوک مشتری شما وارد می
63
00:02:57,840 –> 00:02:58,470
64
00:02:58,470 –> 00:03:01,350
کند، پس بیایید روی b را فشار
65
00:03:01,350 –> 00:03:04,680
دهیم تا بتوانیم فضای کاری زیادی در اینجا داشته باشیم،
66
00:03:04,680 –> 00:03:06,630
در غیر این صورت کمی عجیب به نظر می رسد
67
00:03:06,630 –> 00:03:11,670
عالی است، بنابراین ما این یکی را
68
00:03:11,670 –> 00:03:14,370
در حال اجرا داریم پانداهای Seabourn ما numpy
69
00:03:14,370 –> 00:03:16,500
و matplotlib قبلاً
70
00:03:16,500 –> 00:03:22,140
به تجزیه و تحلیل آماری نوت بوک ما وارد
71
00:03:22,140 –> 00:03:25,050
72
00:03:25,050 –> 00:03:26,790
73
00:03:26,790 –> 00:03:30,030
74
00:03:30,030 –> 00:03:31,980
75
00:03:31,980 –> 00:03:34,680
76
00:03:34,680 –> 00:03:37,440
شده است. به عنوان تجسم که Unison
77
00:03:37,440 –> 00:03:40,260
می تواند جزء اصلی این فرآیند باشد
78
00:03:40,260 –> 00:03:42,300
زیرا زمانی که داده ها به
79
00:03:42,300 –> 00:03:45,660
درستی تجسم شوند سیستم بصری ما می تواند
80
00:03:45,660 –> 00:03:48,090
قطارها و الگوهایی که
81
00:03:48,090 –> 00:03:50,640
82
00:03:50,640 –> 00:03:53,220
فقط با دیدن جداول و داده ها رابطه بین متغیرها را نشان
83
00:03:53,220 –> 00:03:55,410
می دهد ممکن است نتوانیم
84
00:03:55,410 –> 00:03:57,480
الگوها و روابط
85
00:03:57,480 –> 00:03:59,700
بین متغیرها را درک کنیم اما با نمودارها
86
00:03:59,700 –> 00:04:01,350
قطعاً درک بهتری
87
00:04:01,350 –> 00:04:04,050
از رابطه
88
00:04:04,050 –> 00:04:08,190
بین داده ها خواهیم داشت. و متغیرهای آنها پس ما
89
00:04:08,190 –> 00:04:11,130
در این آموزش به سه تابع مدنی می پردازیم
90
00:04:11,130 –> 00:04:14,730
که اولی
91
00:04:14,730 –> 00:04:17,579
نمودار ریل است که نمودار رابطه ای است و سپس
92
00:04:17,579 –> 00:04:20,608
به نمودار پراکندگی و سپس
93
00:04:20,608 –> 00:04:23,250
نمودار خطی می رویم پس از آن به
94
00:04:23,250 –> 00:04:26,510
نمودار طبقه ای می رویم.
95
00:04:26,510 –> 00:04:30,350
من با بارگیری یک داده شروع می کنم اکنون
96
00:04:30,350 –> 00:04:32,810
ابتدا داده ها را بارگیری می کنیم، اما قبل
97
00:04:32,810 –> 00:04:35,300
از بارگیری داده ها می خواهم یک
98
00:04:35,300 –> 00:04:40,970
استایل را در اینجا با مجموعه نقطه SNS تنظیم کنم و در اینجا
99
00:04:40,970 –> 00:04:44,990
باید استراحت را تنظیم کنیم متأسفم SNS dot set و من
100
00:04:44,990 –> 00:04:48,860
باید اینجا را تنظیم کنم. یک سبک و
101
00:04:48,860 –> 00:04:51,350
گزینههای بسیار زیادی در سبک موجود است تا
102
00:04:51,350 –> 00:04:53,330
آن گزینهها را بدانید که باید Shift را فشار دهید
103
00:04:53,330 –> 00:04:55,880
و زبانهای در صفحهکلید که
104
00:04:55,880 –> 00:04:59,030
میدانید بهطور پیشفرض در آنجا بسیار تاریک است
105
00:04:59,030 –> 00:05:01,130
، حتی اگر این کار را نکنیم. و این
106
00:05:01,130 –> 00:05:05,330
سبک با تاریکی عالی پیش میرود
107
00:05:05,330 –> 00:05:07,310
و گزینههای دیگری مانند
108
00:05:07,310 –> 00:05:10,940
تنظیم فونت و پالت مقیاس فونت وجود دارد
109
00:05:10,940 –> 00:05:12,920
و همه آنهایی را که میبینیم به
110
00:05:12,920 –> 00:05:16,910
شکل زیباییشناسی شکل درآورید، بنابراین بیایید سبکی را
111
00:05:16,910 –> 00:05:23,720
برابر با شبکه تیرهتر تنظیم
112
00:05:23,720 –> 00:05:26,990
کنیم. قرار است برخی از
113
00:05:26,990 –> 00:05:30,050
دادهها را مستقیماً از مجموعه داده بارگذاری SNS بارگیری کنیم، آنچه باید
114
00:05:30,050 –> 00:05:32,540
در اینجا انجام دهیم، باید اینجا بنویسیم
115
00:05:32,540 –> 00:05:35,570
مجموعه داده بارگذاری نقطهای SNS خوب است و سپس
116
00:05:35,570 –> 00:05:38,540
باید اینجا مجموعه دادهای را که میخواهیم
117
00:05:38,540 –> 00:05:41,450
بارگیری کنیم کتابخانههای c1 دارای تعداد زیادی از دادهها هستند، بنویسیم.
118
00:05:41,450 –> 00:05:44,030
مجموعه دادههایی که قبلاً بهصورت پیشفرض مجموعه دادهها
119
00:05:44,030 –> 00:05:47,000
در یک کتابخانه دریایی است، ما فقط باید
120
00:05:47,000 –> 00:05:50,150
آن مجموعه دادهها را بارگیری کنیم، میتوانیم با
121
00:05:50,150 –> 00:05:54,860
مجموعه داده بارگذاری نقطهای SNS بارگذاری کنیم و سپس میتوانیم
122
00:05:54,860 –> 00:05:57,230
نامی از مجموعه دادهها را در اینجا بدهیم، ما یک
123
00:05:57,230 –> 00:06:00,920
راهنمایی داریم و این نشان میدهد که مجموعه داده ها
124
00:06:00,920 –> 00:06:03,970
به شکل چارچوب داده های پاندا است و
125
00:06:03,970 –> 00:06:06,680
در اینجا ما یک قاب داده پاندا داریم که
126
00:06:06,680 –> 00:06:10,790
دارای نوار اراده کلی در طول روز سیگاری سابق
127
00:06:10,790 –> 00:06:13,640
و ستون اندازه است، بنابراین بیایید این
128
00:06:13,640 –> 00:06:17,600
قاب داده مجموعه داده را به قاب داده پاندا که
129
00:06:17,600 –> 00:06:20,660
به عنوان نکات ما شناخته می شود، اختصاص دهیم. ما
130
00:06:20,660 –> 00:06:25,670
یک متغیر tips داریم و اکنون بیایید بگوییم
131
00:06:25,670 –> 00:06:28,840
بیایید قبل از این نکات را در اینجا ببینیم، ما
132
00:06:28,840 –> 00:06:31,310
پنج جریان اول راهنمایی را داریم و
133
00:06:31,310 –> 00:06:34,670
به طور مشابه میتوانیم دم را درست کنیم، اگرچه
134
00:06:34,670 –> 00:06:39,290
من چارچوب داده پانداهای پاندا را کاشتهام
135
00:06:39,290 –> 00:06:40,340
که
136
00:06:40,340 –> 00:06:42,730
واقعاً با جزئیات روی دوره تاج پاندا
137
00:06:42,730 –> 00:06:46,250
کار میکند، بسیار خوب، بنابراین اینگونه میتوانید سر را بدست آورید.
138
00:06:46,250 –> 00:06:50,330
و دم در پانداها خوب است، حالا
139
00:06:50,330 –> 00:06:52,670
بیایید این مجموعه داده را در یک طبقه رابطه ای رسم کنیم
140
00:06:52,670 –> 00:06:56,390
و ببینیم که چگونه صورت حساب کل
141
00:06:56,390 –> 00:06:58,490
و نکات با هم مرتبط هستند،
142
00:06:58,490 –> 00:07:01,640
در اینجا می بینید که یک صورت حساب کل
143
00:07:01,640 –> 00:07:03,560
وجود دارد و اگر
144
00:07:03,560 –> 00:07:09,440
کسی شام یا ناهار را خورده باشد، نکات شما خوب است. آن وقت
145
00:07:09,440 –> 00:07:12,830
ممکن است آن شخص به یک گارسون انعام داده باشد
146
00:07:12,830 –> 00:07:15,410
و این نوعی
147
00:07:15,410 –> 00:07:17,240
رابطه است که می توانیم با آن رابطه
148
00:07:17,240 –> 00:07:19,640
برقرار کنیم و می توانیم الگویی پیدا کنیم که
149
00:07:19,640 –> 00:07:21,740
احتمال دریافت انعام بالاتر
150
00:07:21,740 –> 00:07:24,830
بر اساس کل صورتحساب برای
151
00:07:24,830 –> 00:07:27,380
مشتری چقدر است. بنابراین بیایید جلوتر برویم و این را
152
00:07:27,380 –> 00:07:31,700
با نمودار واقعی نقطهای SNS رسم کنیم که
153
00:07:31,700 –> 00:07:36,380
نمودار رابطهای است، سپس باید
154
00:07:36,380 –> 00:07:39,320
XY و مجموعه دادهها را ارائه کنیم، اما قبل از آن
155
00:07:39,320 –> 00:07:42,530
، Shift را فشار میدهیم و زبانه دوبل
156
00:07:42,530 –> 00:07:45,110
را که میبینید، در اینجا یک سند دقیق خواهید دید.
157
00:07:45,110 –> 00:07:48,760
نمودار رابطهای و در
158
00:07:48,760 –> 00:07:53,180
آنجا شما دادههای سبک اندازه رنگ XY دارید،
159
00:07:53,180 –> 00:07:55,970
به جز اینکه ما اینها را با جزئیات در نظر میگیریم،
160
00:07:55,970 –> 00:07:59,800
خوب، پس بیایید ادامه
161
00:07:59,800 –> 00:08:04,030
دهیم و اختصاص X برابر با کل صورتحساب است
162
00:08:04,030 –> 00:08:07,250
که در آنجا داریم X برابر با کل
163
00:08:07,250 –> 00:08:10,820
صورتحساب است و اکنون اجازه دهید ادامه دهید و تعیین کنید
164
00:08:10,820 –> 00:08:16,220
که چرا Y برابر با dip است و سپس ما باید
165
00:08:16,220 –> 00:08:18,470
داده ها را اختصاص دهیم در آن زمان است که باید مشخص
166
00:08:18,470 –> 00:08:21,200
کنیم که این کل شرور
167
00:08:21,200 –> 00:08:24,110
کجاست که در آن داده ها قرار دارد و این
168
00:08:24,110 –> 00:08:28,550
به tips نهفته است و فقط shift را فشار دهید و اینتر
169
00:08:28,550 –> 00:08:32,500
را خواهید دید. در اینجا a به طور پیش فرض
170
00:08:32,500 –> 00:08:37,940
C vorna طرح آمده است و می بینید
171
00:08:37,940 –> 00:08:41,480
اینجا این یک چهره است که موافقت کرد بسیار خوب پس
172
00:08:41,480 –> 00:08:43,940
این داخل یک صورت می آید سلام می کند چه
173
00:08:43,940 –> 00:08:49,210
کاری می توانیم انجام دهیم می توانیم اینجا بنویسیم dir SNS dot
174
00:08:49,210 –> 00:08:52,600
ببخشید اگر عالی گفت و
175
00:08:52,600 –> 00:08:54,850
وارد کنید
176
00:08:54,850 –> 00:08:56,830
حرص و آز را ببینید اینها چیزهایی هستند که می
177
00:08:56,830 –> 00:08:59,740
توانیم روی صورت اعمال کنیم و حرص و طمع مانند
178
00:08:59,740 –> 00:09:02,740
ضایعات نشسته دسترسی به ستون فقرات مالیات پیزا و غیره
179
00:09:02,740 –> 00:09:05,230
ما این چیزها را با
180
00:09:05,230 –> 00:09:08,220
جزئیات بررسی خواهیم کرد، بنابراین اجازه دهید به این طرح بازگردیم
181
00:09:08,220 –> 00:09:10,960
تا این صورت باشد. شبکه جادوگر سبز
182
00:09:10,960 –> 00:09:15,340
به این معنی است که می تواند m را ترسیم کند هر محوری
183
00:09:15,340 –> 00:09:18,970
روی یک تک روی یک شکل واحد، اگر بروید و
184
00:09:18,970 –> 00:09:22,080
آموزش قبلی من در مورد matplotlib را به صورت زنده تماشا کنید،
185
00:09:22,080 –> 00:09:24,880
من با
186
00:09:24,880 –> 00:09:28,840
جزئیات کامل در مورد نمودار شبکه ای توضیح داده ام که در آن ما با طرح های فرعی رسم می کنیم
187
00:09:28,840 –> 00:09:30,850
، تعداد زیادی طرح در
188
00:09:30,850 –> 00:09:33,040
کنار هم وجود دارد مانند یک طرح دو سه چهار
189
00:09:33,040 –> 00:09:35,620
مانند یک نمودار. که در
190
00:09:35,620 –> 00:09:38,230
ردیفها و ستونها سازماندهی شده است، بهطوریکه این همان چیزی است که
191
00:09:38,230 –> 00:09:40,630
ما
192
00:09:40,630 –> 00:09:43,560
امسال از آن استفاده خواهیم کرد و جزئیات بسیار زیادی را اکنون در
193
00:09:43,560 –> 00:09:46,900
زمان آینده در این درس
194
00:09:46,900 –> 00:09:50,550
خواهیم داشت.
195
00:09:50,550 –> 00:09:53,470
رابطه خطی
196
00:09:53,470 –> 00:09:55,930
بین انعام و کل صورتحساب توسط
197
00:09:55,930 –> 00:09:58,120
شما و ناکیدا، می توانید ببینید اگر بیل در
198
00:09:58,120 –> 00:09:59,980
حال افزایش است، به نحوی نکات
199
00:09:59,980 –> 00:10:02,470
نیز افزایش می یابد، به
200
00:10:02,470 –> 00:10:05,950
نوعی یک رابطه خطی وجود دارد و یک
201
00:10:05,950 –> 00:10:08,220
چیز دیگر که ممکن است اینجا ببینید
202
00:10:08,220 –> 00:10:11,070
جنسیت مرد است. و زن
203
00:10:11,070 –> 00:10:14,140
سیگاری میداند و میداند و D وجود دارد
204
00:10:14,140 –> 00:10:17,470
قطعاً در زمانی که
205
00:10:17,470 –> 00:10:20,920
ما میتوانیم آن را نیز بر
206
00:10:20,920 –> 00:10:24,460
اساس جنسیت سیگاریمان جدا کنیم یا آنها زمان هستند،
207
00:10:24,460 –> 00:10:28,300
پس بیایید جلو برویم و این را جدا کنیم.
208
00:10:28,300 –> 00:10:30,850
قرص کل و نکاتی که با یک سیگاری
209
00:10:30,850 –> 00:10:37,650
می توانیم با SNS dot انجام دهیم نمودار واقعی
210
00:10:37,650 –> 00:10:43,170
وجود دارد که باید X را ارائه دهم برابر است با
211
00:10:43,170 –> 00:10:50,560
متأسفم کل بن و سپس y برابر است
212
00:10:50,560 –> 00:10:53,020
با من باید در اینجا ارائه کنم متاسفم باید
213
00:10:53,020 –> 00:10:56,280
اینجا را ارائه کنم نکته
214
00:10:56,510 –> 00:11:01,160
و سپس داده ها برابر است با اینجا ما یک
215
00:11:01,160 –> 00:11:07,100
راهنمایی داریم و سپس اینجا رنگ رنگ برابر
216
00:11:07,100 –> 00:11:14,810
با سیگاری داریم خوب عالی حالا می بینید اینجا
217
00:11:14,810 –> 00:11:17,600
می بینیم که سیگاری و
218
00:11:17,600 –> 00:11:22,720
غیرسیگاری چطور است بله
219
00:11:22,720 –> 00:11:26,420
نکات راهنمایی را به پیشخدمت ها داده است و با این
220
00:11:26,420 –> 00:11:28,100
نمودار ما واقعاً میتوانیم به وضوح ببینیم که
221
00:11:28,100 –> 00:11:31,420
افراد غیرسیگاری زیادی وجود دارد
222
00:11:31,420 –> 00:11:34,430
و منظورم این است که تعداد
223
00:11:34,430 –> 00:11:37,190
کل افرادی که سیگار میکشند کمی کمتر است
224
00:11:37,190 –> 00:11:39,199
و میتوانیم با مقادیر شمارشی
225
00:11:39,199 –> 00:11:44,060
که باید همه نکات را اعمال کنیم، به دست آوریم
226
00:11:44,060 –> 00:11:49,899
. ما نکات را داریم و
227
00:11:49,899 –> 00:11:54,199
سپس ما اینجا داریم که یک فرد سیگاری ضربدر
228
00:11:54,199 –> 00:11:57,620
ستون آن است و سپس می توانیم
229
00:11:57,620 –> 00:12:01,069
مقدار روشنی زیر شمارش مدرسه را با این کار
230
00:12:01,069 –> 00:12:03,050
می توانیم بگوییم یک پنجاه و یک
231
00:12:03,050 –> 00:12:05,000
درصد افراد غیرسیگاری هستند و
232
00:12:05,000 –> 00:12:10,810
93 نفر سیگاری هستند. بسیار عالی پس
233
00:12:10,810 –> 00:12:16,940
حالا بیایید جلو برویم و و برای درک
234
00:12:16,940 –> 00:12:19,399
بیشتر اینکه چرا ما از این شما استفاده کرده ایم، اما
235
00:12:19,399 –> 00:12:20,959
قبل از آن اجازه دهید یک بار دیگر به شما نشان دهم
236
00:12:20,959 –> 00:12:23,449
کدام غربال و زبانه دوتایی که
237
00:12:23,449 –> 00:12:26,569
در اینجا می بینید یک نوع بزرگ است و ما
238
00:12:26,569 –> 00:12:28,339
این سه را با
239
00:12:28,339 –> 00:12:31,430
جزئیات در آموزش آینده خود در آنجا مطالعه خواهیم کرد.
