در این مطلب، ویدئو ارزیابی کیفیت خودرو با یادگیری ماشین در پایتون (مجموعه داده ارزیابی خودرو) 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: 00:18:07
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:02,129
سلام به همه خوش آمدید دوباره
2
00:00:02,129 –> 00:00:03,780
نام من جسی است و در این یکی از
3
00:00:03,780 –> 00:00:06,359
کارهایی که در یک بیابان انتخاب می کنیم، این فوم دارایی را
4
00:00:06,359 –> 00:00:07,980
می بینید که من یک ارشد در مخزن وبر هستم
5
00:00:07,980 –> 00:00:10,050
و سپس می خواهید
6
00:00:10,050 –> 00:00:12,389
از آن مدل بسازید، سپس من هستم قصد
7
00:00:12,389 –> 00:00:14,070
ساختن یک غذاخوری ماشینی از
8
00:00:14,070 –> 00:00:15,960
آن درست است، بنابراین بیایید ببینیم با چه چیزی باید
9
00:00:15,960 –> 00:00:17,340
کار کرد، بنابراین این نوع
10
00:00:17,340 –> 00:00:18,990
صحرای الرشید است که یک دسر بسیار رایج
11
00:00:18,990 –> 00:00:21,960
است، بنابراین اگر به UCI بروید من
12
00:00:21,960 –> 00:00:23,760
می توانم این مجموعه خاص را تهیه کنم. بنابراین، اگر
13
00:00:23,760 –> 00:00:26,849
به پوشه دادههای خود بروم، میبینید که
14
00:00:26,849 –> 00:00:29,970
اینها اولین نامهایی هستند که ما
15
00:00:29,970 –> 00:00:36,300
نام خودروهای Carlita را در اندازه سه حرف Anika c-45 داریم،
16
00:00:36,300 –> 00:00:39,210
بنابراین این دادهها برای استفاده از
17
00:00:39,210 –> 00:00:40,950
این یکی و سپس برای دریافت
18
00:00:40,950 –> 00:00:43,140
اطلاعات بیشتر در مورد آن است. آیا
19
00:00:43,140 –> 00:00:44,370
اطلاعات مختلف جمع آوری شده است و اینها
20
00:00:44,370 –> 00:00:46,800
ویژگی های مختلفی خواهند بود،
21
00:00:46,800 –> 00:00:47,460
بسیار جالب است،
22
00:00:47,460 –> 00:00:49,079
باید ببینیم چگونه با آن کار کنیم،
23
00:00:49,079 –> 00:00:51,360
فقط به این مکان بازگردید و سپس
24
00:00:51,360 –> 00:00:53,460
این نحوه درست انجام می شود، بنابراین ما
25
00:00:53,460 –> 00:00:56,160
سعی می کنیم آن را ارزیابی کنیم ماشینی که به درستی از یادگیری ماشین استفاده می کند،
26
00:00:56,160 –> 00:00:57,809
بنابراین اینها نیز خواهند بود
27
00:00:57,809 –> 00:01:00,210
کلاس های ما نامفهوم قابل قبول خوب
28
00:01:00,210 –> 00:01:03,439
و خیلی خوب است که در اینجا دیده می شود و
29
00:01:03,439 –> 00:01:06,049
من باید بوت کنم این ویژگی ها هستند اینجا
30
00:01:06,049 –> 00:01:08,610
pivot حالا بیایید ببینیم چگونه با آن کار کنیم
31
00:01:08,610 –> 00:01:10,710
اول از همه بی ادبانه هیچ ایده ای نداشته باشید پکیج
32
00:01:10,710 –> 00:01:14,490
هایی که ناقص هستند و پانداها پس بیایید
33
00:01:14,490 –> 00:01:16,460
آنها را منفجر کنیم پس اجازه دهید من همه چیز را پاک کنید،
34
00:01:16,460 –> 00:01:21,680
بیایید آن را از ابتدا اجرا کنیم تا Cleo
35
00:01:21,680 –> 00:01:25,110
روی ما بارگیری کند و سپس
36
00:01:25,110 –> 00:01:27,990
به ما کمک کند تا در ایده هایمان به ما کمک کند، اما سپس
37
00:01:27,990 –> 00:01:30,000
تعدادی بسته تجسم داده نیز داشته
38
00:01:30,000 –> 00:01:31,500
باشیم.
