در این مطلب، ویدئو نحوه فراخوانی پایتون از متلب 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: 00:03:05
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:01,979
در این ویدیو یاد خواهید گرفت که چگونه
2
00:00:01,979 –> 00:00:05,100
کد پایتون را از متلب فراخوانی کنید تا این کار را انجام دهید،
3
00:00:05,100 –> 00:00:06,890
ما از یک مثال تجزیه و تحلیل احساسات استفاده می کنیم،
4
00:00:06,890 –> 00:00:09,480
فرض کنید شخصی بگوید این بهترین
5
00:00:09,480 –> 00:00:12,120
کنسرتی بود که تا به حال در
6
00:00:12,120 –> 00:00:13,860
7
00:00:13,860 –> 00:00:16,020
آن شرکت کرده است.
8
00:00:16,020 –> 00:00:18,630
قصد یا احساس فرد در
9
00:00:18,630 –> 00:00:20,189
این مورد باید پیش بینی کرد که این
10
00:00:20,189 –> 00:00:22,529
یک جمله مثبت است، از طرف دیگر
11
00:00:22,529 –> 00:00:24,330
اگر فرد بگوید
12
00:00:24,330 –> 00:00:26,039
بستنی خود را روی زمین می اندازد و غمگین
13
00:00:26,039 –> 00:00:28,050
است، الگوریتم باید یک
14
00:00:28,050 –> 00:00:30,660
احساس منفی را پیش بینی کند.
15
00:00:30,660 –> 00:00:33,120
برنامه تجزیه و تحلیل احساسات ممکن است شبیه به این باشد، ما
16
00:00:33,120 –> 00:00:34,410
به یک منبع صوتی مانند میکروفون گوش می دهیم که
17
00:00:34,410 –> 00:00:36,600
متن را از سیگنال صوتی تشخیص
18
00:00:36,600 –> 00:00:38,969
می دهد و سپس متن را با استفاده
19
00:00:38,969 –> 00:00:41,790
از مدل تجزیه و تحلیل احساسات خود طبقه بندی می کنیم.
20
00:00:41,790 –> 00:00:44,190
21
00:00:44,190 –> 00:00:46,200
22
00:00:46,200 –> 00:00:48,200
آن گفتار را
23
00:00:48,200 –> 00:00:50,309
به جای بازنویسی این کد یا
24
00:00:50,309 –> 00:00:52,350
یافتن راه حل جدید، تبدیل متن را انجام دهم. من می خواهم همچنان
25
00:00:52,350 –> 00:00:54,210
از کد پایتون برای گفتار به متن استفاده
26
00:00:54,210 –> 00:00:56,480
کنم و بقیه کارها را انجام دهم. از کار من در آزمایشگاهم
27
00:00:56,480 –> 00:00:59,579
اجازه دهید ابتدا کد پایتون خود را ببینیم من یک
28
00:00:59,579 –> 00:01:01,230
ماژول پایتون دارم که از
29
00:01:01,230 –> 00:01:03,600
بسته تشخیص گفتار و به ویژه
30
00:01:03,600 –> 00:01:05,369
نرم افزار جیبی Sphinx از دانشگاه کارنگی
31
00:01:05,369 –> 00:01:07,710
ملون برای تشخیص متن و
32
00:01:07,710 –> 00:01:09,900
گفتار در این بسته استفاده می کند،
33
00:01:09,900 –> 00:01:12,960
همکارم عملکرد صوتی به متن را ارائه کرده است.
34
00:01:12,960 –> 00:01:14,820
سیگنال صوتی را به همراه
35
00:01:14,820 –> 00:01:16,470
فرکانس نمونه برداری و عرض کانال می پذیرد
36
00:01:16,470 –> 00:01:19,140
و متن شناسایی شده و یک پرچم بولین را برمی گرداند که
37
00:01:19,140 –> 00:01:21,119
نشان می دهد آیا
38
00:01:21,119 –> 00:01:23,400
تشخیص موفقیت آمیز بوده است یا خیر.
39
00:01:23,400 –> 00:01:25,110
40
00:01:25,110 –> 00:01:27,750
41
00:01:27,750 –> 00:01:30,150
42
00:01:30,150 –> 00:01:31,470
ببینید کدام نسخه از مفسر پایتون
43
00:01:31,470 –> 00:01:33,570
توسط MATLAB
44
00:01:33,570 –> 00:01:36,810
برای من انتخاب می شود و Python 3.7 را انتخاب می کند
45