240
00:12:31,430 –> 00:12:34,910
در ابتدا ما این
241
00:12:34,910 –> 00:12:37,339
شکل را تنها بر اساس دو متغیر x
242
00:12:37,339 –> 00:12:40,220
و y ترسیم کردهایم، اما c1 راههای زیادی را ارائه
243
00:12:40,220 –> 00:12:42,290
میدهد که بتوانیم سومین
244
00:12:42,290 –> 00:12:43,880
چهارم و پنجم را معرفی
245
00:12:43,880 –> 00:12:47,149
کنیم تا بتوانیم رابطه کلی
246
00:12:47,149 –> 00:12:50,240
بین متغیرهای Okay و
247
00:12:50,240 –> 00:12:54,079
ترسیم چند متغیره را درک کنیم. این است که ما
248
00:12:54,079 –> 00:12:56,690
می توانیم با سیگاری های بزرگ بفهمیم
249
00:12:56,690 –> 00:12:58,430
حتی اگر می توانیم با جنسیت
250
00:12:58,430 –> 00:13:00,860
آنها مرد هستند و زن خوب است
251
00:13:00,860 –> 00:13:03,500
و حتی اگر می توانیم با زمان
252
00:13:03,500 –> 00:13:07,040
و همچنین شام و ناهار
253
00:13:07,040 –> 00:13:09,760
را تنظیم کنیم، بنابراین اینگونه می توانیم با رنگ تنظیم کنیم. و ما میتوانیم
254
00:13:09,760 –> 00:13:12,130
پارامتر سوم را کاهش دهیم تا بفهمیم
255
00:13:12,130 –> 00:13:15,910
این متغیرها چگونه همبستگی دارند،
256
00:13:15,910 –> 00:13:18,220
بنابراین میتوان چهار
257
00:13:18,220 –> 00:13:21,220
متغیر چهارم را با
258
00:13:21,220 –> 00:13:24,420
تغییر رنگ و سبک برای هر نقطه به
259
00:13:24,420 –> 00:13:26,890
طور مستقل نشان داد. خیلی خوب حالا بیایید
260
00:13:26,890 –> 00:13:29,230
سبک را نیز معرفی کنیم، بنابراین در اینجا در رنگ،
261
00:13:29,230 –> 00:13:34,150
دوباره یک فرد سیگاری را معرفی می کنم و
262
00:13:34,150 –> 00:13:36,370
اکنون متغیر چهارمی را در اینجا معرفی می کنم که
263
00:13:36,370 –> 00:13:38,350
264
00:13:38,350 –> 00:13:41,260
با این سبک و این بار معرفی می کنم. “من قصد دارم
265
00:13:41,260 –> 00:13:43,300
یک سبک بنویسم برابر زمان است،
266
00:13:43,300 –> 00:13:46,360
خوب است، بنابراین به این ترتیب آنچه قرار
267
00:13:46,360 –> 00:13:48,820
است در این روش انجام شود، بنابراین در
268
00:13:48,820 –> 00:13:51,820
اینجا کل اراده در مقابل نکات بر اساس
269
00:13:51,820 –> 00:13:54,370
فرد سیگاری و همچنین سبک، پس بیایید ادامه دهیم
270
00:13:54,370 –> 00:13:57,490
و C در اینجا بسیار خوب است، بنابراین در اینجا
271
00:13:57,490 –> 00:14:02,230
ما کل سیگاری و زمان را داریم و
272
00:14:02,230 –> 00:14:05,680
همچنین می بینید که در اینجا رنگ وجود دارد و
273
00:14:05,680 –> 00:14:09,520
همچنین تفاوت های ذخیره در اینجا ما یک
274
00:14:09,520 –> 00:14:13,720
رنگ به رنگ آبی سیگاری و یک
275
00:14:13,720 –> 00:14:22,060
رنگ نارنجی داریم، اما در زمانی که داریم،
276
00:14:22,060 –> 00:14:24,250
داریم یک رنگ سیاه و همچنین یک متقاطع
277
00:14:24,250 –> 00:14:27,070
خوب است، بنابراین اینگونه می توانیم
278
00:14:27,070 –> 00:14:29,020
متغیر چهارم را برای درک
279
00:14:29,020 –> 00:14:31,270
بهتر آن معرفی کنیم، اما می دانید که
280
00:14:31,270 –> 00:14:33,580
تفاوت کمی وجود دارد، بنابراین یک
281
00:14:33,580 –> 00:14:38,020
مشکل کوچک وجود دارد، مشکل اینجا چیست
282
00:14:38,020 –> 00:14:40,630
، گاهی اوقات چشمان ما چیست؟ ممکن است
283
00:14:40,630 –> 00:14:44,320
فقط با دریافت اطلاعات زیاد مزاحم شود
284
00:14:44,320 –> 00:14:46,720
با هم، بنابراین همیشه
285
00:14:46,720 –> 00:14:49,480
بهتر است به جای
286
00:14:49,480 –> 00:14:51,790
معرفی تعداد زیادی از اطلاعات در
287
00:14:51,790 –> 00:14:55,090
یک نمودار پیچیده، یک نمودار ساده را حفظ کنیم، بنابراین اینگونه می
288
00:14:55,090 –> 00:14:59,200
توانیم بر اساس طرح تصویر
289
00:14:59,200 –> 00:15:02,560
رنگی با رنگ های متعدد نمایش دهیم، اما
290
00:15:02,560 –> 00:15:04,630
گزینه ای نیز داریم که می توانیم از آن استفاده کنیم. یک
291
00:15:04,630 –> 00:15:06,900
رنگ تکی با شدت متفاوت
292
00:15:06,900 –> 00:15:10,360
بسیار خوب است، پس بیایید جلوتر برویم و از آن
293
00:15:10,360 –> 00:15:13,300
معناشناسی استفاده کنیم، من دوباره می خواهم
294
00:15:13,300 –> 00:15:15,040
اینجا را با نمودار ریلی که
295
00:15:15,040 –> 00:15:19,630
نمودار رابطه ای است رسم کنم و سپس
296
00:15:19,630 –> 00:15:21,470
X را بدهم،
297
00:15:21,470 –> 00:15:26,780
بنابراین کل صورتحساب است و سپس من اینجا را دارم.
298
00:15:26,780 –> 00:15:28,760
شما می توانید این کار را عمیقا انجام دهید
299
00:15:28,760 –> 00:15:32,930
متأسفم پس در اینجا Y بود Y یک تماس
300
00:15:32,930 –> 00:15:35,090
به نوک است و در نهایت اینجا من
301
00:15:35,090 –> 00:15:37,640
یک برابر بزرگ دارم که
302
00:15:37,640 –> 00:15:42,350
در اینجا پایین ارائه خواهم کرد بسیار خوب بنابراین این
303
00:15:42,350 –> 00:15:49,030
طرفین است و داده ها برابر هستند به نکاتی
304
00:15:49,030 –> 00:15:53,420
که در اینجا می بینید اینجا چه اتفاقی می افتد اکنون ما
305
00:15:53,420 –> 00:16:00,110
در اینجا تفاوت ها را
306
00:16:00,110 –> 00:16:03,410
بر اساس مقدار عددی قبلاً معرفی
307
00:16:03,410 –> 00:16:05,600
کرده ایم یک تفاوت دیگر وجود دارد که در اینجا
308
00:16:05,600 –> 00:16:08,330
ما یک متغیر سوم و چهارم را معرفی کرده بودیم
309
00:16:08,330 –> 00:16:10,250
و آن متغیرهایی که در آن
310
00:16:10,250 –> 00:16:13,460
دسته بندی و در آن در صورتی که
311
00:16:13,460 –> 00:16:18,620
برای شما دشوار خواهد بود که بدانید فقط با
312
00:16:18,620 –> 00:16:22,670
اینها یک نوع ترسیم دیگر وجود دارد، بنابراین
313
00:16:22,670 –> 00:16:24,860
بیایید ببینیم که آیا چیزی مانند
314
00:16:24,860 –> 00:16:27,740
داده های پیوسته یا داده های عددی در
315
00:16:27,740 –> 00:16:30,410
آن راه داریم، می توانیم از خلبان های کیفی شما استفاده کنیم،
316
00:16:30,410 –> 00:16:33,290
بنابراین این به
317
00:16:33,290 –> 00:16:35,390
عنوان پالت های طبقه بندی شده و این
318
00:16:35,390 –> 00:16:37,430
به عنوان یک کیفیت در کیفیت شناخته می شود
319
00:16:37,430 –> 00:16:39,890
همچنین می توانیم شیب رنگ را تغییر دهیم که
320
00:16:39,890 –> 00:16:44,030
با دایره دایره تراز شده است،
321
00:16:44,030 –> 00:16:48,110
شعاع دایره و غیره بسیار خوب است، بنابراین
322
00:16:48,110 –> 00:16:50,300
با این می توانید اینجا را ببینید اگر
323
00:16:50,300 –> 00:16:52,670
اندازه در حال افزایش است، رنگ تیره تر وجود
324
00:16:52,670 –> 00:16:55,580
دارد. اندازه در حال افزایش است و
325
00:16:55,580 –> 00:16:57,110
سپس کل صورتحساب و نکات نیز
326
00:16:57,110 –> 00:17:00,980
افزایش مییابند،
327
00:17:00,980 –> 00:17:03,140
رنگ روشن، رنگ روشن جایی است که
328
00:17:03,140 –> 00:17:05,480
به این معنی است که کل صورتحساب و نوکها
329
00:17:05,480 –> 00:17:07,760
کمی کمتر میشوند زمانی که تعداد
330
00:17:07,760 –> 00:17:09,619
افراد کمتر باشد،
331
00:17:09,619 –> 00:17:13,010
یعنی اینجاست. در اینجا این اندازه
332
00:17:13,010 –> 00:17:13,640
درست است
333
00:17:13,640 –> 00:17:15,349
در حالی که مردم در حال صرف شام هستند،
334
00:17:15,349 –> 00:17:18,109
بنابراین اندازه دوستان آنها چقدر است.
335
00:17:18,109 –> 00:17:22,550
336
00:17:22,550 –> 00:17:26,920
337
00:17:26,920 –> 00:17:29,420
از شما سوال بپرسم آیا میتوانیم
338
00:17:29,420 –> 00:17:31,970
این رنگ را تغییر دهیم قطعاً بله، شما میتوانید
339
00:17:31,970 –> 00:17:34,590
آن رنگ را تغییر دهید، بیایید ادامه دهیم و
340
00:17:34,590 –> 00:17:36,720
من به شما نشان میدهم که چگونه میتوانید آن
341
00:17:36,720 –> 00:17:39,560
رنگ را با پالت مارپیچ مکعبی تغییر دهید.
342
00:17:39,560 –> 00:17:43,230
343
00:17:43,230 –> 00:17:46,590
میخواهیم آن را
344
00:17:46,590 –> 00:17:50,520
در اینجا بچسبانیم و میتوانیم آن را با پالتهای Okay تغییر دهیم،
345
00:17:50,520 –> 00:17:53,990
بنابراین در اینجا ما یک پالت
346
00:17:53,990 –> 00:17:57,000
داریم که در اینجا میبینید یک گزینه پالت وجود دارد،
347
00:17:57,000 –> 00:18:00,690
اگر نام پالت را اینجا ببینید
348
00:18:00,690 –> 00:18:02,430
که لیستی در فرهنگ لغت است برای
349
00:18:02,430 –> 00:18:04,980
ارائه رنگ وجود دارد. در اینجا من قصد دارم
350
00:18:04,980 –> 00:18:07,140
رنگی را به شکل
351
00:18:07,140 –> 00:18:09,390
پالت مارپیچ مکعبی ارائه کنم، کمی
352
00:18:09,390 –> 00:18:12,720
بعد در این آموزش با جزئیات در مورد
353
00:18:12,720 –> 00:18:15,120
این موضوع بحث خواهم کرد که پالت مارپیچ لوله خوب است، بنابراین اجازه دهید
354
00:18:15,120 –> 00:18:23,270
پیش برویم که CH برابر با منهای 0.5 است
355
00:18:23,270 –> 00:18:30,650
و سپس ما L برابر است با 0.75 بسیار خوب،
356
00:18:30,650 –> 00:18:33,390
بنابراین شما ادامه دهید و ببینید که این رنگ
357
00:18:33,390 –> 00:18:35,130
تغییر کرده است بسیار خوب، حتی اگر
358
00:18:35,130 –> 00:18:37,080
نمی توانید این را تغییر دهید تا چیزی
359
00:18:37,080 –> 00:18:40,350
9 5 بگوییم که آن را کمی
360
00:18:40,350 –> 00:18:42,270
تیره تر می کند حتی اگر می توانید این را تغییر دهید.
361
00:18:42,270 –> 00:18:45,060
یکی یا چیز دیگری خوب است پس شما
362
00:18:45,060 –> 00:18:48,200
اینگونه هستید میتوانید این رنگها را کاملاً تغییر دهید
363
00:18:48,200 –> 00:18:49,440
364
00:18:49,440 –> 00:18:51,960
حالا بیایید جلو برویم و به شما نشان دهیم که چگونه
365
00:18:51,960 –> 00:18:55,020
میتوانید به جای تغییر رنگ این دایرهها، اندازه دایره را
366
00:18:55,020 –> 00:18:56,640
تغییر دهید،
367
00:18:56,640 –> 00:18:57,600
خوب
368
00:18:57,600 –> 00:19:00,060
، اگر نوک افزایش یابد و کل صورتحساب افزایش یابد، به این معنی است که اگر نوک
369
00:19:00,060 –> 00:19:02,040
افزایش یابد و کل صورتحساب افزایش یابد
370
00:19:02,040 –> 00:19:05,460
، اندازه آنها افزایش مییابد. دایره ها
371
00:19:05,460 –> 00:19:09,780
کمی بزرگتر خواهند بود بسیار خوب حالا بیایید
372
00:19:09,780 –> 00:19:15,120
جلو برویم و تغییر کنیم که خوب است، بنابراین
373
00:19:15,120 –> 00:19:16,800
آنچه می توانیم انجام دهیم می توانیم
374
00:19:16,800 –> 00:19:21,510
در اینجا نمودار ریل نقطه لانه را بنویسیم و سپس X
375
00:19:21,510 –> 00:19:27,360
برابر با کل صورت حساب و سپس Y برابر
376
00:19:27,360 –> 00:19:30,240
با نوک و سپس در نهایت ما تتا
377
00:19:30,240 –> 00:19:34,170
برابر با نوک و سپس ما یک اندازه بزرگ
378
00:19:34,170 –> 00:19:39,620
اندازه H اندازه مناسب داریم،
379
00:19:39,620 –> 00:19:44,230
بنابراین به این ترتیب کاری که ما می توانیم انجام دهیم
380
00:19:44,230 –> 00:19:47,590
این می تواند تغییر کند، حالا شما اینجا را ببینید که
381
00:19:47,590 –> 00:19:50,320
اندازه این شعاع ضخیم است شما می
382
00:19:50,320 –> 00:19:51,460
دانید تفاوت چیست اینجا و
383
00:19:51,460 –> 00:19:54,100
آنجا ما این اندازه را به hue hue ارائه کرده ایم به این
384
00:19:54,100 –> 00:19:56,350
معنی که چیزی شبیه
385
00:19:56,350 –> 00:19:58,510
تغییر رنگ اگر به یک
386
00:19:58,510 –> 00:20:01,299
رنگ ارائه دهید، رنگ را به درستی تغییر می دهد، اما
387
00:20:01,299 –> 00:20:03,280
اگر اندازه را وارد کنیم،
388
00:20:03,280 –> 00:20:05,679
می گوید اندازه را تغییر دهید و اگر به یک رنگ ارائه دهید
389
00:20:05,679 –> 00:20:08,170
یک سبک قبلاً ما آنجا را دیده بودیم،
390
00:20:08,170 –> 00:20:12,540
سپس سبک را تغییر میدهد بسیار خوب است، درست
391
00:20:12,540 –> 00:20:15,790
است که بفهمیم کاری که میتوانیم انجام دهیم، میتوانیم ادامه دهیم،
392
00:20:15,790 –> 00:20:22,870
اینجا ادامه دهیم و میتوانیم
393
00:20:22,870 –> 00:20:26,200
زمان کمتری را اینجا تایپ کنیم
394
00:20:26,200 –> 00:20:28,000
395
00:20:28,000 –> 00:20:30,910
. سایز رنگ متفاوت
396
00:20:30,910 –> 00:20:33,520
و سبکی که تغییر میدهید اندازه رنگ
397
00:20:33,520 –> 00:20:36,010
، اندازه اشیا را تغییر میدهد و
398
00:20:36,010 –> 00:20:37,960
سبک تغییر میکند،
399
00:20:37,960 –> 00:20:41,260
سبک شی نشاندادهشده است بسیار خوب حالا
400
00:20:41,260 –> 00:20:47,730
بیایید جلو برویم، بیایید جلوتر برویم و
401
00:20:47,730 –> 00:20:51,220
آن را چیزی شبیه به
402
00:20:51,220 –> 00:20:54,250
matplotlib درست کنیم. matplotlib من
403
00:20:54,250 –> 00:20:55,900
می دانستم که چگونه می توان با یک
404
00:20:55,900 –> 00:20:58,809
Scatterplot در Scatterplot کار کرد ممکن
405
00:20:58,809 –> 00:21:01,570
است چیزی شبیه به آن را دیده باشید
406
00:21:01,570 –> 00:21:04,030
اما راه بسیار پیچیده ای برای کنترل اندازه او وجود دارد.
407
00:21:04,030 –> 00:21:08,140
408
00:21:08,140 –> 00:21:11,140
409
00:21:11,140 –> 00:21:15,280
خیلی راحت به این کنترل
410
00:21:15,280 –> 00:21:23,760
ارقام دست پیدا کنید، خوب،
411
00:21:23,760 –> 00:21:28,900
ببخشید، حالا بیایید جلوتر برویم و می بینید
412
00:21:28,900 –> 00:21:34,919
که این اندازه نقاط داده ثابت هستند،
413
00:21:34,919 –> 00:21:38,799
خوب، فرض کنید اگر می
414
00:21:38,799 –> 00:21:41,080
خواهید این اندازه ها را افزایش دهید، چگونه
415
00:21:41,080 –> 00:21:44,410
میتوانید این اندازهها را افزایش دهید خوب است، بنابراین
416
00:21:44,410 –> 00:21:45,870
چه اتفاقی میافتد در واقع
417
00:21:45,870 –> 00:21:51,850
این مقادیر نرمال میشوند، بنابراین ما
418
00:21:51,850 –> 00:21:54,250
میتوانیم محدودهای را در بین افرادی که
419
00:21:54,250 –> 00:21:56,590
این مقادیر نرمال میشوند، ارائه دهیم، سپس
420
00:21:56,590 –> 00:21:57,980
به طور خودکار افزایش مییابد،
421
00:21:57,980 –> 00:22:00,200
اجازه دهید به شما بگویم چگونه میتوانیم این کار را درست
422
00:22:00,200 –> 00:22:02,330
انجام دهیم. این خوب است با
423
00:22:02,330 –> 00:22:05,090
کنترل ها ببینید و من می خواهم آن را اینجا
424
00:22:05,090 –> 00:22:09,230
و اینجا با متغیر اندازه با
425
00:22:09,230 –> 00:22:11,210
آرگومان های اندازه بچسبانم، می خواهم آرگومان دیگری
426
00:22:11,210 –> 00:22:14,360
را ارسال کنم که اندازه ها خوب است، بنابراین در
427
00:22:14,360 –> 00:22:17,690
این اندازه ها هر یک از این پارامترهای اندازه را عادی می
428
00:22:17,690 –> 00:22:20,660
کند. بنابراین در اینجا
429
00:22:20,660 –> 00:22:24,950
من 15 و 200 را ارائه می دهم، بنابراین
430
00:22:24,950 –> 00:22:28,040
در اینجا پایین ترین یک
431
00:22:28,040 –> 00:22:30,919
به 15 نقطه داده نرمال شده و بزرگترین
432
00:22:30,919 –> 00:22:33,919
آن به 200 نرمال می شود و در
433
00:22:33,919 –> 00:22:35,360
بین این ها
434
00:22:35,360 –> 00:22:37,790
بین 15 تا 200 نرمال می شود.
435
00:22:37,790 –> 00:22:40,820
یک بار آن را رسم کنید، میتوانیم اینجا ببینیم حالا
436
00:22:40,820 –> 00:22:44,020
دایرهای با شعاع بزرگتر
437
00:22:44,020 –> 00:22:46,610
داریم، علاوه بر این، میتوانیم آن را
438
00:22:46,610 –> 00:22:49,040
کمی بیشتر کنیم، بگذارید بگوییم اگر عدد
439
00:22:49,040 –> 00:22:53,150
50 را میکنیم و آن را 500 میکنیم،
440
00:22:53,150 –> 00:22:55,940
حالا کمی بزرگتر میشویم. بزرگتر خوب
441
00:22:55,940 –> 00:22:58,130
پس بیایید به قبلی برگردیم
442
00:22:58,130 –> 00:23:00,590
که کاملاً
443
00:23:00,590 –> 00:23:03,260
خوب بود، پس این راهی است که
444
00:23:03,260 –> 00:23:05,780
میتوانیم رابطه بین کل صورتحساب را نشان دهیم، منظور من
445
00:23:05,780 –> 00:23:07,940
نه تنها کل صورتحساب و نکات است، بلکه
446
00:23:07,940 –> 00:23:11,299
در واقع بین این دو، ستون عددی
447
00:23:11,299 –> 00:23:14,059
اوکی است. برای طبقه بندی،
448
00:23:14,059 –> 00:23:15,860
در بخش ترسیم داده های طبقه بندی به شما می گویم
449
00:23:15,860 –> 00:23:20,179
بسیار خوب، پس حالا بیایید ادامه دهیم،
450
00:23:20,179 –> 00:23:22,250
این در مورد نحوه کار
451
00:23:22,250 –> 00:23:24,470
با این طرح Keter است.
452
00:23:24,470 –> 00:23:27,380
453
00:23:27,380 –> 00:23:30,860
نمودار خط خوب است،
454
00:23:30,860 –> 00:23:33,530
بنابراین برای زمانبندی
455
00:23:33,530 –> 00:23:37,520
، کل دادههای نکات را حذف
456
00:23:37,520 –> 00:23:40,100
میکنم و یک مجموعه داده جدید برای
457
00:23:40,100 –> 00:23:44,890
ترسیم دادههای خط درست میکنم، بنابراین برای این کار باید
458
00:23:44,890 –> 00:23:48,650
ابتدا یک عدد تصادفی وارد کنم. برای انجام
459
00:23:48,650 –> 00:23:51,730
آن کاری که می توانم
460
00:23:52,059 –> 00:24:00,049
از numpy انجام دهم متاسفم از numpy از numpy
461
00:24:00,049 –> 00:24:02,410
dot
462
00:24:03,809 –> 00:24:12,610
تصادفی بسیار خوب وارد کنید تصادفی بسیار خوب، بنابراین اکنون
463
00:24:12,610 –> 00:24:14,860
ما Rendon را داریم اکنون می خواهم
464
00:24:14,860 –> 00:24:20,350
یک چارچوب داده پاندا ایجاد کنم تا نمودار خط ما را آزمایش
465
00:24:20,350 –> 00:24:23,500
کند، بنابراین D اگر آنها
466
00:24:23,500 –> 00:24:25,720
یعنی فریم داده برابر است با قاب داده نقطه PD
467
00:24:25,720 –> 00:24:29,260
و سپس I
468
00:24:29,260 –> 00:24:31,210
در اینجا محور x را به شکل
469
00:24:31,210 –> 00:24:34,649
دیکشنری که پخته شده است ارائه
470
00:24:34,649 –> 00:24:40,659
خواهم کرد و سپس زمانی را در اینجا ایجاد می کنم
471
00:24:40,659 –> 00:24:43,179
که نقطه MP مرتب شده است، اگر نمی دانید چگونه
472
00:24:43,179 –> 00:24:45,850
n نقطه P کار را ترتیب دهید، لطفا بروید. برگردید و
473
00:24:45,850 –> 00:24:50,049
ببینید کلاس من روی یک داور در
474
00:24:50,049 –> 00:24:53,440
دئودورانتهای P که 500 نقطه داده است
475
00:24:53,440 –> 00:24:58,720
و سپس در نهایت میخواهم مقداری ایجاد کنم
476
00:24:58,720 –> 00:25:02,019
که ارزش آنها برابر
477
00:25:02,019 –> 00:25:04,149
با مقدار ستون است.
478
00:25:04,149 –> 00:25:09,399
479
00:25:09,399 –> 00:25:13,450
یک مقدار تصادفی رندون کنید و اندازه
480
00:25:13,450 –> 00:25:15,730
برندان 500 است و من میخواهم مقداری را در اینجا ارائه
481
00:25:15,730 –> 00:25:17,769
کنم که فروشگاه انباشتهای است که من
482
00:25:17,769 –> 00:25:19,840
این موارد را در یک
483
00:25:19,840 –> 00:25:22,600
آموزش بیحرکتی پوشش دادهام، خوب است، بنابراین بیایید جلو برویم
484
00:25:22,600 –> 00:25:25,990
و اینتر را ببینیم و این را نقطه F کنیم. head
485
00:25:25,990 –> 00:25:28,659
پنج متغیر اول را به شما نشان می دهد
486
00:25:28,659 –> 00:25:32,169
خوب است، بنابراین پنج سطر اول را در اینجا می بینید که
487
00:25:32,169 –> 00:25:35,230
ما یک زمان و مقدار داریم، اینها نام ستون هستند،
488
00:25:35,230 –> 00:25:37,779
بنابراین بیایید جلوتر برویم و
489
00:25:37,779 –> 00:25:42,010
این مقدار را با زمانی که می توانیم خیلی راحت این کار را انجام دهیم رسم کنیم،
490
00:25:42,010 –> 00:25:45,340
پس بیایید جلو برویم و انجام دهیم.
491
00:25:45,340 –> 00:25:53,169
با نقطه SNS خوب یک
492
00:25:53,169 –> 00:25:54,669
چیز دیگر را می خواهم بکشم شما در
493
00:25:54,669 –> 00:25:58,000
طرح ریلی ما یک نوع خوب داریم، بنابراین به
494
00:25:58,000 –> 00:26:00,730
طور پیشفرض آن نوع روی یک نمودار پراکنده تنظیم میشود،
495
00:26:00,730 –> 00:26:03,850
اما اکنون در اینجا میخواهیم
496
00:26:03,850 –> 00:26:06,940
آن نوع را روی یک نمودار خطی تنظیم کنیم، اجازه دهید به شما نشان دهم
497
00:26:06,940 –> 00:26:11,649
که این نوع در اینجا کجاست، بنابراین پیشفرض Y
498
00:26:11,649 –> 00:26:13,720
است. روی این نمودار پراکنده که
499
00:26:13,720 –> 00:26:16,690
قبلاً استفاده می کردیم تنظیم کنید و اگر تنظیم کنیم
500
00:26:16,690 –> 00:26:18,490
من خواهش می کنم، قطعاً طرح
501
00:26:18,490 –> 00:26:20,560
برای زمان بندی خوب تغییر می کند، ما می توانیم در اینجا انجام دهیم
502
00:26:20,560 –> 00:26:23,200
همچنین نوع برابر است با فرض کنید
503
00:26:23,200 –> 00:26:25,690
خط اوکی است، بنابراین ما چیزی شبیه به
504
00:26:25,690 –> 00:26:28,380
این را خواهیم گرفت. که واقعاً خیلی عجیب است،
505
00:26:28,380 –> 00:26:31,620
پس بیایید جلو برویم و در اینجا یک
506
00:26:31,620 –> 00:26:35,500
قاب داده جدید را ببینیم که آن را با مجموعه نوع
507
00:26:35,500 –> 00:26:38,920
خطی که باید ارائه کنیم X
508
00:26:38,920 –> 00:26:44,470
X ما برابر زمان و Y برابر با
509
00:26:44,470 –> 00:26:49,510
مقدار است و سپس در اینجا نوع نوع داریم. درست
510
00:26:49,510 –> 00:26:52,990
برابر با خط است و اکنون داده های
511
00:26:52,990 –> 00:26:56,500
داده hdf داریم، بیایید آن را رسم کنیم، اکنون خواهید
512
00:26:56,500 –> 00:26:59,620
دید که در اینجا یک زمان و مقدار وجود دارد، بنابراین ما
513
00:26:59,620 –> 00:27:03,580
مقدار را در مقابل زمان رسم کرده ایم.
514
00:27:03,580 –> 00:27:06,220
515
00:27:06,220 –> 00:27:09,430
516
00:27:09,430 –> 00:27:12,130
بنابراین این است که شما می دانید منطقه در مورد
517
00:27:12,130 –> 00:27:17,320
چیزهای بیشتر زمان این یک زمان و این
518
00:27:17,320 –> 00:27:20,560
در حال ترسیم این زمان با a با
519
00:27:20,560 –> 00:27:24,820
مرتبسازی ok است، بنابراین این که محور x
520
00:27:24,820 –> 00:27:27,040
قبلاً مرتب شده است خوب است، بنابراین این زمان
521
00:27:27,040 –> 00:27:31,750
قبلاً درست مرتب شده است، بیایید
522
00:27:31,750 –> 00:27:36,280
ببینیم آیا اگر اینجا بنشینیم
523
00:27:36,280 –> 00:27:40,300
کمبود نمک برابر با اوکی کاذب است یا نه
524
00:27:40,300 –> 00:27:45,400
چه اتفاقی میافتد، متأسفم، بنابراین
525
00:27:45,400 –> 00:27:49,240
این مرتبسازی است و بنابراین اینجا ما قبلاً
526
00:27:49,240 –> 00:27:51,730
زمانی داریم که قبلاً مرتب شده است، به
527
00:27:51,730 –> 00:27:53,020
همین دلیل است که چنین چیزی را دریافت نمیکنیم،
528
00:27:53,020 –> 00:27:55,090
در غیر این صورت ممکن است چیزی را داشته
529
00:27:55,090 –> 00:27:58,120
باشیم که شما خیلی میدانید Wiggly و
530
00:27:58,120 –> 00:28:01,030
مجموعه دادههای جیگلی که میتوانیم انجام دهیم ما
531
00:28:01,030 –> 00:28:03,520
میتوانیم یکی دیگر از قاب دادههای تصادفی
532
00:28:03,520 –> 00:28:06,190
دو بسازیم، بنابراین این به معنای نمک است
533
00:28:06,190 –> 00:28:08,890
تا بفهمیم که بیایید
534
00:28:08,890 –> 00:28:11,350
در یک قاب داده جدید یک sake ایجاد کنیم، D F برابر است با
535
00:28:11,350 –> 00:28:17,410
P D نه قاب داده و سپس من میخواهم
536
00:28:17,410 –> 00:28:20,280
اینجا را ایجاد کنم با R و سپس
537
00:28:20,280 –> 00:28:24,790
500 در 2، دو داده داریم و سپس
538
00:28:24,790 –> 00:28:28,890
من میخواهم در اینجا مقدار مصرف را ارائه کنم،
539
00:28:29,490 –> 00:28:33,130
بنابراین مصرف بر اساس دسترسی
540
00:28:33,130 –> 00:28:36,390
صفر، یعنی زمانی که
541
00:28:36,390 –> 00:28:40,179
تنها یک ستون وجود داشته باشد،
542
00:28:40,179 –> 00:28:43,450
مجموع تجمعی خواهد بود و سپس بیایید جلو برویم
543
00:28:43,450 –> 00:28:45,730
و آن را فراهم کنیم ستونها را از طریق این
544
00:28:45,730 –> 00:28:48,820
قاب داده وارد میکنم و
545
00:28:48,820 –> 00:28:54,130
من ستون را بهعنوان زمان و همچنین یک مقدار ارائه میدهم،
546
00:28:54,130 –> 00:28:57,539
بنابراین بیایید جلوتر برویم و این سر DF
547
00:28:57,539 –> 00:29:00,549
را ببینیم، اکنون اینجا را میبینید، اکنون یک زمان در اینجا داریم،
548
00:29:00,549 –> 00:29:03,580
اما زمان به نوعی ویجت Li است.
549
00:29:03,580 –> 00:29:07,059
و زمان درست مرتب نشده است، بنابراین
550
00:29:07,059 –> 00:29:10,260
بیایید این DF را رسم کنیم، خوب این یکی را کپی کنید
551
00:29:10,260 –> 00:29:14,789
و ما فقط آن را درست رسم می کنیم،
552
00:29:14,789 –> 00:29:18,100
بنابراین در اینجا ما مواردی داریم که مرتب شده اند
553
00:29:18,100 –> 00:29:20,350
درست، اکنون چیزی شبیه به
554
00:29:20,350 –> 00:29:23,529
این داریم، بنابراین بیایید این مرتب سازی را تنظیم کنیم برای false،
555
00:29:23,529 –> 00:29:26,470
چه اتفاقی می افتد خوب است، بنابراین ما
556
00:29:26,470 –> 00:29:28,120
چیزی شبیه به این را دریافت می کنیم، یک طرح بسیار تند و تیز،
557
00:29:28,120 –> 00:29:31,750
خوب است، بنابراین به این صورت می توانیم از
558
00:29:31,750 –> 00:29:34,390
آرگومان مرتب سازی استفاده کنیم، فرض کنیم
559
00:29:34,390 –> 00:29:37,240
یک مجموعه داده دارید که در آن محور زمانی محور
560
00:29:37,240 –> 00:29:41,049
یا محور x مرتب شده است، سپس می توانید
561
00:29:41,049 –> 00:29:43,630
مرتب سازی برابر با درست است و
562
00:29:43,630 –> 00:29:46,299
به طور خودکار به
563
00:29:46,299 –> 00:29:48,100
طور خودکار بر اساس آن
564
00:29:48,100 –> 00:29:52,570
565
00:29:52,570 –> 00:29:58,600
566
00:29:58,600 –> 00:29:59,529
567
00:29:59,529 –> 00:30:02,380
568
00:30:02,380 –> 00:30:05,200
محور مرتب می شود.
569
00:30:05,200 –> 00:30:08,529
بیایید بگوییم که در یک متغیر حسگر احساس
570
00:30:08,529 –> 00:30:11,590
ترس برای یک حس می کند توسط لو ویتاکر چندین
571
00:30:11,590 –> 00:30:16,120
بار شمارش چندگانه چندین
572
00:30:16,120 –> 00:30:19,000
اندازه گیری چندگانه خوب است بنابراین ما چندین اندازه گیری دریافت می کنیم
573
00:30:19,000 –> 00:30:20,860
و این اندازه گیری ها
574
00:30:20,860 –> 00:30:24,760
دقیقاً برابر نیستند آنها به نوعی
575
00:30:24,760 –> 00:30:27,250
از مقدار واقعی
576
00:30:27,250 –> 00:30:29,559
که نوعی نویز است منحرف می شوند بیایید ببینیم که آیا شما
577
00:30:29,559 –> 00:30:31,630
چنین دادههایی دارید، پس چگونه
578
00:30:31,630 –> 00:30:34,860
میتوانیم آن نوع دادهها را در
579
00:30:34,860 –> 00:30:38,049
Seabourn رسم کنیم، ممکن است به خوبی متوجه نشوید
580
00:30:38,049 –> 00:30:40,389
که این نظریه را به
581
00:30:40,389 –> 00:30:42,140
شما نشان میدهم که در جزئیات
582
00:30:42,140 –> 00:30:45,650
بسیار خوب است، پس بیایید جلو برویم و بارگذاری کنیم.
583
00:30:45,650 –> 00:30:49,460
مجموعه داده دیگری که دادههای fMRI شرکت است بسیار خوب،
584
00:30:49,460 –> 00:30:51,740
بنابراین این مجموعه دادههای پیشفرض سطح
585
00:30:51,740 –> 00:30:54,860
در مجموعه دادههای کتابخانه c1 است، بنابراین ما
586
00:30:54,860 –> 00:31:01,640
fMRI مجموعه دادههای بارگذاری نقطهای SNS را داریم و سپس
587
00:31:01,640 –> 00:31:07,820
fMRI را داریم، در آنجا نمودار نقطهای SNS
588
00:31:07,820 –> 00:31:14,900
و سپس X را داریم. برابر با زمان است
589
00:31:14,900 –> 00:31:17,510
قبل از آن من می خواهم این تلاش را تجزیه و تحلیل کنم.
590
00:31:17,510 –> 00:31:21,140
591
00:31:21,140 –> 00:31:25,580
592
00:31:25,580 –> 00:31:28,790
593
00:31:28,790 –> 00:31:32,380
594
00:31:32,380 –> 00:31:36,520
y بنابراین در این موضوعات ما
595
00:31:36,520 –> 00:31:40,190
موضوع داریم هر نقطه زمانی دادههای
596
00:31:40,190 –> 00:31:42,980
طبقهای یک منطقه رویداد دادههای عددی نیز
597
00:31:42,980 –> 00:31:45,919
دستهبندی است، اگرچه سیگنال آن یک
598
00:31:45,919 –> 00:31:48,890
داده عددی است خوب است، بنابراین بیایید به جلو برویم
599
00:31:48,890 –> 00:31:52,160
و این سیگنال را رسم کنیم خوب برای همان
600
00:31:52,160 –> 00:31:55,970
زمان اندازهگیریهای متعدد وجود دارد، پس
601
00:31:55,970 –> 00:32:00,169
بیایید جلو برویم و اگر این کار را
602
00:32:00,169 –> 00:32:04,850
مانند یک طرح خطی معمولی انجام دهیم، خوب است، پس
603
00:32:04,850 –> 00:32:07,669
مانند اینجا، خوب است، پس بیایید جلو برویم
604
00:32:07,669 –> 00:32:10,370
و اینجا را ببینیم خوب است، بنابراین مانند اینجا، ما یک
605
00:32:10,370 –> 00:32:13,630
نمودار رابطه ای داریم که در آن انجام می
606
00:32:13,630 –> 00:32:17,799
دهیم، بیایید جلو برویم و اینجا ارائه دهیم متأسفیم
607
00:32:17,799 –> 00:32:25,160
SNS dot rel نمودار سپس X برابر
608
00:32:25,160 –> 00:32:33,740
با نقطه زمانی و سپس y
609
00:32:33,740 –> 00:32:38,450
برابر با سیگنال و سپس در نهایت داریم
610
00:32:38,450 –> 00:32:45,110
اینجا نوع برابر با خط okay است و ما
611
00:32:45,110 –> 00:32:51,850
اینجا داریم که داده برابر با FM ما است من
612
00:32:52,999 –> 00:32:57,419
خوب است کامل بنابراین شما اینجا را ببینید
613
00:32:57,419 –> 00:33:00,749
اتفاق میافتد که طرح شما را میخوانند، اما برخی از آنها وجود دارد
614
00:33:00,749 –> 00:33:04,950
که شما میدانید خط در آنجا خوب است، بنابراین
615
00:33:04,950 –> 00:33:06,929
این خطی است که با اطمینان 95 درصد محاسبه میشود،
616
00:33:06,929 –> 00:33:12,229
بنابراین اطمینان حاصل میشود
617
00:33:12,229 –> 00:33:16,379
که فاصله اطمینان خوب است، بنابراین این
618
00:33:16,379 –> 00:33:19,559
نمودار نشان میدهد که اگر طرح در
619
00:33:19,559 –> 00:33:22,079
جایی ترسیم شود خط
620
00:33:22,079 –> 00:33:25,349
یعنی 95 درصد اطمینان وجود دارد که مقدار
621
00:33:25,349 –> 00:33:27,659
سیگنال در این نقطه می تواند
622
00:33:27,659 –> 00:33:29,999
جایی بین این و این خوب باشد،
623
00:33:29,999 –> 00:33:31,769
بنابراین این چیزی شبیه
624
00:33:31,769 –> 00:33:34,049
فاصله اطمینان است و 95
625
00:33:34,049 –> 00:33:37,709
درصد در اینجا خوب است و به نوعی می توانیم
626
00:33:37,709 –> 00:33:40,169
آن را به هم مرتبط کنیم. با انحراف معیار
627
00:33:40,169 –> 00:33:42,989
اگر مقداری داده داشته باشیم مقداری
628
00:33:42,989 –> 00:33:44,969
انحراف معیار می دهیم و فرض می کنیم که
629
00:33:44,969 –> 00:33:48,329
این یک نوع انحراف مورد انتظار
630
00:33:48,329 –> 00:33:51,059
از میانگین آن داده است، بنابراین می توانیم آن را
631
00:33:51,059 –> 00:33:53,609
به این صورت در نظر بگیریم و اگر
632
00:33:53,609 –> 00:33:55,499
فکر می کنید که خوب به نظر نمی رسد. به
633
00:33:55,499 –> 00:33:59,070
شما سپس می توانید
634
00:33:59,070 –> 00:34:01,829
با گذراندن فاصله اطمینان این فاصله اطمینان
635
00:34:01,829 –> 00:34:07,279
636
00:34:09,168 –> 00:34:13,259
637
00:34:13,259 –> 00:34:15,389
638
00:34:15,389 –> 00:34:20,309
639
00:34:20,309 –> 00:34:22,109
را خاموش کنید. با عرض پوزش
640
00:34:22,109 –> 00:34:26,940
در بین طرح واقعی، شما CI دارید
641
00:34:26,940 –> 00:34:29,699
خوب، بنابراین در اینجا توضیحات CI
642
00:34:29,699 –> 00:34:33,389
به جایی خواهید رسید که
643
00:34:33,389 –> 00:34:36,029
فاصله اطمینان است، فکر می کنم
644
00:34:36,029 –> 00:34:38,819
ما آن یکی را نداریم، اما به شما می گویم
645
00:34:38,819 –> 00:34:41,399
که فکر کنید در t او CI را نیز میتوانیم از اینجا عبور دهیم
646
00:34:41,399 –> 00:34:44,159
یا انحراف استاندارد خوب است،
647
00:34:44,159 –> 00:34:46,768
بنابراین بیایید یک انحراف استاندارد را ارسال کنیم،
648
00:34:46,768 –> 00:34:50,299
این را کپی کرده و آن را در سلول بعدی بچسبانیم، خوب
649
00:34:50,299 –> 00:34:52,918
و حالا میخواهیم دیروز اینجا را پاس کنیم
650
00:34:52,918 –> 00:34:56,480
، SD یک انحراف استاندارد است،
651
00:34:56,480 –> 00:34:59,069
حالا اینجا یک انحراف استاندارد داریم.
652
00:34:59,069 –> 00:35:02,539
برای این خط رسم بسیار خوب است،
653
00:35:03,380 –> 00:35:09,180
حالا بیایید جلو برویم و به
654
00:35:09,180 –> 00:35:12,299
این ترتیب میتوانیم دادههایی را که دارای یک
655
00:35:12,299 –> 00:35:15,480
مقدار چندگانه برای یک زمان هستند
656
00:35:15,480 –> 00:35:19,319
رسم کنیم، خوب حالا بیایید جلوتر برویم و اگر
657
00:35:19,319 –> 00:35:24,839
این دادهها را بدون هیچ کدام بدون این
658
00:35:24,839 –> 00:35:26,849
فاصله اطمینان رسم کنیم، چه خوب اتفاق می افتد،
659
00:35:26,849 –> 00:35:33,180
پس کاری که می توانیم انجام دهیم، می توانیم
660
00:35:33,180 –> 00:35:38,130
آن را خاموش کنیم، بنابراین بیایید ادامه دهیم
661
00:35:38,130 –> 00:35:42,510
و آن را با نقطه SNS
662
00:35:42,510 –> 00:35:45,150
663
00:35:45,150 –> 00:35:50,750
664
00:35:50,750 –> 00:35:56,359
رسم کنیم. y
665
00:35:56,359 –> 00:36:02,099
با عرض پوزش y برابر با سیگنال است و سپس ما
666
00:36:02,099 –> 00:36:06,510
تخمینگر داریم که هیچ مشکلی ندارد، بنابراین اکنون
667
00:36:06,510 –> 00:36:10,140
در آن رسم نمیشود، میدانید این
668
00:36:10,140 –> 00:36:12,299
نوع مجموعه دادهها اکنون مجموعه دادههای ozl را رسم میکند،
669
00:36:12,299 –> 00:36:15,210
بنابراین اینجا هیچکدام ندارد
670
00:36:15,210 –> 00:36:17,670
و اگر پاس کنیم در اینجا نوع نوع برابر است l
671
00:36:17,670 –> 00:36:21,180
به خط و سپس در نهایت داده های
672
00:36:21,180 –> 00:36:25,140
داده برابر با fMRI است، خوب، اینجا می بینید
673
00:36:25,140 –> 00:36:27,119
که ما این داده ها را خیلی تند و تیز دریافت
674
00:36:27,119 –> 00:36:30,599
کرده ایم و قبلاً داده ای شبیه به این داشتیم، به
675
00:36:30,599 –> 00:36:33,029
طوری که یک نوع
676
00:36:33,029 –> 00:36:35,640
داده بسیار مناسب بود یا خیلی خیلی خیلی
677
00:36:35,640 –> 00:36:38,819
اعتماد به نفس بسیار بالا و با یک پایه
678
00:36:38,819 –> 00:36:43,619
با مقداری انحراف استاندارد
679
00:36:43,619 –> 00:36:47,220
بسیار خوب حالا بیایید جلوتر برویم و این
680
00:36:47,220 –> 00:36:50,099
داده ها را با آن رسم کنیم با یک
681
00:36:50,099 –> 00:36:52,619
نگاشت معنایی درست مانند آنچه در
682
00:36:52,619 –> 00:36:55,859
نمودار پراکنده خود در این آموزش انجام دادیم،
683
00:36:55,859 –> 00:36:59,400
اندازه و سبک را داشتیم. به همین ترتیب میتوانیم
684
00:36:59,400 –> 00:37:02,700
اینجا انجام دهیم، خوب، بیایید ادامه دهیم و
685
00:37:02,700 –> 00:37:07,339
کامل را ترسیم
686
00:37:08,400 –> 00:37:12,920
کنیم، میتوانیم نمودار ریل نقطهای SNS را در اینجا تایپ کنیم
687
00:37:12,920 –> 00:37:18,660
و سپس X X برابر با
688
00:37:18,660 –> 00:37:23,190
نقطه زمانی است و سپس y برابر
689
00:37:23,190 –> 00:37:27,690
با سیگنال و سپس یک Hue Hue داریم.
690
00:37:27,690 –> 00:37:32,220
برابر با رویداد است و در نهایت ما
691
00:37:32,220 –> 00:37:35,940
اینجا داریم نوع نوع برابر با خط است و سپس
692
00:37:35,940 –> 00:37:38,550
در نهایت تتا تتا برابر
693
00:37:38,550 –> 00:37:43,860
با fMRI است که در اینجا میبینید تا برای شما
694
00:37:43,860 –> 00:37:46,320
کمی واضحتر شود که چه کاری میتوانم
695
00:37:46,320 –> 00:37:49,650
انجام دهم fMRI یک نقطه سر می بینید اینجا چه
696
00:37:49,650 –> 00:37:52,230
کرده ام e یک آمپرمتر انسانی اضافه کرده است،
697
00:37:52,230 –> 00:37:56,310
بنابراین پارامتر شما را قبلاً میدانید،
698
00:37:56,310 –> 00:37:57,930
من به شما گفتهام که با رنگ
699
00:37:57,930 –> 00:38:00,510
میتوانید رنگ را با اندازه
700
00:38:00,510 –> 00:38:03,660
تغییر دهید، میتوانید اندازه را تغییر دهید و با استایل
701
00:38:03,660 –> 00:38:07,830
میتوانید سبک را تغییر دهید، بنابراین در اینجا
702
00:38:07,830 –> 00:38:09,810
یک متغیر طبقهبندی ارائه کردهام.
703
00:38:09,810 –> 00:38:12,780
این رویداد است و من یک دو نوع
704
00:38:12,780 –> 00:38:15,420
رویداد در مجموعه دادهام دارم که بخار
705
00:38:15,420 –> 00:38:17,940
و نشانه است و بر اساس آن رویدادها
706
00:38:17,940 –> 00:38:20,760
آن دادهها را به دو قسمت Ok طبقهبندی کرده است،
707
00:38:20,760 –> 00:38:24,450
بنابراین این یک خط آبی
708
00:38:24,450 –> 00:38:27,290
نوع بخار رویداد است و در اینجا این یک
709
00:38:27,290 –> 00:38:30,330
نوع صف از رویداد خوب است، بنابراین به این
710
00:38:30,330 –> 00:38:32,250
ترتیب میتوانیم روش متفاوتی ایجاد کنیم و میتوانیم
711
00:38:32,250 –> 00:38:36,270
انواع مختلف طرح را
712
00:38:36,270 –> 00:38:39,590
بر اساس طبقه بندی، طبقهبندی
713
00:38:39,590 –> 00:38:43,110
خوب، متمایز کنیم و به طور مشابه میتوانیم جلو برویم و
714
00:38:43,110 –> 00:38:47,870
میتوانیم سبک را نیز ارائه دهیم. به عنوان
715
00:38:47,870 –> 00:38:50,730
پارامترهای دیگر، اجازه دهید پیش برویم و
716
00:38:50,730 –> 00:38:56,280
اینجا SNS را تایپ کنیم و سپس نمودار واقعی آنها را
717
00:38:56,280 –> 00:38:58,320
دوباره در اینجا ارائه می کنم X
718
00:38:58,320 –> 00:39:03,360
X برابر با نقطه زمانی است و سپس من دارم y
719
00:39:03,360 –> 00:39:09,870
y برابر با سیگنال و سپس من
720
00:39:09,870 –> 00:39:15,900
اینجا دارم Q q برابر است با منطقه و سپس
721
00:39:15,900 –> 00:39:18,230
من اینجا هستم
722
00:39:18,230 –> 00:39:21,680
وقت آن است که خوب است، بنابراین در اینجا من یک سبک
723
00:39:21,680 –> 00:39:28,910
برابر با رویداد درست عالی است و فقط ادامه دهید
724
00:39:28,910 –> 00:39:34,280
نوع برابر با خط است و
725
00:39:34,280 –> 00:39:36,530
البته باید اینجا داده ها را منتقل کنم
726
00:39:36,530 –> 00:39:40,610
داده ها برابر با fMRI هستند، خوب می بینید اینجا
727
00:39:40,610 –> 00:39:43,130
که اکنون برای شما ارائه کردم بر اساس
728
00:39:43,130 –> 00:39:45,950
چشم انداز، بنابراین ما دو نوع از
729
00:39:45,950 –> 00:39:48,740
موتور منطقه P Realty و منطقه جلویی
730
00:39:48,740 –> 00:39:56,030
اوکی داریم و بعد از آن، من
731
00:39:56,030 –> 00:39:58,790
یک رویداد رویداد تیمی دارم و Q
732
00:39:58,790 –> 00:40:01,670
اوکی است، بنابراین می بینید که در اینجا اکنون بر اساس کاشی کاری شده است.
733
00:40:01,670 –> 00:40:03,920
این رویداد سبک خط
734
00:40:03,920 –> 00:40:07,790
تغییر کرده است، و بر
735
00:40:07,790 –> 00:40:10,010
اساس رنگ، رنگ آن خطوط
736
00:40:10,010 –> 00:40:12,440
تغییر کرده است، بنابراین این روشی است
737
00:40:12,440 –> 00:40:14,900
که در اینجا بر اساس رنگ و
738
00:40:14,900 –> 00:40:18,470
سبک انجام میشود.
739
00:40:18,470 –> 00:40:24,950
با کنارهها خوب است، بنابراین من
740
00:40:24,950 –> 00:40:27,770
بعداً آن طرفها را میگیرم، اجازه دهید
741
00:40:27,770 –> 00:40:34,190
جلو برویم و
742
00:40:34,190 –> 00:40:37,130
با
743
00:40:37,130 –> 00:40:39,350
قرار دادن نشانگر خود روی این نقاط داده، کاری را با استایل کمی
744
00:40:39,350 –> 00:40:41,900
745
00:40:41,900 –> 00:40:44,270
بهتر انجام دهیم که میتواند به روشی بهتر و بهتر از هم متمایز شود. به طور کلی اتفاقی که می افتد
746
00:40:44,270 –> 00:40:48,080
چشمان ما انسان ها چندان زیاد نیست قادر به
747
00:40:48,080 –> 00:40:52,400
تشخیص داده های پیچیده و
748
00:40:52,400 –> 00:40:54,980
شکل پیچیده است، بنابراین همیشه توصیه می
749
00:40:54,980 –> 00:40:57,050
شود که یک شکل پیچیده بسازید و آن را
750
00:40:57,050 –> 00:40:59,690
به روشی ساده نشان دهید، بسیار خوب، بنابراین بیایید جلوتر برویم
751
00:40:59,690 –> 00:41:04,490
و و زیر آن را ارائه دهیم که شما
752
00:41:04,490 –> 00:41:07,970
کمی سبک تر می دانید، بنابراین من فقط می خواهم
753
00:41:07,970 –> 00:41:10,280
این سلول را کپی کنید و من
754
00:41:10,280 –> 00:41:12,080
آن را در اینجا با کنترل و V پیست
755
00:41:12,080 –> 00:41:14,930
میکنم، سپس اکنون منطقه رنگی داریم و
756
00:41:14,930 –> 00:41:18,890
سبک آن به این صورت است که خط و داده
757
00:41:18,890 –> 00:41:21,140
همه چیز آماده است، اما در اینجا
758
00:41:21,140 –> 00:41:24,860
چند آرگومان دیگر را ارائه خواهم کرد.
759
00:41:24,860 –> 00:41:27,950
نشانگرها بسیار خوب است، بنابراین در اینجا من
760
00:41:27,950 –> 00:41:30,410
نشانگرها را ارائه خواهم داد که نشانگرها درست هستند و
761
00:41:30,410 –> 00:41:30,950
حالا
762
00:41:30,950 –> 00:41:33,440
بیایید پس از ترسیم آن را گسترش دهیم،
763
00:41:33,440 –> 00:41:35,270
در اینجا می بینیم که اکنون نوع دیگری از
764
00:41:35,270 –> 00:41:37,579
نشانگر برای انواع مختلف مجموعه داده وجود دارد
765
00:41:37,579 –> 00:41:39,980
766
00:41:39,980 –> 00:41:42,560
و جدا از این نشانگرها می توانیم
767
00:41:42,560 –> 00:41:46,099
همچنین متراکم ترین پالس خط را ارائه دهید، بنابراین این
768
00:41:46,099 –> 00:41:48,740
خطوط، این خط های چین نادرست خواهند
769
00:41:48,740 –> 00:41:53,060
بود، بنابراین می توانیم بگوییم که در اینجا s برابر است
770
00:41:53,060 –> 00:42:01,550
با خوب کامل، اکنون این خط چین
771
00:42:01,550 –> 00:42:02,180
نادرست است،
772
00:42:02,180 –> 00:42:05,450
اکنون مطمئن هستم که این طرح به یک طرح پیچیده بسیار نامرتب تبدیل شده است،
773
00:42:05,450 –> 00:42:07,810
774
00:42:07,810 –> 00:42:11,030
بنابراین ما نباید م آن را پیچیده تر کنید
775
00:42:11,030 –> 00:42:13,640
تا به جای اینکه به آن
776
00:42:13,640 –> 00:42:17,210
منفعت بدهید، به شکل بدی
777
00:42:17,210 –> 00:42:17,839
778
00:42:17,839 –> 00:42:20,780
برنگردد، بسیار خوب است، زیرا با طرح پراکندگی
779
00:42:20,780 –> 00:42:22,520
در ساختن نمودارهای خطی
780
00:42:22,520 –> 00:42:24,829
با استفاده از معنایی چندگانه احتیاط کنید،
781
00:42:24,829 –> 00:42:27,109
دیگری آن را بسیار پیچیده می کند و
782
00:42:27,109 –> 00:42:29,180
گاهی اوقات اطلاعاتی که می توانند انجام دهند.
783
00:42:29,180 –> 00:42:31,640
عبور و تفسیر نیز دشوار است، اما
784
00:42:31,640 –> 00:42:33,440
حتی زمانی که فقط تغییرات را
785
00:42:33,440 –> 00:42:35,750
در یک متغیر اضافی بررسی میکنید،
786
00:42:35,750 –> 00:42:37,819
تغییر رنگ و
787
00:42:37,819 –> 00:42:40,220
سبک خط میتواند
788
00:42:40,220 –> 00:42:42,200
مفید باشد.
789
00:42:42,200 –> 00:42:43,940
توسط فردی با
790
00:42:43,940 –> 00:42:47,060
رنگ کوررنگی، پس بیایید
791
00:42:47,060 –> 00:42:51,819
جلوتر برویم و ترسیم کنیم این است که به این ترتیب
792
00:42:51,849 –> 00:42:56,450
خوب است، پس بیایید جلوتر برویم و آن
793
00:42:56,450 –> 00:43:00,020
را بچسبانیم، سلول کپی شده در اینجا اکنون اینجا
794
00:43:00,020 –> 00:43:03,140
داریم X نقطه زمانی y سیگنال u
795
00:43:03,140 –> 00:43:08,030
برابر است با رویداد خوب است و بیایید یک
796
00:43:08,030 –> 00:43:12,560
سبک در اینجا با رویداد بسازیم با عرض پوزش از شما بله،
797
00:43:12,560 –> 00:43:15,950
بنابراین در اینجا شما را به عنوان یک سبک رویداد به عنوان
798
00:43:15,950 –> 00:43:18,290
یک رویداد و همچنین نوع داده خط یک
799
00:43:18,290 –> 00:43:20,540
فرم است، خوب است، حالا اگر طرح کنیم ببینیم چه اتفاقی افتاده
800
00:43:20,540 –> 00:43:24,589
است. در اینجا ما
801
00:43:24,589 –> 00:43:28,220
نوع متفاوتی از خط و همچنین
802
00:43:28,220 –> 00:43:31,310
با رنگی که در اینجا قبلاً میبینید دریافت میکنیم،
803
00:43:31,310 –> 00:43:34,520
اگر فقط یک رنگ داشتیم، اتفاقی که
804
00:43:34,520 –> 00:43:39,980
میافتد در اینجا میبینید،
805
00:43:39,980 –> 00:43:44,210
فقط تغییر رنگ است و ما
806
00:43:44,210 –> 00:43:48,230
فقط در آنجا استایل داریم. تغییر سبک
807
00:43:48,230 –> 00:43:52,490
اشکالی ندارد، اما اگر رنگ و همچنین
808
00:43:52,490 –> 00:43:55,369
استایل را با هم اضافه کنیم، یک رنگ
809
00:43:55,369 –> 00:43:58,190
و همچنین یک بوت تغییر سبک با هم
810
00:43:58,190 –> 00:44:03,050
عالی خواهیم داشت، بنابراین به این صورت است که میتوانیم
811
00:44:03,050 –> 00:44:06,980
اکنون زمانی
812
00:44:06,980 –> 00:44:08,540
که با آن کار میکنید، روی شکلهای خود تأکید کنیم. با
813
00:44:08,540 –> 00:44:11,150
داده های اندازه گیری های مکرر همانطور که قبلا دیده بودیم،
814
00:44:11,150 –> 00:44:14,690
می توانید هر
815
00:44:14,690 –> 00:44:16,849
واحد نمونه برداری را به طور جداگانه
816
00:44:16,849 –> 00:44:19,070
817
00:44:19,070 –> 00:44:20,420
818
00:44:20,420 –> 00:44:22,250
رسم کنید بدون
819
00:44:22,250 –> 00:44:24,380
820
00:44:24,380 –> 00:44:26,900
اینکه آنها را متمایز کنید. من
821
00:44:26,900 –> 00:44:30,680
تعداد زیادی دارم که شما می دانید نمودارهای داده زیادی مانند
822
00:44:30,680 –> 00:44:32,900
این بسیار خوب است، بنابراین این نمودارهای داده بسیار
823
00:44:32,900 –> 00:44:35,720
تند و تیز هستند، بنابراین کاری که من می توانم در اینجا انجام دهم
824
00:44:35,720 –> 00:44:37,609
می توانم این چند خط را با هم
825
00:44:37,609 –> 00:44:41,030
چندین اندازه گیری را با هم
826
00:44:41,030 –> 00:44:43,460
رسم کنم و سپس آن اندازه گیری های چندگانه را رسم کنم.
827
00:44:43,460 –> 00:44:45,800
آنچه را که باید در اینجا انجام دهم باید
828
00:44:45,800 –> 00:44:50,210
با SNS کار کنم و سپس نقطه و سپس نقطه
829
00:44:50,210 –> 00:44:53,240
رسم Rell که در آن نمودار کل و X برابر است با
830
00:44:53,240 –> 00:44:58,010
ما در اینجا در نقطه زمانی و سپس
831
00:44:58,010 –> 00:45:04,640
y داریم که برابر با سیگنال است و سپس
832
00:45:04,640 –> 00:45:08,270
در نهایت داریم در اینجا hue hue برابر با یک
833
00:45:08,270 –> 00:45:13,760
منطقه خوب است و سپس
834
00:45:13,760 –> 00:45:16,280
واحدهایی که واحدها قرار است در آنجا ارائه کنند،
835
00:45:16,280 –> 00:45:17,990
موضوع خوب
836
00:45:17,990 –> 00:45:20,119
است، یعنی برای هر موضوع، این
837
00:45:20,119 –> 00:45:23,869
خطوط متفاوت خواهد بود، بنابراین
838
00:45:23,869 –> 00:45:26,030
این خطوط متفاوتی را ترسیم می کند،
839
00:45:26,030 –> 00:45:27,830
بنابراین اگر دارید فراموش کنید که من در مورد موضوع صحبت می کنم
840
00:45:27,830 –> 00:45:30,500
، بنابراین بیایید جلوتر برویم
841
00:45:30,500 –> 00:45:34,490
و اینجا را تایپ کنید fMRI dot head.
842
00:45:34,490 –> 00:45:37,790
843
00:45:37,790 –> 00:45:41,599
844
00:45:41,599 –> 00:45:43,940
845
00:45:43,940 –> 00:45:46,849
846
00:45:46,849 –> 00:45:50,020
آن را با موضوع واحد
847
00:45:50,020 –> 00:45:54,470
و سپس من میخواهم نمودار را نیز ترسیم کنم
848
00:45:54,470 –> 00:45:55,480
، تخمینگر را تنظیم میکنم،
849
00:45:55,480 –> 00:45:57,420
تخمین زده میشود که به هیچکدام حساسیت داشته باشد،
850
00:45:57,420 –> 00:46:01,920
و سپس این مهربان است، ما
851
00:46:01,920 –> 00:46:05,430
این را میدانیم نوع خط و
852
00:46:05,430 –> 00:46:08,450
سپس در نهایت باید دادههای شما را ارسال کنیم
853
00:46:08,450 –> 00:46:14,490
و آن داده fMRI است عالی است، پس بیایید
854
00:46:14,490 –> 00:46:18,000
جلوتر برویم و ببینیم چه اتفاقی میافتد حالا اینجا
855
00:46:18,000 –> 00:46:20,220
ما داریم شما میدانید یک بار دیگر خط بسیار هولانگیز جیگلی را میشناسید،
856
00:46:20,220 –> 00:46:22,890
سپس آنچه را که
857
00:46:22,890 –> 00:46:28,079
قرار است در اینجا تنظیم کنیم، فقط
858
00:46:28,079 –> 00:46:32,220
رویداد fMRI را فقط برای کسانی که
859
00:46:32,220 –> 00:46:36,380
زندگی صورتی هستند انجام میدهیم، پس چه چیزی ما میتوانیم این کار را انجام
860
00:46:36,380 –> 00:46:39,510
دهیم، اکنون میتوانیم ارائه کنیم که دادهها برابر
861
00:46:39,510 –> 00:46:41,510
با fMRI باشد.
862
00:46:41,510 –> 00:46:45,150
863
00:46:45,150 –> 00:46:47,430
864
00:46:47,430 –> 00:46:50,309
865
00:46:50,309 –> 00:46:54,420
866
00:46:54,420 –> 00:46:58,530
فقط آن دادههایی را رسم کنید که رویداد
867
00:46:58,530 –> 00:47:01,349
R پین است. در اینجا میبینید که نوع ایستون خوب
868
00:47:01,349 –> 00:47:03,990
است، نوع دیگری را
869
00:47:03,990 –> 00:47:08,390
که Q اوکی بود رسم نمیکند، پس بیایید جلوتر برویم و آنها را رسم کنیم
870
00:47:08,390 –> 00:47:09,540
متأسفانه
871
00:47:09,540 –> 00:47:12,240
جایی میگویند که ما
872
00:47:12,240 –> 00:47:13,339
cindex نامعتبر داریم،
873
00:47:13,339 –> 00:47:20,520
شاید این یکی اینجا خوب است. من به شما می گویم
874
00:47:20,520 –> 00:47:23,069
چه اتفاقی می افتد، بنابراین گاهی اوقات
875
00:47:23,069 –> 00:47:27,000
وقتی یک رشته را در داخل یک رشته
876
00:47:27,000 –> 00:47:30,180
877
00:47:30,180 –> 00:47:32,010
878
00:47:32,010 –> 00:47:34,770
می دهیم چه اتفاقی می افتد، پس باید
879
00:47:34,770 –> 00:47:37,819
از اینها استفاده کنیم.
880
00:47:37,819 –> 00:47:41,790
اندازه گیری ما برای هر یک از موضوعات بسیار
881
00:47:41,790 –> 00:47:45,619
خوب، این روشی است که ما می توانیم
882
00:47:45,619 –> 00:47:48,150
اندازه گیری های متعدد را برای
883
00:47:48,150 –> 00:47:49,410
انواع مختلف این سوژه ها
884
00:47:49,410 –> 00:47:53,900
با هم رسم کنیم، بسیار خوب، پس حالا بیایید جلوتر برویم و
885
00:47:53,900 –> 00:47:55,920
بفهمیم که نقشه رنگی پیش فرض
886
00:47:55,920 –> 00:47:58,049
در اینجا چیست، بنابراین این نگاشت رنگی پیش فرض
887
00:47:58,049 –> 00:48:00,720
تنظیم شده است. این یکی بسیار خوب است، پس
888
00:48:00,720 –> 00:48:02,490
این مجموعه نگاشت رنگی پیشفرض برای
889
00:48:02,490 –> 00:48:05,880
این است و حالا
890
00:48:05,880 –> 00:48:08,579
میدانم این را با چیز دیگری
891
00:48:08,579 –> 00:48:10,950
در مسیر نمودارهای رابطهای تغییر
892
00:48:10,950 –> 00:48:13,530
دهید، بیایید جلو برویم و مجموعه داده دیگری را بارگذاری
893
00:48:13,530 –> 00:48:17,520
کنیم که مجموعه دادهها نقطهها هستند. بنابراین در اینجا
894
00:48:17,520 –> 00:48:20,190
ما نقطه هایی داریم که برابر با
895
00:48:20,190 –> 00:48:24,780
مجموعه داده های بارگذاری نقطه SNS است و اکنون اینجا داریم که
896
00:48:24,780 –> 00:48:27,200
نقطه ها مشکلی
897
00:48:27,200 –> 00:48:30,990
ندارند، بنابراین بیایید به جلو برویم و نقاط را
898
00:48:30,990 –> 00:48:34,980
با سر خود ببینیم، می دانید اینجا می بینید که در
899
00:48:34,980 –> 00:48:38,940
مجموع پنج ستون داریم که این ستون ها هستند.
900
00:48:38,940 –> 00:48:42,540
هماهنگی زمان انتخاب و سرعت شلیک بسیار
901
00:48:42,540 –> 00:48:45,660
خوب است و از این چهار
902
00:48:45,660 –> 00:48:48,119
ستون آنها دو ستون هستند که از نوع طبقهبندی هستند
903
00:48:48,119 –> 00:48:51,470
و سه ستون از نوع عددی هستند، بسیار
904
00:48:51,470 –> 00:48:55,589
خوب حالا کاری که من اینجا انجام
905
00:48:55,589 –> 00:49:00,359
میدهم، حتی میخواهم آن را کمی بسازم. و
906
00:49:00,359 –> 00:49:08,190
کمی بیشتر علاوه بر این من می خواهم در
907
00:49:08,190 –> 00:49:12,210
اینجا بگویم پرس و جو که قرار است اینجا باشد یک خط ok
908
00:49:12,210 –> 00:49:15,990
lign یک خط شما می توانید متاسفم من یک بار دیگر
909
00:49:15,990 –> 00:49:17,579
اشتباه کوچکی در اینجا انجام دادم باید
910
00:49:17,579 –> 00:49:19,980
یک نقل قول دوگانه را اینجا قرار دهم و داخل
911
00:49:19,980 –> 00:49:22,440
آن نقل قول دوگانه یک خط مساوی با برابر است
912
00:49:22,440 –> 00:49:25,230
با اگر برابر با دو
913
00:49:25,230 –> 00:49:27,569
نقطه باشد، فقط در این صورت درست کار می کند،
914
00:49:27,569 –> 00:49:29,510
این همان چیزی است که همه داده ها را
915
00:49:29,510 –> 00:49:32,609
کامل می کند، حالا بیایید جلو برویم که
916
00:49:32,609 –> 00:49:34,680
از نقطه داده عبور کرده ایم، بیایید با
917
00:49:34,680 –> 00:49:37,710
نقطه رابطه SNS پیش برویم. رسم کنید بنابراین اینجا
918
00:49:37,710 –> 00:49:43,140
داریم نقطه آشیانه رسم خواهد شد و سپس
919
00:49:43,140 –> 00:49:46,050
می توانیم محور x را که در آن زمان داریم X را از اینجا بیرون بیاوریم
920
00:49:46,050 –> 00:49:51,060
و سپس Y در محور y
921
00:49:51,060 –> 00:49:59,010
سرعت شلیک داریم و سپس
922
00:49:59,010 –> 00:50:02,400
با هیوم می توانیم کنترل کنیم. رنگ خوب است
923
00:50:02,400 –> 00:50:05,220
بنابراین رنگ پارامترهایی هستند
924
00:50:05,220 –> 00:50:08,609
که جریان ها و جریان هایی هستند که هر کدام
925
00:50:08,609 –> 00:50:11,520
از شما می شناسید و اکنون یک
926
00:50:11,520 –> 00:50:14,910
مقدار عددی است بنابراین برای هر مقدار باید بدانید
927
00:50:14,910 –> 00:50:18,390
که رنگ تغییر خواهد کرد کاری که
928
00:50:18,390 –> 00:50:21,030
من اینجا انجام می دهم. ابتدا فقط می خواهم
929
00:50:21,030 –> 00:50:24,460
آن را بدون هیچ اندازه انسانی به جز رون ترسیم کنید
930
00:50:24,460 –> 00:50:26,950
و در نهایت من اینجا می نشینم
931
00:50:26,950 –> 00:50:30,880
دادهها نقطههایی هستند و شاید من آن
932
00:50:30,880 –> 00:50:33,729
نوع برابر با زندگی را نیز از دست دادهام،
933
00:50:33,729 –> 00:50:36,039
پس بیایید آن را ترسیم کنیم و ببینیم چه اتفاقی میافتد،
934
00:50:36,039 –> 00:50:41,499
بنابراین ما چیزی شبیه به
935
00:50:41,499 –> 00:50:42,910
این داریم، بنابراین چیزی شبیه به این
936
00:50:42,910 –> 00:50:44,559
داریم.
937
00:50:44,559 –> 00:50:50,710
برای هر کدام که
938
00:50:50,710 –> 00:50:52,539
میتواند برای انتخابهای هر انتخاب باشد
939
00:50:52,539 –> 00:50:56,019
بله، اکنون میخواهیم انجام دهیم،
940
00:50:56,019 –> 00:50:57,549
با رنگ و سمت تفاوت قائل میشویم،
941
00:50:57,549 –> 00:50:59,680
942
00:50:59,680 –> 00:51:02,349
بنابراین بیایید یک Hue Hue برابر با
943
00:51:02,349 –> 00:51:07,930
کوواریانس درست کنیم، بنابراین در اینجا ما یک
944
00:51:07,930 –> 00:51:10,539
انسجام داریم حالا ببینیم در اینجا ما
945
00:51:10,539 –> 00:51:13,359
باید یک رنگ تغییر کرده باشد بسیار خوب، اگرچه من
946
00:51:13,359 –> 00:51:17,049
این را ندارم در اینجا می بینید که ما
947
00:51:17,049 –> 00:51:20,049
یک تغییر رنگ داریم، اگرچه من
948
00:51:20,049 –> 00:51:22,989
تفاوتی بین آن ها ایجاد نکرده ام بنابراین
949
00:51:22,989 –> 00:51:27,309
معنایی سبک را در اینجا ارائه نداده ام پس
950
00:51:27,309 –> 00:51:29,289
بیایید ابتدا یک معناشناسی سبک ارائه دهیم،
951
00:51:29,289 –> 00:51:32,049
خوب پس جنگل ها در مورد معناشناسی،
952
00:51:32,049 –> 00:51:34,839
اکنون انتخابی را در اینجا ارائه میدهم، شما
953
00:51:34,839 –> 00:51:36,729
بسیاری دیگر را خواهید دید که انواع مختلف آن را میشناسید
954
00:51:36,729 –> 00:51:45,249
،
955
00:51:45,249 –> 00:51:46,450
نوع طرح بسیار خوب است،
956
00:51:46,450 –> 00:51:48,789
بنابراین اینها خطی هستند که چگونه میتوانیم بلند شویم،
957
00:51:48,789 –> 00:51:51,009
شما سبکهای مبتنی بر آن را میشناسید
958
00:51:51,009 –> 00:51:54,369
نمودار مقوله ای و
959
00:51:54,369 –> 00:51:56,229
همچنین داده های دسته بندی متاسفم عددی و همچنین
960
00:51:56,229 –> 00:51:59,019
ستون عددی خوب است، بنابراین در اینجا می بینید که
961
00:51:59,019 –> 00:52:03,180
در اینجا شما یک ستون عددی است و
962
00:52:03,180 –> 00:52:08,109
انتخاب در اینجا طبقه بندی شده است و اکنون
963
00:52:08,109 –> 00:52:09,880
این یک سبک متفاوت و همچنین
964
00:52:09,880 –> 00:52:11,979
رنگ متفاوتی برای انواع مختلف دارد.
965
00:52:11,979 –> 00:52:16,589
مجموعه دادهها که انتخابها درست است،
966
00:52:16,589 –> 00:52:19,509
بنابراین گاهی اوقات چه اتفاقی میافتد، حتی
967
00:52:19,509 –> 00:52:21,609
اگر عددی توانایی هیو بری
968
00:52:21,609 –> 00:52:23,289
کاملاً با رنگ خطی نشان داده شود
969
00:52:23,289 –> 00:52:25,630
، گاهی اوقات شما میدانید
970
00:52:25,630 –> 00:52:28,719
کوررنگی ممکن است افراد مبتلا به
971
00:52:28,719 –> 00:52:29,559
کوررنگی
972
00:52:29,559 –> 00:52:32,680
گیج شوند، بنابراین در
973
00:52:32,680 –> 00:52:34,989
اینجا که سطوح از شر انسان
974
00:52:34,989 –> 00:52:37,539
ها به صورت لگاریتمی و با مقیاس لگاریتمی هستند شما می توانید
975
00:52:37,539 –> 00:52:38,470
976
00:52:38,470 –> 00:52:40,690
با ارسال لیستی از فرهنگ لغت مقادیر رنگی را برای هر خط مشخص کنید
977
00:52:40,690 –> 00:52:42,700
به طوری که آنها به
978
00:52:42,700 –> 00:52:46,240
تعداد خطوط و یک دو سه چهار باشند بنابراین
979
00:52:46,240 –> 00:52:48,220
چهار خط وجود دارد و ما می توانیم
980
00:52:48,220 –> 00:52:51,970
در اینجا ارائه دهیم که رنگ های مختلف را می شناسید.
981
00:52:51,970 –> 00:52:53,980
پالت رنگ بسیار زشت است و من به
982
00:52:53,980 –> 00:52:56,230
شما اشاره کرده بودم که در مورد این رنگ بیشتر صحبت خواهم کرد،
983
00:52:56,230 –> 00:52:58,900
بنابراین بیایید جلوتر برویم و
984
00:52:58,900 –> 00:53:01,090
یک پالت رنگ ایجاد کنیم، یک پالت وجود دارد با
985
00:53:01,090 –> 00:53:04,869
نقطه SNS Q مارپیچ خوب است، بنابراین در اینجا ما
986
00:53:04,869 –> 00:53:06,910
یک پالت مارپیچ مکعبی داریم
987
00:53:06,910 –> 00:53:10,840
که در اینجا شدت نور 0.8
988
00:53:10,840 –> 00:53:13,119
و تعداد رنگ هایی را که
989
00:53:13,119 –> 00:53:18,310
در اینجا دریافت می کنم، شش رنگ عالی است
990
00:53:18,310 –> 00:53:23,619
و من می خواهم تنظیم کنم. این را کپی کنید و سپس
991
00:53:23,619 –> 00:53:26,230
دوباره آن را با
992
00:53:26,230 –> 00:53:28,630
پارامتر دیگری که پالت است
993
00:53:28,630 –> 00:53:31,720
okay به اینجا منتقل می کنم، بنابراین در اینجا ما یک پالتی داریم که برابر
994
00:53:31,720 –> 00:53:33,849
با پالت است، حالا بیایید جلوتر برویم و
995
00:53:33,849 –> 00:53:37,090
نمودار تا آنجا که اینجا را ببینید
996
00:53:37,090 –> 00:53:39,940
کمی بیشتر است. تغییرات رنگی وجود شما
997
00:53:39,940 –> 00:53:43,089
در آنجا رخ داده است، بنابراین حتی اگر
998
00:53:43,089 –> 00:53:45,609
0.5 را تنظیم کنیم، اکنون در اینجا خواهید دید که
999
00:53:45,609 –> 00:53:48,460
رنگ تیره تر ظاهر شده است خوب است، بنابراین به
1000
00:53:48,460 –> 00:53:50,710
این ترتیب می توانیم این تغییر رنگ را کنترل
1001
00:53:50,710 –> 00:53:54,910
کنیم و تاریکی و
1002
00:53:54,910 –> 00:53:58,300
روشنی مشکلی ندارد، ما برخی دیگر را نیز داریم.
1003
00:53:58,300 –> 00:54:02,609
روش هایی که می توانیم
1004
00:54:02,609 –> 00:54:06,550
اندازه این خطوط و غیره را نیز تغییر دهیم، پس
1005
00:54:06,550 –> 00:54:08,680
بیایید جلوتر برویم و به شما نشان دهیم که چگونه می
1006
00:54:08,680 –> 00:54:11,650
توانید عرض این خطوط را بر اساس شدت آنها تغییر دهید.
1007
00:54:11,650 –> 00:54:15,280
1008
00:54:15,280 –> 00:54:22,420
شما
1009
00:54:22,420 –> 00:54:25,630
می توانید با X انجام دهید X برابر است با ti من
1010
00:54:25,630 –> 00:54:33,810
و Y Y برابر با سرعت شلیک است و
1011
00:54:33,810 –> 00:54:39,480
سپس می توانیم با اندازه ضلع برابر با انسجام کار را انجام دهیم
1012
00:54:39,839 –> 00:54:44,190
و در نهایت در اینجا
1013
00:54:44,190 –> 00:54:48,970
زمان داریم که سبک آنها برابر است با
1014
00:54:48,970 –> 00:54:52,760
انتخاب درست کامل اکنون
1015
00:54:52,760 –> 00:54:56,300
نوع نوع برابر با خط است و سپس
1016
00:54:56,300 –> 00:54:58,700
در نهایت ما داده ها را در اینجا داشته باشید، داده
1017
00:54:58,700 –> 00:55:00,440
ها نقطه ها هستند،
1018
00:55:00,440 –> 00:55:03,410
بنابراین بیایید جلوتر برویم و شما اینجا را می بینید زیرا
1019
00:55:03,410 –> 00:55:06,290
ما طرفی را ارائه کرده ایم که جریان ها را
1020
00:55:06,290 –> 00:55:10,310
برای تصمیم گیری می شناسید اکنون
1021
00:55:10,310 –> 00:55:13,370
عرض خط را بر اساس مقدار انسجام تغییر
1022
00:55:13,370 –> 00:55:16,940
1023
00:55:16,940 –> 00:55:19,550
می دهد.
1024
00:55:19,550 –> 00:55:22,130
بسیار خوب پس بیایید پیش برویم آن را با
1025
00:55:22,130 –> 00:55:22,850
لبه اندازه
1026
00:55:22,850 –> 00:55:25,760
نقشه برداری می کنم، حالا من آن را با 15 ترسیم می کنم تا
1027
00:55:25,760 –> 00:55:28,460
100 را ببینیم، در اینجا خواهید دید که
1028
00:55:28,460 –> 00:55:30,590
عرض خط به شدت تغییر کرده است
1029
00:55:30,590 –> 00:55:35,630
، بنابراین بیایید آن را به 1 به
1030
00:55:35,630 –> 00:55:38,090
10 در بین 1 تا تغییر دهیم. 10 بنابراین به این صورت
1031
00:55:38,090 –> 00:55:40,400
می توانید خط را تغییر دهید
1032
00:55:40,400 –> 00:55:44,450
عرض خط را نیز تغییر دهید بسیار خوب حالا
1033
00:55:44,450 –> 00:55:47,690
بیایید جلوتر برویم و به شما نشان دهیم که چگونه
1034
00:55:47,690 –> 00:55:51,140
می توانید عرض خط را تغییر دهید و همچنین
1035
00:55:51,140 –> 00:55:54,770
رنگ آن را
1036
00:55:54,770 –> 00:55:57,170
نیز تغییر دهید. رنگ و همچنین ما نیاز
1037
00:55:57,170 –> 00:55:59,960
به فقط PA ss اینجا یک رنگ خوب است، بنابراین فقط
1038
00:55:59,960 –> 00:56:03,650
یک تپه را رد کنید و اکنون می توانیم یک رنگ را بگذرانیم که
1039
00:56:03,650 –> 00:56:15,680
برابر با انسجام است، بسیار عالی است، بنابراین در
1040
00:56:15,680 –> 00:56:18,050
اینجا یک انسجام برابر با
1041
00:56:18,050 –> 00:56:20,180
انسجام و همچنین اندازه ای برابر با D داریم
1042
00:56:20,180 –> 00:56:22,940
که به انسجام مجموعه ای دارد، بنابراین به این ترتیب ما
1043
00:56:22,940 –> 00:56:26,840
میتوانیم تغییراتی ایجاد کنیم و همچنین میتوانیم
1044
00:56:26,840 –> 00:56:30,470
در اینجا لبه اندازه را به انتخاب تنظیم کنیم
1045
00:56:30,470 –> 00:56:33,080
و اکنون اندازه مطابق
1046
00:56:33,080 –> 00:56:38,890
با انتخاب تغییر میکند و کاملاً درست است،
1047
00:56:38,890 –> 00:56:41,900
بنابراین فقط دو
1048
00:56:41,900 –> 00:56:45,560
نوع طرح برای تایپ ترس از خط وجود دارد.
1049
00:56:45,560 –> 00:56:47,870
عرض و من فکر می کنم اکنون این
1050
00:56:47,870 –> 00:56:50,690
مهم نیست، بنابراین ما می توانیم آن را حذف کنیم و
1051
00:56:50,690 –> 00:56:52,910
چیزی شبیه به این را نشان می دهد بسیار خوب
1052
00:56:52,910 –> 00:56:55,630
است، قطعا مهم است که
1053
00:56:55,630 –> 00:56:58,199
مقیاس آن یک و
1054
00:56:58,199 –> 00:57:03,369
عالی باشد، حالا اجازه دهید جلو برویم و به شما نشان دهیم که
1055
00:57:03,369 –> 00:57:06,579
چگونه می توانید طرح را با آن انجام دهید.
1056
00:57:06,579 –> 00:57:09,639
تاریخ را میدانید تا کنون، ما یک نمودار
1057
00:57:09,639 –> 00:57:12,249
با چیزی شبیه دادههای عددی داشتیم
1058
00:57:12,249 –> 00:57:14,259
که شبیه یک عدد عددی
1059
00:57:14,259 –> 00:57:15,879
یک-دو-سه-چهار-پنج بود
1060
00:57:15,879 –> 00:57:18,219
، فرض کنید زمانی که
1061
00:57:18,219 –> 00:57:22,599
دادههای معلم دارید، اگر ستونی از
1062
00:57:22,599 –> 00:57:25,239
x-axis یک قالب زمانی است که
1063
00:57:25,239 –> 00:57:29,349
تاریخ واقعی مانند چهارم ژوئن بوده است e از سال
1064
00:57:29,349 –> 00:57:31,599
2019، پس چگونه میتوانید آن را
1065
00:57:31,599 –> 00:57:35,679
رسم کنید تا این کار را انجام دهید، اجازه دهید ابتدا
1066
00:57:35,679 –> 00:57:38,589
مجموعه داده را با تاریخ و زمان ایجاد کنیم تا
1067
00:57:38,589 –> 00:57:40,869
1068
00:57:40,869 –> 00:57:43,749
اگر برابر با قاب داده نقطهای PD است، بتوانیم با قاب دادهای پاندا D انجام دهیم
1069
00:57:43,749 –> 00:57:48,549
و سپس ما میتواند یک فرهنگ لغت را ارسال کند
1070
00:57:48,549 –> 00:57:49,239
که دیکته است
1071
00:57:49,239 –> 00:57:52,049
و سپس ما میخواهیم آن را به یک
1072
00:57:52,049 –> 00:57:54,789
ستون زمان قطار در ستون زمان منتقل کنیم.
1073
00:57:54,789 –> 00:57:56,829
1074
00:57:56,829 –> 00:57:59,859
1075
00:57:59,859 –> 00:58:05,669
2019
1076
00:58:05,969 –> 00:58:11,739
خوب باشد، دوم ژوئن 2019 و
1077
00:58:11,739 –> 00:58:14,559
تعداد کل دوره هایی وجود خواهد
1078
00:58:14,559 –> 00:58:17,769
داشت که روز شما خواهد بود و آن 500 است، بنابراین
1079
00:58:17,769 –> 00:58:20,409
تقریباً کمتر از دو سال و
1080
00:58:20,409 –> 00:58:23,259
پانصد روز در حال حاضر می خواهم بگویم
1081
00:58:23,259 –> 00:58:25,719
مقداری که همان مقدار است را بدست آوریم. ستون
1082
00:58:25,719 –> 00:58:28,359
و در یک ستون مقدار،
1083
00:58:28,359 –> 00:58:30,849
یک عدد تصادفی با عدد تصادفی که
1084
00:58:30,849 –> 00:58:34,449
قبلاً تصادفی از numpy dot به صورت تصادفی وارد کردهام، ایجاد میکنم،
1085
00:58:34,449 –> 00:58:38,619
سپس مقدار آن 500 است، فرض
1086
00:58:38,619 –> 00:58:42,819
کنید هر دو زمان و مقدار دارای ارزش 500 هستند
1087
00:58:42,819 –> 00:58:45,299
و سپس قرار میدهم. آن
1088
00:58:45,299 –> 00:58:50,129
جامعه به برخی خوب است که مصرف
1089
00:58:50,129 –> 00:58:53,379
کامل در حال حاضر ما در حال حاضر قاب داده ما DF
1090
00:58:53,379 –> 00:58:56,619
بیایید قاب داده DF را تجسم
1091
00:58:56,619 –> 00:58:59,379
کنیم، بنابراین در اینجا ما تاریخ 3 ژوئن،
1092
00:58:59,379 –> 00:59:02,439
4 ژوئن 5 و 6 ژوئن را داریم، اکنون سؤال من
1093
00:59:02,439 –> 00:59:06,419
این است که چگونه این
1094
00:59:06,419 –> 00:59:10,509
مقدار داده را در مقابل زمان خوب ترسیم می کنید، بنابراین این واقعاً
1095
00:59:10,509 –> 00:59:11,580
بسیار ساده است
1096
00:59:11,580 –> 00:59:13,810
آنچه ما هستیم. در اینجا انجام می دهیم، ما می
1097
00:59:13,810 –> 00:59:18,130
خواهیم در اینجا انجام دهیم SN s نقطه طرح واقعی بسیار خوب
1098
00:59:18,130 –> 00:59:20,500
طبق معمول ما در اینجا انجام می دهیم، در اینجا می خواهیم
1099
00:59:20,500 –> 00:59:22,960
ارائه دهیم X برابر زمان و
1100
00:59:22,960 –> 00:59:27,790
y برابر با مقدار و سپس نوع
1101
00:59:27,790 –> 00:59:28,920
1102
00:59:28,920 –> 00:59:33,180
okay نوع نوع برابر است با خط
1103
00:59:33,180 –> 00:59:36,970
و داده ها برابر است با DF
1104
00:59:36,970 –> 00:59:40,120
متاسفم DF خوب است، پس بیایید آن را رسم کنیم، پس وقتی آن را
1105
00:59:40,120 –> 00:59:42,730
رسم می کنیم می گوید که می دانید این زمان
1106
00:59:42,730 –> 00:59:45,760
با هم مخلوط شده است، بنابراین این زمان
1107
00:59:45,760 –> 00:59:48,370
با یکدیگر مخلوط شده است و بسیار
1108
00:59:48,370 –> 00:59:52,980
بسیار است. جیغ بزنیم، بنابراین چه کاری میتوانیم اینجا انجام دهیم،
1109
00:59:53,130 –> 00:59:56,850
بنابراین چه کاری میتوانیم اینجا انجام
1110
00:59:56,850 –> 01:00:01,660
دهیم، میتوانیم شیء را دریافت کنیم، زیرا یک شبکه مجموعه پرداخت را برمیگرداند،
1111
01:00:01,660 –> 01:00:04,270
بنابراین بیایید به این شکل بگیریم که
1112
01:00:04,270 –> 01:00:07,240
منجر به یک شیء G میشود و آنچه که
1113
01:00:07,240 –> 01:00:09,310
قرار است اینجا بنشینیم، یک تنظیم میکنیم.
1114
01:00:09,310 –> 01:00:11,050
ویژگی از شما می دانید
1115
01:00:11,050 –> 01:00:13,360
شکل گیری خودکار تاریخ در رو به آن شبکه
1116
01:00:13,360 –> 01:00:17,160
بنابراین نقطه G و سپس
1117
01:00:17,160 –> 01:00:19,870
تست خودکار خط خطی جعلی که به
1118
01:00:19,870 –> 01:00:24,220
طور خودکار برنامه خودکار خالی را
1119
01:00:24,220 –> 01:00:27,730
با تاریخ در محور x فرمت میکند، اکنون
1120
01:00:27,730 –> 01:00:31,740
میبینید که به طور خودکار آن را اصلاح میکند
1121
01:00:31,740 –> 01:00:32,860
1122
01:00:32,860 –> 01:00:37,030
متأسفیم مشکلی در اینجا پیش آمده است.
1123
01:00:37,030 –> 01:00:40,330
1124
01:00:40,330 –> 01:00:45,940
این است
1125
01:00:45,940 –> 01:00:48,280
که شی شکل هیچ ویژگی ندارد
1126
01:00:48,280 –> 01:00:53,110
به FM t زیرخط X متاسفم
1127
01:00:53,110 –> 01:00:56,260
این تاریخ خوب است X تاریخ کامل اکنون
1128
01:00:56,260 –> 01:01:02,470
این یک مقدار دارد در مقابل زمان، بنابراین به
1129
01:01:02,470 –> 01:01:07,800
این صورت می توانید متغیر نمودار را
1130
01:01:07,800 –> 01:01:11,080
در برابر داده ها رسم کنید زمان خوب است
1131
01:01:11,080 –> 01:01:13,150
حالا بیایید جلوتر برویم، ما
1132
01:01:13,150 –> 01:01:16,090
اینقدر در مورد وجه صحبت کردیم، پس
1133
01:01:16,090 –> 01:01:18,130
چهره آن چیست، حالا سوال این است که
1134
01:01:18,130 –> 01:01:20,680
چهره آن چیست، من یک واقعیت دارم، قبلاً
1135
01:01:20,680 –> 01:01:23,680
به شما گفته بودم که با صورت آن
1136
01:01:23,680 –> 01:01:26,069
می توانید چندین طرح را
1137
01:01:26,069 –> 01:01:29,140
به طور همزمان ترسیم کنید. در آموزش matplotlib ترسیم کردهایم، در
1138
01:01:29,140 –> 01:01:31,930
آنجا از طرحهای
1139
01:01:31,930 –> 01:01:35,969
فرعی برای ترسیم چند طرح با هم استفاده کردهایم،
1140
01:01:35,969 –> 01:01:38,829
اما در اینجا در Seabourn میتوانیم
1141
01:01:38,829 –> 01:01:40,690
آن را با صورت آن ترسیم کنیم، بنابراین
1142
01:01:40,690 –> 01:01:44,640
بیایید جلو برویم و
1143
01:01:44,640 –> 01:01:48,460
دادههای نکات خود را تجسم کنیم. قبل از آن، ما
1144
01:01:48,460 –> 01:01:53,349
خوب بودیم، بنابراین قبلاً نکاتی در اینجا داشتیم
1145
01:01:53,349 –> 01:01:55,210
و نکات دارای نوک صورتحساب کل شش نفر در طول
1146
01:01:55,210 –> 01:01:57,880
روز و اندازه بودند، بنابراین بیایید
1147
01:01:57,880 –> 01:01:59,950
جلوتر برویم و یک طرح رابطهای ایجاد کنیم در آنجا
1148
01:01:59,950 –> 01:02:05,890
طرح ریلی پیامک نقطهای و سپس X
1149
01:02:05,890 –> 01:02:12,430
X برابر است با صورتحساب زیر خط کل. و
1150
01:02:12,430 –> 01:02:17,099
سپس ما داریم Y y برابر با نوک است متأسفم
1151
01:02:17,099 –> 01:02:21,069
Y برابر است با نوک پس y برابر
1152
01:02:21,069 –> 01:02:24,400
با نوک است و سپس یک رنگ رنگ برابر
1153
01:02:24,400 –> 01:02:29,950
با دودی داریم و سپس زغال سنگ
1154
01:02:29,950 –> 01:02:36,190
برابر با زمان داریم و سپس یک داده داریم
1155
01:02:36,190 –> 01:02:39,579
اکنون در مورد داده ها ما نکاتی داریم از حالا
1156
01:02:39,579 –> 01:02:42,160
بیایید جلوتر برویم و می بینید اینجا در حال حاضر در
1157
01:02:42,160 –> 01:02:44,140
حالت غم و اندوه دو محور وجود دارد:
1158
01:02:44,140 –> 01:02:47,349
محور یک و محور – اینجا می بینید
1159
01:02:47,349 –> 01:02:50,019
که اینجا چه اتفاقی می افتد تقریباً یک
1160
01:02:50,019 –> 01:02:53,200
نوع مشابه است خوب است اما اینجا این است پارامتر اضافی را
1161
01:02:53,200 –> 01:02:55,420
که ارائه کرده ایم، اجازه
1162
01:02:55,420 –> 01:02:57,219
دهید این پارامتر را قطع کنیم و ببینیم چه
1163
01:02:57,219 –> 01:03:00,160
اتفاقی می افتد، خوب، ما فقط یک پارامتر را برای ما دریافت می کنیم،
1164
01:03:00,160 –> 01:03:02,650
اما اگر
1165
01:03:02,650 –> 01:03:05,650
این ستون را خوب معرفی کنیم و ستون بر
1166
01:03:05,650 –> 01:03:07,900
اساس زمان فعلی باشد، دو پارامتر متفاوت دریافت خواهیم کرد.
1167
01:03:07,900 –> 01:03:10,479
برای یک بار
1168
01:03:10,479 –> 01:03:12,999
و دیگری خوب کامل
1169
01:03:12,999 –> 01:03:16,390
الف و به همین ترتیب اجازه دهید این را کپی کرده و
1170
01:03:16,390 –> 01:03:19,269
آن را در اینجا جای گذاری کنیم و اگر حتی یک
1171
01:03:19,269 –> 01:03:21,369
ستون را بر اساس زمان تغییر دهیم، بیایید آن را
1172
01:03:21,369 –> 01:03:24,089
به اندازه تغییر دهیم، پس چه اتفاقی می افتد، بیایید ببینیم
1173
01:03:24,089 –> 01:03:26,950
اکنون ضلع های زیادی وجود دارد یک دو
1174
01:03:26,950 –> 01:03:29,680
سه چهار پنج شش خوب پس شش وجود دارد.
1175
01:03:29,680 –> 01:03:31,960
اندازهها اکنون به شش
1176
01:03:31,960 –> 01:03:35,140
رقم رسیدهایم، اکنون میدانید اینجا یک
1177
01:03:35,140 –> 01:03:36,700
مشکل کوچک وجود دارد،
1178
01:03:36,700 –> 01:03:39,310
تعداد همتایان و فیگهای عاج زیادی وجود دارد که این
1179
01:03:39,310 –> 01:03:43,000
ارقام در یک ردیف قرار گرفتهاند، خوب حالا ما
1180
01:03:43,000 –> 01:03:45,430
روشهای دیگری داریم که در آن میتوانیم
1181
01:03:45,430 –> 01:03:48,310
این رپها را کنترل کنیم، بنابراین من به شما خواهم گفت.
1182
01:03:48,310 –> 01:03:52,950
شما آن نامه را چگونه می توانید انجام دهید و
1183
01:03:52,950 –> 01:03:55,660
این در واقع می تواند
1184
01:03:55,660 –> 01:04:00,130
با صدای رپ ستون و
1185
01:04:00,130 –> 01:04:02,200
رپ ردیف انجام شود، بنابراین من به شما خواهم گفت که بعداً
1186
01:04:02,200 –> 01:04:07,180
بنابراین اکنون بیایید
1187
01:04:07,180 –> 01:04:11,200
با متغیرهای بسیار روبه رو ادامه دهیم. زمانی
1188
01:04:11,200 –> 01:04:15,550
که می خواهم انجام دهم، یک
1189
01:04:15,550 –> 01:04:17,500
ماتریس دو در دو را رسم می کنم بسیار خوب
1190
01:04:17,500 –> 01:04:19,630
و آن ماتریس دو به دو
1191
01:04:19,630 –> 01:04:22,119
بر اساس منطقه و همچنین رویداد
1192
01:04:22,119 –> 01:04:25,359
و موضوع خواهد بود، بنابراین بیایید ادامه
1193
01:04:25,359 –> 01:04:32,320
دهیم و آن را خوب انجام دهیم و اگر من از اینجا عبور می کنم
1194
01:04:32,320 –> 01:04:34,720
این همان ستونی است که اگر پاس کنم به اندازه آن است در یک
1195
01:04:34,720 –> 01:04:37,839
ردیف اکنون این در یک ردیف قرار می گیرد، خوب،
1196
01:04:37,839 –> 01:04:40,390
بنابراین اینگونه می توانیم این کار را به خوبی انجام
1197
01:04:40,390 –> 01:04:43,030
دهیم، بیایید جلوتر برویم و ببینیم چگونه می توانیم
1198
01:04:43,030 –> 01:04:45,960
یک شبکه از پیش تعیین شده دو در دو ماتریس را رسم
1199
01:04:45,960 –> 01:04:49,480
کنیم تا بتوانیم با نقطه SNS این کار را انجام دهیم.
1200
01:04:49,480 –> 01:04:54,940
نمودار ریل و سپس داریم X X
1201
01:04:54,940 –> 01:05:02,230
برابر با نقطه زمانی و سپس Y Y
1202
01:05:02,230 –> 01:05:06,369
برابر با سیگنال است و سپس یک Hue
1203
01:05:06,369 –> 01:05:13,359
Hue برابر با موضوع داریم و سپس یک
1204
01:05:13,359 –> 01:05:17,710
فراخوانی داریم و در فراخوانی یک منطقه
1205
01:05:17,710 –> 01:05:25,480
داریم و سپس یک ردیف در اینجا داریم. ما برای هر رویداد ردیف داریم
1206
01:05:25,480 –> 01:05:28,960
و سپس در اینجا یک
1207
01:05:28,960 –> 01:05:32,140
ارتفاع ارتفاع III داریم که ارتفاع بزرگتری را تنظیم میکند
1208
01:05:32,140 –> 01:05:35,980
و سپس
1209
01:05:35,980 –> 01:05:38,410
اینجا مینشینیم، البته خط یک
1210
01:05:38,410 –> 01:05:43,829
نوع خط خواهد بود و
1211
01:05:43,829 –> 01:05:47,410
تخمینگر خوب تخمینی هیچکدام
1212
01:05:47,410 –> 01:05:51,020
نخواهد بود. اطمینان را محاسبه کنید
1213
01:05:51,020 –> 01:05:56,220
و سپس داده ها برابر با fMRI هستند، بنابراین
1214
01:05:56,220 –> 01:05:58,350
با این کاری که من در اینجا انجام می دهم،
1215
01:05:58,350 –> 01:06:01,620
یک شبکه چسبانده شده 2×2
1216
01:06:01,620 –> 01:06:04,500
در اولین ردیف در ردیف اول ترسیم کردم که می بینید ردیف
1217
01:06:04,500 –> 01:06:06,990
با نوع رویداد مدیریت شده است و
1218
01:06:06,990 –> 01:06:12,090
این رویدادها عبارتند از صف و بخار،
1219
01:06:12,090 –> 01:06:15,060
بنابراین در اینجا می بینید که این ردیف بر اساس
1220
01:06:15,060 –> 01:06:17,670
صف و uppe است ردیف r بر اساس
1221
01:06:17,670 –> 01:06:20,660
بخار و ستون این ستون
1222
01:06:20,660 –> 01:06:23,910
ها بر اساس منطقه دسته بندی می شوند، بنابراین
1223
01:06:23,910 –> 01:06:26,250
ما دو منطقه داریم، این منطقه متغیر دوره 10
1224
01:06:26,250 –> 01:06:28,260
است، بنابراین منطقه Perito
1225
01:06:28,260 –> 01:06:30,240
ستون اول و
1226
01:06:30,240 –> 01:06:32,550
منطقه جلویی ستون دوم است،
1227
01:06:32,550 –> 01:06:36,000
بنابراین این این است که چگونه میتوانیم قوانین را کنترل کنیم
1228
01:06:36,000 –> 01:06:38,660
و ستون بر اساس با تنظیم
1229
01:06:38,660 –> 01:06:42,540
آرگومانها پارامترهای ستون
1230
01:06:42,540 –> 01:06:47,060
و ردیف هستند خوب حالا بیایید جلوتر برویم و
1231
01:06:47,060 –> 01:06:51,300
بحث کنیم که چگونه میتوانیم این oky را کنترل کنیم، بنابراین
1232
01:06:51,300 –> 01:06:54,920
که قبلاً داشتیم، اجازه دهید آن را صدا کنیم
1233
01:06:54,920 –> 01:06:58,080
حالا چگونه میتوانیم تایپ کنیم. فرض کنید
1234
01:06:58,080 –> 01:07:03,660
ماتریس 2 در 3 خوب است، بیایید آن را کپی کنیم، می
1235
01:07:03,660 –> 01:07:06,180
خواهم آن را کپی کنم و اینجا بچسبانم، سپس
1236
01:07:06,180 –> 01:07:08,520
کاری که ما می توانیم در اینجا انجام دهیم، می توانیم
1237
01:07:08,520 –> 01:07:11,910
یک هفته مکث کنیم،
1238
01:07:11,910 –> 01:07:14,340
اگر صندلی خود را فشار دهید و دکمه را فشار دهید، می توانیم یک لفاف ستون را به اینجا منتقل کنیم. دو
1239
01:07:14,340 –> 01:07:16,980
زبانه اینجا را می بینید ما یک ستون داریم درست
1240
01:07:16,980 –> 01:07:21,930
ok ما می توانیم در اینجا مکث کنیم call wrap خوب
1241
01:07:21,930 –> 01:07:24,480
حالا call wrap من می خواهم اینجا 3 را پاس کنم
1242
01:07:24,480 –> 01:07:27,150
حالا ستون به 3 در 2 پیچیده می شود بسیار
1243
01:07:27,150 –> 01:07:29,520
خوب، اگرچه من در
1244
01:07:29,520 –> 01:07:31,980
آن زمان ارتفاعی را از اینجا رد نکردم به طور خودکار
1245
01:07:31,980 –> 01:07:33,870
ارتفاع را تنظیم می کند در غیر این صورت من می توانم
1246
01:07:33,870 –> 01:07:38,160
در اینجا ارتفاع را منتقل کنم اگر ارتفاع را
1247
01:07:38,160 –> 01:07:40,500
برابر با 3 پاس کنیم اکنون
1248
01:07:40,500 –> 01:07:44,310
ارتفاع را با توجه به پارامتر ok
1249
01:07:44,310 –> 01:07:48,140
pass به یک ارتفاع کامل تنظیم می کند
1250
01:07:48,140 –> 01:07:52,380
بنابراین این تجسم که هستند می دانید
1251
01:07:52,380 –> 01:07:54,210
این تجسم ها که اغلب
1252
01:07:54,210 –> 01:07:58,650
به این شکل نامیده می شوند مضرب کوچک هستند.
1253
01:07:58,650 –> 01:08:01,710
خیلی پپتو هستن چون میدونی با اینها
1254
01:08:01,710 –> 01:08:03,360
فقط صورت شبکه
1255
01:08:03,360 –> 01:08:06,630
میتونه دوست داری خیلی چیزا خوب باشه
1256
01:08:06,630 –> 01:08:08,940
با این ما می تونیم بفهمیم چقدر آه می کشه
1257
01:08:08,940 –> 01:08:12,870
یک دو سه چهار پنج شش خیلی خوب
1258
01:08:12,870 –> 01:08:16,470
پس اینا اینطوری هست که تو
1259
01:08:16,470 –> 01:08:19,410
سایز شش اونجا میبینی تعداد کل اسکناسها بسیار کمتر است
1260
01:08:19,410 –> 01:08:21,899
و نکاتی که با
1261
01:08:21,899 –> 01:08:24,990
آن میتوان فهمید سایز 2 سایز 3 و
1262
01:08:24,990 –> 01:08:28,380
سایز 4 بسیار
1263
01:08:28,380 –> 01:08:30,750
پر تراکم هستند، اگرچه افراد
1264
01:08:30,750 –> 01:08:32,609
تمایل دارند در زوجی که
1265
01:08:32,609 –> 01:08:35,430
تصمیم میگیرد وارد شوند و تعداد کمی وجود دارد. افرادی
1266
01:08:35,430 –> 01:08:38,819
که با شما همراه می شوند مانند یک
1267
01:08:38,819 –> 01:08:41,130
دایره دوست با سه یا چهار نفر می دانند، اما
1268
01:08:41,130 –> 01:08:43,470
به ندرت احتمال دارد که افراد
1269
01:08:43,470 –> 01:08:45,090
با پنج نفر شش یا یک نفر
1270
01:08:45,090 –> 01:08:50,069
خوب باشند، بنابراین این به شما راهی بسیار
1271
01:08:50,069 –> 01:08:52,920
گسترده برای تجسم می دهد. فقط
1272
01:08:52,920 –> 01:08:54,990
انتقال داده ها در قالب
1273
01:08:54,990 –> 01:09:00,680
جدول بسیار خوب است، بنابراین این روشی است که ما می توانیم
1274
01:09:00,680 –> 01:09:04,290
نمودار خط و نمودار پراکندگی را
1275
01:09:04,290 –> 01:09:06,689
با کمک سیل رابطه ای تجسم کنیم،
1276
01:09:06,689 –> 01:09:09,300
خوب حالا من به شما نشان خواهم داد که چگونه
1277
01:09:09,300 –> 01:09:12,750
می توانید این کار را با با عرض پوزش رابطه ای
1278
01:09:12,750 –> 01:09:15,720
چگونه می توانید این کار را با این کار انجام دهید، طرح خط
1279
01:09:15,720 –> 01:09:19,529
خوب است، بنابراین نمودار خط نقطه ای SNS نیز دارد،
1280
01:09:19,529 –> 01:09:22,050
در اینجا می بینید،
1281
01:09:22,050 –> 01:09:24,029
اگر دعا کنید در صندلی و زبانه دوتایی را
1282
01:09:24,029 –> 01:09:28,170
که در اینجا می بینید، می تواند کناره های رنگ XY را نیز دریافت کند.
1283
01:09:28,170 –> 01:09:29,790
همه چیز خوب است،
1284
01:09:29,790 –> 01:09:32,130
به همین ترتیب، ما میتوانیم ادامه دهیم و
1285
01:09:32,130 –> 01:09:34,830
اینجا را پاس کنیم X X برابر است، فرض کنید برخی از
1286
01:09:34,830 –> 01:09:38,460
دادهها را در اینجا ارسال میکنم،
1287
01:09:38,460 –> 01:09:42,090
صورتحساب کل زیرخط کل صورتحساب
1288
01:09:42,090 –> 01:09:44,700
را به اینجا منتقل میکنم و سپس اینجا را پاس میدهم Y Y برابر است با نوک
1289
01:09:44,700 –> 01:09:48,960
ok و دادهها را که میتوانید انجام دهید
1290
01:09:48,960 –> 01:09:52,020
نکاتی را که در اینجا میبینید دریافت میکنیم، ما نیز
1291
01:09:52,020 –> 01:09:54,270
نوع مشابهی از نمودار را دریافت میکنیم، اما به
1292
01:09:54,270 –> 01:09:56,640
شکل خط خوب است، اگر اینجا بگویم این
1293
01:09:56,640 –> 01:09:59,070
نمودار پراکندگی نیز وجود دارد، بنابراین
1294
01:09:59,070 –> 01:10:02,790
چیزی شبیه به اوکی قبلی دریافت میکنم.
1295
01:10:02,790 –> 01:10:05,520
این آموزش گاهی اوقات
1296
01:10:05,520 –> 01:10:09,510
در دقایق اولیه این آموزش خوب است، بنابراین
1297
01:10:09,510 –> 01:10:14,100
اینگونه است که ما می توانیم n از
1298
01:10:14,100 –> 01:10:16,050
مزیت نمودار خط و نمودار پراکندگی
1299
01:10:16,050 –> 01:10:16,810
با هم استفاده
1300
01:10:16,810 –> 01:10:19,830
کنید تا یک نقص کوچک را پر کنید و همچنین
1301
01:10:19,830 –> 01:10:25,420
بسیار عالی است، اکنون ما با
1302
01:10:25,420 –> 01:10:29,470
SNS یک نمودار رابطه ای انجام دادیم، اکنون می خواهم به
1303
01:10:29,470 –> 01:10:33,280
شما نشان دهم که چگونه می توانم این داده ها را
1304
01:10:33,280 –> 01:10:35,560
با کمک ترسیم کنم. نمودار خط و همچنین
1305
01:10:35,560 –> 01:10:38,830
نمودار پراکندگی خوب است، پس بیایید جلو برویم و
1306
01:10:38,830 –> 01:10:41,350
ابتدا نمودار خطی را ببینیم که چگونه نمیتوانیم
1307
01:10:41,350 –> 01:10:44,110
با نمودار خط کار کنیم، اکنون دادههای فرمی ما
1308
01:10:44,110 –> 01:10:47,950
خوب است، بنابراین بیایید جلو برویم و با
1309
01:10:47,950 –> 01:10:54,220
هد ببینیم با عرض پوزش fMRI قدرت دادهها، بنابراین در اینجا
1310
01:10:54,220 –> 01:10:58,630
ما این پنج ستون را داریم که رویدادهای زمانی موضوعی دارند
1311
01:10:58,630 –> 01:11:01,450
و سیگنالهای منطقه خوب است، اکنون
1312
01:11:01,450 –> 01:11:04,500
ادامه دهید و با نمودار خط کار کنید.
1313
01:11:04,500 –> 01:11:07,180
1314
01:11:07,180 –> 01:11:12,640
1315
01:11:12,640 –> 01:11:16,300
1316
01:11:16,300 –> 01:11:21,970
من اینجا نقطه زمانی را رد میکنم و سپس در اینجا میخواهم
1317
01:11:21,970 –> 01:11:27,070
یک سیگنال خوب و عالی و اکنون
1318
01:11:27,070 –> 01:11:29,190
در دادهها، fMRI را از اینجا عبور میدهم،
1319
01:11:29,190 –> 01:11:34,750
همانطور که اینجا را ببینید، اکنون ما
1320
01:11:34,750 –> 01:11:39,150
یک نمودار در اینجا درست عالی داریم،
1321
01:11:39,150 –> 01:11:41,830
بنابراین شما ممکن است به یاد داشته باشید که این طرح
1322
01:11:41,830 –> 01:11:45,610
ما نیز با ناقص رابطه خود را به
1323
01:11:45,610 –> 01:11:48,670
خوبی طرح خوب پس گوش در
1324
01:11:48,670 –> 01:11:50,530
طرح رابطهای ابری ما
1325
01:11:50,530 –> 01:11:53,590
شبیه به این داریم حالا
1326
01:11:53,590 –> 01:11:57,310
کاری که میخواهم در اینجا انجام دهم، این طرح را با استفاده از یک رنگ تغییر میدهم
1327
01:11:57,310 –> 01:12:01,090
همانطور که در آموزش قبلی انجام دادیم،
1328
01:12:01,090 –> 01:12:04,150
بنابراین بیایید با رنگ و در
1329
01:12:04,150 –> 01:12:09,460
رنگ I’m تغییر کنیم. در اینجا مکث می کنیم رویداد خوب حالا
1330
01:12:09,460 –> 01:12:12,790
ما اینجا را داریم یک رنگ خوب عالی
1331
01:12:12,790 –> 01:12:17,430
و به طور مشابه می توانیم یک منطقه را از اینجا عبور دهیم
1332
01:12:17,430 –> 01:12:23,260
خوب متأسفانه می توانیم منطقه را رد کنیم بنابراین
1333
01:12:23,260 –> 01:12:26,140
با منطقه نیز دو خط داریم طرح
1334
01:12:26,140 –> 01:12:30,490
خوب است خوب اکنون لیست
1335
01:12:30,490 –> 01:12:33,460
نه-نه-نه بیایید ادامه دهیم و یا شما
1336
01:12:33,460 –> 01:12:40,450
چشم متوجه می شوید که من بسیار خوب
1337
01:12:40,450 –> 01:12:43,450
استایل زدم حالا اینجا ما می خواهیم استایلم را بگذاریم اکنون
1338
01:12:43,450 –> 01:12:46,180
سبک برابر است با رویداد ما در اینجا قرار می دهیم.
1339
01:12:46,180 –> 01:12:52,510
1340
01:12:52,510 –> 01:12:56,050
1341
01:12:56,050 –> 01:13:02,620
خوب همراه
1342
01:13:02,620 –> 01:13:04,330
با منطقه است، به همین دلیل است که ما یک
1343
01:13:04,330 –> 01:13:06,490
دو رنگ متفاوت به همراه دو
1344
01:13:06,490 –> 01:13:08,770
نوع مختلف از این سبک داریم و
1345
01:13:08,770 –> 01:13:13,750
این رویداد بسیار خوب است، حالا بیایید به
1346
01:13:13,750 –> 01:13:17,050
جلو برویم و با نشانگر در اینجا کار کنیم، اکنون
1347
01:13:17,050 –> 01:13:18,640
می خواهم با نشانگر به شما نشان دهم نشانگر را
1348
01:13:18,640 –> 01:13:22,900
نیز در اینجا قرار می دهم مارکوس معادل است
1349
01:13:22,900 –> 01:13:25,480
اگر
1350
01:13:25,480 –> 01:13:27,190
به یاد داشته باشید که قبلاً تقریباً مشابه همین کار را انجام داده بودیم،
1351
01:13:27,190 –> 01:13:29,080
1352
01:13:29,080 –> 01:13:31,330
اکنون یک نوع نشانگر
1353
01:13:31,330 –> 01:13:36,400
روی هر یک از این انواع مختلف
1354
01:13:36,400 –> 01:13:37,510
نمودار T قرار می دهد،
1355
01:13:37,510 –> 01:13:41,140
خوب است و به طور مشابه آنچه که اکنون می توانیم اینجا انجام
1356
01:13:41,140 –> 01:13:43,450
دهیم، می توانیم همچنین یک نوع
1357
01:13:43,450 –> 01:13:46,060
نمودار خطا
1358
01:13:46,060 –> 01:13:52,960
را قرار دهید با عرض پوزش شما یک نوع خطا و ما می توانیم یک CI تنظیم کنیم
1359
01:13:52,960 –> 01:13:59,260
که بله فاصله اطمینان
1360
01:13:59,260 –> 01:14:01,630
برابر با صفر است، اکنون هیچ
1361
01:14:01,630 –> 01:14:04,360
اطمینانی وجود ندارد و هیچ خط مشخصی وجود ندارد
1362
01:14:04,360 –> 01:14:07,090
و جدا از آن اکنون ما همچنین میتوانیم
1363
01:14:07,090 –> 01:14:09,340
سبک خطا را در این طرح خط خود با سبک خط خطی
1364
01:14:09,340 –> 01:14:12,580
خطا در
1365
01:14:12,580 –> 01:14:14,950
سبکهای خطا تنظیم کنیم که میخواهیم اینجا یک نوار تنظیم کنیم،
1366
01:14:14,950 –> 01:14:18,550
اکنون این نوار با آن باید
1367
01:14:18,550 –> 01:14:21,370
CI را با تعدادی اعداد تنظیم کنیم، پس بیایید
1368
01:14:21,370 –> 01:14:26,710
اکنون آن را روی 50 تنظیم کنیم. شما اینجا را می بینید و
1369
01:14:26,710 –> 01:14:29,470
بیایید آن را روی 68 تنظیم کنیم برخی از اعداد تصادفی در آنجا،
1370
01:14:29,470 –> 01:14:31,930
اکنون اینجا را می بینید، ما چیزی
1371
01:14:31,930 –> 01:14:34,930
شبیه به این داریم، بنابراین این
1372
01:14:34,930 –> 01:14:37,000
خطای تقریبی است و اگر به یاد داشته باشید که در CI
1373
01:14:37,000 –> 01:14:41,290
ما چیزی شبیه به این داشتیم،
1374
01:14:41,290 –> 01:14:43,480
مهلت فروش وجود داشت، بنابراین این
1375
01:14:43,480 –> 01:14:45,610
a تقریبی است زمان منظورم این است که این خط
1376
01:14:45,610 –> 01:14:47,260
می تواند جایی در بین این باشد و
1377
01:14:47,260 –> 01:14:48,760
این خط می تواند جایی در
1378
01:14:48,760 –> 01:14:51,880
بین این و آن باشد، بنابراین اینطور ادامه می یابد
1379
01:14:51,880 –> 01:14:55,240
بسیار خوب حالا بیایید جلو برویم
1380
01:14:55,240 –> 01:15:00,400
و این داده های چندگانه را برای
1381
01:15:00,400 –> 01:15:02,530
چندین موضوع در دو خط مختلف ترسیم کنیم، بسیار
1382
01:15:02,530 –> 01:15:03,310
خوب
1383
01:15:03,310 –> 01:15:08,190
چگونه می توانیم این کار را انجام دهیم می توانیم آن نمودار خط نقطه SNS را انجام دهیم
1384
01:15:08,190 –> 01:15:13,360
و سپس می توانیم بگوییم X
1385
01:15:13,360 –> 01:15:22,830
برابر با نقطه زمانی و Y برابر با
1386
01:15:22,830 –> 01:15:27,880
سیگنال است و سپس یک برابر بزرگ با
1387
01:15:27,880 –> 01:15:32,640
رویداد داریم و جدا از آن ما واحدهای
1388
01:15:32,640 –> 01:15:39,430
واحد داریم برابر با موضوع در حال حاضر
1389
01:15:39,430 –> 01:15:44,260
ما در اینجا داریم برآوردگر تخمینگر
1390
01:15:44,260 –> 01:15:47,620
برابر با هیچ است و جدای از آن
1391
01:15:47,620 –> 01:15:51,430
، کلمات کلیدی خوب LW را برابر
1392
01:15:51,430 –> 01:15:54,190
با یک تنظیم می کنیم و داده هایی را که قرار است در
1393
01:15:54,190 –> 01:15:58,000
اینجا منتقل کنیم، fMRI است و ما
1394
01:15:58,000 –> 01:16:03,970
فقط یک منطقه را در اینجا پاس می کنیم. بنابراین ما
1395
01:16:03,970 –> 01:16:09,340
میخواهیم به اینجا یک منطقه خوب برسیم و آن
1396
01:16:09,340 –> 01:16:18,910
منطقه برابر با جلویی خوب کامل است،
1397
01:16:18,910 –> 01:16:22,420
حالا بیایید این را اجرا کنیم، اکنون
1398
01:16:22,420 –> 01:16:24,700
چندین خط با هم داریم، بنابراین این
1399
01:16:24,700 –> 01:16:27,520
تقریباً مشابه همان چیزی است که
1400
01:16:27,520 –> 01:16:30,970
قبلاً در این درس
1401
01:16:30,970 –> 01:16:33,780
در رابطهمان دیدهایم. طرح اولیه خوب است به نمودار چاه ما وارد شود
1402
01:16:33,780 –> 01:16:38,230
و به طور مشابه می توانیم
1403
01:16:38,230 –> 01:16:44,800
با این خطوط با نقاطی مانند
1404
01:16:44,800 –> 01:16:46,840
چندین خط انجام دهیم، اجازه دهید من به شما نشان دهم که
1405
01:16:46,840 –> 01:16:49,060
در اینجا با نقاط در مورد چه چیزی صحبت می کنم بنابراین
1406
01:16:49,060 –> 01:16:52,120
به طور مشابه می توانیم این خطوط را رسم کنیم و می توانیم آنها
1407
01:16:52,120 –> 01:16:54,910
را بیاوریم. لژیون در داخل
1408
01:16:54,910 –> 01:16:57,520
من کاردستی های ساحلی انجام دادم اجازه دهید به شما نشان دهم چگونه
1409
01:16:57,520 –> 01:17:04,030
می توانیم این کار را انجام دهیم، در اینجا ما
1410
01:17:04,030 –> 01:17:07,720
عقربه نقطه نقطه خود را
1411
01:17:07,720 –> 01:17:12,690
1412
01:17:12,690 –> 01:17:17,050
داریم.
1413
01:17:17,050 –> 01:17:20,620
از اینجا عبور کنید y برابر است با
1414
01:17:20,620 –> 01:17:25,080
نرخ شلیک و به طور مشابه در اینجا U انسجام خواهد بود
1415
01:17:25,080 –> 01:17:31,120
و جدای از آن من
1416
01:17:31,120 –> 01:17:35,280
در اینجا قرار میدهم یک سبک استایل برابر است با
1417
01:17:35,280 –> 01:17:40,780
انتخاب خوب و سپس دادهها و سپس آنها
1418
01:17:40,780 –> 01:17:45,190
برابر با نقطههای کامل است حالا بیایید
1419
01:17:45,190 –> 01:17:49,000
جلو برویم و این را اجرا کن ببینم
1420
01:17:49,000 –> 01:17:52,480
آیا خطا را انجام دادم نمیتوانستم انسجام را در اینجا تفسیر کنم،
1421
01:17:52,480 –> 01:17:55,630
شاید این اشتباه است حالا
1422
01:17:55,630 –> 01:17:58,870
باید بنویسیم خوب تا
1423
01:17:58,870 –> 01:18:00,510
چیزی شبیه به این
1424
01:18:00,510 –> 01:18:04,030
کامل داشته باشیم که فوقالعاده است، بنابراین
1425
01:18:04,030 –> 01:18:07,480
همه چیز در مورد این خط خطی است و موارد مشابه
1426
01:18:07,480 –> 01:18:10,630
ما می توانیم با پراکندگی انجام دهیم طرح بیایید به
1427
01:18:10,630 –> 01:18:13,890
جلو برویم و با این طرح پراکنده کار کنیم،
1428
01:18:13,890 –> 01:18:18,220
اکنون می خواهم از اینجا شروع کنم،
1429
01:18:18,220 –> 01:18:21,250
بنابراین ما از قبل یک نمودار پراکندگی
1430
01:18:21,250 –> 01:18:24,640
برای نوک خود در مقابل دو نکته کل آیه چرخ
1431
01:18:24,640 –> 01:18:27,820
داریم که البته می توانیم به محض طرح پراکندگی این کار را انجام دهیم.
1432
01:18:27,820 –> 01:18:29,920
ما میتوانیم
1433
01:18:29,920 –> 01:18:32,400
اینجا بنشینیم X X برابر با کل
1434
01:18:32,400 –> 01:18:35,830
زیرخط است و به طور مشابه میتوانیم
1435
01:18:35,830 –> 01:18:39,700
Y y را برابر Kip قرار دهیم و سپس میتوانیم
1436
01:18:39,700 –> 01:18:42,730
دادهها را برابر با نکات درست ارسال کنیم، بنابراین به
1437
01:18:42,730 –> 01:18:44,290
این صورت میتوانیم نمودار پراکندگی را تنظیم کنیم
1438
01:18:44,290 –> 01:18:48,700
و به همین ترتیب میتوانیم میدانید که در اینجا یک
1439
01:18:48,700 –> 01:18:51,670
رنگ بر اساس جنسیت تنظیم کنید،
1440
01:18:51,670 –> 01:18:54,400
آنجا مرد-ماده را میبینید و میتوانید آن را بر
1441
01:18:54,400 –> 01:18:59,010
اساس نیز یک سیگاری درست
1442
01:18:59,010 –> 01:19:02,590
تنظیم کنید، متأسفیم و به همین ترتیب، ما میتوانیم در اینجا یک ضلع
1443
01:19:02,590 –> 01:19:05,700
برابر با
1444
01:19:05,780 –> 01:19:09,750
ضلعهای آنها تنظیم کنیم. در اینجا
1445
01:19:09,750 –> 01:19:11,670
اندازه اینها تغییر کرده است اندازه دایره
1446
01:19:11,670 –> 01:19:14,370
برای یک فرد سیگاری و همچنین
1447
01:19:14,370 –> 01:19:18,660
یک سایت تغییر کرده است و این یک رنگ و سمت است و
1448
01:19:18,660 –> 01:19:20,430
به طور مشابه می توانیم استایل را نیز
1449
01:19:20,430 –> 01:19:22,530
بر اساس چیزی تغییر دهیم، اگرچه ما
1450
01:19:22,530 –> 01:19:28,470
نمی توانیم خوب عمل کنیم، بیایید برویم پیش بروید
1451
01:19:28,470 –> 01:19:34,370
و با این کاشی نیز بررسی
1452
01:19:34,370 –> 01:19:37,800
کنید این کاشی به سرعت می گذرد
1453
01:19:37,800 –> 01:19:40,200
در این زمان، خوب
1454
01:19:40,200 –> 01:19:44,960
حالا ما اینجا یک سبک اندازه و
1455
01:19:44,960 –> 01:19:48,450
رنگ و همچنین خوب کامل داریم،
1456
01:19:48,450 –> 01:19:52,020
بنابراین اکنون ممکن است واقعا مطمئن باشید که
1457
01:19:52,020 –> 01:19:55,170
هر کاری که می توانیم با نقطه SNS انجام دهیم،
1458
01:19:55,170 –> 01:19:57,810
طرح rel همان طرح رابطه ای است.
1459
01:19:57,810 –> 01:20:00,390
میتوان تقریباً همه کارها را با SNS انجام داد
1460
01:20:00,390 –> 01:20:04,950
، طرحهای پراکنده و طرح خطی بسیار خوب،
1461
01:20:04,950 –> 01:20:10,590
حالا بیایید جلو برویم و با
1462
01:20:10,590 –> 01:20:13,020
مجموعه دادههای متفاوتی
1463
01:20:13,020 –> 01:20:15,840
که به عنوان مجموعه داده عنبیه شناخته میشود کار کنیم، بنابراین اجازه دهید
1464
01:20:15,840 –> 01:20:17,880
ابتدا این مجموعه داده عنبیه را با
1465
01:20:17,880 –> 01:20:21,480
بار گشتاور SNS بارگیری کنیم. مجموعه دادهها و ما میتوانیم
1466
01:20:21,480 –> 01:20:24,300
اینجا عنبیه را تایپ کنیم و سپس در نهایت اجازه دهید
1467
01:20:24,300 –> 01:20:26,970
این عنبیه را با سر Penn dodge تجسم
1468
01:20:26,970 –> 01:20:32,640
کنیم، در اینجا میبینیم که در کل
1469
01:20:32,640 –> 01:20:35,100
پنج ستون پنج داریم، بنابراین چهار ستون اول
1470
01:20:35,100 –> 01:20:38,430
یک طول تابه عرض کاسبرگ طول باتوم
1471
01:20:38,430 –> 01:20:40,380
و عرض گلبرگ است و سپس در نهایت ما
1472
01:20:40,380 –> 01:20:42,840
یک سه نوع از گذرگاه خوب است خوب
1473
01:20:42,840 –> 01:20:46,110
حالا بیایید جلو برویم و این را رسم
1474
01:20:46,110 –> 01:20:49,590
کنیم که می توانیم با نمودار پراکندگی شروع SNS
1475
01:20:49,590 –> 01:20:54,000
انجام دهیم و من X X برابر است
1476
01:20:54,000 –> 01:21:01,640
با عنبیه طول کاسبرگ خوب است و
1477
01:21:03,230 –> 01:21:06,660
اگرچه می توانیم این کار را انجام دهیم یکی
1478
01:21:06,660 –> 01:21:09,489
هستند می دانی
1479
01:21:09,489 –> 01:21:11,950
اجازه بده به شما آنچه را که می خواهم به شما بگویم به شما نشان دهم
1480
01:21:11,950 –> 01:21:17,980
که می توانیم چیزی شبیه به این را پاس کنیم، مثلاً
1481
01:21:17,980 –> 01:21:20,890
طول خط پایین رفیق را پاس کنیم و به طور مشابه
1482
01:21:20,890 –> 01:21:27,400
می توانیم y y برابر است با فرض کنیم استعداد پرداخت کنیم،
1483
01:21:27,400 –> 01:21:30,480
خوب
1484
01:21:31,410 –> 01:21:35,469
زیر خط پیتر کلینت و در اینجا
1485
01:21:35,469 –> 01:21:39,760
ما داده های داده برابر است. به Iris perfect حالا
1486
01:21:39,760 –> 01:21:42,219
بیایید ببینیم پس چیزی شبیه به
1487
01:21:42,219 –> 01:21:44,080
این داریم، بنابراین طول کاسبرگ در
1488
01:21:44,080 –> 01:21:45,550
حال افزایش است، طول گلبرگ نیز
1489
01:21:45,550 –> 01:21:48,790
افزایش مییابد و اگر نمیخواهید
1490
01:21:48,790 –> 01:21:51,850
این دادهها را در یک آرگومان جداگانه ارسال کنید،
1491
01:21:51,850 –> 01:21:54,610
چه کاری میتوانیم انجام دهیم، میتوانید SNS انجام دهید.
1492
01:21:54,610 –> 01:21:58,180
نمودار پراکندگی نقطه و سپس میتوانیم X را
1493
01:21:58,180 –> 01:22:03,610
مستقیماً با آیریس sibilant از اینجا عبور دهیم خوب، بنابراین
1494
01:22:03,610 –> 01:22:10,650
میتوانیم اینطوری انجام دهیم و
1495
01:22:10,650 –> 01:22:19,860
سپس Y Y برابر است با Iris و سپس
1496
01:22:21,750 –> 01:22:25,780
طول بهتر درست است، بنابراین در اینجا
1497
01:22:25,780 –> 01:22:27,790
چیزی شبیه به این داریم در آنجا یک
1498
01:22:27,790 –> 01:22:29,489
طول ساده داریم و طول گلبرگ
1499
01:22:29,489 –> 01:22:31,510
کاملاً درست است،
1500
01:22:31,510 –> 01:22:35,380
بنابراین این نمودارها تقریباً مشابه نمونه
1501
01:22:35,380 –> 01:22:37,450
قبلی هستند، بنابراین اینها راهی هستند
1502
01:22:37,450 –> 01:22:41,200
که ما می توانیم این را رسم کنیم.
1503
01:22:41,200 –> 01:22:43,600
1504
01:22:43,600 –> 01:22:46,630
1505
01:22:46,630 –> 01:22:49,560
1506
01:22:49,560 –> 01:22:52,420
زمانی که این آموزش را شروع کردم، به شما
1507
01:22:52,420 –> 01:22:54,730
گفتم که رسم داده های طبقه بندی را به این صورت شروع می کنیم،
1508
01:22:54,730 –> 01:22:57,100
بنابراین بیایید این
1509
01:22:57,100 –> 01:22:59,590
یکی را کپی کنیم، من این طرح طبقه بندی را کپی می کنم
1510
01:22:59,590 –> 01:23:04,840
و سپس در پایان می خواهم
1511
01:23:04,840 –> 01:23:10,650
آن را اینجا بچسبانم،
1512
01:23:11,260 –> 01:23:14,120
بسیار عالی. شما نمودار دادههای طبقهبندی را دریافت میکنید،
1513
01:23:14,120 –> 01:23:18,050
ما میتوانیم دستهبندی را رسم کنیم،
1514
01:23:18,050 –> 01:23:23,450
بنابراین بیایید اینجا ببینیم نکاتی داریم،
1515
01:23:23,450 –> 01:23:26,720
بنابراین مانند اینها سیگاریهای جنسی
1516
01:23:26,720 –> 01:23:30,020
هستند، آیا زمان را میدانید، در غیر این صورت اجازه دهید
1517
01:23:30,020 –> 01:23:33,470
دادههای تایتانیک را بارگیری کنیم، خوب
1518
01:23:33,470 –> 01:23:36,680
این داده تیتانیا را با دادههای بار نقطهای SNS بارگیری کنیم.
1519
01:23:36,680 –> 01:23:46,580
خوب تنظیم کنید، پس اکنون اینجا ما دادههای تایتانیک خود را داریم،
1520
01:23:46,580 –> 01:23:49,450
1521
01:23:50,020 –> 01:23:53,720
حالا بیایید این را تجسم کنیم، بنابراین میبینید که در اینجا
1522
01:23:53,720 –> 01:23:56,360
ستونهای زیادی مانند
1523
01:23:56,360 –> 01:24:00,320
P کلاسیکهای باقیمانده داریم و سپس ما یک کلاس داریم و
1524
01:24:00,320 –> 01:24:03,050
پس از آن مرد بزرگسال پذیرش گیرنده را وارد میکنیم،
1525
01:24:03,050 –> 01:24:05,390
بنابراین اینها طرح طبقهبندی هستند، پس
1526
01:24:05,390 –> 01:24:08,060
چگونه میتوانیم شما این تخت طبقهبندی را تجزیه و تحلیل میکنید
1527
01:24:08,060 –> 01:24:09,620
که چگونه این طرحهای طبقهبندی را
1528
01:24:09,620 –> 01:24:14,420
ترسیم میکنید، بنابراین برای این نمودارها میتوانیم
1529
01:24:14,420 –> 01:24:16,610
دادههای خود را با استفاده از
1530
01:24:16,610 –> 01:24:22,810
طرح نوار طرح جعبه گربه و طرح ازدحام ترسیم و
1531
01:24:23,320 –> 01:24:28,450
1532
01:24:28,450 –> 01:24:32,780
تجسم کنیم. بنابراین اولین بار ما
1533
01:24:32,780 –> 01:24:38,660
طرح گربه بزرگ را ترسیم خواهیم کرد، بنابراین اولین بار
1534
01:24:38,660 –> 01:24:40,520
از نمودار گربه خود استفاده می کنیم،
1535
01:24: