در این مطلب، ویدئو گنجاندن پایتون در خط لوله داده کاوی بصری و یادگیری ماشین SAS با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:20:31
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:03,570
سلام نام من jagrata Katya است و من
2
00:00:03,570 –> 00:00:05,850
از بخش تحلیلی پیشرفته
3
00:00:05,850 –> 00:00:10,740
ساشا هستم در این جلسه خواهیم دید که چگونه
4
00:00:10,740 –> 00:00:13,080
می توانید پایتون را در سس قرار دهید
5
00:00:13,080 –> 00:00:14,309
که خطوط لوله داده کاوی و
6
00:00:14,309 –> 00:00:17,970
یادگیری ماشین در استودیو مدل
7
00:00:17,970 –> 00:00:20,250
مزایای زیادی برای استفاده از Python با
8
00:00:20,250 –> 00:00:21,720
SAS مجازی دارد. داده کاوی و
9
00:00:21,720 –> 00:00:24,480
یادگیری ماشین به عنوان مثال
10
00:00:24,480 –> 00:00:27,300
تعامل با سیم SAS را برای
11
00:00:27,300 –> 00:00:29,670
برنامه نویسان SAS غیر سنتی آسان تر می کند، در
12
00:00:29,670 –> 00:00:36,870
استودیو مورتال این خط لوله نشان می دهد که چگونه
13
00:00:36,870 –> 00:00:39,300
می توانید فناوری منبع باز را
14
00:00:39,300 –> 00:00:42,239
در BTM ml ادغام کنید و می توانید از
15
00:00:42,239 –> 00:00:43,950
گره کد منبع باز برای انجام آماده سازی داده ها استفاده کنید
16
00:00:43,950 –> 00:00:47,250
و ساخت مدل با استفاده از پایتون میتوانید
17
00:00:47,250 –> 00:00:50,940
از Python SWAT با گره سرد SAS برای
18
00:00:50,940 –> 00:00:52,920
ساخت مدلهای یادگیری عمیق با استفاده از
19
00:00:52,920 –> 00:00:55,949
بستههایی مانند DL dy و مقایسه آنها
20
00:00:55,949 –> 00:00:57,629
با مدلهای داده کاوی سنتی و
21
00:00:57,629 –> 00:01:01,680
یادگیری ماشین استفاده کنید.
22
00:01:01,680 –> 00:01:04,140
23
00:01:04,140 –> 00:01:06,299
24
00:01:06,299 –> 00:01:10,260
جزئیات و مثال های بیشتر در مورد استفاده از
25
00:01:10,260 –> 00:01:13,619
گره کد منبع باز و استفاده از
26
00:01:13,619 –> 00:01:22,530
بسته های DLP خرید از فروش سرد نود
27
00:01:22,530 –> 00:01:24,810
28
00:01:24,810 –> 00:01:27,060
29
00:01:27,060 –> 00:01:29,640
30
00:01:29,640 –> 00:01:36,090
اگر میخواهید از
31
00:01:36,090 –> 00:01:38,790
محیط Python دلخواه که
32
00:01:38,790 –> 00:01:45,780
بر روی یک سیستم راه دور راهاندازی شده است در این نسخه آزمایشی استفاده کنید، گره کد منبع باز به پایتون و بستههای لازم نیاز
33
00:01:45,780 –> 00:01:48,570
دارد که روی همان ماشینی که سرور محاسباتی برای SAS از طریق Mood نصب میشود، نصب شود. شما می توانید از Python در
34
00:01:48,570 –> 00:01:51,450
یک محیط منبع باز موجود از
35
00:01:51,450 –> 00:01:53,340
داده کاوی بصری و
36
00:01:53,340 –> 00:01:56,040
یادگیری ماشینی برای احراز هویت و انتقال
37
00:01:56,040 –> 00:01:58,890
داده ها به و از ساختار اصلی Python استفاده کنید،
38
00:01:58,890 –> 00:02:02,070
ما در مورد چگونگی استفاده از
39
00:02:02,070 –> 00:02:04,619
محیط Python ترجیحی خود برای
40
00:02:04,619 –> 00:02:07,110
آماده سازی داده های ETL یا ساخت مدل بحث خواهیم کرد و
41
00:02:07,110 –> 00:02:10,560
آن را فراخوانی خواهیم کرد. از طریق گره کد SAS برای استفاده یا
42
00:02:10,560 –> 00:02:13,860
ارزیابی در یک خط لوله،
43
00:02:13,860 –> 00:02:16,290
میتوانید از Node Farquaad برای یادگیری
44
00:02:16,290 –> 00:02:19,500
اسکریپت پایتون در یک سرور راه دور استفاده کنید و از
45
00:02:19,500 –> 00:02:22,290
چه چیزی برای اتصال به یک جلسه Cast موجود
46
00:02:22,290 –> 00:02:25,020
برای دسترسی به دادهها
47
00:02:25,020 –> 00:02:27,900
استفاده کنید، بسته مدلسازی پایتون را یاد بگیرید
48
00:02:27,900 –> 00:02:30,960
و جداول حاصل را در پول نقد آپلود کنید. و انتقال
49
00:02:30,960 –> 00:02:38,070
فایل ها به سیستم سیم SAS به پیاده کننده ها،
50
00:02:38,070 –> 00:02:41,100
ما از بسته های هسته غشایی و
51
00:02:41,100 –> 00:02:44,250
paramah در این مورد از چتر و
52
00:02:44,250 –> 00:02:45,900
پاراماه خود استفاده خواهیم کرد. بسته های comm باید
53
00:02:45,900 –> 00:02:48,390
در تنظیمات محیط آیکون روی یک
54
00:02:48,390 –> 00:02:51,240
سیستم راه دور نصب شوند که در آن رایانه SAS در
55
00:02:51,240 –> 00:02:54,480
حال اجرای RAM runner است که بسته هسته از راه دور است که
56
00:02:54,480 –> 00:02:57,000
کاربران را قادر می سازد
57
00:02:57,000 –> 00:03:01,140
یک فایل اسکریپت محلی را به یک میزبان راه دور منتقل کنند و
58
00:03:01,140 –> 00:03:04,170
اجرا کنند که فایل به
59
00:03:04,170 –> 00:03:06,709
طور کامل در مکان مورد نظر کپی شود. مجوزهای یک میزبان راه دور
60
00:03:06,709 –> 00:03:10,290
روی 7 0 0 تنظیم می شود و
61
00:03:10,290 –> 00:03:13,800
سپس اسکریپت اجرا می شود محدودیت فعلی
62
00:03:13,800 –> 00:03:17,250
بسته های اجاره رم، فرض می شود که
63
00:03:17,250 –> 00:03:20,310
کلیدهای SSH که اجازه ورود رمز عبور را می دهد
64
00:03:20,310 –> 00:03:24,019
فقط در محل هستند، هیچ گزینه ای برای
65
00:03:24,019 –> 00:03:30,690
ارائه رمز عبور در یک کد برای
66
00:03:30,690 –> 00:03:33,060
اجرای این مورد که ما ایجاد کردیم وجود ندارد. این خط
67
00:03:33,060 –> 00:03:35,790
لوله با پروژه MLL در استودیو
68
00:03:35,790 –> 00:03:38,610
مدل گره سرد جنوبی به عنوان یک
69
00:03:38,610 –> 00:03:41,610
گره یادگیری نظارت شده استفاده می شود در این مثال
70
00:03:41,610 –> 00:03:44,760
از کنترل SAS برای ایجاد و
71
00:03:44,760 –> 00:03:47,670
ارسال فایل پایتون به سیستم راه دور و
72
00:03:47,670 –> 00:03:50,130
نمایش سلول های اجرای
73
00:03:50,130 –> 00:03:53,250
مدل پایتون در ماشین آینده استفاده می شود.
74
00:03:53,250 –> 00:03:55,709
گره برای تولید ویژگی های جدید با
75
00:03:55,709 –> 00:03:58,560
انجام تبدیل متغیر برای
76
00:03:58,560 –> 00:04:01,769
بهبود کیفیت داده ها و بهبود
77
00:04:01,769 –> 00:04:05,010
دقت مدل استفاده می شود.
78
00:04:05,010 –> 00:04:07,950
برای رفع مشکلات کیفیت دادهها مانند
79
00:04:07,950 –> 00:04:08,910
کاردینالیته
80
00:04:08,910 –> 00:04:12,000
بالا، چولگی بالا، مقادیر
81
00:04:12,000 –> 00:04:17,060
پرت آنتروپی کم و مقادیر از دست رفته،
82
00:04:18,639 –> 00:04:21,789
از روش کالوس برای ایجاد یک
83
00:04:21,789 –> 00:04:26,080
فایل پایتون به نام GB 0 1 نقطه P استفاده میشود که هر کدام در
84
00:04:26,080 –> 00:04:30,370
هنگام اجرا، یک الگوریتم افزایش گرادیان شدید را اجرا میکند
85
00:04:30,370 –> 00:04:33,250
این
86
00:04:33,250 –> 00:04:36,430
الگوریتم پیادهسازی
87
00:04:36,430 –> 00:04:39,129
طراحی درخت تصمیم پالسی گرادیان برای سرعت
88
00:04:39,129 –> 00:04:46,300
و عملکرد در اینجا ما در حال وارد
89
00:04:46,300 –> 00:04:48,939
کردن بستههای مورد نیاز این بستهها
90
00:04:48,939 –> 00:04:50,830
برای نصب روی محیط پایتون از راه دور
91
00:04:50,830 –> 00:04:54,879
است که از spot برای
92
00:04:54,879 –> 00:04:57,550
ایجاد اتصال به سرور مراقبت و
93
00:04:57,550 –> 00:05:00,969
آپلود افزایش دادهها برای ایجاد
94
00:05:00,969 –> 00:05:04,060
گرادیان شدید استفاده میکنیم. افزایش عمر روش مدل برای
95
00:05:04,060 –> 00:05:07,060
ایجاد گزارشها و هر بسته amico
96
00:05:07,060 –> 00:05:14,590
برای انتقال فایلهای لازم اگر
97
00:05:14,590 –> 00:05:16,960
سرور کش شما با استفاده از TLS
98
00:05:16,960 –> 00:05:19,900
برای ارتباط کمک میکند، باید
99
00:05:19,900 –> 00:05:23,529
گواهی خود را در سمت کلاینت پیکربندی کنید، توجه داشته باشید
100
00:05:23,529 –> 00:05:26,770
که شروع ارتباطات رمزگذاری شده Southwire 3.3
101
00:05:26,770 –> 00:05:29,500
به
102
00:05:29,500 –> 00:05:32,319
طور پیشفرض در سرور فعال است اگر شما
103
00:05:32,319 –> 00:05:34,810
گواهی را روی کلاینت پیکربندی نمی کنید،
104
00:05:34,810 –> 00:05:37,240
زمانی که خطا دریافت می کنید شما سعی می کنید سرور مراقبت را
105
00:05:37,240 –> 00:05:40,449
از پایتون وصل کنید، این همان چیزی است که این
106
00:05:40,449 –> 00:05:42,909
خطا را می توان با تنظیم
107
00:05:42,909 –> 00:05:46,089
مسیر برای تصحیح گواهی در
108
00:05:46,089 –> 00:05:49,539
متغیر محیط کش کلاینت SSLC enlist
109
00:05:49,539 –> 00:05:52,060
در محیطی که
110
00:05:52,060 –> 00:05:55,330
پایتون را اجرا می کنید، کاهش
111
00:05:55,330 –> 00:05:58,750
داد. گواهی
112
00:05:58,750 –> 00:06:01,509
معمولاً به دایرکتوری محلی
113
00:06:01,509 –> 00:06:08,139
از سیستم سیم SAS کپی می شود تا آن را روی
114
00:06:08,139 –> 00:06:11,379
500 گرم خاتمه دهد تا با سرویس تجزیه و تحلیل ابری SAS کار کند،
115
00:06:11,379 –> 00:06:14,979
شما باید یک
116
00:06:14,979 –> 00:06:17,949
اتصال به سرور کلاس برقرار کنید.
117
00:06:17,949 –> 00:06:21,610
118
00:06:21,610 –> 00:06:23,919
119
00:06:23,919 –> 00:06:26,560
از آنجایی که یک SWAT یک
120
00:06:26,560 –> 00:06:29,949
رابط پایتون به سرویس تحلیل ابری SAS است
121
00:06:29,949 –> 00:06:31,340
122
00:06:31,340 –> 00:06:34,070
، به کاربر اجازه میدهد تا بخش قوطی را اجرا کرده
123
00:06:34,070 –> 00:06:37,280
و نتایج را از پایتون پردازش کند،
124
00:06:37,280 –> 00:06:40,970
در واقع SWAT guykage از بسیاری
125
00:06:40,970 –> 00:06:44,060
از API بسته پانداها تقلید میکند، به طوری که
126
00:06:44,060 –> 00:06:47,240
استفاده از کش باید با
127
00:06:47,240 –> 00:06:50,660
جریان فعلی آشنا باشد. کاربر pandas اگر از
128
00:06:50,660 –> 00:06:53,360
کلاس سوم کش کش استفاده می کنید ایجاد یک
129
00:06:53,360 –> 00:06:55,400
اتصال به کپسول در حال اجرا بر روی
130
00:06:55,400 –> 00:06:58,670
سیستم یاقوت کبود شما باید یک ought
131
00:06:58,670 –> 00:07:01,190
info file به طوری که بتوانید
132
00:07:01,190 –> 00:07:05,300
اعتبار خود را برای کنترل معامله مشخص کنید
133
00:07:05,300 –> 00:07:08,120
و عالی است بله میزبان و p.m.
134
00:07:08,120 –> 00:07:11,000
پورت حافظه پنهان مدرسه، متغیر آبی من
135
00:07:11,000 –> 00:07:14,000
برای اشاره به قلعه توسط استودیو مدل استفاده شد.
136
00:07:14,000 –> 00:07:17,390
137
00:07:17,390 –> 00:07:20,180
138
00:07:20,180 –> 00:07:23,500
139
00:07:23,500 –> 00:07:27,110
140
00:07:27,110 –> 00:07:30,760
که
141
00:07:30,760 –> 00:07:33,380
نوشتن کد کارآمد را برای کاربر آسانتر میکند، در
142
00:07:33,380 –> 00:07:36,550
143
00:07:38,770 –> 00:07:43,130
144
00:07:43,130 –> 00:07:46,250
صورتی که از روش بارگذاری داده برای
145
00:07:46,250 –> 00:07:48,860
زیرخط کردن قاب استفاده میکند، این شبیه به
146
00:07:48,860 –> 00:07:52,280
روش هوندا مانند خواندن CSV است، تنها
147
00:07:52,280 –> 00:07:54,320
تفاوت این است که متیل بر
148
00:07:54,320 –> 00:07:57,410
روی یک شی اصلی کار میکند و نه pandas
149
00:07:57,410 –> 00:08:00,560
dataframe در اینجا قاب داده DM
150
00:08:00,560 –> 00:08:03,800
underscore ورودی DL از
151
00:08:03,800 –> 00:08:09,800
کل جدول ورودی در حافظه نهان ایجاد میشود،
152
00:08:09,800 –> 00:08:11,990
چارچوب دادهای به نام X underscore train
153
00:08:11,990 –> 00:08:14,930
با متغیر ورودی و سری به نام
154
00:08:14,930 –> 00:08:16,970
y under School حاوی
155
00:08:16,970 –> 00:08:18,800
متغیر هدف برای
156
00:08:18,800 –> 00:08:22,100
مشاهدات آموزشی به طور مشابه X underscore
157
00:08:22,100 –> 00:08:24,680
معتبر است و در حالی که تحت مدرسه معتبر
158
00:08:24,680 –> 00:08:28,370
ایجاد می شود و یا داده های اعتبار سنجی ما
159
00:08:28,370 –> 00:08:31,910
نیز یک ارزش مجموعه ارزیابی تحت
160
00:08:31,910 –> 00:08:35,270
مدرسه se ایجاد می کنیم t حاوی دادههای آموزشی و
161
00:08:35,270 –> 00:08:38,799
اعتبارسنجی است که ما ایجاد میکنیم و مدل
162
00:08:38,799 –> 00:08:41,390
طبقهبندیکننده تقویت گرادیان شدید را
163
00:08:41,390 –> 00:08:44,690
بر روی گیرنده آموزش برازش میکنیم، مانند
164
00:08:44,690 –> 00:08:47,150
استفاده از گزینه متریک evil into school
165
00:08:47,150 –> 00:08:49,700
زیرا میخواهیم نمودار
166
00:08:49,700 –> 00:08:52,160
چندین معیار برای مثال خطا و
167
00:08:52,160 –> 00:08:56,420
از دست دادن گزارش گزارش را در هر تکرار ایجاد کنیم.
168
00:08:56,420 –> 00:09:02,060
مجموعه ارزیابی ما میخواهیم
169
00:09:02,060 –> 00:09:05,420
یک فایل خروجی ایجاد کنیم و نتایج یادداشت کد SAS را نمایش دهیم.
170
00:09:05,420 –> 00:09:08,090
پایتون
171
00:09:08,090 –> 00:09:10,730
شامل فایلهای نوع فایل داخلی است که میتوان
172
00:09:10,730 –> 00:09:14,420
با استفاده از انواع فایلهای جدید خروجی باز سازنده
173
00:09:14,420 –> 00:09:18,460
و فایل dot txt برای نوشتن و
174
00:09:18,460 –> 00:09:22,220
چاپ مدل xgb با خروجی باز کرد. فایل port dot
175
00:09:22,220 –> 00:09:26,090
txt ما این فایل را به سیستم Salvia منتقل می کنیم
176
00:09:26,090 –> 00:09:28,760
تا در یک پنجره رزرو شده نمایش
177
00:09:28,760 –> 00:09:35,660
178
00:09:35,660 –> 00:09:39,170
داده
179
00:09:39,170 –> 00:09:42,410
شود.
180
00:09:42,410 –> 00:09:46,340
181
00:09:46,340 –> 00:09:49,580
پسین جایی
182
00:09:49,580 –> 00:09:52,280
که با استفاده از Pritikin ایجاد شده است محدوده
183
00:09:52,280 –> 00:09:55,280
Rob a به DM البته به نام قاب داده DF
184
00:09:55,280 –> 00:09:57,950
DM با کد مدرسه دارای
185
00:09:57,950 –> 00:10:00,500
قاب داخلی است کپی از GM در مدرسه
186
00:10:00,500 –> 00:10:03,920
به TF داده قاب چشم و متغیر امتیاز
187
00:10:03,920 –> 00:10:06,620
متغیر طبقه