در این مطلب، ویدئو پروژه علم داده پایتون 1 | تئوری پیش بینی سری های زمانی در پایتون | AR، MA، ARMA، ARIMA 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: 00:58:27
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,070
سلام به پروژه علم داده
2
00:00:02,070 –> 00:00:05,310
در پایتون خوش آمدید و خواهیم دید که چگونه
3
00:00:05,310 –> 00:00:08,189
می توانید یک مدل سری زمانی
4
00:00:08,189 –> 00:00:11,010
در این نوت بوک مشتری پایتون ایجاد کنید،
5
00:00:11,010 –> 00:00:13,769
بنابراین اولین سوال مطرح می شود این است
6
00:00:13,769 –> 00:00:18,000
که سری زمانی چیست تا نشان دهیم که در اینجا یک
7
00:00:18,000 –> 00:00:21,420
عکس فوری از یک زمان وجود دارد. بنابراین آنچه
8
00:00:21,420 –> 00:00:24,539
که دارد اساساً یک ستون اصلی و بسیار
9
00:00:24,539 –> 00:00:27,900
مهم است 8 و سپس
10
00:00:27,900 –> 00:00:30,150
تعداد تولدها و سپس روز هفته
11
00:00:30,150 –> 00:00:33,870
سال-ماه-روز شما از تمام
12
00:00:33,870 –> 00:00:35,610
آن ستون است، اما من واقعاً از
13
00:00:35,610 –> 00:00:38,340
شما می خواهم که نه فقط این
14
00:00:38,340 –> 00:00:41,040
ستونها را برای لحظهای در نظر بگیرید، ما آنها را پنهان میکنیم
15
00:00:41,040 –> 00:00:44,280
و این دو ستونی هستند که
16
00:00:44,280 –> 00:00:46,500
ما واقعاً برای هر پروژه مرتبط با سریهای زمانی باید روی آنها تمرکز کنیم
17
00:00:46,500 –> 00:00:49,530
و
18
00:00:49,530 –> 00:00:52,680
همیشه این شانس وجود دارد که
19
00:00:52,680 –> 00:00:54,300
وقتی تقریباً در مورد
20
00:00:54,300 –> 00:00:56,489
اصول اولیه میتوانید آگاه باشید، بتوانید به تمام این
21
00:00:56,489 –> 00:00:59,160
ستونها به راست نگاه کنید، من فقط کنترل C را فشار میدهم
22
00:00:59,160 –> 00:01:02,660
و مخفی میشود، بنابراین آنچه میخواهم این است
23
00:01:02,660 –> 00:01:05,880
یا سؤالی که میخواستم به
24
00:01:05,880 –> 00:01:07,710
شما توضیح دهم سریهای زمانی چیست،
25
00:01:07,710 –> 00:01:10,530
به طور خلاصه نقاط داده است که
26
00:01:10,530 –> 00:01:14,400
این تعداد قطعات در یک
27
00:01:14,400 –> 00:01:16,409
دوره زمانی، یعنی در اینجا دادهها
28
00:01:16,409 –> 00:01:18,869
هر روز جمعآوری میشوند، یعنی
29
00:01:18,869 –> 00:01:21,630
دادههای روزانه هستند، بنابراین این نقاط دادهای
30
00:01:21,630 –> 00:01:24,060
هستند که در یک دوره زمانی جمعآوری میشوند
31
00:01:24,060 –> 00:01:26,850
و دوره زمانی T است
32
00:01:26,850 –> 00:01:30,299
به طور مشابه اگر دیده باشید که وجود دارد
33
00:01:30,299 –> 00:01:32,310
دادههای جمعیتی که میدانید
34
00:01:32,310 –> 00:01:34,680
دولت بعد از هر پنج یا ده سال یکبار جمعآوری میکند،
35
00:01:34,680 –> 00:01:36,360
بر اساس
36
00:01:36,360 –> 00:01:38,970
دفعاتی که گفتهاند یا
37
00:01:38,970 –> 00:01:40,979
چیزی وجود دارد که به عنوان دادههای تولید ناخالص داخلی
38
00:01:40,979 –> 00:01:44,369
نامیده میشود که این تعداد است
39
00:01:44,369 –> 00:01:46,909
که به صورت سه ماهه و
40
00:01:46,909 –> 00:01:49,350
به طور مشابه با شرکت منتشر میشود. نتایج
41
00:01:49,350 –> 00:01:51,869
همه این داده ها در یک دوره زمانی مشخص هستند
42
00:01:51,869 –> 00:01:54,780
و در اکثر پروژه هایی
43
00:01:54,780 –> 00:01:56,790
که انجام می دهید خواهید دید که
44
00:01:56,790 –> 00:01:58,860
داده ها در یک دوره زمانی جمع آوری می شوند
45
00:01:58,860 –> 00:02:01,979
و این یکی از جریان
46
00:02:01,979 –> 00:02:04,409
های مهم در پروژه علم داده است که باید بدانید.
47
00:02:04,409 –> 00:02:07,350
چگونه می توانید سری های زمانی محاسبه را محاسبه کنید،
48
00:02:07,350 –> 00:02:09,389
بنابراین به طور خلاصه،
49
00:02:09,389 –> 00:02:11,110
پاسخی که می خواهم به شما بدهید این است
50
00:02:11,110 –> 00:02:13,540
که هر زمان که داده ها در
51
00:02:13,540 –> 00:02:15,610
یک دوره زمانی جمع آوری شوند که اساسا
52
00:02:15,610 –> 00:02:17,860
چیزی جز سری زمانی نیست. s و برای
53
00:02:17,860 –> 00:02:19,870
آن باید از
54
00:02:19,870 –> 00:02:23,710
رویکرد مدلسازی سری زمانی برای T برای انجام
55
00:02:23,710 –> 00:02:25,300
پروژه علم داده یا یا برای
56
00:02:25,300 –> 00:02:28,150
ریختهگری مقادیر آینده استفاده کنید.
57
00:02:28,150 –> 00:02:30,610
58
00:02:30,610 –> 00:02:33,190
59
00:02:33,190 –> 00:02:35,440
چند کتابخانه
60
00:02:35,440 –> 00:02:39,370
پانداها را وارد میکنند، زیرا این کتابخانه اصلی ماست، من
61
00:02:39,370 –> 00:02:43,210
به شما نیاز کتابخانه را به
62
00:02:43,210 –> 00:02:45,760
محض ورود و رسیدن به آن نشان
63
00:02:45,760 –> 00:02:48,100
خواهم داد تا بدانید چرا ما از یک کتابخانه خاص استفاده میکنیم،
64
00:02:48,100 –> 00:02:51,160
اما دو
65
00:02:51,160 –> 00:02:53,950
کتابخانه مهم که همیشه وارد میکنیم، یکی برای
66
00:02:53,950 –> 00:02:56,050
داده است. خواندن و یکی برای تجسم دادهها است،
67
00:02:56,050 –> 00:03:01,020
بنابراین Import mat plot Lib
68
00:03:01,020 –> 00:03:04,830
دارای pie plot
69
00:03:06,120 –> 00:03:09,730
PLT و فرمان جادویی است که
70
00:03:09,730 –> 00:03:12,820
درصد پاهای کلارک مات است، اگر
71
00:03:12,820 –> 00:03:15,940
این ماژول خاص را نمیدانید،
72
00:03:15,940 –> 00:03:17,740
چیزی جز ماژول تجسم داده نیست
73
00:03:17,740 –> 00:03:19,780
و کاری که ما انجام میدهیم استفاده از آن است.