39
00:01:31,500 –> 00:01:34,049
40
00:01:34,049 –> 00:01:36,659
برای بستههای یادگیری ماشینی ما،
41
00:01:36,659 –> 00:01:39,840
Ruby’s in Rochester
42
00:01:39,840 –> 00:01:42,600
سؤال چندجملهای را مطرح میکند و از
43
00:01:42,600 –> 00:01:45,689
جنگلهای تصادفی مجموعهای از سادهلحظههای ساختمانی هستند
44
00:01:45,689 –> 00:01:48,810
که برای ماتریس استفاده میکنند، ما
45
00:01:48,810 –> 00:01:51,990
نمره دقت بحرانی را از دست میدهیم و سپس
46
00:01:51,990 –> 00:01:54,180
مجموعه دادههای آماده برای آموزش
47
00:01:54,180 –> 00:01:56,130
روده را به درستی با استفاده از این خاص در
48
00:01:56,130 –> 00:01:58,500
این محور تقسیم در قسمت تقسیم میکنیم. ما
49
00:01:58,500 –> 00:02:02,070
از یک بسته یا الگوریتم شبکه عصبی بسیار زیبا
50
00:02:02,070 –> 00:02:04,950
استفاده خواهیم کرد، اما از آنجایی که MLP عمدتاً یک
51
00:02:04,950 –> 00:02:07,799
شکل ادراکی ارائه میشود،
52
00:02:07,799 –> 00:02:09,840
بنابراین اینها چیزهای مختلفی هستند که
53
00:02:09,840 –> 00:02:12,450
میفهمیم. پسر برای کمک به ما برای مجموعه کوچک ما
54
00:02:12,450 –> 00:02:14,069
در اینجا ما قبلاً شنیده
55
00:02:14,069 –> 00:02:16,950
ایم که دارم تعمیر و نگهداری می خرم و اگرچه
56
00:02:16,950 –> 00:02:18,810
این نام ستون ها به گونه ای ساخته شده است
57
00:02:18,810 –> 00:02:20,579
که یک بار نام ستون ها در اینجا قرار می گیرد زیرا
58
00:02:20,579 –> 00:02:22,829
اگر مجموعه داده های خود را حتماً بدون این اینجا بارگیری کنم،
59
00:02:22,829 –> 00:02:26,430
بیایید این یک سم را برداریم.
60
00:02:26,430 –> 00:02:28,859
اگر آن را اجرا کنم، آن را در پوشه دادهام ذخیره
61
00:02:28,859 –> 00:02:31,920
میکنم و سپس اجازه دهید با سر به
62
00:02:31,920 –> 00:02:34,109
توافق برسیم که اطلاعات درستی از سرصفحههای ستون ندارد،
63
00:02:34,109 –> 00:02:36,959
بنابراین
64
00:02:36,959 –> 00:02:39,480
وقتی دارم جس را میخوانم، سرصفحههای ستون را اینجا ارسال
65
00:02:39,480 –> 00:02:42,840
میکنم. به طوری که
66
00:02:42,840 –> 00:02:45,510
حداقل بتواند آن را انتخاب کند
67
00:02:45,510 –> 00:02:48,480
که ایده اصلی پشت آن است، بنابراین
68
00:02:48,480 –> 00:02:53,129
من آن را دوباره نام ستون ها را قرار می دهم، سپس
69
00:02:53,129 –> 00:02:55,530
چگونه آن را دوباره به اینجا برگردانم، بنابراین اگر
70
00:02:55,530 –> 00:02:57,959
سر را بررسی کنم، آن را خواهید دید.
