در این مطلب، ویدئو 10 محبوب ترین کتابخانه پایتون | یاسوانت | GeeksforGeeks 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: 00:07:18
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,240 –> 00:00:02,080
سلام من ashwanth به گیک ها خوش آمدید
2
00:00:02,080 –> 00:00:03,679
در این ویدیو
3
00:00:03,679 –> 00:00:06,080
قصد دارم در مورد 10 بسته برتر پایتون صحبت کنم
4
00:00:06,080 –> 00:00:07,359
5
00:00:07,359 –> 00:00:08,880
که باید بدانید python
6
00:00:08,880 –> 00:00:10,480
بدون شک بهترین
7
00:00:10,480 –> 00:00:11,599
زبان برنامه نویسی در جهان
8
00:00:11,599 –> 00:00:13,759
بر اساس تعداد کاربران یا بر
9
00:00:13,759 –> 00:00:15,280
اساس تعداد
10
00:00:15,280 –> 00:00:18,000
مناطقی که پایتون مورد استفاده قرار می گیرد، بنابراین
11
00:00:18,000 –> 00:00:19,680
به عنوان یکی از زبان های اصلی
12
00:00:19,680 –> 00:00:20,320
13
00:00:20,320 –> 00:00:21,760
برای هر توسعه دهنده و هر
14
00:00:21,760 –> 00:00:24,480
سازمانی در نظر گرفته می شود، بنابراین پایتون محبوب است
15
00:00:24,480 –> 00:00:25,279
زیرا
16
00:00:25,279 –> 00:00:27,039
یکی از دلایل آن منبع باز بودن آن است
17
00:00:27,039 –> 00:00:29,039
و چیز دیگر این است که دارای یک
18
00:00:29,039 –> 00:00:30,080
19
00:00:30,080 –> 00:00:32,640
کتابخانه بسته گسترده است. همه میتوانند
20
00:00:32,640 –> 00:00:34,480
برای بستههای پایتون مشارکت کنند و
21
00:00:34,480 –> 00:00:36,399
هرکسی میتواند بستههای خود را
22
00:00:36,399 –> 00:00:38,399
بسازد، بله، در این ویدیو در
23
00:00:38,399 –> 00:00:41,040
مورد 10 بسته برتر پایتون صحبت
24
00:00:41,040 –> 00:00:45,840
میکنم که باید بدانید، بیایید شروع کنیم
25
00:00:51,039 –> 00:00:54,079
شماره یک لیست tensorflow است، بنابراین
26
00:00:54,079 –> 00:00:56,480
tensorflow بدون شک
27
00:00:56,480 –> 00:00:59,039
بسته برتر است. از پایتون که در
28
00:00:59,039 –> 00:01:00,719
یادگیری ماشینی و یادگیری عمیق استفاده می شود،
29
00:01:00,719 –> 00:01:02,640
بنابراین اگر در حال ساخت یک شبکه عصبی
30
00:01:02,640 –> 00:01:04,640
هستید، اگر روی ساخت یک
31
00:01:04,640 –> 00:01:06,960
برنامه بزرگ یادگیری ماشین کار می کنید،
32
00:01:06,960 –> 00:01:09,520
در نهایت nsorflow بهترین گزینه برای انتخاب است،
33
00:01:09,520 –> 00:01:12,080
بنابراین tensorflow دارای
34
00:01:12,080 –> 00:01:12,960
طیف وسیعی از
35
00:01:12,960 –> 00:01:15,360
گزینههای UH برای انتخاب در هنگام ساخت
36
00:01:15,360 –> 00:01:17,200
یک مدل یادگیری ماشینی است، بنابراین
37
00:01:17,200 –> 00:01:19,040
برای مدیریت شبکه عصبی به
38
00:01:19,040 –> 00:01:22,080
شدت بدون هیچ مشکل داده استفاده میشود، بنابراین
39
00:01:22,080 –> 00:01:22,560
40
00:01:22,560 –> 00:01:24,320
هنوز هم به عنوان یکی از بهترینها در نظر گرفته میشود.
41
00:01:24,320 –> 00:01:26,159
بسته در سال
42
00:01:26,159 –> 00:01:29,040
2021 و شماره دو در لیست
43
00:01:29,040 –> 00:01:30,079
numpy
44
00:01:30,079 –> 00:01:32,880
numpy مخفف عددی پایتون است، بنابراین اگر
45
00:01:32,880 –> 00:01:34,799
فردی هستید که
46
00:01:34,799 –> 00:01:36,560
حرفه خود را در تجزیه و تحلیل داده ها
47
00:01:36,560 –> 00:01:38,159
شروع می کنید، ممکن است این اصطلاح
48
00:01:38,159 –> 00:01:39,600
به نام numpy را شنیده باشید،
49
00:01:39,600 –> 00:01:42,640
بنابراین numpy باعث می شود ریاضیات شما
50
00:01:42,640 –> 00:01:46,159
در پایتون به راحتی انجام شود. بنابراین اگر در حال
51
00:01:46,159 –> 00:01:46,880
52
00:01:46,880 –> 00:01:48,880
انجام کاری در بخش تجزیه و تحلیل داده
53
00:01:48,880 –> 00:01:50,399
یا یادگیری ماشین
54
00:01:50,399 –> 00:01:52,320
هستید، باید انجام دهید، پس باید
55
00:01:52,320 –> 00:01:54,000
ریاضیات را
56
00:01:54,000 –> 00:01:55,520
به روشی بسیار گسترده درک کنید، بنابراین به
57
00:01:55,520 –> 00:01:57,840
جبر خطی نیاز دارید، به آمار
58
00:01:57,840 –> 00:02:00,479
نیاز دارید، به همه چیز نیاز دارید، اما کاری که numpy انجام می دهد این
59
00:02:00,479 –> 00:02:01,119
است
60
00:02:01,119 –> 00:02:04,079
که جاسازی می کند. هر تابع ریاضی به عنوان
61
00:02:04,079 –> 00:02:05,280
یک تابع پایتون،
62
00:02:05,280 –> 00:02:07,280
به طوری که شما فقط می توانید از برخی از توابع پایتون
63
00:02:07,280 –> 00:02:08,318
64
00:02:08,318 –> 00:02:09,840
برای انجام تمام آن عملیات ریاضی
65
00:02:09,840 –> 00:02:11,520
66
00:02:11,520 –> 00:02:13,760
به راحتی استفاده کنید. یکی از بهترین
67
00:02:13,760 –> 00:02:15,440
بستههای پایتون است
68
00:02:15,440 –> 00:02:17,520
که وقتی فردی هستید که به دنبال
69
00:02:17,520 –> 00:02:19,360
شروع حرفه خود در تجزیه و تحلیل داده
70
00:02:19,360 –> 00:02:20,400
شماره سه در لیست هستید
71
00:02:20,400 –> 00:02:23,760
، pandas pandos یکی از بستههای محبوب
72
00:02:23,760 –> 00:02:24,400
پایتون
73
00:02:24,400 –> 00:02:26,800
است که برای مدیریت و
74
00:02:26,800 –> 00:02:28,239
مدیریت دادهها استفاده میشود.
75
00:02:28,239 –> 00:02:31,280
شما در یک داده در
76
00:02:31,280 –> 00:02:32,080
سمت
77
00:02:32,080 –> 00:02:34,640
داده کار می کنید و روی فایل های csv یا فایل های
78
00:02:34,640 –> 00:02:35,680
اکسل کار می کنید،
79
00:02:35,680 –> 00:02:38,879
پس به پانداها اجباری نیاز دارید
80
00:02:38,879 –> 00:02:41,120
زیرا پایتون زیرا pandas یک
81
00:02:41,120 –> 00:02:42,879
بسته پایتون اجباری
82
00:02:42,879 –> 00:02:45,680
برای مدیریت هر نوع داده است، بنابراین می توانید
83
00:02:45,680 –> 00:02:46,959
داده ها را ادعا کنید
84
00:02:46,959 –> 00:02:49,760
و بتوانید سازماندهی کنید. داده های موجود در یک فایل csv،
85
00:02:49,760 –> 00:02:50,480
86
00:02:50,480 –> 00:02:52,319
بنابراین می توانید ستون ها را از
87
00:02:52,319 –> 00:02:54,640
فایل csv وارد کنید، می توانید آن را سازماندهی کنید
88
00:02:54,640 –> 00:02:57,680
و می توانید تجزیه و تحلیل هایی را از
89
00:02:57,680 –> 00:02:59,519
مجموعه داده هایی که دارید انجام دهید،
90
00:02:59,519 –> 00:03:02,319
بنابراین بله پانداها یک بسته بسیار مفید است
91
00:03:02,319 –> 00:03:03,360
که می توانید از آن
92
00:03:03,360 –> 00:03:05,440
برای دریافت بینش و اطلاعات استفاده کنید. تجزیه و تحلیل در مورد
93
00:03:05,440 –> 00:03:06,800
مجموعه داده هایی که شما دارید
94
00:03:06,800 –> 00:03:10,239
و شماره چهار در لیست Pie
95
00:03:10,239 –> 00:03:12,159
96
00:03:12,159 –> 00:03:14,400
Torch Pie Torch جایگزینی برای تنسورفلو است که می توان برای آن استفاده کرد،
97
00:03:14,400 –> 00:03:17,360
بنابراین pytorch توسط فیس بوک در حال توسعه است
98
00:03:17,360 –> 00:03:19,120
و در درجه اول توسط چهره استفاده می
99
00:03:19,120 –> 00:03:20,239
شود. کتاب
100
00:03:20,239 –> 00:03:22,480
را نیز انجام می دهد، بنابراین آن را نیز انجام می دهد همان
101
00:03:22,480 –> 00:03:23,599
عملیاتی که
102
00:03:23,599 –> 00:03:27,040
تنسورفلو انجام می دهد، بنابراین در درجه اول
103
00:03:27,040 –> 00:03:28,000
104
00:03:28,000 –> 00:03:30,159
در برخورد با شبکه های عصبی و همه
105
00:03:30,159 –> 00:03:31,040
آن چیزها مفید است،
106
00:03:31,040 –> 00:03:33,040
بنابراین اگر شما کسی هستید که
107
00:03:33,040 –> 00:03:34,400
علاقه زیادی به
108
00:03:34,400 –> 00:03:36,640
ساخت یک مدل یادگیری ماشینی دارید،
109
00:03:36,640 –> 00:03:38,720
با سیستم های پیشرفته. url nets
110
00:03:38,720 –> 00:03:40,239
پس و شما کاملاً
111
00:03:40,239 –> 0