74
00:03:19,780 –> 00:03:22,480
به عنوان کلمه کلیدی دیگر، ما
75
00:03:22,480 –> 00:03:26,380
نام مستعار را مشخص می کنیم، بنابراین این فقط برای این است که در
76
00:03:26,380 –> 00:03:28,180
نظر داشته باشید که شما به اندازه کافی بزرگ
77
00:03:28,180 –> 00:03:30,010
هستید اگر از قبل می دانید که همیشه می
78
00:03:30,010 –> 00:03:33,640
توانید این قسمت را نادیده بگیرید، بنابراین پس از آن این مسابقه
79
00:03:33,640 –> 00:03:37,720
آمدن نشان میدهد که میخواهید
80
00:03:37,720 –> 00:03:40,209
تجسم کنید یا میخواهید
81
00:03:40,209 –> 00:03:43,300
نمودارها را دقیقاً زیر فرمانی که اجرا میکنید نمایش دهید، در
82
00:03:43,300 –> 00:03:45,040
غیر این صورت
83
00:03:45,040 –> 00:03:47,830
وحدت ما را نمایش نمیدهد از دستوری مانند PLT dot
84
00:03:47,830 –> 00:03:52,240
show استفاده کنید، بنابراین فقط برای اجتناب از یک دستور،
85
00:03:52,240 –> 00:03:56,170
این دستور جادویی را داریم. که
86
00:03:56,170 –> 00:03:59,770
درصد matplotlib در خط است، بنابراین اجازه دهید من
87
00:03:59,770 –> 00:04:03,730
این را اجرا کنم و اکنون فقط
88
00:04:03,730 –> 00:04:06,760
شماره هشدار ما است و
89
00:04:06,760 –> 00:04:09,340
سازگاری باینری تغییر مختصر فکر می کنیم خوب
90
00:04:09,340 –> 00:04:13,000
هستیم، فقط یک هشدار است که می توانیم نادیده بگیریم بعد از
91
00:04:13,000 –> 00:04:15,100
آن باید اول از همه
92
00:04:15,100 –> 00:04:19,180
داده ها را بخوانیم و چه چیزی دارم اساساً
93
00:04:19,180 –> 00:04:21,488
همان فایل تولدی است که من به شما نشان
94
00:04:21,488 –> 00:04:22,970
دادم، بنابراین اجازه دهید
95
00:04:22,970 –> 00:04:25,550
یک ستون دیگر اضافه کنم و پیوند را بچسبانم،
96
00:04:25,550 –> 00:04:29,030
بنابراین این چیزی است که من دارم، اساساً
97
00:04:29,030 –> 00:04:32,930
کل تاریخ و روزانه برای ثبت
98
00:04:32,930 –> 00:04:35,240
تولد در کالیفرنیا 1959 است، این
99
00:04:35,240 –> 00:04:37,670
اطلاعاتی است که حتی می توانید
100
00:04:37,670 –> 00:04:41,690
اکنون با این توضیحات در توضیحات پیدا کنید، من
101
00:04:41,690 –> 00:04:43,430
پیشنهاد میکنم به تماشای آن
102
00:04:43,430 –> 00:04:46,370
ادامه دهید، زیرا
103
00:04:46,370 –> 00:04:48,560
104
00:04:48,560 –> 00:04:50,870
هر زمان که آن را دیدید، به دیدن سوالات یکسان مصاحبه و سناریوهایی که میدانید ادامه خواهیم
105
00:04:50,870 –> 00:04:52,550
داد. هر زمان که متوجه شدم
106
00:04:52,550 –> 00:04:54,410
از منظر
107
00:04:54,410 –> 00:04:57,500
مصاحبه یا پروژه مهم است یا از نظر پروژه بسیار مهم است
108
00:04:57,500 –> 00:05:00,800
، بنابراین اجازه دهید
109
00:05:00,800 –> 00:05:03,110
این را ببندم و اجازه دهید این داده ها
110
00:05:03,110 –> 00:05:06,830
را اینجا بخوانم تا آنچه می گویم
111
00:05:06,830 –> 00:05:10,970
هر دو یا F در رفیق مدرسه فقط برای اینکه
112
00:05:10,970 –> 00:05:12,830
خیلی دقیق باشیم این شیئی است که ما ایجاد می کنیم
113
00:05:12,830 –> 00:05:16,010
و نقطه PD می خواند زیرخط
114
00:05:16,010 –> 00:05:20,420
CSV و در فایل CSV کاری که می توانیم انجام دهیم این
115
00:05:20,420 –> 00:05:23,240
است که اول از همه
116
00:05:23,240 –> 00:05:25,880
نام فایل را بخوانیم بنابراین در مورد من نام فایل این است
117
00:05:25,880 –> 00:05:27,920
این حداقل کاری است که شما باید انجام
118
00:05:27,920 –> 00:05:29,780
دهید، پس بیایید ببینیم اگر این را اجرا کنیم چه اتفاقی میافتد
119
00:05:29,780 –> 00:05:33,530
بدون خطا بدون هشدار، شما خوب هستید
120
00:05:33,530 –> 00:05:36,200
مسیر زیرخط داشته باشید و بیایید بررسی کنیم
121
00:05:36,200 –> 00:05:38,030
که این چیزی است که من مینویسم
122
00:05:38,030 –> 00:05:40,520
اساساً این همان چیزی است که
123
00:05:40,520 –> 00:05:43,250
نشان میدهد پنج مشاهدات اول دارای
124
00:05:43,250 –> 00:05:48,620
خط زیر هستند، اما خیلی خوب است و این
125
00:05:48,620 –> 00:05:51,380
اساساً تاریخ ستون و تعداد کل
126
00:05:51,380 –> 00:05:53,210
احساس روزانه است، ستونی است که ما
127
00:05:53,210 –> 00:05:55,520
انتخاب کردیم و شما به تازگی آن را در
128
00:05:55,520 –> 00:05:57,620
پنجره دیگری دیده بودید که من آن را در آنجا باز کردم
129
00:05:57,620 –> 00:05:58,010
،
130
00:05:58,010 –> 00:06:00,740
بنابراین اولین ستون اصلی است.
