در این مطلب، ویدئو تشخیص احساسات متنی در صورت در آغوش پایتون | آموزش کاربردی NLP 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: 00:15:45
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:02,159
دوستان عزیز کدنویس به یک
2
00:00:02,159 –> 00:00:04,240
کد نویس کوچک در این آموزش کاربردی پایتون
3
00:00:04,240 –> 00:00:06,480
nlp خوش آمدید، من به شما یاد می دهم که چگونه
4
00:00:06,480 –> 00:00:08,559
طبقه بندی احساسات خود را با استفاده
5
00:00:08,559 –> 00:00:10,480
از مدلی بسازید که در
6
00:00:10,480 –> 00:00:12,799
هاب مدل صورت در آغوش کشیده است، بنابراین این مدل
7
00:00:12,799 –> 00:00:15,519
ربات ایمو emo نامیده می شود بنابراین نام آن می آید. از آنجایی که
8
00:00:15,519 –> 00:00:17,199
شما تشخیص غوطه وری را انجام می دهید و
9
00:00:17,199 –> 00:00:19,359
آنها ذاتا از یک مدل roberta استفاده می کنند و
10
00:00:19,359 –> 00:00:21,359
این مدل توسط arpan goshel بارگذاری شده است. با
11
00:00:21,359 –> 00:00:23,279
تشکر darpan برای
12
00:00:23,279 –> 00:00:24,960
در دسترس قرار دادن این مدل که ما می توانیم بلافاصله استفاده از
13
00:00:24,960 –> 00:00:26,960
آن را شروع کنیم و این
14
00:00:26,960 –> 00:00:28,480
صفحه بسیار جامعی است که می توانید بخوانید در
15
00:00:28,480 –> 00:00:30,400
مورد روش شناسی می توانید در مورد این
16
00:00:30,400 –> 00:00:31,760
دوره که آنها دریافت کرده اند بخوانید و همچنین می
17
00:00:31,760 –> 00:00:33,200
توانید یک کد شروع دریافت کنید،
18
00:00:33,200 –> 00:00:34,960
بنابراین این مدلی است که ما می خواهیم
19
00:00:34,960 –> 00:00:37,040
برای ساخت طبقه بندی کننده احساسات خود استفاده کنیم
20
00:00:37,040 –> 00:00:38,960
و من به شما نشان می دهم که
21
00:00:38,960 –> 00:00:40,800
چگونه بسازید. این دستهبندی احساسات متنی
22
00:00:40,800 –> 00:00:43,200
تشخیص احساسات با استفاده از نوتبوک google collab،
23
00:00:43,200 –> 00:00:45,039
بنابراین فقط برای اطمینان از اینکه من
24
00:00:45,039 –> 00:00:46,640
از نوتبوک google collab استفاده میکنم،
25
00:00:46,640 –> 00:00:48,719
بهویژه از این نوتبوک Google collab
26
00:00:48,719 –> 00:00:51,680
فقط بر روی cpu استفاده میکنم نه در gpu، پس
27
00:00:51,680 –> 00:00:53,280
اجازه دهید شروع شد، بنابراین اولین کاری
28
00:00:53,280 –> 00:00:55,199
که باید انجام دهید این است که دفترچه یادداشت گوگل کولب خود را راه اندازی کنید
29
00:00:55,199 –> 00:00:56,719
و بعد از راه اندازی
30
00:00:56,719 –> 00:00:58,800
نوت بوک گوگل کولب خود، فقط ادامه دهید و
31
00:00:58,800 –> 00:01:01,199
سپس ترانسفورماتورها را نصب کنید، بنابراین ترانسفورماتورهای نصب pip
32
00:01:01,199 –> 00:01:02,719
در ترانسفورماتور نصب خواهند شد،
33
00:01:02,719 –> 00:01:05,040
من آن را به آرامی نصب می کنم، بنابراین
34
00:01:05,040 –> 00:01:06,640
فیپ ترانسفورماتور را نصب می کند.