71
00:02:57,959 –> 00:02:59,519
اگر درست است بسیار بسیار
72
00:02:59,519 –> 00:03:01,709
جالب است، بنابراین ما می توانیم از کار آسان استفاده کنیم
73
00:03:01,709 –> 00:03:04,590
حالا بیایید مجموع مجموعه اضافه شده
74
00:03:04,590 –> 00:03:06,840
را با یک توضیح بررسی کنیم و اینها
75
00:03:06,840 –> 00:03:09,389
تعدادهای مختلف مقادیر منحصر به فرد و
76
00:03:09,389 –> 00:03:11,879
پارامترهای مختلف هستند و دلیل آن
77
00:03:11,879 –> 00:03:13,379
مانند اطلاعات انسانی زیادی است که
78
00:03:13,379 –> 00:03:16,290
زیرا داشتن اطلاعات طبقه بندی شده زیاد الف
79
00:03:16,290 –> 00:03:18,900
که اشیایی هستند که
80
00:03:18,900 –> 00:03:20,909
نقاط قوت هستند نه اعداد، بنابراین فقط
81
00:03:20,909 –> 00:03:24,239
اطلاعات بسیار کمی به ما می دهد حالا
82
00:03:24,239 –> 00:03:26,310
بیایید شکل مجموعه داده ای را که
83
00:03:26,310 –> 00:03:29,549
داریم و سپس هفت حدوداً هفت ستون
84
00:03:29,549 –> 00:03:32,699
و سپس هزار و هفت و بیست و هشت
85
00:03:32,699 –> 00:03:35,220
ردیف را ببینیم، سپس می توانم بررسی کنم. تعداد
86
00:03:35,220 –> 00:03:37,109
مقادیر متان که به ما نمی دهد، بنابراین
87
00:03:37,109 –> 00:03:39,540
حتی ما از اینجا متوجه می شویم که
88
00:03:39,540 –> 00:03:42,000
تعداد مقادیر اخیر درست نبوده است.
89
00:03:42,000 –> 00:03:43,859
90
00:03:43,859 –> 00:03:45,720
91
00:03:45,720 –> 00:03:47,010
92
00:03:47,010 –> 00:03:49,680
از یک مجموعه داده که برای
93
00:03:49,680 –> 00:03:51,329
مالکیت است که ما حدود دویست
94
00:03:51,329 –> 00:03:53,400
و من گفتم که ما سیصد
95
00:03:53,400 –> 00:03:55,739
پا داریم اپیناستی نیست، بنابراین بیایید
96
00:03:55,739 –> 00:03:56,329
آن را امتحان کنیم
97
00:03:56,329 –> 00:03:58,709
تجسم کنیم همیشه فقط
98
00:03:58,709 –> 00:04:02,189
نژادی شده در آینده کاغذ مناسب است بنابراین
99
00:04:02,189 –> 00:04:04,530
اندازه مشخصی آن را به ما بدهید این برای غیرقابل قبول،
100
00:04:04,530 –> 00:04:08,189
بنابراین Ln خوب و بسیار خوب، شما
101
00:04:08,189 –> 00:04:09,750
همچنین می توانید از Seaborn استفاده کنید تا به ما کمک کند این کار را
102
00:04:09,750 –> 00:04:11,370
درست انجام دهیم، ما می خواهیم کمی رنگ به
103
00:04:11,370 –> 00:04:14,040
آن اضافه کنیم با استفاده از نمودار تعداد بسیار جالب،
104
00:04:14,040 –> 00:04:16,680
بسیار جالب، حالا بیایید همکاری را بررسی کنیم
105
00:04:16,680 –> 00:04:18,389
lumn هایی که دارید و سپس
106
00:04:18,389 –> 00:04:20,399
همه چیز همانطور که انتظار می رود کار می کند
107
00:04:20,399 –> 00:04:22,139
، همه آنها با حروف کوچک یکسان هستند، هیچ
108
00:04:22,139 –> 00:04:23,969
اشتباهی در آن وجود ندارد، سپس می توانید انواع داده ها را نیز بررسی کنید
109
00:04:23,969 –> 00:04:25,800
، بنابراین اگر امروز بررسی کنید
110
00:04:25,800 –> 00:04:27,480
سزاوار تمام روز خانه من است،
111
00:04:27,480 –> 00:04:29,250
اما برای ما باید یک حالت یادگیری ماشین بسیار خوب
112
00:04:29,250 –> 00:04:30,450
است، ما باید آنها را
113
00:04:30,450 –> 00:04:33,330
از شی به تاریخ عددی تبدیل کنیم، بنابراین
114
00:04:33,330 –> 00:04:34,410
شما باید این را انجام دهید خوب دو عدد بگیرید،
115
00:04:34,410 –> 00:04:36,360
بنابراین بیایید ببینیم چگونه گرد و غبار کردن
116
00:04:36,360 –> 00:04:38,370
با استفاده از رمزگذاری جهانی انجام می شود، بنابراین ما می توانیم فقط
117
00:04:38,370 –> 00:04:40,590
یک تابع دستی ایجاد کنیم تا به ما در انجام این کار کمک کند.
