در این مطلب، ویدئو تفسیر مدل های ML با LIME و Eli5 در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:23:48
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:01,290
سلام به همه خوش آمدید دوباره
2
00:00:01,290 –> 00:00:03,030
نام من جسی است و این یکی در ساتوری اوه،
3
00:00:03,030 –> 00:00:04,620
ما سعی می کنیم ببینیم چگونه
4
00:00:04,620 –> 00:00:07,259
ml یا یادگیری ماشینی خود را تفسیر
5
00:00:07,259 –> 00:00:09,750
6
00:00:09,750 –> 00:00:12,630
7
00:00:12,630 –> 00:00:14,700
کنیم. تولید درست است، اما
8
00:00:14,700 –> 00:00:16,470
کافی نیست که بتوانید آن
9
00:00:16,470 –> 00:00:18,630
پیش بینی ها را برای مدل
10
00:00:18,630 –> 00:00:20,520
انجام دهید، دلیل آن این است که هر نرم افزار
11
00:00:20,520 –> 00:00:23,189
دارای اشکالاتی است، بنابراین موتورهای میلی لیتری نیز می توانند به
12
00:00:23,189 –> 00:00:25,470
عقب بازگردند، بنابراین یکی از دلایلی که شما مجبور
13
00:00:25,470 –> 00:00:27,090
هستید مادر خود را تفسیر کنید. به هر کس
14
00:00:27,090 –> 00:00:29,849
دیگری برای تشخیص اینکه آنها از داخل آن مدل ها عبور کرده اند،
15
00:00:29,849 –> 00:00:32,668
پس چرا باید یک موتور را تفسیر کنیم
16
00:00:32,668 –> 00:00:33,989
تا اول از همه به ما کمک کند تا
17
00:00:33,989 –> 00:00:37,129
برخی از مدل های خطا را دوباره
18
00:00:37,129 –> 00:00:39,600
شناسایی کنیم که من برای نمونه کلاس خودران خطر خیلی بالایی نداشته ام.
19
00:00:39,600 –> 00:00:41,550
20
00:00:41,550 –> 00:00:43,350
شما در صنعت بهداشت کار می کنید هر
21
00:00:43,350 –> 00:00:45,600
مدل یادگیری ماشینی که بر
22
00:00:45,600 –> 00:00:47,789
تصمیم انسان در سطح بسیار بالایی تأثیر می گذارد
23
00:00:47,789 –> 00:00:48,719
درست
24
00:00:48,719 –> 00:00:51,090
است که خطرات محیطی بسیار بالایی دارد که
25
00:00:51,090 –> 00:00:53,489
حداقل برای چیزی
26
00:00:53,489 –> 00:00:55,559
تفسیر می شود. با
27
00:00:55,559 –> 00:00:57,360
توجه به یادگیری ماشینی، به دلیل
28
00:00:57,360 –> 00:00:59,250
رانندگی ماشینها، باید آن را در
29
00:00:59,250 –> 00:01:01,350
بچههای مالی
30
00:01:01,350 –> 00:01:02,760
تفسیر کنید، باید بتوانید آن را تفسیر کنید، باید بدانید چرا
31
00:01:02,760 –> 00:01:04,860
مدل یادگیری ماشینی آن پیشبینی خاص را انجام میدهد،
32
00:01:04,860 –> 00:01:07,320
بنابراین برخی از مدلهای mmm
33
00:01:07,320 –> 00:01:09,420
لی در حال تولید نیستند. به عنوان مثال،
34
00:01:09,420 –> 00:01:11,369
اگر در محیط های کم خطر
35
00:01:11,369 –> 00:01:13,110
مانند موتور توصیه کار می کنید،
36
00:01:13,110 –> 00:01:17,280
به هیچ توضیحی
37
00:01:17,280 –> 00:01:19,229
نیاز ندارید، درست نیازی به تفسیر ندارید و
38
00:01:19,229 –> 00:01:21,570
اگر با یک راننده کار می کنید، قبلاً
39
00:01:21,570 –> 00:01:22,560
بیش از حد پر شده است
40
00:01:22,560 –> 00:01:24,810
که به طور گسترده مورد مطالعه قرار گرفته است، همانطور
41
00:01:24,810 –> 00:01:26,759
که می بینید مانند
42
00:01:26,759 –> 00:01:27,299
43
00:01:27,299 –> 00:01:30,180
تجزیه و تحلیل تشدید تشخیص کاراکتر نوری، نیازی به
44
00:01:30,180 –> 00:01:32,400
توضیح آن نیست، باید آن را تفسیر کنید، اما اگر
45
00:01:32,400 –> 00:01:34,920
این تصمیم فاطمی است، اگر موضوع
46
00:01:34,920 –> 00:01:35,880
مرگ و زندگی است،
47
00:01:35,880 –> 00:01:38,250
باید آن را انجام دهید، پس دلیل آن این است که
48
00:01:38,250 –> 00:01:40,020
اگر این کار را انجام دهید، دست نخورده است.
49
00:01:40,020 –> 00:01:41,909
درست است زیرا داده ها می تواند توسط ما باشد و
50
00:01:41,909 –> 00:01:44,310
سپس در مدل امام نیز می تواند توسط ما باشد.
51
00:01:44,310 –> 00:01:46,049
فرض کنید این طبقه بندی را شناسایی
52
00:01:46,049 –> 00:01:48,329
کنیم، باید بدانم مدل ما چقدر قابل اعتماد
53
00:01:48,329 –> 00:01:50,579
است به خصوص در خود. -راننده
54
00:01:50,579 –> 00:01:52,680
ماشین باید به مادرش اعتماد کند و
55
00:01:52,680 –> 00:01:57,509
سپس او باید با او در این بخش ملاقات کند
56
00:01:57,509 –> 00:01:59,250
تا به سیستم اعتماد کنیم در این مکان در
57
00:01:59,250 –> 00:02:01,259
مقایسه با موتور جعبه سیاه
58
00:02:01,259 –> 00:02:03,390
که فقط پیش بینی می کند کارآمد است، بنابراین
59
00:02:03,390 –> 00:02:04,920
چه زمانی باید آب را تفسیر کنیم
60
00:02:04,920 –> 00:02:06,360
تا تنها راه حل زمانی که ما نیاز داریم مدل شما را تفسیر
61
00:02:06,360 –> 00:02:09,508
کنیم این است که اگر مدل شما قرار است
62
00:02:09,508 –> 00:02:10,538
چیز مهمی داشته باشد،
63
00:02:10,538 –> 00:02:12,280
اما باید آن را تفسیر کنید،
64
00:02:12,280 –> 00:02:16,390
اگر قرار است مدل شما یک موضوع
65
00:02:16,390 –> 00:02:17,379
مرگ و زندگی باشد
66
00:02:17,379 –> 00:02:19,329
مانند استنشاق تا خودم را بیابم، من یک گچ هستم که
67
00:02:19,329 –> 00:02:22,180
شما نیاز دارید. برای اینکه بتوانید آن را تفسیر کنید
68
00:02:22,180 –> 00:02:23,680
اکنون به چند بسته مفید گوش دهید تا به
69
00:02:23,680 –> 00:02:25,719
ما کمک کند مدل خود را تفسیر کنیم تا شما مانند
70
00:02:25,719 –> 00:02:28,659
بله یک زندگی داشته باشید.
71
00:02:28,659 –> 00:02:30,640
72
00:02:30,640 –> 00:02:32,379
73
00:02:32,379 –> 00:02:35,200
نصب خط نصب شده یک زندگی من انتخاب می کنم
74
00:02:35,200 –> 00:02:37,689
نصب فروشگاه درست را انتخاب کنم پس خط
75
00:02:37,689 –> 00:02:38,980
موتور پایتون بیایید ابتدا ببینیم چگونه
76
00:02:38,980 –> 00:02:41,439
با خط کار کنیم تا آهک مخفف هیچ گاو قابل
77
00:02:41,439 –> 00:02:43,299
تفسیر
78
00:02:43,299 –> 00:02:45,280
سوئیچ های اطلاعات آگنوستیک مدرن نگاه کنید این فقط
79
00:02:45,280 –> 00:02:47,409
یک حق جهانی است به صورت محلی توضیح داده شده
80
00:02:47,409 –> 00:02:49,959
است en این مدلی است به من بگویید که قرار
81
00:02:49,959 –> 00:02:52,540
نیست مدل شما را بر
82
00:02:52,540 –> 00:02:54,340
اساس فرضیات توضیح دهد، این الگوریتمی است که
83
00:02:54,340 –> 00:02:56,409
برای مادرتان توضیح نمیدهد و از
84
00:02:56,409 –> 00:02:58,750
چیزی که میگوید استفاده نمیکند آنطور
85
00:02:58,750 –> 00:02:59,500
که قرار است تقسیم شود،
86
00:02:59,500 –> 00:03:01,540
بنابراین این یک الگوریتم است که تصحیح
87
00:03:01,540 –> 00:03:03,189
واضح است پتانسیل هر طبقه بندی کننده
88
00:03:03,189 –> 00:03:05,409
بسیار بسیار خوب است یا بیشتر
89
00:03:05,409 –> 00:03:07,090
به روشی وفادار چگونه انجام می دهد
90
00:03:07,090 –> 00:03:08,709
که تقریبی است به صورت محلی با یک
91
00:03:08,709 –> 00:03:10,720
مترجم فقط یک نمونه ساده را انتخاب کنید
92
00:03:10,720 –> 00:03:13,359
و این هواپیما به صورت محلی است حالا بیایید
93
00:03:13,359 –> 00:03:14,530
ببینیم چگونه به پلیس من من فقط می خواهم
94
00:03:14,530 –> 00:03:16,750
بسته ETA خود را برای 10 پاندا بارگیری کنم
95
00:03:16,750 –> 00:03:19,449
و سپس خون آشام و سپس قرار دادن یک
96
00:03:19,449 –> 00:03:21,519
کوسه یک بسته است، بنابراین بیایید
97
00:03:21,519 –> 00:03:23,229
امروز مجموعه داده ای را برای من بارگذاری کنیم، همان کارها قبلاً
98
00:03:23,229 –> 00:03:27,639
این کار را انجام می دهد بنابراین ممکن است درخت رهبر DF P وجود داشته باشد
99
00:03:27,639 –> 00:03:31,359
و فکر می کنم CSV سپس
100
00:03:31,359 –> 00:03:34,239
این میزان ریسک بالای دارایی است،
101
00:03:34,239 –> 00:03:35,769
بنابراین این چیزی است که ما قابل تحمل هستیم،
102
00:03:35,769 –> 00:03:38,379
بنابراین بیایید بررسی کنیم که
103
00:03:38,379 –> 00:03:41,739
سر وزغ سوتیل چیده شده است، بنابراین این عنبیه است که
104
00:03:41,739 –> 00:03:43,209
تولهسگهایی برای گفتن ندارد و سپس
105
00:03:43,209 –> 00:03:44,799
ما گونهها را به آنچه شما میگویید حق داریم. سعی کنید
106
00:03:44,799 –> 00:03:47,949
طبقهبندی بر اساس گفتار امروزی، اما بسیاری
107
00:03:47,949 –> 00:03:50,409
از اینها بر اساس ویژگیها درست است،
108
00:03:50,409 –> 00:03:51,459
بنابراین اینها ویژگیهای ما خواهند بود.
109
00:03:51,459 –> 00:03:53,260
110
00:03:53,260 –> 00:03:54,609
111
00:03:54,609 –> 00:03:58,540
112
00:03:58,540 –> 00:04:00,400
شما حدود 150 حق دارید، بنابراین بیایید
113
00:04:00,400 –> 00:04:02,379
ستون خود را بررسی کنیم تا ستون فیزیکی
114
00:04:02,379 –> 00:04:07,239
ستون PDF ستون ها را بررسی کنیم، اگر اینطور است، اکنون نمی توانیم خودمان را
115
00:04:07,239 –> 00:04:09,189
داشته باشیم، پس بیایید
116
00:04:09,189 –> 00:04:10,810
چند روز جلوتر برویم تا ویژگی ما این باشد که
117
00:04:10,810 –> 00:04:12,790
این دستگاه درست باشد، اینها مانند
118
00:04:12,790 –> 00:04:14,560
شترمرغ هستند. من فقط می خواهم از
119
00:04:14,560 –> 00:04:19,238
ستون خود در اینجا برای بارگیری ویژگی های خود استفاده کنم، بنابراین
120
00:04:19,238 –> 00:04:22,479
بیایید آن را به عنوان X بنامیم، بنابراین ویژگی های ما، من
121
00:04:22,479 –> 00:04:24,169
آن را در داخل این قرار می دهم
122
00:04:24,169 –> 00:04:25,969
که ویژگی های ما خواهد بود
123
00:04:25,969 –> 00:04:29,030
اگر اکنون برای دریافت برچسب های ما هر دو
124
00:04:29,030 –> 00:04:31,099
با هم مصاحبه کنیم. چرا ما قرار است از
125
00:04:31,099 –> 00:04:36,050
D F خود استفاده کنیم و گونه
126
00:04:36,050 –> 00:04:38,900
ما در حال حاضر ما خواهد بود یکی از تغییراتی که ما با آن کار می کنیم این
127
00:04:38,900 –> 00:04:40,759
است که آنچه شما
128
00:04:40,759 –> 00:04:42,560
نیاز دارید را پیدا کنید و به یک نام کلاس نیاز دارید، بنابراین
129
00:04:42,560 –> 00:04:44,090
بیایید یک کلاس به نام یک کلاس با نام
130
00:04:44,090 –> 00:04:51,650
quickie y 1213 ایجاد کنیم. نویسندگان منحصر به فرد منحصر به فرد
131
00:04:51,650 –> 00:04:54,259
همه چیز را به من می دهد منحصربهفرد
132
00:04:54,259 –> 00:04:55,819
عذرخواهی کنید، بنابراین اینها منحصر به فرد هستند،
133
00:04:55,819 –> 00:04:57,500
اما چیزی است که من میخواهم از آن به عنوان کلاس خود استفاده کنم،
134
00:04:57,500 –> 00:05:02,830
نیک، پس کلاسی است
135
00:05:04,060 –> 00:05:06,259
که خوب است، حالا بیایید دستگاه خود را حرکت دهیم
136
00:05:06,259 –> 00:05:07,819
و Moodle گلدوزی
137
00:05:07,819 –> 00:05:10,909
را برداریم.
138
00:05:10,909 –> 00:05:12,439
حق برای پرخاشگری است،
139
00:05:12,439 –> 00:05:15,199
آنها همچنین می توانند از 104 استفاده کنند، به عنوان مثال،
140
00:05:15,199 –> 00:05:17,479
اجازه دهید ماتریس خود را ایجاد کنیم،
141
00:05:17,479 –> 00:05:20,479
ماتریس Luda برای اندازه گیری ما می بینیم و سپس
142
00:05:20,479 –> 00:05:24,319
درخت آزمایش ما برای تقسیم مودل ما درست است،
143
00:05:24,319 –> 00:05:27,529
بنابراین این درخت s3y ما خواهد بود، سپس
144
00:05:27,529 –> 00:05:31,240
s test و تقسیم آزمایشی من است. نوشته شده در
145
00:05:31,240 –> 00:05:40,550
3070 the seed run on sweet of seven
146
00:05:40,550 –> 00:05:42,710
بنابراین یک فلش به ما بدهید تا حتی
147
00:05:42,710 –> 00:05:45,589
پسری هم که برای 6450 باشد وجود نداشته باشد، پس بیایید
148
00:05:45,589 –> 00:05:55,370
اینجا را بررسی کنیم تا
149
00:05:55,370 –> 00:05:58,969
پدر DF باشید، بنابراین باید آن را از اینجا بررسی
150
00:05:58,969 –> 00:06:01,279
کنید. اشتباهی که اینجا مرتکب شدم، پس
151
00:06:01,279 –> 00:06:05,629
بیایید به عقب برگردیم و آن را تقسیم کنیم، خوب است،
152
00:06:05,629 –> 00:06:08,830
می توانم بروم ببینم آیا تاریخچه ام را بررسی می کنم
153
00:06:11,439 –> 00:06:15,229
درست آن دره هایی که شما قرار بودید
154
00:06:15,229 –> 00:06:17,089
تمام بدن را به من بدهید که
155
00:06:17,089 –> 00:06:19,189
شب بسیار علاقه مند هستند و من همچنین می توانم
156
00:06:19,189 –> 00:06:22,189
شکل را بررسی کنم این درست است که من هستم
157
00:06:22,189 –> 00:06:25,810
158
00:06:26,540 –> 00:06:28,740
با توجه به این بدن عضلانی بسیار
159
00:06:28,740 –> 00:06:30,030
جالب، همه را 33:10 تقسیم کردم، موتورها یا
160
00:06:30,030 –> 00:06:30,990
شرکتکنندههایمان را به کرت
161
00:06:30,990 –> 00:06:33,330
گذاشتم، میخواستم یک رگرسیون لجستیکی از این
162
00:06:33,330 –> 00:06:35,220
گزینه خاص داشته باشم، سپس
163
00:06:35,220 –> 00:06:36,540
مجموعه دادههایمان را با مجموعه دادههای آموزشیمان تطبیق
164
00:06:36,540 –> 00:06:38,940
دهم، زیرا آن را وارد کرده است. یک
165
00:06:38,940 –> 00:06:40,530
راه بسیار خوب حالا بیایید پیشبینی خود را انجام دهیم،
166
00:06:40,530 –> 00:06:41,820
بنابراین پیشبینی
167
00:06:41,820 –> 00:06:46,670
ما بسیار ساده است، اما مدل
168
00:06:47,360 –> 00:06:52,110
خوب رگرسیون کامل خواهد بود، اما پیشبینی کنید تا ما
169
00:06:52,110 –> 00:06:54,510
نتوانیم آن را در SS خود پیشبینی کنیم.
170
00:06:54,510 –> 00:06:56,460
171
00:06:56,460 –> 00:06:57,660
ویرجینیکا از دانشآموزان جامائیکا را به ما بدهید.
172
00:06:57,660 –> 00:07:00,330
این کار بسیار بیرحمانه بود
173
00:07:00,330 –> 00:07:02,100
، آن را در سوئیچ بارو بررسی کنید تا
174
00:07:02,100 –> 00:07:05,940
دقت کنید، فقط میتوانید با ما همراه باشید تا ببینیم که
175
00:07:05,940 –> 00:07:07,920
نمره دلپذیر خود را داریم، سپس
176
00:07:07,920 –> 00:07:24,660
یک خوشه را نصف میکنم، بنابراین
177
00:07:24,660 –> 00:07:26,850
برای پیشبینیهایمان ایمن کمتری خواهیم داشت اگر شما
178
00:07:26,850 –> 00:07:34,740
این را می خواهید که من روی مدل خود دارم، اما
179
00:07:34,740 –> 00:07:38,640
پیش بینی کنید که من آن را درست روی میز خود قرار
180
00:07:38,640 –> 00:07:42,150
می دهم تا شما آزمایش کنید آن را
181
00:07:42,150 –> 00:07:46,260
به ما می دهد که 0.8 80 درصد است.
182
00:07:46,260 –> 00:07:49,320
183
00:07:49,320 –> 00:07:51,150
درست است بنابراین ما چگونه
184
00:07:51,150 –> 00:07:53,940
Moodle خود را تفسیر می کنیم، بنابراین بیایید آن را بیدار کنیم
185
00:07:53,940 –> 00:07:55,350
و ببینیم، بنابراین ما سعی می کنیم ببینیم چگونه
186
00:07:55,350 –> 00:07:56,850
این مدل خاص را تفسیر کنیم در حالی
187
00:07:56,850 –> 00:07:58,890
که در این دقت خاص این
188
00:07:58,890 –> 00:08:01,380
و همسر حتی در پیش بینی من است، بنابراین
189
00:08:01,380 –> 00:08:04,670
بیایید ببینیم که من می خواستم
190
00:08:22,800 –> 00:08:25,500
برای شیطان سازی این چیزهای خاص سودان
191
00:08:25,500 –> 00:08:27,509
بیایید یک پیش بینی ساده انجام دهیم تا ببینیم
192
00:08:27,509 –> 00:08:36,870
چگونه اما من چه چیزی را پیش بینی می کنم و من هستم
193
00:08:36,870 –> 00:08:38,580
که لطفاً یا یک کار بسیار ساده برنج
194
00:08:38,580 –> 00:08:41,130
کار کنید بیایید یک Perdition ساده بسازیم پس
195
00:08:41,130 –> 00:08:44,779
بیایید برویم سراغ NPD دوستان عجله
196
00:08:44,779 –> 00:08:48,120
کنید خوب این را بسازیم
197
00:08:48,120 –> 00:08:51,230
تست پیش بینی ساده
198
00:08:54,680 –> 00:08:57,180
بیایید بسازیم کمتر از Pleasant Valley
199
00:08:57,180 –> 00:09:00,930
است چیزی بسیار ساده است آرزو نکنید آن
200
00:09:00,930 –> 00:09:12,060
را ارسال می کنم به عنوان یکی این است که ما تقطیر می کنیم
201
00:09:12,060 –> 00:09:16,620
که شما مرا آنجا دارید ممکن است
202
00:09:16,620 –> 00:09:18,750
بدانید یک بار استفاده کنید تا بتوانیم
203
00:09:18,750 –> 00:09:21,770
آن را دوست داشته باشیم این را به نمونه نمونه ای
204
00:09:21,770 –> 00:09:27,510
که لطفاً همانجا را ببینید،
205
00:09:27,510 –> 00:09:28,860
نه من آن را اینگونه می سازم، بنابراین اگر
206
00:09:28,860 –> 00:09:35,640
این را پوشش دهم و نمونه های رایانه شخصی خود را بررسی کنم که این
207
00:09:35,640 –> 00:09:37,170
یک حق معتبر است که بخواهم یک
208
00:09:37,170 –> 00:09:39,440
دادخواست در این مورد انتخاب کنم که یک تجارت پیش بینی می
209
00:09:39,440 –> 00:09:42,690
کند، ببینیم چه چیزی در حال رفتن به
210
00:09:42,690 –> 00:09:47,490
چیزهای خاصی را به ما بدهید بنابراین
211
00:09:47,490 –> 00:09:49,380
این سدوسا بسیار جالب است، درست است،
212
00:09:49,380 –> 00:09:51,089
بنابراین اگر برای من بررسی کنید
213
00:09:51,089 –> 00:09:57,810
بله، این 8 است بنابراین 0 1 2 3 4 5 6 7 8 درست است،
214
00:09:57,810 –> 00:10:01,079
بنابراین این 8 است، بنابراین اینجا asakusa پس من
215
00:10:01,079 –> 00:10:07,230
آن را به عنوان 8 در اینجا قرار دهید، زیرا 88 به
216
00:10:07,230 –> 00:10:08,970
ما گناهان
217
00:10:08,970 –> 00:10:11,040
ستوسا را
218
00:10:11,040 –> 00:10:13,980
219
00:10:13,980 –> 00:10:15,390
220
00:10:15,390 –> 00:10:17,520
221
00:10:17,520 –> 00:10:18,750
ا می دهد. بدون توضیح
222
00:10:18,750 –> 00:10:20,820
در حال حاضر برای چرخاندن جدول تصویر یا تست ما
223
00:10:20,820 –> 00:10:22,770
یا شماره برای خروج از شما جزئیات چه
224
00:10:22,770 –> 00:10:24,839
داده هایی دارید نام کلاس نام مدل
225
00:10:24,839 –> 00:10:26,100
و سپس مد شما، بنابراین بیایید
226
00:10:26,100 –> 00:10:28,770
بسته خط خود را برای وارد کردن خط و سپس وارد کردن
227
00:10:28,770 –> 00:10:32,010
خط خط بالای جدول استاد
228
00:10:32,010 –> 00:10:33,510
لیست شده انجام دهیم. بازگشت به نام ویژگی
229
00:10:33,510 –> 00:10:35,930
ما آینده خوبی برای ما خواهد بود،
230
00:10:35,930 –> 00:10:39,420
پس بیایید به عنوان چند چینی من را ترک کنیم،
231
00:10:39,420 –> 00:10:42,330
پس چگونه نام آینده خوب خواهد بود،
232
00:10:42,330 –> 00:10:42,750
233
00:10:42,750 –> 00:10:44,520
نام های رسمی دیگر فقط
234
00:10:44,520 –> 00:10:47,610
از ستون های ما با ستون های خوب CCDF ما وارد می
235
00:10:47,610 –> 00:10:51,029
شوند، بنابراین این نام های رسمی هستند.
236
00:10:51,029 –> 00:10:54,209
درست – این یکی در اینجا است که چگونه آینده ما
237
00:10:54,209 –> 00:10:58,050
نیاز به کپی کردن این یکی Qunari اجازه دهید
238
00:10:58,050 –> 00:11:04,320
آن را در اینجا قرار دهیم، بنابراین
239
00:11:04,320 –> 00:11:08,580
آینده ما باید در حال حاضر کارآمد باشد.
240
00:11:08,580 –> 00:11:11,550
241
00:11:11,550 –> 00:11:13,860
242
00:11:13,860 –> 00:11:29,880
کلاس این نام کلاس ما بود، پس
243
00:11:29,880 –> 00:11:34,350
اگر با کلاس خود به این شکل برویم، کلاس ما
244
00:11:34,350 –> 00:11:35,910
در این نیازهای آینده ما به دیوید نیاز دارد
245
00:11:35,910 –> 00:11:37,950
، اکنون به شما نیاز داریم که کمی امتحان
246
00:11:37,950 –> 00:11:42,959
کنید تا یک تست نقطه خسته کننده در تمام مدت
247
00:11:42,959 –> 00:11:47,160
انجام دهید، اگر قطار به سمت
248
00:11:47,160 –> 00:11:49,589
دره دالتون می رود. یک دوره را برای ما ایجاد کنید،
249
00:11:49,589 –> 00:12:00,450
بنابراین ما باید بتوانیم
250
00:12:00,450 –> 00:12:00,930
از
251
00:12:00,930 –> 00:12:03,950
252
00:12:03,950 –> 00:12:07,020
253
00:12:07,020 –> 00:12:08,760
254
00:12:08,76