35
00:01:06,640 –> 00:01:08,400
کتابخانه ترانسفورماتورهایی را
36
00:01:08,400 –> 00:01:10,479
که برای دسترسی به مدلهای hugging fest مورد نیاز است، نصب میکند
37
00:01:10,479 –> 00:01:12,640
و بعد از نصب ترانسفورماتور pip،
38
00:01:12,640 –> 00:01:14,320
اکنون مورد بعدی این است که
39
00:01:14,320 –> 00:01:16,240
ما میخواهیم از خط لوله فاز hugging استفاده کنیم،
40
00:01:16,240 –> 00:01:17,840
بنابراین چند راه وجود دارد
41
00:01:17,840 –> 00:01:19,840
که میتوانید این کار را انجام دهید. بنابراین یکی
42
00:01:19,840 –> 00:01:21,759
از مسیرهای سنتی که در آن
43
00:01:21,759 –> 00:01:23,600
توکنایزر و مدل را جداگانه دانلود کرده اید بروید
44
00:01:23,600 –> 00:01:25,119
و سپس می توانید طبقه بندی را انجام دهید
45
00:01:25,119 –> 00:01:27,360
اما ساده ترین راه برای
46
00:01:27,360 –> 00:01:29,280
انجام این کار این است که می
47
00:01:29,280 –> 00:01:31,119
توانید خط لوله را وارد کنید و سپس
48
00:01:31,119 –> 00:01:33,040
خط لوله تجزیه و تحلیل احساسات را وارد
49
00:01:33,040 –> 00:01:35,360
کنید و انتخاب کنید. مدل تشخیص احساسات، بنابراین
50
00:01:35,360 –> 00:01:36,960
به جای انتخاب مسیر سنتی،
51
00:01:36,960 –> 00:01:38,320
در این
52
00:01:38,320 –> 00:01:39,920
مورد که من فقط وارد می کنم، مسیر دیگری را انتخاب می کنم.
53
00:01:39,920 –> 00:01:42,240
خط لوله که ساخت این را برای من آسان تر می کند
54
00:01:42,240 –> 00:01:43,920
که در آن خطوط بسیار کمی از
55
00:01:43,920 –> 00:01:46,320
کد پایتون، بنابراین از ترانسفورماتورها
56
00:01:46,320 –> 00:01:48,399
خط لوله را وارد می کنند و بعد از وارد کردن خط
57
00:01:48,399 –> 00:01:50,159
لوله، نکته بعدی این است که باید مشخص
58
00:01:50,159 –> 00:01:51,600
کنید وظیفه ای را که می
59
00:01:51,600 –> 00:01:53,280
خواهید با این خط لوله انجام دهید چیست. بنابراین
60
00:01:53,280 –> 00:01:54,560
کارهای مختلفی وجود دارد که در دسترس هستند،
61
00:01:54,560 –> 00:01:55,600
به عنوان مثال
62
00:01:55,600 –> 00:01:57,280
میتوانید طبقهبندی متن را انجام دهید، میتوانید
63
00:01:57,280 –> 00:01:59,119
تولید متن را انجام دهید، میتوانید کارهای زیادی انجام دهید،
64
00:01:59,119 –> 00:02:00,960
اما برای هدف ما، من
65
00:02:00,960 –> 00:02:03,680
وظیفه را به عنوان یک کار تجزیه و تحلیل احساسات تعریف میکنم و
66
00:02:03,680 –> 00:02:05,920
سپس با تشخیص من از مدل استفاده
67
00:02:05,920 –> 00:02:08,080
میکنم، به خط لوله فاز آویزان میگویم که
68
00:02:08,080 –> 00:02:10,318
با استفاده از این
69
00:02:10,318 –> 00:02:12,640
مدل خاص که در مورد آن صحبت کردیم، تجزیه و تحلیل احساسات انجام دهد،
70
00:02:12,640 –> 00:02:14,800
بنابراین همانطور که میبینید بعد از تعریف آن،
71
00:02:14,800 –> 00:02:16,160
میخواهیم این را در یک احساس شیء تعریف کنیم
72
00:02:16,160 –> 00:02:17,440
73
00:02:17,440 –> 00:02:19,280
و در این نقطه قصد دارد
74
00:02:19,280 –> 00:02:20,879
این مدل را دانلود کند و آن را
75
00:02:20,879 –> 00:02:23,200
برای شما آماده می کند، بنابراین می توانید همانطور که گفتم می
76
00:02:23,200 –> 00:02:25,120
توانید یا با این مسیر که یک
77
00:02:25,120 –> 00:02:27,040
مسیر خط لوله است بروید یا می توانید با جاده سنتی بروید که در
78
00:02:27,040 –> 00:02:29,200
آن به طور خاص تعریف می کنید.
79
00:02:29,200 –> 00:02:30,959
در توکنایزر خود شما به طور خاص
80
00:02:30,959 –> 00:02:32,400
مدل خود را تعریف می کنید و سپس باید
81
00:02:32,400 –> 00:02:34,160
چند کار دیگر انجام دهید
82
00:02:34,160 –> 00:02:35,280
که به این معنی است
83
00:02:35,280 –> 00:02:36,640
که مسیر سنتی به شما انعطاف می دهد
84
00:02:36,640 –> 00:02:39,120
اما مسیر خط لوله به
85
00:02:39,120 –> 00:02:39,840
من
86
00:02:39,840 –> 00:02:41,599
سرعت می دهد که به این معنی است که می توانم
87
00:02:41,599 –> 00:02:43,360
با تعداد بسیار کمتری از پایتون کارها را سریعتر انجام دهم.
88
00:02:43,360 –> 00:02:45,200
کد فقط به این دلیل که من یک نسخه آزمایشی انجام میدهم،
89
00:02:45,200 –> 00:02:46,959
نمیخواهم آن را در جایی مستقر کنم، بنابراین شما
90
00:02:46,959 –> 00:02:48,400
باید بر اساس آنچه میخواهید انجام دهید تماس بگیرید
91
00:02:48,400 –> 00:02:50,720
، بنابراین در این مرحله ما
92
00:02:50,720 –> 00:02:53,040
مدل را دانلود کردهایم یا درخت خط لوله
93
00:02:53,040 –> 00:02:55,200
و احساسات را داریم. نکته بعدی این است
94
00:02:55,200 –> 00:02:57,280
که خیلی ساده است ما آماده هستیم
95
00:02:57,280 –> 00:03:00,239
که فقط باید از این احساس استفاده کنیم و
96
00:03:00,239 –> 00:03:02,080
سپس این متن را مانند هر کاری که می خواهید
97
00:03:02,080 –> 00:03:04,080
انجام دهید به عنوان مثال من می خواهم بگویم
98
00:03:04,080 –> 00:03:06,800
مطمئن نیستم چگونه این کار را انجام دهیم. بسیار خوب،
99
00:03:06,800 –> 00:03:08,319
من این را اجرا می کنم و سپس
100
00:03:08,319 –> 00:03:09,760
101
00:03:09,760 –> 00:03:11,040
وقتی خروجی آن را قرار می دهم
102
00:03:11,040 –> 00:03:13,440
ببینم خروجی آن چیست.
103
00:03:13,440 –> 00:03:14,879
104
00:03:14,879 –> 00:03:16,800
105
00:03:16,800 –> 00:03:19,040
یک برچسب چون شما دارید
106
00:03:19,040 –> 00:03:21,040
تشخیص می دهید که d هستید اگر چندین دسته می خواهید، آن را به عنوان یک
107
00:03:21,040 –> 00:03:23,360
کار تجزیه و تحلیل احساسات
108
00:03:23,360 –> 00:03:25,360
انجام دهید، می توانید آن را
109
00:03:25,360 –> 00:03:28,080
به عنوان یک طبقه بندی متن انجام دهید، اما در این
110
00:03:28,080 –> 00:03:29,519
مورد مثل اینکه من فقط یک تجزیه و تحلیل احساسات انجام می دهم،
111
00:03:29,519 –> 00:03:31,440
بنابراین من
112
00:03:31,440 –> 00:03:33,599
مقوله ای را دارم که مرتبط ترین است.
113
00:03:33,599 –> 00:03:34,959
امتیاز مقولهای را داشته باشید
114
00:03:34,959 –> 00:03:37,280
که مرتبطتر است، پس بیایید
115
00:03:37,280 –> 00:03:38,959
با متن دیگری امتحان کنیم، بنابراین من میخواهم
116
00:03:38,959 –> 00:03:41,920
متن متفاوتی بدهم، شاید بگویم
117
00:03:41,920 –> 00:03:44,239
از این کانال بسیار راضی هستم،
118
00:03:44,239 –> 00:03:45,440
119
00:03:45,440 –> 00:03:47,680
خوب و ببینیم چه میشود و
120
00:03:47,680 –> 00:03:50,400
سپس میگوید این شادی است، بنابراین 90 97 درصد
121
00:03:50,400 –> 00:03:52,799
امتیاز است، پس بگذارید چیز دیگری بگویم،
122
00:03:52,799 –> 00:03:54,319
123
00:03:54,319 –> 00:03:57,840
محتوای شما بد است و بیایید ببینیم چه
124
00:03:57,840 –> 00:03:58,879
اتفاقی میافتد
125
00:03:58,879 –> 00:04:00,879
و میتوانید ببینید انزجار یک
126
00:04:00,879 –> 00:04:03,040
احساس است و 87 است، بنابراین میتوانید
127
00:04:03,040 –> 00:04:04,640
با آن بازی کنید. شما می توانید
128
00:04:04,640 –> 00:04:07,519
بسیاری از چیزها را تغییر دهید مانند من شما را دوست دارم و سپس
129
00:04:07,519 –> 00:04:10,080
بیایید ببینیم آن چیست، بنابراین می توانید ببینید که
130
00:04:10,080 –> 00:04:12,080
اکنون در مورد عشق است، بنابراین وقتی
131
00:04:12,080 –> 00:04:13,680
به صفحه مدل برگردید در واقع می توانید ببینید
132
00:04:13,680 –> 00:04:16,399
که این احساسات به این مجموعه
133
00:04:16,399 –> 00:04:18,880
داده برچسب زده شده است. در 58000 نظر معامله شده
134
00:04:18,880 –> 00:04:21,600
با 28 احساس بنابراین اساساً کاری که
135
00:04:21,600 –> 00:04:23,040
شما میخواهید انجام دهید این است که
136
00:04:23,040 –> 00:04:25,759
سعی میکنید کلاسی را که میخواهید مطابقت دهید،
137
00:04:25,759 –> 00:04:27,199
متنی را که میدهید در یکی از
138
00:04:27,199 –> 00:04:29,680
این ۲۸ احساس طبقهبندی کنید، بنابراین سه چهار
139
00:04:29,680 –> 00:04:31,440
احساس نیست، زیرا
140
00:04:31,440 –> 00:04:33,199
اکثر مدلهای تشخیص احساسات با شکست مواجه میشوند.
141
00:04:33,199 –> 00:04:35,680
آنها فقط سعی میکنند
142
00:04:35,680 –> 00:04:37,759
دادههای شما را در حالت انقباض قرار دهند و متن دادههای شما را
143
00:04:37,759 –> 00:04:40,000
در سه چهار احساس نگه دارند، که
144
00:04:40,000 –> 00:04:41,840
معمولاً آنطور نیست که انسانها
145
00:04:41,840 –> 00:04:44,560
احساسات خود را در قالب یک متن بیان میکنند،
146
00:04:44,560 –> 00:04:46,320
بنابراین مجموعهای از احساسات بسیار خوب است که
147
00:04:46,320 –> 00:04:48,240
شما مورد تحسین قرار گرفتهاید.
148
00:04:48,240 –> 00:04:50,400
شما سرگرمی دارید عصبانیت عصبانیت
149
00:04:50,400 –> 00:04:53,680
تایید غم و ندامت تسکین غافلگیری
150
00:04:53,680 –> 00:04:54,720
خنثی
151
00:04:54,720 –> 00:04:55,919
بنابراین شما چیزهای مختلف زیادی دارید،
152
00:04:55,919 –> 00:04:58,960
به عنوان مثال اوم من متاسفم
153
00:04:58,960 –> 00:05:02,560
متاسفم که سفارش به تعویق افتاد پس
154
00:05:02,560 –> 00:05:04,960
بیایید ببینیم چه می شود و می توانید ببینید
155
00:05:04,960 –> 00:05:06,400
این در مورد پشیمانی است، مانند
156
00:05:06,400 –> 00:05:07,840
زمانی که معمولاً با مشتریان ما
157
00:05:07,840 –> 00:05:09,360
در مورد آسیایی صحبت می کنید، بنابراین این اولین چیزی است
158
00:05:09,360 –> 00:05:11,520
که معمولاً برای آرام کردن شما می گویند تا
159
00:05:11,520 –> 00:05:13,039
بدانید اشتباهی
160
00:05:13,039 –> 00:05:14,960
که شرکت انجام داده است تأثیری ندارد.
161
00:05:14,960 –> 00:05:16,960
بنابراین این مجموعه واقعاً
162
00:05:16,960 –> 00:05:18,639
جامعی از
163
00:05:18,639 –> 00:05:21,280
طبقه بندی احساسات است که شما دارید و
164
00:05:21,280 –> 00:05:22,960
به همین دلیل است که
165
00:05:22,960 –> 00:05:24,560
اگر می خواهید طبقه بندی احساسات را انجام دهید این مدل گزینه واقعاً خوبی است
166
00:05:24,560 –> 00:05:26,639
بنابراین اگر می خواهید
167
00:05:26,639 –> 00:05:29,199
فقط آن را انجام دهید اگر می خواهید فقط آن را انجام دهید.
168
00:05:29,199 –> 00:05:31,680
برچسب را بیرون بیاورید، فقط میتوانید
169
00:05:31,680 –> 00:05:33,680
به این فهرست دسترسی داشته باشید و
170
00:05:33,680 –> 00:05:35,280
سپس برچسب را بیرون بیاورید، بنابراین میتوانید به سادگی این کار را انجام دهید
171
00:05:35,280 –> 00:05:36,880
، سؤالی که ممکن است
172
00:05:36,880 –> 00:05:39,600
از من بپرسید این است که این همه خوب است،
173
00:05:39,600 –> 00:05:41,600
اما من نمیخواهم فقط یک متن بدهید
174
00:05:41,600 –> 00:05:43,759
و این تشخیص احساسات را انجام دهید، زیرا
175
00:05:43,759 –> 00:05:45,440
اغلب اوقات من
176
00:05:45,440 –> 00:05:47,039
در کارم با فریم های داده سر و کار دارم، بنابراین
177
00:05:47,039 –> 00:05:49,039
اغلب اوقات شما پایگاه داده sql دارید، بیشتر
178
00:05:49,039 –> 00:05:50,880
اوقات مانند یک پایگاه داده اوراکل دارید، بنابراین
179
00:05:50,880 –> 00:05:52,960
آنچه ممکن است بخواهید این است که چگونه انجام دهید.
180
00:05:52,960 –> 00:05:54,720
وقتی یک مجموعه داده جدولی
181
00:05:54,720 –> 00:05:56,400
دارید، همین کار را انجام دهید، بنابراین چگونه
182
00:05:56,400 –> 00:05:58,560
وقتی یک قاب داده دارید، همین کار را انجام دهید، بنابراین نگران نباشید
183
00:05:58,560 –> 00:05:59,759
، در بخش بعدی که قرار است یک csv وارد کنیم، شما را تحت پوشش قرار داده ام.
184
00:05:59,759 –> 00:06:02,479
185
00:06:02,479 –> 00:06:05,120
فایلی که دارای متن زیادی است که در آن
186
00:06:05,120 –> 00:06:07,440
حرکت را انجام می دهیم طبقه بندی یا
187
00:06:07,440 –> 00:06:09,600
تشخیص احساسات، بنابراین
188
00:06:09,600 –> 00:06:11,520
ابتدا باید پانداها را به صورت pdf وارد کنیم، بنابراین
189
00:06:11,520 –> 00:06:12,960
چون با فایل csv سر و
190
00:06:12,960 –> 00:06:15,600
کار داریم، بیایید pandas pd را وارد کنیم
191
00:06:15,600 –> 00:06:17,440
و سپس این
192
00:06:17,440 –> 00:06:18,960
داده احساسات متنی موجود است که
193
00:06:18,960 –> 00:06:20,639
توسط abhishek arun آپلود شده است. بنابراین ما می
194
00:06:20,639 –> 00:06:23,120
خواهیم از آن داده های متنی استفاده کنیم، بنابراین من می خواهم
195
00:06:23,120 –> 00:06:25,199
آن را در یک متن بزرگ بخوانم، نام شی
196
00:06:25,199 –> 00:06:27,440
متن بزرگ است، نمی دانم
197
00:06:27,440 –> 00:06:28,720
چرا این نام را پیدا کردم، اما این نام خوبی است،
198
00:06:28,720 –> 00:06:30,880
بنابراین وقتی من شکل
199
00:06:30,880 –> 00:06:33,120
متن بزرگ را ببینید، می توانید ببینید که خوب است، پس
200
00:06:33,120 –> 00:06:35,600
این است که بعد از
201
00:06:35,600 –> 00:06:37,039
تغییر اندازه چوب های
202
00:06:37,039 –> 00:06:38,880
بزرگ، متن ایده آل بزرگ
203
00:06:38,880 –> 00:06:41,039
400 000 دارد، اجازه دهید اجازه دهید دوباره آن را بخوانم،
204
00:06:41,039 –> 00:06:44,000
بنابراین در حالت ایده آل شما 400 000 دارید، متاسفم
205
00:06:44,000 –> 00:06:46,479
شما 40000 سطر و چهار ستون دارید
206
00:06:46,479 –> 00:06:48,080
و وقتی دیدید 40000
207
00:06:48,080 –> 00:06:50,400
سطر و ستون چیست، اجازه دهید یک سر برای
208
00:06:50,400 –> 00:06:51,120
شما انجام دهم
209
00:06:51,120 –> 00:06:53,199
تا بتوانید آنچه در آن
210
00:06:53,199 –> 00:06:55,199
وجود دارد را ببینید تا بتوانید یک شناسه توییتی وجود دارد که
211
00:06:55,199 –> 00:06:56,960
فیلد احساس را دارید زیرا این
212
00:06:56,960 –> 00:06:58,800
قبلاً برای طبقهبندی احساسات متفاوت استفاده
213
00:06:58,800 –> 00:07:00,560
شده بود، بنابراین ما میرویم نادیده گرفتن
214
00:07:00,560 –> 00:07:02,639
این موضوع که نویسنده را نیز نادیده می گیریم،
215
00:07:02,639 –> 00:07:04,240
بنابراین به سه ستون اول نیازی نداریم،
216
00:07:04,240 –> 00:07:06,560
اما چیزی که ما به آن علاقه
217
00:07:06,560 –> 00:07:08,560
مندیم محتوا است، محتوا جایی است که
218
00:07:08,560 –> 00:07:11,759
توییت واقعی تتیس ذکر شده است به طوری
219
00:07:11,759 –> 00:07:14,000
که به عنوان مثال توییت میگوید میخواهد به
220
00:07:14,000 –> 00:07:16,240
زودی با دوستانش وقت
221
00:07:16,240 –> 00:07:18,560
بگذارد، مراسم تشییع جنازه، جمعه غمانگیز است، بنابراین شما
222
00:07:18,560 –> 00:07:19,919
میخواهید از این نوع
223
00:07:19,919 –> 00:07:22,240
توییتهای
224
00:07:22,240 –> 00:07:23,840
مختلف استفاده کنید که احساسات متفاوتی را بیان میکنند، بنابراین ما
225
00:07:23,840 –> 00:07:26,160
از این چیزی برای تشخیص احساسات
226
00:07:26,160 –> 00:07:28,000
استفاده میکنیم، پس از اینکه قاب داده در جای خود قرار دارد
227
00:07:28,000 –> 00:07:29,520
کاری که من می خواهم انجام دهم این است که
228
00:07:29,520 –> 00:07:31,199
فقط به این دلیل که نسخه ی نمایشی را به شما نشان می
229
00:07:31,199 –> 00:07:32,639
دهم نمی خواهم این برای مدت طولانی اجرا شود
230
00:07:32,639 –> 00:07:34,240
من فقط این داده ها را فقط
231
00:07:34,240 –> 00:07:36,880
برای 100 ردیف فیلتر می کنم بنابراین من این داده ها
232
00:07:36,880 –> 00:07:39,039
را فقط برای 100 سطر فیلتر می کنم و بعد از اینکه آن را فیلتر کردم
233
00:07:39,039 –> 00:07:41,360
اگر شکل را دیدم،
234
00:07:41,360 –> 00:07:44,000
100 سطر و چهار ستون دارم،
235
00:07:44,000 –> 00:07:45,199
بقیه ستون ها برای ما خیلی مهم نیستند،
236
00:07:45,199 –> 00:07:46,560
فقط می توانیم آن را حفظ کنیم.
237
00:07:46,560 –> 00:07:48,479
مثلاً اگر میخواهید به
238
00:07:48,479 –> 00:07:50,160
مجم