118
00:04:40,590 –> 00:04:42,900
درست است که روش اشتباهی خواهد بود،
119
00:04:42,900 –> 00:04:45,060
سپس می توانید از
120
00:04:45,060 –> 00:04:47,130
رمزگذار لیبرال برای مسکالین یک اسب و نام جالب استفاده کنید
121
00:04:47,130 –> 00:04:48,990
و سپس مستقیماً از پانداها آسیب ببینید،
122
00:04:48,990 –> 00:04:50,550
بنابراین همه اینها
123
00:04:50,550 –> 00:04:52,320
روش های مختلفی هستند که می توانید آن را رمزگذاری کنید، اما
124
00:04:52,320 –> 00:04:54,270
بیایید از یک روش معمولی استفاده کنیم.
125
00:04:54,270 –> 00:04:57,080
پس از آن مقداری از داراییهای باری ساده
126
00:04:57,080 –> 00:05:01,710
از ارزشهای منحصربهفرد ما خواهد بود و
127
00:05:01,710 –> 00:05:03,360
سپس منتظر ماندن در آنجا،
128
00:05:03,360 –> 00:05:05,970
در صورتی که دکمه بالا را بالا ببرید،
129
00:05:05,970 –> 00:05:08,460
بسیار مفید است، بنابراین اگر دوباره به
130
00:05:08,460 –> 00:05:11,910
برچسب بانک برگردم. این کم
131
00:05:11,910 –> 00:05:14,790
زیاد است خیلی زیاد متوسط درست است که اش
132
00:05:14,790 –> 00:05:17,130
133
00:05:17,130 –> 00:05:18,870
الی ندارد اما ما میتوانیم از آن استفاده کنیم ما این را درست میفهمیم، بنابراین میتوانیم این کار را زمانی ان
134
00:05:18,870 –> 00:05:20,670
ام دهیم که شما میخواهید خیلی علاقهمند باشید، آی
135
00:05:20,670 –> 00:05:22,560
میتوانم منحصربهفرد را نیز بررسی کنم، بنابراین اگ
136
00:05:22,560 –> 00:05:23,670
یک منحصر به فرد را بررسی کنم مختلف
137
00:05:23,670 –> 00:05:25,290
مختلف منحصر به فرد بسیار بالا متوسط کم که
138
00:05:25,290 –> 00:05:27,300
مان چیزی است که در
139
00:05:27,300 –> 00:05:30,660
هنم ایده خوبی برای ما بوده است درست است، بن
140
00:05:30,660 –> 00:05:33,120
براین همان چیز برای سطح تعمیر و نگهداری مت
141
00:05:33,120 –> 00:05:36,180
سط بسیار علاقه مند است در حال حاضر من واقعاً می توانم
142
00:05:36,180 –> 00:05:38,970
ین یکی را ببینم که بسیار زیباتر در این مو
143
00:05:38,970 –> 00:05:40,170
د بسیار مهم است اما این برای
144
00:05:40,170 –> 00:05:41,250
145
00:05:41,250 –> 00:05:43,890
مردان ماشینی ما مهم است، بنابراین من خوب هستم که شما
146
00:05:43,890 –> 00:05:46,560
این یکی را ببینید و سپس از آن استفاده کنید وقتی که ما را
147
00:05:46,560 –> 00:05:50,100
در حالت ایستاده قرار می دهیم، بسیار ساده بسیار جالب است، حالا
148
00:05:50,100 –> 00:05:51,900
بیایید به گزینه بعدی برویم، بنابراین
149
00:05:51,900 –> 00:05:54,380
در داخل پذیرایی داستان های خوبی روی آن وجود دارد
150
00:05:54,380 –> 00:05:55,770
tf1
151
00:05:55,770 –> 00:05:58,080
این از روش دیگری استفاده میکند، بنابراین