131
00:06:00,740 –> 00:06:03,200
اگر نمایه را مشخص نکرده باشیم، به طور پیشفرض یک ستون شاخص ایجاد میشود
132
00:06:03,200 –> 00:06:06,530
، بنابراین نمایهسازی
133
00:06:06,530 –> 00:06:09,050
از این منظر بسیار مهم است
134
00:06:09,050 –> 00:06:12,710
که میخواهید
135
00:06:12,710 –> 00:06:14,930
با نگاه کردن به تاریخ مثال در این مورد، دادهها را دستکاری کنید،
136
00:06:14,930 –> 00:06:16,940
مثلاً
137
00:06:16,940 –> 00:06:19,100
میخواهید یک زوج مشخص کنید. از تاریخ ها یا
138
00:06:19,100 –> 00:06:23,180
فرض کنید 1959 یا 1959 0 1، به این معنی است که
139
00:06:23,180 –> 00:06:25,280
140
00:06:25,280 –> 00:06:27,440
اگر ستون تاریخ را مشخص کنید، داده های ژانویه می توانند به راحتی اتفاق بیفتند
141
00:06:27,440 –> 00:06:29,960
، بنابراین نمایه سازی بسیار
142
00:06:29,960 –> 00:06:32,810
مهم است که اساسا به ما کمک می کند تا
143
00:06:32,810 –> 00:06:33,690
از طرق مختلف
144
00:06:33,690 –> 00:06:36,450
دستکاری و همچنین به دست آوریم عملیات مورد نظر
145
00:06:36,450 –> 00:06:40,110
درست است، بنابراین این یک کار
146
00:06:40,110 –> 00:06:42,270
اساسی است، اما اگر فرض کنیم میخواهیم
147
00:06:42,270 –> 00:06:44,910
ستون فهرست را مشخص کنیم و همچنین
148
00:06:44,910 –> 00:06:47,850
این یک ستون تاریخ است، در حال حاضر تاریخ
149
00:06:47,850 –> 00:06:50,370
یا میتواند منتقل شود یا نمیگذرد، اما
150
00:06:50,370 –> 00:06:53,040
فقط برای اطمینان از اینکه تاریخ تجزیه
151
00:06:53,040 –> 00:06:55,770
شده است. یعنی پایتون یا در این
152
00:06:55,770 –> 00:06:57,930
نوت بوک مشتری زمانی که عملیات مربوط به آن را انجام دادید
153
00:06:57,930 –> 00:07:00,150
یا الگوریتمی ایجاد کردید،
154
00:07:00,150 –> 00:07:02,400
تاریخ باید به درستی گذرانده شود، بنابراین
155
00:07:02,400 –> 00:07:03,930
چند پارامتر وجود دارد که می توانید
156
00:07:03,930 –> 00:07:04,620
157
00:07:04,620 –> 00:07:08,070
قبل از هر چیز ایندکس زیرخط انجام دهید. ستون بنابراین
158
00:07:08,070 –> 00:07:11,610
فراخوانی زیر خط ایندکس چیزی نیست، اما
159
00:07:11,610 –> 00:07:13,710
میدانید که مشخص کنید در کدام ستون
160
00:07:13,710 –> 00:07:16,800
دارید میخواهید ایندکس را مشخص کنید، بنابراین برای
161
00:07:16,800 –> 00:07:18,540
مشاهده تمام ستونهای
162
00:07:18,540 –> 00:07:21,090
موجود، میتوانید Shift + 2 بار
163
00:07:21,090 –> 00:07:23,910
tab tap tab را فشار دهید و اساساً
164
00:07:23,910 –> 00:07:26,220
همه این موارد متفاوت را نشان میدهد. ستونها را در اینجا قرار دهید
165
00:07:26,220 –> 00:07:30,450
و من فقط میخواستم از
166
00:07:30,450 –> 00:07:37,680
زیرخط ایندکس استفاده کنم اگر اشتباه نمیکنم سلام من
167
00:07:37,680 –> 00:07:40,500
نمیتوانم ستون را ببینم، اما این ستون وجود دارد
168
00:07:40,500 –> 00:07:42,840
که نمایه است بله،
169
00:07:42,840 –> 00:07:43,220
میتوانید
170
00:07:43,220 –> 00:07:46,800
ستون زیرخط ایندکس را انتخاب کنید، میتوانید هدر را مشخص کنید.
171
00:07:46,800 –> 00:07:49,350
به طور پیش فرض جداکننده را مشخص کنید،
172
00:07:49,350 –> 00:07:51,300
این یک فایل جدا شده با کاما است، اما
173
00:07:51,300 –> 00:07:52,830
اگر جداکننده دیگری دارید، می
174
00:07:52,830 –> 00:07:55,290
توانید این را مشخص کنید و می توانید این را
175
00:07:55,290 –> 00:07:57,960
نیز بخوانید زیرا پارامترهای
176
00:07:57,960 –> 00:08:00,320
زیادی دارد، توضیحی برای هر پارامتر
177
00:08:00,320 –> 00:08:02,550
دارد که در آنجا نوشته شده است، چند مثال دارد
178
00:08:02,550 –> 00:08:11,669
و همچنین به دنبال آن است. در محل فایل 0 به
179
00:08:11,669 –> 00:08:14,610
این معنی است که ستون اول را میخواهم به این معنی که
180
00:08:14,610 –> 00:08:20,570
زیر
181
00:08:22,460 –> 00:08:28,580
آن چیزی که باید ببینیم، بیایید ببینیم زیر
182
00:08:28,580 –> 00:08:30,199
قدرتهای اسپورت ماشینها روی دروازه مدرسه چسبانده شده است،
183
00:08:30,199 –> 00:08:33,979
اجازه دهید سریع ببینم نام آن چیست.
184
00:08:33,979 –> 00:08:42,320
این به طوری که بخشها بر بیتها تأکید
185
00:08:42,320 –> 00:08:45,920
میکنند اکنون ما خوب هستیم و اگر ببینیم که کیت
186
00:08:45,920 –> 00:08:49,430
را در اینجا داریم و بخشهای زن کالیفرنیا
187
00:08:49,430 –> 00:08:52,610
را در اینجا اکنون در اینجا چندین بار
188
00:08:52,610 –> 00:08:54,890
میدانید که سؤالی وجود دارد که از آن استفاده
189
00:08:54,890 –> 00:08:56,600
خواهید کرد، معمولاً متوجه میشوید که اگر
190
00:08:56,600 –> 00:08:59,209
چارچوب دادهای مانند این پس چگونه شما را
191
00:08:59,209 –> 00:09:01,400
به یک سری تبدیل می کنید، این یک
192
00:09:01,400 –> 00:09:06,170
قاب داده است، بنابراین دو راه وجود دارد که می
193
00:09:06,170 –> 00:09:09,310
توانید آن را به یک سری تبدیل کنید، یکی به
194
00:09:09,310 –> 00:09:14,680
سادگی از اینجا می آید و همان فشار
195
00:09:14,680 –> 00:09:20,480
برابر با true است، پس حالا اگر ببینید این
196
00:09:20,480 –> 00:09:22,339
به یک تبدیل می شود فرمت
197
00:09:22,339 –> 00:09:24,020
کاملاً متفاوت قبلاً آنها
198
00:09:24,020 –> 00:09:26,540
ستون مناسبی بودند و همه چیز بودند، اما اکنون اگر
199
00:09:26,540 –> 00:09:35,630
به نوع زیرخط f نگاه کنم
200
00:09:35,630 –> 00:09:40,070
این سری درست است، اما اگر ما
201
00:09:40,070 –> 00:09:44,180
YZ برابر با true نباشد، می بینید که این یک
202
00:09:44,180 –> 00:09:45,920
فرمت متفاوت است که یک قاب داده است.
203
00:09:45,920 –> 00:09:49,370
قبلاً سی دی بود، اما حالا اگر
204
00:09:49,370 –> 00:09:52,580
یک قاب داده را اجرا کنم، بنابراین قاب داده
205
00:09:52,580 –> 00:09:55,640
و سری تیلور اساساً دو
206
00:09:55,640 –> 00:09:58,400
سری شی متفاوت هستند، چیزی است که
207
00:09:58,400 –> 00:10:01,580
برای تجزیه و تحلیل سری های زمانی به آن نیاز دارید،
208
00:10:01,580 –> 00:10:03,920
اما به طور کلی اتفاقی که می افتد
209
00:10:03,920 –> 00:10:06,020
این است که داده های زیادی وجود دارد. یک کاوش و
210
00:10:06,020 –> 00:10:08,720
در دستکاری دادههای ما که به
211
00:10:08,720 –> 00:10:11,270
قاب دادهای مورد نیاز است که روی قاب داده کار میکنید
212
00:10:11,270 –> 00:10:13,730
بسیار سادهتر از کار روی
213
00:10:13,730 –> 00:10:15,890
سری است، وقتی کار
214
00:10:15,890 –> 00:10:18,020
با قاب داده تمام شد، همیشه میتوانید
215
00:10:18,020 –> 00:10:22,940
با استفاده از روش مقدار
216
00:10:22,940 –> 00:10:25,820
سری، سری را خارج کنید. مقدار زیر خط برابر با
217
00:10:25,820 –> 00:10:31,569
تعیین مقادیر نقطه تولد زیر خط F است،
218
00:10:31,569 –> 00:10:35,240
بنابراین هنگامی که این را اجرا کردید، میتوانید
219
00:10:35,240 –> 00:10:41,029
در اینجا مقدار زیرخط C را مشاهده کنید که من اجرا
220
00:10:41,029 –> 00:10:44,540
میکنم، اساساً آرایهای است که
221
00:10:44,540 –> 00:10:52,009
الگوریتم به آن نیاز دارد و اگر اساساً
222
00:10:52,009 –> 00:10:55,730
MDNA numpy باشد، بنابراین این تابع مقادیر
223
00:10:55,730 –> 00:10:58,189
اساساً به ما کمک میکند تا آن را دریافت کنیم.
224
00:10:58,189 –> 00:11:01,579
مقدار سری ظاهری را که این مقدار در یک آرایه ناقص است
225
00:11:01,579 –> 00:11:04,399
که الگوریتم معمولاً آن را انتخاب میکند
226
00:11:04,399 –> 00:11:08,689
یا باید برای یک تقاطع وظیفه انجام دهد، بنابراین
227
00:11:08,689 –> 00:11:10,730
هر زمان که سؤالی به این شکل پیش آمد،
228
00:11:10,730 –> 00:11:13,279
همیشه میتوانید در مورد
229
00:11:13,279 –> 00:11:15,560
انواع مختلفی که در آن میتوانید
230
00:11:15,560 –> 00:11:18,110
سری خالق را استخراج کنید پاسخ دهید. سری و سپس
231
00:11:18,110 –> 00:11:20,660
چگونه می توانید آن را با استفاده از روش مقادیر به یک قاب داده تبدیل کنید،
232
00:11:20,660 –> 00:11:24,860
بنابراین
233
00:11:24,860 –> 00:11:28,339
این کار انجام می شود، اما آنچه که ما می توانیم انجام دهیم
234
00:11:28,339 –> 00:11:31,699
اساساً روش اندازه است. d من می توانم
235
00:11:31,699 –> 00:11:34,910
فقط برای نشان دادن اندازه قاب داده ها
236
00:11:34,910 –> 00:11:37,730
و اندازه نقطه تولد مدرسه به
237
00:11:37,730 –> 00:11:41,439
شما نشان دهم که نشان می دهد 366
238
00:11:41,439 –> 00:11:45,439
مشاهدات دارد و اگر به
239
00:11:45,439 –> 00:11:47,809
دو مشاهدات آخر نگاه کنیم اگر
240
00:11:47,809 –> 00:11:51,649
به یاد داشته باشید که نشان می دهد قسمت چند مشاهده اول را نشان می دهد.
241
00:11:51,649 –> 00:11:56,889
F زیر خط هر دو
242
00:11:56,889 –> 00:12:01,879
روش جدول نقطه ای چیزی است که در آن
243
00:12:01,879 –> 00:12:03,649
آخرین اطلاعات آخر را خواهید دید
244
00:12:03,649 –> 00:12:05,000
و یک چیز بسیار
245
00:12:05,000 –> 00:12:06,680
جالب که در اینجا آمده
246
00:12:06,680 –> 00:12:09,610
است، کل تولدهای دختر در کالیفرنیا در
247
00:12:09,610 –> 00:12:13,699
سال 1959 است که به وضوح کاملاً دور از ذهن است زیرا
248
00:12:13,699 –> 00:12:16,459
اگر برای هر تاریخ
249
00:12:16,459 –> 00:12:18,920
چیزی را ببینید. اینها دو آخرین
250
00:12:18,920 –> 00:12:20,930
مشاهدات هستند، بنابراین این چیزی در حدود
251
00:12:20,930 –> 00:12:24,139
55 52 48 است و به طور مشابه برای چند
252
00:12:24,139 –> 00:12:26,420
مشاهدات اول حدوداً
253
00:12:26,420 –> 00:12:29,329
بین سی و سی تا چهل و چهار بوده است، بنابراین
254
00:12:29,329 –> 00:12:32,180
سال 1959 به وضوح یک طرح کلی است و به
255
00:12:32,180 –> 00:12:34,939
همین دلیل است که شما واقعاً نیاز دارید که چند مشاهده اول
256
00:12:34,939 –> 00:12:36,980
و اتریش را ببینید. مشاهده و
257
00:12:36,980 –> 00:12:39,350
نه تنها این، شما روشی را دارید
258
00:12:39,350 –> 00:12:43,220
که F زیرخط نقطه زمین
259
00:12:43,220 –> 00:12:47,250
توصیف می کند، بنابراین آنچه را که انجام می دهد توصیف
260
00:12:47,250 –> 00:12:50,400
می کند یا آماری را برای کل
261
00:12:50,400 –> 00:12:52,890
مجموعه داده ها که بسیار حیاتی هستند، برای
262
00:12:52,890 –> 00:12:55,650
مثال شمارش، به این معنی است که شما 366
263
00:12:55,650 –> 00:12:58,530
شمارش دارید، یعنی 47،
264
00:12:58,530 –> 00:13:00,510
انحراف معیار 100 است
265
00:13:00,510 –> 00:13:04,800
که اگر به سن آینده نگاه کنید، بسیار زیاد است
266
00:13:04,800 –> 00:13:06,750
و این عمدتا به این دلیل است که حداکثر
267
00:13:06,750 –> 00:13:10,950
مقدار 1959 است و قطعاً
268
00:13:10,950 –> 00:13:13,590
درست نیست، بنابراین آنچه که میتوانیم
269
00:13:13,590 –> 00:13:17,250
انجام دهیم این است که میتوانیم این دستور را بنویسیم، جایی که انتخاب میکنیم،
270
00:13:17,250 –> 00:13:20,430
جایی که آخرین ردیف را انتخاب نمیکنیم،
271
00:13:20,430 –> 00:13:26,270
در اینجا بله، خیلی خوب است
272
00:13:26,270 –> 00:13:29,610
و اجازه دهید
273
00:13:29,610 –> 00:13:31,830
در صورت وجود شما فقط اندازه را افزایش دهم. دیدن آن کمی
274
00:13:31,830 –> 00:13:39,840
دشوار است به اینجا بروید بله، من
275
00:13:39,840 –> 00:13:42,420
قبلاً فراموش کردم این کار را انجام دهم و فقط
276
00:13:42,420 –> 00:13:46,680
هدر را مخفی می کنم و نوار ابزار را نیز مخفی می کنم،
277
00:13:46,680 –> 00:13:49,800
بسیار خوب اکنون برای شما بسیار واضح تر خواهد بود،
278
00:13:49,800 –> 00:13:51,060
279
00:13:51,060 –> 00:13:55,230
بنابراین f underscore تولد دوباره f underscore
280
00:13:55,230 –> 00:14:05,400
تولد درست از 0 تا 365 خیلی خوب است،
281
00:14:05,400 –> 00:14:09,660
بنابراین اگر ببینم که آیا، اما دوباره
282
00:14:09,660 –> 00:14:12,680
اشتباه مینویسم، نمیدانم چرا آنطور
283
00:14:12,680 –> 00:14:16,800
که توضیح داده شده است، اگر میبینید
284
00:14:16,800 –> 00:14:20,220
بسیار معنیدار است، بنابراین حداقل مقدار
285
00:14:20,220 –> 00:14:24,960
23 است بنابراین حداقل تولد در یک روز معین حداکثر 23 است
286
00:14:24,960 –> 00:14:27,480
تولد مادر در یک تولد دختر معین
287
00:14:27,480 –> 00:14:30,720
73 است و انحراف معیار 1
288
00:14:30,720 –> 00:14:33,060
انحراف معیار 7 است و میانگین چیزی است که حتی به
289
00:14:33,060 –> 00:14:36,870
طور متوسط 41 تولد آن دختر را می دانید که
290
00:14:36,870 –> 00:14:38,880
ر ایالت کالیفرنیا اتفاق می افتد، بن
291
00:14:38,880 –> 00:14:40,800
براین بسیاری از آم
292
00:14:40,800 –> 00:14:43,680
رهای مهم و شرکت استفاده می کند. بر
293
00:14:43,680 –> 00:14:45,570
راههای مختلفی که آنها نیاز
294
00:14:45,570 –> 00:14:48,540
دارند بازاریابی آینده خود را برنامهریزی کنند، بنابراین
295
00:14:48,540 –> 00:14:50,070
حتی بدون هزینهیابی با این اطلاعات،
296
00:14:50,070 –> 00:14:53,400
حتی میتوانید بفهمید که
297
00:14:53,400 –> 00:14:55,680
شرکت شما چه استراتژی میخواهد
298
00:14:55,680 –> 00:14:56,610
، مثلاً در
299
00:14:56,610 –> 00:14:59,700
بازاری باشید که میخواهید ببینید. چه مقدار
300
00:14:59,700 –> 00:15:03,300
تولید جدید از Let’s بزرگسالان یا
301
00:15:03,300 –> 00:15:05,040
عروسک باربی باید انجام دهید یا چیزی
302
00:15:05,040 –> 00:15:06,959
که مربوط به لوازم جانبی دخترانه است
303
00:15:06,959 –> 00:15:10,500
زیرا آن دختران با
304
00:15:10,500 –> 00:15:12,180
رشد و رشد می دانید که نیازهایی ایجاد می شود
305
00:15:12,180 –> 00:15:15,170
و آنها اساساً به یک مغازه می روند و
306
00:15:15,170 –> 00:15:18,209
این کار را انجام می دهند. با این کار می توانید
307
00:15:18,209 –> 00:15:20,100
به وضوح درک کنید که چگونه باید
308
00:15:20,100 –> 00:15:21,649
کسب و کار خود را برنامه ریزی کنید، این عوامل بسیار اقتصادی هستند
309
00:15:21,649 –> 00:15:25,230
که هر شرکتی آنها را
310
00:15:25,230 –> 00:15:27,329
مانند حداقل حداکثر انحراف استاندارد در نظر می گیرد
311
00:15:27,329 –> 00:15:30,180
همه اینها و بیشترین
312
00:15:30,180 –> 00:15:32,040
اساساً میانگین و
313
00:15:32,040 –> 00:15:34,709
انحراف معیار مهم است زیرا آنها بسیار منعکس
314
00:15:34,709 –> 00:15:37,500
می کنند که مقدار متوسط چقدر است و چق
315
00:15:37,500 –> 00:15:40,620
ر می تواند هشت تغییر کند یا می دانید که یک
316
00:15:40,620 –> 00:15:42,860
غییر در زایمان وجود خواهد داشت بن
317
00:15:42,860 –> 00:15:46,380
براین قسمت بعدی بعد از انجام این کار فق
318
00:15:46,380 –> 00:15:49,680
تجسم است. داده ها بنابراین
319
00:15:49,680 –> 00:15:53,040
تجسم داده ها بسیار F است، اجازه دهید
320
00:15:53,040 –> 00:15:56,490
هر دو طرح فکری را پیش ببریم و به دلیل اینکه ما
321
00:15:56,490 –> 00:15:58,279
نموداری در خط داریم که قبلاً مشخص شده
322
00:15:58,279 –> 00:16:01,949
است، در اینجا یک نمودار سریع وجود دارد، بنابراین این نمودار
323
00:16:01,949 –> 00:16:04,740
اساساً نشان می دهد که بله یک
324
00:16:04,740 –> 00:16:06,570
تغییر در داده ها وجود دارد، شما می توانید
325
00:16:06,570 –> 00:16:09,360
اوج را مشاهده کنید. یک نقطه پایین را ببینید، بنابراین
326
00:16:09,360 –> 00:16:11,370
این نشان می دهد که
327
00:16:11,370 –> 00:16:14,010
یک تغییر وجود دارد، در اینجا مقداری روند وجود دارد،
328
00:16:14,010 –> 00:16:18,000
اما یک روند خیلی خاص به نظر من یک سری ثابت به نظر می رسد،
329
00:16:18,000 –> 00:16:22,019
بنابراین این
330
00:16:22,019 –> 00:16:24,510
اساسا ثابت چیزی است که حتما
331
00:16:24,510 –> 00:16:27,449
آن را شنیده اید یا
332
00:16:27,449 –> 00:16:29,070
حتماً وقتی به پروژه علم داده نگاه می کنید آن را شنیده اید
333
00:16:29,070 –> 00:16:31,110
و چیزی که
334
00:16:31,110 –> 00:16:34,440
نشان می دهد سریالی است
335
00:16:34,440 –> 00:16:37,470
که هیچ فاکتور روندی در آن وجود ندارد و
336
00:16:37,470 –> 00:16:40,620
مانند یک سری ثابت با
337
00:16:40,620 –> 00:16:44,430
میانگین ثابت و انحراف معیار، بنابراین
338
00:16:44,430 –> 00:16:47,100
این مهم است،
339
00:16:47,100 –> 00:16:49,440
سری ثابت زمانی مهم است که شما
340
00:16:49,440 –> 00:16:51,990
با یک مسئله سری زمانی کار می کنید و روشی
341
00:16:51,990 –> 00:16:54,899
که ما انجام می دهیم این است که
342
00:16:54,899 –> 00:16:57,329
اساساً تفاوت بین عبارت
343
00:16:57,329 –> 00:16:59,279
فعلی و عبارت قبلی را که ما آن را
344
00:16:59,279 –> 00:17:02,370
می نامیم، تشخیص دهیم. آن D و من تا چند دقیقه دیگر به شما نشان خواهم داد،
345
00:17:02,370 –> 00:17:05,550
اما این
346
00:17:05,550 –> 00:17:09,230
تفاوت ترتیب تفاوت یا
347
00:17:09,230 –> 00:17:13,339
مقدار خاص B که من به آن
348
00:17:13,339 –> 00:17:16,909
اشاره کردم چیست، اما قبل از آن به این صورت که ما می توانیم
349
00:17:16,909 –> 00:17:20,289
خیلی واضح تر این
350
00:17:20,289 –> 00:17:24,138
روند یا این سری را ببینیم. با
351
00:17:24,138 –> 00:17:26,388
هموارسازی یک سری هموارسازی یکی
352
00:17:26,388 –> 00:17:28,398
از عواملی است که هنگام کار می شنوید یا
353
00:17:28,398 –> 00:17:31,129
حتما شنیده اید یا در اینجا می
354
00:17:31,129 –> 00:17:33,340
دانید که در مورد پروژه سری زمانی مطالعه می کنید به
355
00:17:33,340 –> 00:17:36,200
طوری که هموارسازی
356
00:17:36,200 –> 00:17:39,980
اساساً این مقادیر را گرفته و
357
00:17:39,980 –> 00:17:42,049
به کمک هموارسازی می کند. میانگین متحرک،
358
00:17:42,049 –> 00:17:44,509
بنابراین میانگین متحرک چیزی نیست،
359
00:17:44,509 –> 00:17:48,320
اما میانگین متحرک
360
00:17:48,320 –> 00:17:50,450
مقدار خاصی را در شمارش می گیرد، به عنوان مثال
361
00:17:50,450 –> 00:17:51,999
اگر به دنبال میانگین متحرک پنج روزه
362
00:17:51,999 –> 00:17:55,100
هستید، بنابراین از روز ششم شروع کنید
363
00:17:55,100 –> 00:17:57,139
و پنج مقدار اول
364
00:17:57,139 –> 00:17:59,840
وجود دارد.
365
00:17:59,840 –> 00:18:02,239
366
00:18:02,239 –> 00:18:04,639
367
00:18:04,639 –> 00:18:06,470
368
00:18:06,470 –> 00:18:09,980
369
00:18:09,980 –> 00:18:15,350
در اینجا یک مسیر لاسکو در
370
00:18:15,350 –> 00:18:22,359
میانگین امتیاز وجود دارد که هر جا H باشد f زیرخط di
371
00:18:22,359 –> 00:18:33,909
هر دو نمره به این معنی است که دو نقطه است در
372
00:18:33,909 –> 00:18:37,580
غلتیدن نورد چیزی نیست جز حرکت
373
00:18:37,580 –> 00:18:39,529
غلتشی پنج روزه
374
00:18:39,529 –> 00:18:41,749
شانزده ساله در هفت روز یعنی
375
00:18:41,749 –> 00:18:44,690
چه حرکتی مقدار متوسطی که میخواهیم، به این ترتیب که
376
00:18:44,690 –> 00:18:47,590
اید پارامتر پنجره را مش
377
00:18:47,590 –> 00:18:50,929
ص کنیم تا بتوانیم پنج داشته باشیم، می
378
00:18:50,929 –> 00:18:56,450
توانیم ده در 15-20 داشته باشیم. من به تازگی T 20 را گرفتهام و م
379
00:18:56,450 –> 00:18:59,480
انگین آن را درست میگیرم، بن
380
00:18:59,480 –> 00:19:02,359
براین این مقدار اس
381
00:19:02,359 –> 00:19:05,179
. در اینجا به طور میانگین 20 روزه
382
00:19:05,179 –> 00:19:08,330
برای یک دوره 365 روزه گرفته می شود. من فکر می کنم
383
00:19:08,330 –> 00:19:11,389
این کاملاً قابل انجام است زیرا ما 365
384
00:19:11,389 –> 00:19:14,059
نقطه داده داریم و تازه در حال حذف
385
00:19:14,059 –> 00:19:17,749
19 نقطه داده اول هستیم، بنابراین f و نمودار نقطه اسکوبار
386
00:19:17,749 –> 00:19:22,249
اجازه دهید دوباره آن را بگذارم. در اینجا مسیر نسکو
387
00:19:22,249 –> 00:19:23,170
388
00:19:23,170 –> 00:19:27,410
به من تاکید می کند یک فکر فکری است
389
00:19:27,410 –> 00:19:32,360
و اگر او آن را ترسیم کند، خواهید دید که
390
00:19:32,360 –> 00:19:35,210
این مقداری است که شما به عنوان بخشی از
391
00:19:35,210 –> 00:19:40,780
سریال واقعی دریافت کرده اید
392
00:19:40,780 –> 00:19:43,610
و میانگین متحرک شما اینگونه است، بنابراین به وضوح
393
00:19:43,610 –> 00:19:46,070
نشان می دهد که
394
00:19:46,070 –> 00:19:49,400
اینجا در جایی در اطراف اینجا یک جهش وجود دارد.
395
00:19:49,400 –> 00:19:51,860
در اواخر سال و سپس
396
00:19:51,860 –> 00:19:56,150
کاهش یافته است و یک روند بسیار کوچک اگر
397
00:19:56,150 –> 00:19:59,150
روند کمی بالا را مشاهده کردید که به وضوح
398
00:19:59,150 –> 00:20:01,130
قابل مشاهده است که اصلاً از اینجا قابل مشاهده
399
00:20:01,130 –> 00:20:04,460
نبود به معنی سری اصلی است بنابراین
400
00:20:04,460 –> 00:20:07,220
می توانید به این ترتیب روند
401
00:20:07,220 –> 00:20:10,940
20 روزه را ایجاد کنید. میانگین میانگین و اگر بخواهم می
402
00:20:10,940 –> 00:20:13,820
توانم 10 روز فقط برای
403
00:20:13,820 –> 00:20:16,400
چشم انداز آزمایش داشته باشم و خواهید
404
00:20:16,400 –> 00:20:18,470
دید که میانگین 10 روزه به این
405
00:20:18,470 –> 00:20:21,230
صورت است یا اگر کسی به 30 روز علاقه دارد
406
00:20:21,230 –> 00:20:22,990
فقط می توانید مقدار آزمایش 30 روزه را
407
00:20:22,990 –> 00:20:25,820
با آن تغییر دهید. و شما می توانید ببینید
408
00:20:25,820 –> 00:20:27,920
که چگونه در 30 روز، همانطور که می بینید
409
00:20:27,920 –> 00:20:29,180
، تغییرات زیادی وجود دارد، اما یک چیز
410
00:20:29,180 –> 00:20:31,460
که به وضوح قابل مشاهده است کمی
411
00:20:31,460 –> 00:20:35,150
روند است و این ویژگی ها در اینجا بسیار
412
00:20:35,150 –> 00:20:38,930
مفید و مفید هستند، فقط می
413
00:20:38,930 –> 00:20:42,110
دانید که چگونه شما می توانید تمام o را حذف کنید اگر
414
00:20:42,110 –> 00:20:46,280
نمودار هر سهمی را دیده اید و نمودار واضح را ببینید و
415
00:20:46,280 –> 00:20:48,320
این تکنیک زمان زیادی را مشاهده کنید،
416
00:20:48,320 –> 00:20:50,090
این تکنیک در
417
00:20:50,090 –> 00:20:53,030
418
00:20:53,030 –> 00:20:56,420
419
00:20:56,420 –> 00:20:59,090
تحلیل بازار بحث استفاده می شود.
420
00:20:59,090 –> 00:21:01,880
اساساً
421
00:21:01,880 –> 00:21:03,620
تمام نویزها را حذف کنید زیرا
422
00:21:03,620 –> 00:21:05,990
هر روز نوسانات زیادی در قیمت سهام وجود دارد
423
00:21:05,990 –> 00:21:08,270
بنابراین آنها نوسانات را
424
00:21:08,270 –> 00:21:11,930
با کمک میانگین متحرک حذف می کنند بنابراین این
425
00:21:11,930 –> 00:21:14,600
روشی است که می توانید اساساً
426
00:21:14,600 –> 00:21:17,680
قطعه میانگین متحرک را انجام دهید و بسیار مفید است
427
00:21:17,680 –> 00:21:21,170
زیرا این حتی در یک
428
00:21:21,170 –> 00:21:23,930
سوال در مورد اینکه چگونه می توانید
429
00:21:23,930 –> 00:21:27,320
چهار بار سریال را صاف کنید از شما پرسیده می شود
430
00:21:27,320 –> 00:21:30,380
اکنون مراحل
431
00:21:30,380 –> 00:21:33,650
بسیاری برای تجزیه و تحلیل سری زمانی وجود دارد و من
432
00:21:33,650 –> 00:21:36,260
به عنوان بخشی از
433
00:21:36,260 –> 00:21:40,040
پروژه بعدی خود در مورد آنچه که چیست به شما نشان خواهم داد.
434
00:21:40,040 –> 00:21:42,140
مواردی مانند عادی سازی
435
00:21:42,140 –> 00:21:44,870
تبدیل گزارش ارزش روز،
436
00:21:44,870 –> 00:21:46,880
انواع دیگری از تبدیل وجود دارد که می توانید
437
00:21:46,880 –> 00:21:49,820
در یک پروژه انجام دهید، اما برای این پروژه من می خواهم
438
00:21:49,820 –> 00:21:52,220
آن را بسیار ساده نگه دارم و برای
439
00:21:52,220 –> 00:21:54,830
آن فقط str پیش از این، به
440
00:21:54,830 –> 00:21:57,770
ساخت یک مدل بروید تا
441
00:21:57,770 –> 00:22:00,010
در پایان این ویدیو با اطمینان خاطر
442
00:22:00,010 –> 00:22:03,500
به شما اطمینان پیدا کنید که بله حداقل
443
00:22:03,500 –> 00:22:07,520
می توانم مدل اولیه را ایجاد کنم و با
444
00:22:07,520 –> 00:22:10,100
ویدیوی آینده پیچیدگی را افزایش خواهیم
445
00:22:10,100 –> 00:22:12,260
داد تا یادگیری در حال حاضر آسان شود.
446
00:22:12,260 –> 00:22:15,950
چیزی که من میخواهم این است که برای
447
00:22:15,950 –> 00:22:19,429
شما یک مدل پایه ایجاد کنید، بنابراین
448
00:22:19,429 –> 00:22:21,530
این سؤال به طور کلی
449
00:22:21,530 –> 00:22:23,299
در مصاحبه نیز مطرح میشود که
450
00:22:23,299 –> 00:22:25,429
مدل پایه در سریهای زمانی چیست، بنابراین
451
00:22:25,429 –> 00:22:27,470
انواع مختلفی از مدلها وجود دارد که
452
00:22:27,470 –> 00:22:29,240
یکی از آنها مدل پایه است. گفت
453
00:22:29,240 –> 00:22:31,400
: یک مدل میانگین متحرک وجود دارد یک
454
00:22:31,400 –> 00:22:32,960
مدل رگرسیون خودکار وجود دارد یک
455
00:22:32,960 –> 00:22:36,679
مدل نمایی وجود دارد و چیزی وجود دارد
456
00:22:36,679 –> 00:22:39,350
که به نام ARIMA نامیده می شود، ARIMA وجود دارد
457
00:22:39,350 –> 00:22:43,100
که ARIMA فصلی است، بنابراین
458
00:22:43,100 –> 00:22:45,020
خواهید دید که همانطور که به تدریج
459
00:22:45,020 –> 00:22:48,260
پیشرفت خواهید کرد، می دانید که میزان خود را افزایش دهید.
460
00:22:48,260 –> 00:22:49,880
درک در مورد سری تانک
461
00:22:49,880 –> 00:22:52,040
، مدل های زیادی وجود دارد که قبلاً
462
00:22:52,040 –> 00:22:55,630
گفتم، اما مدل پایه مدلی است
463
00:22:55,630 –> 00:22:58,400
که کمک می کند که اول از همه بسیار
464
00:22:58,400 –> 00:23:01,610
ساده لوحانه است، یعنی فرض آن بسیار بسیار اساسی
465
00:23:01,610 –> 00:23:04,850
است. n این است که مقدار قبلی
466
00:23:04,850 –> 00:23:07,130
شما که دارید، بنابراین در حال حاضر می دانید
467
00:23:07,130 –> 00:23:10,490
هر روزی که هستیم، بیایید بگوییم که
468
00:23:10,490 –> 00:23:13,549
امروز 11 نوامبر است، بنابراین در 11
469
00:23:13,549 –> 00:23:16,700
نوامبر، بیایید بگوییم تاریخ یا شماره تولد
470
00:23:16,700 –> 00:23:21,410
حدوداً حدود 41 است،
471
00:23:21,410 –> 00:23:24,169
این به معنای آنچه ما فرض می کنیم است.
472
00:23:24,169 –> 00:23:27,350
فردا نیز عدد 41 را دریافت خواهیم کرد،
473
00:23:27,350 –> 00:23:28,940
بنابراین این همان چیزی است که ما اساساً
474
00:23:28,940 –> 00:23:31,880
با مدل پایه فرض میکنیم، بنابراین
475
00:23:31,880 –> 00:23:35,210
تاریخچه تاریخ اخیر
476
00:23:35,210 –> 00:23:37,400
بهترین بازتاب آینده است، این
477
00:23:37,400 –> 00:23:39,590
همان فرضیه است و همانطور که
478
00:23:39,590 –> 00:23:40,940
میبینید بسیار آسان است.
479
00:23:40,940 –> 00:23:43,010
مقدار است که در مقدار بعدی استفاده میشود، اینجاست
480
00:23:43,010 –> 00:23:46,520
که
481
00:23:46,520 –> 00:23:49,050
میدانید مدل پایه
482
00:23:49,050 –> 00:23:52,820
را ایجاد میکنید و برای ایجاد آن بسیار ساده است، بنابراین
483
00:23:52,820 –> 00:23:55,770
در اینجا اجازه دهید با آن شروع کنم، بنابراین
484
00:23:55,770 –> 00:24:01,040
اگر به یاد داشته باشم که در اینجا مقدار زیر خط سری F را به خاطر دارم قبلاً مقادیر را داشتیم.
485
00:24:01,040 –> 00:24:04,890
486
00:24:04,890 –> 00:24:07,830
تولد این عبارت را زیرخط نشان می دهد،
487
00:24:07,830 –> 00:24:11,220
بنابراین با این مقدار سری کاری که ما
488
00:24:11,220 –> 00:24:13,170
انجام خواهیم داد این است که یک مقدار دیگر ایجاد می کنیم
489
00:24:13,170 –> 00:24:16,170
که مقدار بعدی را از
490
00:24:16,170 –> 00:24:20,730
سری داده های سایش موجود می گیرد، بنابراین اگر به
491
00:24:20,730 –> 00:24:21,780
شما نشان دهم i n اکسل
492
00:24:21,780 –> 00:24:26,040
یعنی چه، بنابراین فرض کنید
493
00:24:26,040 –> 00:24:29,940
این تاریخ است، این به خصوص آن است، به
494
00:24:29,940 –> 00:24:33,840
عنوان مثال این و اگر افزایش دهیم، بیایید
495
00:24:33,840 –> 00:24:37,170
بگوییم این همان چیزی است که در حال حاضر
496
00:24:37,170 –> 00:24:43,560
اگر 41 باشد و فردا 45 و سپس 40 و
497
00:24:43,560 –> 00:24:48,240
سپس 38 و 41 باشد، بیایید بگوییم
498
00:24:48,240 –> 00:24:53,340
سری ما در حال حاضر اینگونه است، بنابراین سری T به اضافه 1
499
00:24:53,340 –> 00:24:57,180
چه خواهد شد، بنابراین این 41 به
500
00:24:57,180 –> 00:25:02,430
اینجا می آید، 45 اینجا می آید، 40 درست اینجا می آید،
501
00:25:02,430 –> 00:25:05,070
بنابراین همانطور که می بینید
502
00:25:05,070 –> 00:25:07,440
مقادیر به این ترتیب می آیند همانطور که گفتم
503
00:25:07,440 –> 00:25:10,290
آنچه ما را گفتم فرض کنید که مقدار قبلی
504
00:25:10,290 –> 00:25:12,570
بهترین بازتاب آینده است و همانطور
505
00:25:12,570 –> 00:25:14,070
که به وضوح می بینید این مقدار واقعی
506
00:25:14,070 –> 00:25:15,350
است، این مقدار
507
00:25:15,350 –> 00:25:18,270
پیش بینی شده است، مقدار پیش بینی شده چیزی نیست جز در
508
00:25:18,270 –> 00:25:20,730
هر مقدار قبلی که ما
509
00:25:20,730 –> 00:25:23,220
آن را برای مقدار فعلی در نظر می گرفتیم، بنابراین اجازه دهید
510
00:25:23,220 –> 00:25:25,590
من به عقب برگردم، بنابراین این همان کاری است که
511
00:25:25,590 –> 00:25:29,820
میخواهیم انجام دهیم، بنابراین مقدار زیرخط سری که
512
00:25:29,820 –> 00:25:34,250
قبلاً داشتیم، بنابراین چیزی که من ایجاد میکنم،
513
00:25:34,250 –> 00:25:42,510
قاب دادهای زیرخط DF و PD dot
514
00:25:42,510 –> 00:25:47,190
concat cat بله، بنابراین
515
00:25:47,190 –> 00:25:49,410
تابع الحاق اساساً دو سری طول میکشد و
516
00:25:49,410 –> 00:25:53,550
یک قاب داده ایجاد میکند. سری ما
517
00:25:53,550 –> 00:25:55,260
قبلاً یک سری و یک
518
00:25:55,260 –> 00:25:57,840
مقدار امتیاز داریم، اما باید یک سری ایجاد کنیم
519
00:25:57,840 –> 00:26:00,480
که یک مقدار بیشتر می گیرد، بنابراین اول
520
00:26:00,480 –> 00:26:02,720
از همه ما یک
521
00:26:02,720 –> 00:26:05,429
سری و یک مقدار امتیاز داریم که
522
00:26:05,429 –> 00:26:09,210
سری فعلی ما است و سپس
523
00:26:09,210 –> 00:26:14,790
مقادیر نقطه سری را روش تغییر نقطه داریم. Shift توسط
524
00:26:14,790 –> 00:26:19,890
یک مکان درست، بنابراین عملیات دستی اکسل
525
00:26:19,890 –> 00:26:21,420
را که ما انجام دادیم، در
526
00:26:21,420 –> 00:26:24,179
اینجا و اطراف آن نیاز داریم، زیرا
527
00:26:24,179 –> 00:26:27,290
این بخشی از یک قاب داده است و
528
00:26:27,290 –> 00:26:29,940
دسترسی برابر با 1 است، زیرا ما میخواهیم
529
00:26:29,940 –> 00:26:33,360
مجریان ستونها کاملاً درست
530
00:26:33,360 –> 00:26:36,150
باشد، آرایه numpy و آرایه هیچ
531
00:26:36,150 –> 00:26:40,559
ویژگی ندارد shift کاملاً درست است، بنابراین آنچه
532
00:26:40,559 –> 00:26:43,830
در اینجا به آن نیاز داریم این است که این تغییر
533
00:26:43,830 –> 00:26:47,580
بخشی از تابع pandas یا
534
00:26:47,580 –> 00:26:49,830
کتابخانه pandas است، بنابراین آنچه که ما نیاز داریم
535
00:26:49,830 –> 00:26:52,559
اول از همه قاب داده F زیرخط
536
00:26:52,559 –> 00:26:57,750
قسمت راست سری F مقدار زیرخط است.
537
00:26:57,750 –> 00:27:01,380
من می توانم این کار را انجام دهم این است که می توانم
538
00:27:01,380 –> 00:27:06,559
چیزی مانند قاب داده نقطه PD ایجاد کنم،
539
00:27:06,559 –> 00:27:09,390
بنابراین دوره یا قاب داده چیزی نیست، اما
540
00:27:09,390 –> 00:27:11,640
بخشی از تابعی از کتابخانه است
541
00:27:11,640 –> 00:27:14,070
که اتصال را درست می کند، متأسفانه
542
00:27:14,070 –> 00:27:16,290
یک سری را به یک قاب داده تبدیل می کند که همان چیزی است که نیاز است.
543
00:27:16,290 –> 00:27:17,880
اینجا را یادداشت کنید
544
00:27:17,880 –> 00:27:21,929
زیرا بخشی از آرایه numpy نیست، بنابراین آنچه
545
00:27:21,929 –> 00:27:25,830
ما نیاز داریم مقدار سری سمت راست است،
546
00:27:25,830 –> 00:27:29,070
مقدار خط زیر خط، بنابراین اکنون مقدار سری و
547
00:27:29,070 –> 00:27:35,970
همه چیز متاسفم خوب شما این مقدار را حذف خواهم کرد
548
00:27:35,970 –> 00:27:42,270
و اکنون همه چیز
549
00:27:42,270 –> 00:27:48,440
خوب است، بنابراین تولد در اینجا زیرخط
550
00:27:48,440 –> 00:27