152
00:05:58,080 –> 00:06:01,590
روش اول استفاده از یک نقص معمولی مرد بود،
153
00:06:01,590 –> 00:06:03,150
بنابراین ما از رمزگذار برچسب استفاده میکنیم
154
00:06:03,150 –> 00:06:05,610
تا به ما کمک کند آن را درست خنک کنیم، سپس
155
00:06:05,610 –> 00:06:07,500
اتمهای کوچک مختلف را کرمچاله میگویند که
156
00:06:07,500 –> 00:06:09,150
رمزگشایی هر کدام از آنها است،
157
00:06:09,150 –> 00:06:09,600
158
00:06:09,600 –> 00:06:11,670
بنابراین بیایید ببینیم و دیگری، بنابراین من فقط
159
00:06:11,670 –> 00:06:14,820
میخواهم ببینم اینجا نوشته شده است، شما میبینید که یک
160
00:06:14,820 –> 00:06:16,800
احتمالی به نام tf1 نیز میتواند آن را اینگونه بسازد،
161
00:06:16,800 –> 00:06:20,700
بنابراین داستانهای کپی نوشتن
162
00:06:20,700 –> 00:06:22,380
وجود دارد، آیا دوست خاصی وجود دارد، همچنین به
163
00:06:22,380 –> 00:06:26,010
ویکی محور میرود ببیند آیا به این باز میگردم
164
00:06:26,010 –> 00:06:28,880
و من با او برو
165
00:06:29,139 –> 00:06:31,280
این شخص را که فکر کردم انجام داده ام
166
00:06:31,280 –> 00:06:35,960
می توانم ببینم که کاملاً در حال چاپ است
167
00:06:35,960 –> 00:06:37,430
هیچ کدام از آنها بر خلاف مورد
168
00:06:37,430 –> 00:06:39,560
قبلی که در
169
00:06:39,560 –> 00:06:41,180
170
00:06:41,180 –> 00:06:45,080
حال حاضر بسیار ساده گنجانده
171
00:06:45,080 –> 00:06:47,180
شده بود کدگذاری نشده است. انجام این کار
172
00:06:47,180 –> 00:06:49,099
مشروط بود که شما ساخته اید تا
173
00:06:49,099 –> 00:06:51,110
مجموعه کوچکی را شامل شود، بنابراین بیایید ببینیم چگونه
174
00:06:51,110 –> 00:06:52,970
انجام دهیم، من فقط به همان چیزی می روم،
175
00:06:52,970 –> 00:06:55,819
سپس ما نقشه را برای علامت گذاری آنها نکردیم،
176
00:06:55,819 –> 00:06:58,099
او در نهایت به اینجا باز می گردد من این
177
00:06:58,099 –> 00:07:01,669
یکی را اجرا می کنم. این دوباره یکی را اجرا می کنم و
178
00:07:01,669 –> 00:07:03,199
سومی و چهارمی را خوب اجرا می کنم، بنابراین
179
00:07:03,199 –> 00:07:04,909
این شامل همه آنها برای
180
00:07:04,909 –> 00:07:07,520
ما می شود، بنابراین اگر دوباره برگردم و آن را
181
00:07:07,520 –> 00:07:09,979
به عنوان سر اینجا دخترها اجرا کنم که این فقط
182
00:07:09,979 –> 00:07:12,020
اعداد درست است پس این اعداد است
183
00:07:12,020 –> 00:07:14,360
در مقایسه با این که اشیاء درست
184
00:07:14,360 –> 00:07:15,919
بسیار تهاجمی هستند بنابراین، همه چیز به
185
00:07:15,919 –> 00:07:18,289
درستی توسط یکدیگر کدگذاری شده
186
00:07:18,289 –> 00:07:20,270
است، مگر اینکه مورد دوم را ببینید،
187
00:07:20,270 –> 00:07:21,470
بنابراین روش دوم
188
00:07:21,470 –> 00:07:24,740
استفاده از رمزگذار برچسب از SQL و
189
00:07:24,740 –> 00:07:28,340
پردازش پیشپردازش است، بنابراین بیایید آن را برای
190
00:07:28,340 –> 00:07:31,009
تازهکارها در متحدان بریتانیا
191
00:07:31,009 –> 00:07:34,310
بارگذاری کنیم. اجازه دهید از یک متفاوت برای
192
00:07:34,310 –> 00:07:36,919
هسته d f2 خود برای قاب داده خارج کنیم – سپس اجازه دهید
193
00:07:36,919 –> 00:07:39,409
رمزگذار را برچسب گذاری کنیم تا حتی تبدیل
194
00:07:39,409 –> 00:07:40,340
شود. خوب
195
00:07:40,340 –> 00:07:42,380
است این کار را برای شما همه ستون ها را کمی
196
00:07:42,380 –> 00:07:45,830
متفاوت انجام می دهم.
197
00:07:45,830 –> 00:07:48,320
198
00:07:48,320 –> 00:07:50,210
آنها را کاملاً درست صدا کنید تقریباً شبیه
199
00:07:50,210 –> 00:07:52,880
به این درست است تقریباً یکسان است اما
200
00:07:52,880 –> 00:07:54,979
بسیار عالی است درست ببینید این ما می توانیم از
201
00:07:54,979 –> 00:07:56,509
هر روش دیگری استفاده کنیم و هنوز هم اکنون کاملاً کار می کند
202
00:07:56,509 –> 00:07:57,080
203
00:07:57,080 –> 00:07:59,330
اگر انواع داده های مورد اول را دوباره بررسی کنم
204
00:07:59,330 –> 00:08:01,520
این همه اعداد صحیح هستند
205
00:08:01,520 –> 00:08:03,740
و اگر من آن را در چشم بررسی کنم هر کدام از دو
206
00:08:03,740 –> 00:08:05,840
نوع را برای دومی تایپ کنم، همه آنها
207
00:08:05,840 –> 00:08:10,639
نیز تنظیم می شود، بنابراین اگر با if –
208
00:08:10,639 –> 00:08:13,400
همه آنها نیز اعداد صحیح هستند، درست است به من بگویید
209
00:08:13,400 –> 00:08:15,169
که می توانید از این یکی برای کار
210
00:08:15,169 –> 00:08:17,810
کردن استفاده کنید، مگر اینکه همبسته را پیدا کنید. یون بین یک
211
00:08:17,810 –> 00:08:20,750
مجموعه داده بادبانی اعداد Aoyama اکنون
212
00:08:20,750 –> 00:08:22,219
می توانند همبستگی بین
213
00:08:22,219 –> 00:08:25,699
تصمیم گیری را با استفاده از نقشه ضربه توپ C به درستی ببینند، بنابراین
214
00:08:25,699 –> 00:08:27,889
این همبستگی کاملاً
215
00:08:27,889 –> 00:08:29,810
جالب است و با پایین آمدن آن
216
00:08:29,810 –> 00:08:32,479
بسیار جالب تغییر می کند حالا اجازه دهید روی
217
00:08:32,479 –> 00:08:33,890
بعدی کار کنیم. گزینه بنابراین من فقط
218
00:08:33,890 –> 00:08:35,870
ستون ها را بررسی می کنم و سپس اگر اکنون به توصیف برگردم
219
00:08:35,870 –> 00:08:37,458
220
00:08:37,458 –> 00:08:39,409
اطلاعات بیشتری نسبت به ردیف والد قبلی به ما می دهد
221
00:08:39,409 –> 00:08:40,789
بنابراین این به عنوان اطلاعات بیشتر داده می شود
222
00: