در این مطلب، ویدئو R و Python – یک اتحاد شاد با وبینار مشبک 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: 1:01:02
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:11,679 –> 00:00:12,320
عالی
2
00:00:12,320 –> 00:00:14,960
امم عصر همگی بخیر و
3
00:00:14,960 –> 00:00:16,720
به این جلسه که
4
00:00:16,720 –> 00:00:19,439
um r و python است خوش آمدید و ما خوشحالیم که
5
00:00:19,439 –> 00:00:20,720
توسط
6
00:00:20,720 –> 00:00:23,359
گری هادسون که مدیر
7
00:00:23,359 –> 00:00:24,960
تجزیه و تحلیل پیشرفته در uh nhs
8
00:00:24,960 –> 00:00:27,439
arden and gem foundation Trust و
9
00:00:27,439 –> 00:00:28,840
همچنین
10
00:00:28,840 –> 00:00:31,279
آندریاس soteriades از nottinghamshire Foundation است میزبانی شده است.
11
00:00:31,279 –> 00:00:32,558
و
12
00:00:32,558 –> 00:00:34,800
آندریاس یک دانشمند داده است، بنابراین از
13
00:00:34,800 –> 00:00:36,160
هر دوی شما برای
14
00:00:36,160 –> 00:00:38,960
ارائه امروز برای ما متشکریم، امیدواریم که
15
00:00:38,960 –> 00:00:40,719
همه آن را واقعا مفید
16
00:00:40,719 –> 00:00:42,960
بدانند، اگر به
17
00:00:42,960 –> 00:00:44,079
جعبه گفتگو دسترسی دارید، می
18
00:00:44,079 –> 00:00:47,840
توانید سؤالات خود را در آنجا ارسال کنید، ما
19
00:00:47,840 –> 00:00:50,320
همچنین این گزینه را داریم که شما می توانید سوالات خود را پست کنید
20
00:00:50,320 –> 00:00:52,800
و سپس آنها را منتشر خواهیم کرد
21
00:00:52,800 –> 00:00:55,600
تا همه بتوانند اوم را ببینند، ما از شما می خواهیم که در
22
00:00:55,600 –> 00:00:56,480
صورت امکان
23
00:00:56,480 –> 00:00:59,520
میکروفون خود را همیشه خاموش نگه دارید
24
00:00:59,520 –> 00:01:01,760
و اگر مشکلی دارید فقط به
25
00:01:01,760 –> 00:01:04,960
ما اطلاع دهید، امیدواریم از آن لذت ببرید،
26
00:01:07,280 –> 00:01:13,040
بچه ها می توانید ببینید صفحه نمایش من
27
00:01:13,040 –> 00:01:15,520
بسیار خوب است، بنابراین آنچه که باید امروز شما را از سر
28
00:01:15,520 –> 00:01:16,240
29
00:01:16,240 –> 00:01:18,720
بگذراند این است که چگونه می توانیم از r و
30
00:01:18,720 –> 00:01:20,000
python با هم استفاده
31
00:01:20,000 –> 00:01:22,960
32
00:01:22,960 –> 00:01:25,119
کنیم.
33
00:01:25,119 –> 00:01:28,640
مستقیماً
34
00:01:28,640 –> 00:01:29,840
وارد آن شوید، بنابراین
35
00:01:29,840 –> 00:01:31,119
چند راه وجود دارد که من
36
00:01:31,119 –> 00:01:32,880
شما را در مورد پیکربندی
37
00:01:32,880 –> 00:01:34,720
راهاندازی
38
00:01:34,720 –> 00:01:37,119
ایدهآل راهنمایی میکنم، سپس چگونه میتوانید دادهها را از طریق
39
00:01:37,119 –> 00:01:38,479
محیط ما
40
00:01:38,479 –> 00:01:39,920
منتقل کنید و سپس میتوانید آنها را از طریق
41
00:01:39,920 –> 00:01:42,000
یک کتابخانه یادگیری ماشینی به نام
42
00:01:42,000 –> 00:01:43,040
وام کیت اسکی
43
00:01:43,040 –> 00:01:45,280
و سپس نحوه ارزیابی و
44
00:01:45,280 –> 00:01:46,560
تجسم خروجی های خود
45
00:01:46,560 –> 00:01:50,079
در استفاده از یا و پایتون و سپس
46
00:01:50,079 –> 00:01:51,920
آندریاس قرار است مزایای
47
00:01:51,920 –> 00:01:53,119
استفاده از
48
00:01:53,119 –> 00:01:55,360
کیت اسکی را در مقابل بسته های بومی یا
49
00:01:55,360 –> 00:01:57,119
بسته ها
50
00:01:57,119 –> 00:02:01,280
به کار گیرد، بنابراین از نظر پیکربندی تنظیمات پایتون شما
51
00:02:01,280 –> 00:02:02,159
پس از
52
00:02:02,159 –> 00:02:04,640
آن اولین کاری که باید انجام دهید این
53
00:02:04,640 –> 00:02:06,079
است که
54
00:02:06,079 –> 00:02:07,920
تمام تنظیمات واقعی را که در
55
00:02:07,920 –> 00:02:09,598
محیط دارید فهرست کنید،
56
00:02:09,598 –> 00:02:11,360
بنابراین اولین مرحله قبل از این،
57
00:02:11,360 –> 00:02:13,760
نصب مشبک است،
58
00:02:13,760 –> 00:02:16,480
بنابراین شبکه، رابط بین r
59
00:02:16,480 –> 00:02:17,760
و پایتون است که
60
00:02:17,760 –> 00:02:20,160
به شما اجازه میدهد مستقیماً
61
00:02:20,160 –> 00:02:20,879
با پایتون کار کنید.
62
00:02:20,879 –> 00:02:23,040
اشیاء بنابراین هنگامی که از بسته های نصب استفاده می کنید،
63
00:02:23,040 –> 00:02:24,560
64
00:02:24,560 –> 00:02:27,520
65
00:02:27,520 –> 00:02:29,360
پس از تکمیل فرآیند نصب، پس از اتمام
66
00:02:29,360 –> 00:02:30,800
67
00:02:30,800 –> 00:02:32,400
مراحل نصب، با نصب mini con همراه می شود.
68
00:02:32,400 –> 00:02:35,440
میتوانید تعداد
69
00:02:35,440 –> 00:02:36,800
محیطهای کندور را که در
70
00:02:36,800 –> 00:02:38,560
دسترس دارید فهرست کنید تا
71
00:02:38,560 –> 00:02:40,400
مینی کوندای ما پیشفرض باشد و من شبکهبندی
72
00:02:40,400 –> 00:02:42,640
هم پیشفرض خواهد بود
73
00:02:42,640 –> 00:02:45,120
و من محیط شخصی خود را در اینجا ایجاد کردهام
74
00:02:45,120 –> 00:02:46,959
که رویکرد ترجیحی من برای
75
00:02:46,959 –> 00:02:48,640
مقابله با
76
00:02:48,640 –> 00:02:51,519
و
77
00:02:51,519 –> 00:02:53,599
بستههای پایتون و محتوای
78
00:02:53,599 –> 00:02:57,200
خود را در ظرف قرار دهید تا محیط کاندوی خود را ایجاد کنید،
79
00:02:57,200 –> 00:02:57,680
80
00:02:57,680 –> 00:02:59,519
سپس برای ایجاد محیط خود،
81
00:02:59,519 –> 00:03:01,519
به همین سادگی است که نام متغیر جدید
82
00:03:01,519 –> 00:03:02,159
را
83
00:03:02,159 –> 00:03:03,840
به یک متغیر منتقل کنید، بنابراین من آن را
84
00:03:03,840 –> 00:03:05,599
محیط من مینامم و آن را
85
00:03:05,599 –> 00:03:08,000
شبکهای و احتمالاً شبیه چیزی مینامم.
86
00:03:08,000 –> 00:03:09,760
مانند محیط گاری
87
00:03:09,760 –> 00:03:13,599
که از آن استفاده می کنید، سپس تابع condo create
88
00:03:13,599 –> 00:03:16,000
برای ایجاد آن محیط در
89
00:03:16,000 –> 00:03:17,519
نصب mini condor
90
00:03:17,519 –> 00:03:19,519
و در زیر خروجی های سند نشانه گذاری
91
00:03:19,519 –> 00:03:21,519
می توانید ببینید که آن
92
00:03:21,519 –> 00:03:24,480
محیط اکنون ایجاد شده است، بنابراین
93
00:03:24,480 –> 00:03:26,560
اکنون به نوعی آماده شروع کار
94
00:03:26,560 –> 00:03:26,879
با
95
00:03:26,879 –> 00:03:30,319
rn هستید و نصب mini conda
96
00:03:30,319 –> 00:03:33,440
برای شروع کار با r و python
97
00:03:33,440 –> 00:03:36,560
بنابراین مرحله بعدی بنابراین در پایتون می خواهید
98
00:03:36,560 –> 00:03:37,120
99
00:03:37,120 –> 00:03:40,159
برخی از بسته های بومی خود را نصب کنید، بنابراین
100
00:03:40,159 –> 00:03:42,159
برای python n توسعه دهنده ای که از
101
00:03:42,159 –> 00:03:44,159
برخی از این کتابخانه ها آگاه خواهید بود، بنابراین
102
00:03:44,159 –> 00:03:46,159
کتابخانه ای به نام پاندا وجود دارد
103
00:03:46,159 –> 00:03:48,000
که به شما امکان می دهد با فریم های داده
104
00:03:48,000 –> 00:03:50,000
مشابه فریم های داده ما کار
105
00:03:50,000 –> 00:03:51,680
کنید، مهم است که توجه داشته باشید که در واقع اگر
106
00:03:51,680 –> 00:03:54,400
محیط شخصی خود را ایجاد کرده
107
00:03:54,400 –> 00:03:56,319
اید، باید آن را مشخص کنید. نام محیطی
108
00:03:56,319 –> 00:03:57,920
که میخواهید بستهها
109
00:03:57,920 –> 00:03:59,040
هم نصب شوند،
110
00:03:59,040 –> 00:04:01,519
بنابراین کتابخانههای قاب داده پایتونها پانداها
111
00:04:01,519 –> 00:04:02,159
112
00:04:02,159 –> 00:04:03,599
numpy، کتابخانه آرایهای آنها برای کار
113
00:04:03,599 –> 00:04:05,439
با آنها مانند
114
00:04:05,439 –> 00:04:07,200
ضرب ماتریس um و
115
00:04:07,200 –> 00:04:09,200
برنامهنویسی خطی است،
116
00:04:09,200 –> 00:04:10,720
بنابراین بله، باید Numpy را نیز نصب کنید
117
00:04:10,720 –> 00:04:12,560
که معمولاً
118
00:04:12,560 –> 00:04:15,840
cbon پیشفرض است. یک کتابخانه تجسمی مات plop lib
119
00:04:15,840 –> 00:04:16,959
120
00:04:16,959 –> 00:04:18,478
um، به نوعی در بالای matplotlib ساخته شده است
121
00:04:18,478 –> 00:04:20,000
122
00:04:20,000 –> 00:04:22,079
تا امکان ساخت تجسم های زیبا را فراهم کند
123
00:04:22,079 –> 00:04:23,600
،
124
00:04:23,600 –> 00:04:25,040
چیزی که آندریاس به زودی درباره آن صحبت
125
00:04:25,040 –> 00:04:27,919
خواهد کرد، کتابخانه کیت اسکی است،
126
00:04:27,919 –> 00:04:29,360
بنابراین اساساً این
127
00:04:29,360 –> 00:04:31,680
کتابخانه یادگیری ماشینی است که در پایتون برای آن ساخته شده است
128
00:04:31,680 –> 00:04:34,240
. با
129
00:04:34,240 –> 00:04:36,160
مشکلات پیشبینی یادگیری ماشین کار
130
00:04:36,160 –> 00:04:37,600
131
00:04:37,600 –> 00:04:39,360
میکنم، میخواهم نام محیط را دوباره مشابه محیطهایم مشخص کنم t و
132
00:04:39,360 –> 00:04:40,160
دوباره
133
00:04:40,160 –> 00:04:41,919
همه اینها باید این
134
00:04:41,919 –> 00:04:44,720
متغیر نام محیط را مشخص
135
00:04:44,720 –> 00:04:47,520
کنند، بنابراین گام بعدی استفاده از
136
00:04:47,520 –> 00:04:48,880
محیطی است که ما ایجاد کرده ایم،
137
00:04:48,880 –> 00:04:51,759
بنابراین این کار را با استفاده از محیط underscore conda انجام
138
00:04:51,759 –> 00:04:52,960
139
00:04:52,960 –> 00:04:54,240
دهید، سپس متغیر محیط خود را به آن منتقل کنید
140
00:04:54,240 –> 00:04:55,759
و این کار را انجام دهید. سپس
141
00:04:55,759 –> 00:04:56,479
142
00:04:56,479 –> 00:04:58,560
محیط مورد استفاده را مشخص کنید و سپس می
143
00:04:58,560 –> 00:05:00,720
توانید چاپ کنید که با چه نسخه ای از minicom
144
00:05:00,720 –> 00:05:02,800
کار می کنید
145
00:05:02,800 –> 00:05:05,360
و در نهایت همانطور که قبلاً
146
00:05:05,360 –> 00:05:06,880
انجام دادم می توانید لیست conda را انجام دهید
147
00:05:06,880 –> 00:05:08,800
بنابراین محیط های فعلی را
148
00:05:08,800 –> 00:05:10,400
که فعال هستید لیست کنید
149
00:05:10,400 –> 00:05:12,560
تا بدانم که همه بستههای من
150
00:05:12,560 –> 00:05:14,240
در
151
00:05:14,240 –> 00:05:17,520
محیط گالری مشبک نصب میشوند، بنابراین
152
00:05:17,520 –> 00:05:20,720
اکنون ما مشبک را نصب کردهایم
153
00:05:20,720 –> 00:05:22,880
، بستههایی را که
154
00:05:22,880 –> 00:05:25,120
باید در شبکههای مشبک ساخته شوند بررسی کردهایم، اکنون میخواهیم
155
00:05:25,120 –> 00:05:27,680
آن بستهها را به محیط خود وارد کنیم،
156
00:05:27,680 –> 00:05:29,199
157
00:05:29,199 –> 00:05:31,919
بنابراین در پایتون برای توسعه دهندگان پایتون
158
00:05:31,919 –> 00:05:32,400
159
00:05:32,400 –> 00:05:34,800
کمی متفاوت از این به نظر می رسد، بنابراین من فقط
160
00:05:34,800 –> 00:05:36,400
برای یک ثانیه به ما تغییر
161
00:05:36,400 –> 00:05:39,840
می دهم و به شما نشان می دهم
162
00:05:40,960 –> 00:05:44,000
که چگونه به پایتون
163
00:05:44,000 –> 00:05:46,240
وارد می کنید، بنابراین seaborn را به عنوان sns وارد کنید، آن را به عنوان
164
00:05:46,240 –> 00:05:47,440
نام مستعار وارد کنید
165
00:05:47,440 –> 00:05:49,759
و اگر شما میخواهید
166
00:05:49,759 –> 00:05:52,080
چیزهای خاصی را از کتابخانه
167
00:05:52,080 –> 00:05:54,960
pandas وارد کنید از سریهای واردات pandas و
168
00:05:54,960 –> 00:05:56,880
توابع قاب داده استفاده کنید،
169
00:05:56,880 –> 00:06:00,560
بنابراین با برگشت به
170
00:06:00,560 –> 00:06:04,160
خروجیهای علامتگذاری من، خواهید دید که در واقع
171
00:06:04,160 –> 00:06:06,720
کاری که ما اکنون انجام میدهیم این است که
172
00:06:06,720 –> 00:06:09,039
احتمالاً در r so
173
00:06:09,039 –> 00:06:10,880
numpy i آن را وارد میکنیم.
174
00:06:10,880 –> 00:06:12,160
میخواهم نام متغیر را برای این مورد مشخص کنم، از عملکرد
175
00:06:12,160 –> 00:06:13,680
176
00:06:13,680 –> 00:06:17,360
import در numpy استفاده میکنم و سپس آن
177
00:06:17,360 –> 00:06:18,160
بسته
178
00:06:18,160 –> 00:06:21,360
um را به آن محیط وارد میکنم،
179
00:06:21,360 –> 00:06:22,960
متأسفم، من کمی روی ماوس پا میگذارم، عذرخواهی میکنم
180
00:06:22,960 –> 00:06:25,360
181
00:06:25,360 –> 00:06:27,919
و سپس مواردی مانند آموزش کیت اسکی را وارد کنید،
182
00:06:27,919 –> 00:06:29,680
بنابراین اگر
183
00:06:29,680 –> 00:06:31,600
کتابخانههای خاصی دارید، مانند مدل خطی یادگیری کیت اسکی
184
00:06:31,600 –> 00:06:33,039
است که نمونهای است
185
00:06:33,039 –> 00:06:34,639
که به زودی
186
00:06:34,639 –> 00:06:37,600
از آن استفاده خواهیم کرد، از آن برای عملکرد
187
00:06:37,600 –> 00:06:39,360
از نظر وارد کردن کتابخانههای تجسم استفاده کنید.
188
00:06:39,360 –> 00:06:40,160
189
00:06:40,160 –> 00:06:42,800
من قصد دارم sns را وارد کنم تا این
190
00:06:42,800 –> 00:06:43,840
دسته برای
191
00:06:43,840 –> 00:06:47,440
seaborn باشد، اجازه دهید از
192
00:06:47,440 –> 00:06:49,599
کتابخانه matplotlib برای وارد کردن آن
193
00:06:49,599 –> 00:06:51,520
نیز استفاده کنم، بنابراین
194
00:06:51,520 –> 00:06:53,520
تمام بستههایی را که
195
00:06:53,520 –> 00:06:54,960
باید در پایتون کار کنم
196
00:06:54,960 –> 00:06:58,240
برای بازی کردن در r
197
00:06:58,240 –> 00:07:01,440
به ارمغان میآورد. فقط در همانطور که توابع
198
00:07:01,440 –> 00:07:04,479
را در r برنامهریزی میکنید، میتوانید توابع را در پایتون نیز برنامهریزی کنید
199
00:07:04,479 –> 00:07:07,680
، بنابراین
200
00:07:07,680 –> 00:07:10,080
توابع در پایتون um شما به
201
00:07:10,080 –> 00:07:11,919
وضوح با استفاده از نحو تابعی
202
00:07:11,919 –> 00:07:12,880
که
203
00:07:12,880 –> 00:07:15,120
در پایتون میدانید، یک تابع را با def شروع میکنید،
204
00:07:15,120 –> 00:07:16,319
بنابراین
205
00:07:16,319 –> 00:07:18,560
تابع را در حافظه پایتون تعریف میکنید
206
00:07:18,560 –> 00:07:19,919
207
00:07:19,919 –> 00:07:22,880
تا یک تابع را اجرا کنید و برای کار با آن
208
00:07:22,880 –> 00:07:23,680
در
209
00:07:23,680 –> 00:07:26,319
r باید از تابع pi underscore run
210
00:07:26,319 –> 00:07:26,880
string
211
00:07:26,880 –> 00:07:29,440
استفاده کنید، تمام پارامترهای تابع را
212
00:07:29,440 –> 00:07:30,319
213
00:07:30,319 –> 00:07:33,520
در نقل قول های خود به عنوان یک رشته
214
00:07:33,520 –> 00:07:36,560
um ارسال کنید و سپس برای دسترسی به آن تابع،
215
00:07:36,560 –> 00:07:38,639
کاری که باید انجام دهید استفاده از دستور pi است.
216
00:07:38,639 –> 00:07:41,520
217
00:07:41,520 –> 00:07:44,080
من این تابع را جذر می نامم
218
00:07:44,080 –> 00:07:45,199
و مقدار 10 را پاس می
219
00:07:45,199 –> 00:07:48,240
کنم. سپس
220
00:07:48,240 –> 00:07:49,840
آن تابعی را که در حافظه ایجاد شده است اجرا می کند
221
00:07:49,840 –> 00:07:53,360
و من خروجی
222
00:07:53,360 –> 00:07:56,080
را به روش دیگری برای انجام آن و یکی برمی گردم. چیزی که به
223
00:07:56,080 –> 00:07:57,280
طور بالقوه
224
00:07:57,280 –> 00:07:59,599
کمتر از همه آن را دوست دارم pi eval است، زیرا شما
225
00:07:59,599 –> 00:08:01,199
باید کد سختی داشته
226
00:08:01,199 –> 00:08:03,280
باشید، می توانید از یک تابع چسباندن برای کار
227
00:08:03,280 –> 00:08:05,280
با آن استفاده کنید، اما اساساً
228
00:08:05,280 –> 00:08:05,840
باید یک
229
00:08:05,840 –> 00:08:08,080
رشته را به معنای واقعی کلمه در آن قرار دهید، در مقابل
230
00:08:08,080 –> 00:08:10,319
دسترسی واقعی به آن به عنوان یک
231
00:08:10,319 –> 00:08:12,879
لیست عنصر همانطور که در r انجام می دهید، بنابراین
232
00:08:12,879 –> 00:08:14,240
بله، دو رویکرد متفاوت
233
00:08:14,240 –> 00:08:16,720
برای نحوه کار مجدد با توابع وجود دارد
234
00:08:16,720 –> 00:08:18,479
که فقط یک یادداشت جانبی در مورد
235
00:08:18,479 –> 00:08:19,840
نحوه انتقال توابع
236
00:08:19,840 –> 00:08:23,199
uh بین r و پایتون و
237
00:08:23,199 –> 00:08:25,680
سپس به کار اصلی موجود است و سپس
238
00:08:25,680 –> 00:08:27,360
مدل سازی با uh python و r بنابراین
239
00:08:27,360 –> 00:08:29,039
ما از یک
240
00:08:29,039 –> 00:08:31,280
مثال رگرسیون خطی بسیار ساده استفاده خواهیم کرد، بنابراین یک
241
00:08:31,280 –> 00:08:33,039
رگرسیون خطی چندگانه
242
00:08:33,039 –> 00:08:35,120
کاری که میخواهم انجام دهم این است که وارد کنم، بنابراین
243
00:08:35,120 –> 00:08:36,640
سعی میکنیم و پیشبینی میکنیم که
244
00:08:36,640 –> 00:08:37,839
زمان دیده شدن
245
00:08:37,839 –> 00:08:40,320
بر اساس چند مورد متفاوت است. معیارها، بنابراین قسمت
246
00:08:40,320 –> 00:08:41,279
تنظیم دادهها،
247
00:08:41,279 –> 00:08:43,360
من از زمان استفاده از زمان
248
00:08:43,360 –> 00:08:45,839
دیده شدن استفاده
249
00:08:45,839 –> 00:08:47,760
میکنم تا پیشفرض csv را بخوانید که احتمالاً با آن کار
250
00:08:47,760 –> 00:08:49,519
میکنید قبل از اینکه بدانید
251
00:08:49,519 –> 00:08:51,279
این ستونهایی
252
00:08:51,279 –> 00:08:52,880
را که وارد شدهاند باز میگرداند، بنابراین از
253
00:08:52,880 –> 00:08:55,839
بسته رادار
254
00:08:56,720 –> 00:08:59,120
و سپس من میروم پس از آن فقط یک
255
00:08:59,120 –> 00:09:00,880
نمونه از
256
00:09:00,880 –> 00:09:02,560
آن فریم داده را بگیرید، بنابراین من کسری
257
00:09:02,560 –> 00:09:05,600
از اندازه آن را در حدود 20 می گیرم
258
00:09:05,600 –> 00:09:09,160
تا کار با آن آسان تر باشد، بنابراین از نظر
259
00:09:09,160 –> 00:09:12,160
تقسیم داده ها، بنابراین ما
260
00:09:12,160 –> 00:09:14,320
یک یادگیری ماشینی
261
00:09:14,320 –> 00:09:16,160
خطی ایجاد می کنیم. مدل رگرسیون ما قصد داریم شما را از
262
00:09:16,160 –> 00:09:18,000
هم جدا کنیم
263
00:09:18,000 –> 00:09:20,480
متغیرهای مستقل در x این است
264
00:09:20,480 –> 00:09:22,480
که پایتون ما دوست دارد آنها را مدیریت کند،
265
00:09:22,480 –> 00:09:24,320
بنابراین ما میخواهیم فهرستی
266
00:09:24,320 –> 00:09:25,519
از زمان نمایش
267
00:09:25,519 –> 00:09:28,480
دادهها را برش دهیم، اولین
268
00:09:28,480 –> 00:09:32,160
یک تا سه ستون را انتخاب
269
00:09:32,399 –> 00:09:35,360
میکنیم که سن آنها بالا بود. برای ارزیابی زمان برای
270
00:09:35,360 –> 00:09:37,279
دیدن ابتدا دقیقه ها
271
00:09:37,279 –> 00:09:39,360
و سپس زمان واقعی برای مشاهده،
272
00:09:39,360 –> 00:09:42,160
ستون چهارم در آن شاخص است
273
00:09:42,160 –> 00:09:44,080
به طوری که آن را به متغیر y اختصاص
274
00:09:44,080 –> 00:09:45,200
275
00:09:45,200 –> 00:09:47,519
276
00:09:48,480 –> 00:09:52,640
277
00:09:52,640 –> 00:09:54,320
می دهد.
278
00:09:54,320 –> 00:09:55,839
عذرخواهی برای
279
00:09:55,839 –> 00:09:58,720
انجام آنچه اتفاق میافتد،
280
00:10:03,120 –> 00:10:07,920
بهجای آن، در مرورگر مشاهده کنید
281
00:10:08,240 –> 00:10:10,480
،
282
00:10:14,320 –> 00:10:16,399
بنابراین ما در این قسمت هستیم، برای آن عذرخواهی کنید،
283
00:10:16,399 –> 00:10:17,360
284
00:10:17,360 –> 00:10:19,680
بنابراین دادهها را تقسیم
285
00:10:19,680 –> 00:10:21,440
کنید تا متغیرهای x و y خود را داشته باشید،
286
00:10:21,440 –> 00:10:22,720
بنابراین چیزی که میخواهید پیشبینی کنید
287
00:10:22,720 –> 00:10:24,880
که زمان دیده شدن و متغیرهای مستقل،
288
00:10:24,880 –> 00:10:26,320
289
00:10:26,320 –> 00:10:28,720
بنابراین اینجاست که اهمیت مییابد، بنابراین
290
00:10:28,720 –> 00:10:30,880
تفاوت بین فرستادن
291
00:10:30,880 –> 00:10:34,560
به و از اشیاء r و پایتون را بیاموزید،
292
00:10:34,560 –> 00:10:38,320
بنابراین برای ایجاد کل قاب داده به عنوان یک
293
00:10:38,320 –> 00:10:40,880
شی پایتون، باید از دستور all
294
00:10:40,880 –> 00:10:42,000
underscore برای
295
00:10:42,000 –> 00:10:44,240
underscore pi استفاده کنید. و یک وجود دارد
296
00:10:44,240 –> 00:10:45,040
معکوس آن
297
00:10:45,040 –> 00:10:48,240
پی به r که به زودی از آن استفاده خواهیم
298
00:10:48,240 –> 00:10:50,160
کرد تا زمان زیادی برای دیده شدن قاب داده صرف
299
00:10:50,160 –> 00:10:52,000
شود، بنابراین به طور سنتی
300
00:10:52,000 –> 00:10:54,079
اکنون آن را تقسیم
301
00:10:54,079 –> 00:10:56,079
302
00:10:56,079 –> 00:10:58,240
303
00:10:58,240 –> 00:10:59,680
می کنیم. متغیرهای x را که قرار است به
304
00:10:59,680 –> 00:11:01,120
مدل خود منتقل
305
00:11:01,120 –> 00:11:03,200
کنم اکنون دوباره از r به pi
306
00:11:03,200 –> 00:11:05,200
در x استفاده می کنم که قبلاً
307
00:11:05,200 –> 00:11:06,399
در حافظه
308
00:11:06,399 –> 00:11:09,760
تحت متغیر x ذخیره شده است در اینجا
309
00:11:09,760 –> 00:11:12,800
um pi y بنابراین r به pi برای y ها از
310
00:11:12,800 –> 00:11:14,480
زمانی که باید دیده شود
311
00:11:14,480 –> 00:11:15,760
و سپس من از یک دستور پایتون بومی استفاده می کنم،
312
00:11:15,760 –> 00:11:17,920
بنابراین این کار را به همان روشی
313
00:11:17,920 –> 00:11:18,720
که
314
00:11:18,720 –> 00:11:20,399
برای دسترسی به عناصر در خود انجام می دهیم، از علامت دلار استفاده می کنیم،
315
00:11:20,399 –> 00:11:22,320
316
00:11:22,320 –> 00:11:24,079
بنابراین زمان پی برای دیده شدن
317
00:11:24,079 –> 00:11:25,760
به عملکرد head دسترسی داشته باشید و
318
00:11:25,760 –> 00:11:26,720
این یک تماس
319
00:11:26,720 –> 00:11:28,959
مستقیم با پایتون است تا
320
00:11:28,959 –> 00:11:30,240
هد فریم داده
321
00:11:30,240 –> 00:11:32,399
مشابه کاری که شما انجام میدهید یا در
322
00:11:32,399 –> 00:11:34,800
عملکرد head به
323
00:11:34,800 –> 00:11:36,560
من بدهید، سپس من میخواهم در قالب
324
00:11:36,560 –> 00:11:39,120
یک فراخوان پایتون دیگر انواع آن را مشخص کنم. دادهها
325
00:11:39,120 –> 00:11:42,160
بهصورت float64 برمیگردند، بنابراین
326
00:11:42,160 –> 00:11:42,480
327
00:11:42,480 –> 00:11:44,000
شما کمی با آنچه قبلاً در tibbl میدید متفاوت به نظر خواهید
328
00:11:44,000 –> 00:11:45,600
رسید. es و
329
00:11:45,600 –> 00:11:48,640
فریم های داده و دوباره
330
00:11:48,640 –> 00:11:50,560
چند روش مختلف وجود دارد که می توانیم از
331
00:11:50,560 –> 00:11:52,959
عملکرد توصیف pi استفاده کنیم که
332
00:11:52,959 –> 00:11:54,639
بسیار شبیه به آن است که اگر از
333
00:11:54,639 –> 00:11:56,399
خلاصه یک قاب داده
334
00:11:56,399 –> 00:11:59,279
در r استفاده کنید، تمام آمار خلاصه توصیفی شما را به ارمغان می آورد،
335
00:11:59,279 –> 00:12:02,160
بنابراین حساب ها به معنای
336
00:12:02,160 –> 00:12:04,000
انحراف استاندارد حداقل است. max و
337
00:12:04,000 –> 00:12:06,240
محدوده چارک شما
338
00:12:06,240 –> 00:12:08,880
و از نظر فهرست کردن همه
339
00:12:08,880 –> 00:12:10,079
ویژگیهای پایتون آن فریم داده،
340
00:12:10,079 –> 00:12:13,200
میتوانید ویژگیهای زیرخط زیرخط پی را انجام دهید
341
00:12:13,200 –> 00:12:15,920
342
00:12:15,920 –> 00:12:17,839
تا متغیر زمان دیده شود
343
00:12:17,839 –> 00:12:19,920
و ما به تازگی ایجاد
344
00:12:19,920 –> 00:12:21,760
کردهایم تا تابع autopi
345
00:12:21,760 –> 00:12:23,760
و آن را به ارمغان بیاورد. تمام
346
00:12:23,760 –> 00:12:25,279
عناصر و اشیاء پایتون را که میتوانید
347
00:12:25,279 –> 00:12:27,279
در آن قاب داده با آنها کار کنید،
348
00:12:27,279 –> 00:12:28,880
یک لیست طولانی به عقب برگردانید، برخی از
349
00:12:28,880 –> 00:12:31,040
مواردی را که قبلاً استفاده کردهایم مشاهده خواهید کرد،
350
00:12:31,040 –> 00:12:32,560
اما اینها توابع خلاصهای هستند که
351
00:12:32,560 –> 00:12:35,600
میتوانید از پانداها مانند aggregate و
352
00:12:35,600 –> 00:12:38,240
مواردی مانند آن استفاده کنید. که باز هم این یک لیست طولانی عظیم است
353
00:12:38,240 –> 00:12:39,680
، یک کتاب نشانه گذاری
354
00:12:39,680 –> 00:12:42,399
برای پشتیبانی از این خروجی ها وجود دارد و
355
00:12:42,399 –> 00:12:44,320
قرار است در
356
00:12:44,320 –> 00:12:48,000
سایت github جامعه nhsr ما آپلود شود،
357
00:12:48,000 –> 00:12:51,519
بنابراین بیشتر بروید از
358
00:12:51,519 –> 00:12:53,440
آنجا همه عناصر وجود دارد، حدود 429
359
00:12:53,440 –> 00:12:55,360
روش مختلف وجود دارد که میتوانید با
360
00:12:55,360 –> 00:12:58,079
آن دادهها کار کنید، بنابراین
361
00:12:58,079 –> 00:13:00,320
اگر پایتون را میشناسید، تبدیل آنها را جابهجا میکنید که
362
00:13:00,320 –> 00:13:01,920
اگر این کار را نکنید مفید خواهد بود، پس
363
00:13:01,920 –> 00:13:05,040
نگران نباشید،
364
00:13:05,040 –> 00:13:07,920
بنابراین من فقط میخواهم یک طول بگیرید، بنابراین
365
00:13:07,920 –> 00:13:09,200
کاری که در r
366
00:13:09,200 –> 00:13:12,000
انجام می دهید این است که n ردیف یا تماس پایانی را
367
00:13:12,000 –> 00:13:12,880
برای این کار
368
00:13:12,880 –> 00:13:16,000
با پی، پی و طول امتیاز انجام دهید تا طول قاب داده را
369
00:13:16,000 –> 00:13:16,639
بدست آورید
370
00:13:16,639 –> 00:13:18,959
و چاپ
371
00:13:18,959 –> 00:13:20,360
شود که ما
372
00:13:20,360 –> 00:13:23,279
1110 رکورد داریم.
373
00:13:23,279 –> 00:13:25,600
بنابراین، اکنون کاری که من می خواهم انجام دهم
374
00:13:25,600 –> 00:13:27,279
، چیزی به نام ایجاد
375
00:13:27,279 –> 00:13:29,920
پارتیشن داده از بسته هویج
376
00:13:29,920 –> 00:13:33,200
در پایتون وجود دارد، یک تابع تقسیم آزمایشی واقعی um train وجود دارد،
377
00:13:33,200 –> 00:13:36,560
بنابراین ما می خواهیم انجام
378
00:13:36,560 –> 00:13:38,639
دهیم این است که داده ها را به پایین تقسیم می کنیم.
379
00:13:38,639 –> 00:13:39,680
وقتی وارد کردن را انجام
380
00:13:39,680 –> 00:13:42,639
میدهیم، از انتخاب مدل sl استفاده
381
00:13:42,639 –> 00:13:44,560
میکنم، این همان چیزی است که
382
00:13:44,560 –> 00:13:46,959
به عنوان بخش انتخاب مدل
383
00:13:46,959 –> 00:13:48,399
کیت اسکی وارد کردم،
384
00:13:48,399 –> 00:13:50,720
یاد میگیرم که میخواهم عملکرد تقسیم تست قطار را
385
00:13:50,720 –> 00:13:53,519
از کتابخانه پایتون وارد
386
00:13:53,519 –> 00:13:55,199
کنم. m این را یک متغیر به عنوان
387
00:13:55,199 –> 00:13:56,880
split می نامم
388
00:13:56,880 –> 00:13:58,399
و من می خواهم این را وارد
389
00:13:58,399 –> 00:14:01,680
کنم متغیرهای وابسته، بنابراین چیزهایی که
390
00:14:01,680 –> 00:14:03,600
باعث تغییر آن چیز شده اند و
391
00:14:03,600 –> 00:14:06,000
پیش بینی های واقعی زمان دیده می شود،
392
00:14:06,000 –> 00:14:08,160
من می خواهم اندازه آزمون را مشخص کنم، بنابراین
393
00:14:08,160 –> 00:14:09,760
394
00:14:09,760 –> 00:14:13,440
در نمونه معاملاتی من 75 و 25 مورد دیگر در
395
00:14:13,440 –> 00:14:14,320
396
00:14:14,320 –> 00:14:17,600
مجموعه داده های آزمایشی من خواهد بود. یک تقسیم یادگیری ماشینی ساده سنتی،
397
00:14:17,600 –> 00:14:19,839
398
00:14:19,839 –> 00:14:23,440
بنابراین اکنون کاری که من می خواهم انجام دهم این است که از
399
00:14:23,440 –> 00:14:27,120
مجموعه ای از متغیرها در r بنابراین
400
00:14:27,120 –> 00:14:31,199
pix train multiply split استفاده کنم
401
00:14:31,199 –> 00:14:34,880
و چون ام پایتون چیزی
402
00:14:34,880 –> 00:14:36,160
به نام تخصیص چندگانه دارد،
403
00:14:36,160 –> 00:14:39,920
بنابراین وقتی یک متغیر را مشخص می کنید
404
00:14:39,920 –> 00:14:40,639
چه کاری انجام می دهد. در
405
00:14:40,639 –> 00:14:44,000
پایتون این است که اساساً یک
406
00:14:44,000 –> 00:14:48,079
قطار قطار x تقسیم یک کارشناس آزمایشی و
407
00:14:48,079 –> 00:14:49,040
غیره را اختصاص میدهد،
408
00:14:49,040 –> 00:14:50,880
بنابراین شما باید به
409
00:14:50,880 –> 00:14:52,079
عناصر مربوطه در
410
00:14:52,079 –> 00:14:55,360
r دسترسی داشته باشید و این کار را با دسترسی به
411
00:14:55,360 –> 00:14:58,399
فهرستهای فهرست انجام میدهید تا من بدانم که در واقع
412
00:14:58,399 –> 00:15:02,320
قطار pix در تقسیم است.
413
00:15:02,320 –> 00:15:05,760
دو تست pi x من در موقعیت اول
414
00:15:05,760 –> 00:15:06,639
قرار دارد
415
00:15:06,639 –> 00:15:08,240
و دوباره این کار را از طریق فرآیند حذف انجام دادم و
416
00:15:08,240 –> 00:15:09,680
با توجه به
417
00:15:09,680 –> 00:15:10,720
418
00:15:10,720 –> 00:15:13,199
اندازههای نمونه، قطار pi y در شاخص چهارم
419
00:15:13,199 –> 00:15:13,920
و
420
00:15:13,920 –> 00:15:16,639
تست pi y در شاخص سوم قرار دارد، سپس میخواهم
421
00:15:16,639 –> 00:15:17,680
422
00:15:17,680 –> 00:15:20,959
هد x trai را مشخص کنید n بیایید
423
00:15:20,959 –> 00:15:22,959
نگاهی بیندازیم که دادهها چگونه به نظر میرسند،
424
00:15:22,959 –> 00:15:25,600
بنابراین اکنون به این شکل است، سپس میتوان آن
425
00:15:25,600 –> 00:15:29,040
را به یک کیت اسکی منتقل کرد، شیء یادگیری،
426
00:15:29,040 –> 00:15:33,120
اوه، بنابراین یادگیری کیت اسکی متناسب و مدلسازی شده
427
00:15:33,120 –> 00:15:33,920
است، بنابراین
428
00:15:33,920 –> 00:15:36,639
آنچه آندریاس در
429
00:15:36,639 –> 00:15:38,160
بخش آخر
430
00:15:38,160 –> 00:15:41,040
بحث به آن خواهد پرداخت. در مورد اینکه چگونه میتوانیم
431
00:15:41,040 –> 00:15:41,759
432
00:15:41,759 –> 00:15:45,920
این متدولوژیها و زمان اجرا را با r مقایسه کنیم،
433
00:15:45,920 –> 00:15:47,920
بنابراین گام بعدی این است که یک مدل رگرسیون خطی را
434
00:15:47,920 –> 00:15:49,680
در یادگیری جیرجیر قرار
435
00:15:49,680 –> 00:15:52,399
دهیم، بر خلاف کیت اسکی ما به تنهایی نیاز دارد
436
00:15:52,399 –> 00:15:54,079
که مدل را نمونهسازی کنید تا
437
00:15:54,079 –> 00:15:56,000
قبل از شروع کار، یک نمونه از آن ایجاد کنید.
438
00:15:56,000 –> 00:15:57,920
439
00:15:57,920 –> 00:16:00,320
بنابراین ما می خواهیم این کار را انجام دهیم این است که
440
00:16:00,320 –> 00:16:01,839
کتابخانه آموزش کیت اسکی
441
00:16:01,839 –> 00:16:03,920
مجدداً بر اساس نام متغیری است
442
00:16:03,920 –> 00:16:05,519
که هنگام وارد
443
00:16:05,519 –> 00:16:08,160
کردن بسته در بالا به آن داده اید
444
00:16:08,160 –> 00:16:09,759
و ما به مدل رگرسیون خطی و دوباره دسترسی خواهیم داشت.
445
00:16:09,759 –> 00:16:11,920
446
00:16:11,920 –> 00:16:13,600
من این را یک
447
00:16:13,600 –> 00:16:15,279
تابع تمام یا بومی sk
448
00:16:15,279 –> 00:16:16,800
449
00:16:16,800 –> 00:16:19,040
450
00:16:19,040 –> 00:16:21,759
451
00:16:21,759 –> 00:16:23,279
452
00:16:23,279 –> 00:16:26,320
453
00:16:26,320 –> 00:16:31,040
underscore مینامم. با من pi y train
454
00:16:31,759 –> 00:16:34,079
ag ain برای مدل um python یک
455
00:16:34,079 –> 00:16:36,480
آرایه numpy جداگانه ورودی می گیرد همانطور که قبلاً گفتم
456
00:16:36,480 –> 00:16:38,160
457
00:16:38,160 –> 00:16:40,240
و سپس مجذور r را محاسبه می کند تا مقدار
458
00:16:40,240 –> 00:16:41,519
کلی um
459
00:16:41,519 –> 00:16:42,959
چقدر متغیرهای مستقل کلی
460
00:16:42,959 –> 00:16:44,639
چیزی را که شما می خواهید پیش بینی کنید توضیح می دهد.
461
00:16:44,639 –> 00:16:45,839
462
00:16:45,839 –> 00:16:47,920
از نمره مدل استفاده کنید، بنابراین
463
00:16:47,920 –> 00:16:50,000
ما به آزمون pi x در مقابل آزمون pi
464
00:16:50,000 –> 00:16:52,720
y نیاز داریم و سپس نمره مدل
465
00:16:52,720 –> 00:16:54,800
پیاده سازی می شود و به عنوان تابع r مربع در کتابخانه r ذخیره می شود،
466
00:16:54,800 –> 00:16:58,320
467
00:16:58,320 –> 00:17:01,759
بنابراین آنگاه به محیط r شما می رود
468
00:17:01,759 –> 00:17:04,079
تا به آن دسترسی پیدا کنید. نتایج مدل
469
00:17:04,079 –> 00:17:04,959
470
00:17:04,959 –> 00:17:07,599
شما باید از کد زیر استفاده کنید تا مدل
471
00:17:07,599 –> 00:17:08,559
شما را قطع کند و
472
00:17:08,559 –> 00:17:12,480
473
00:17:12,480 –> 00:17:15,199
شما ضرایب مدل پایتون را خروجی بگیرید
474
00:17:15,199 –> 00:17:16,720
475
00:17:16,720 –> 00:17:18,480
و سپس می توانید مدل را در
476
00:17:18,480 –> 00:17:21,520
مجموعه و ضرایب هر یک از
477
00:17:21,520 –> 00:17:22,720
متغیرهای پیش بینی شده
478
00:17:22,720 –> 00:17:26,079
را چاپ کنید. که مربوط
479
00:17:26,079 –> 00:17:27,839
به پارامترهای دادهای است که قبلاً در آن قرار دادهایم
480
00:17:27,839 –> 00:17:30,880
، فکر میکنم سن و غیره بود،
481
00:17:30,880 –> 00:17:33,120
بنابراین پس از عبور از آن
482
00:17:33,120 –> 00:17:34,960
در پایتون، میتوانید ببینید که
483
00:17:34,960 –> 00:17:36,960
کمی متفاوت از آنچه شما
484
00:17:36,960 –> 00:17:38,960
استفاده میکنید به نظر میرسد. برای فراخوانی آن میدانید که
485
00:17:38,960 –> 00:17:40,400
ما قصد داریم
486
00:17:40,400 –> 00:17:42,480
با مدل
487
00:17:42,480 –> 00:17:44,559
پیشبینی کنیم، بنابراین برای پیشبینی مدل
488
00:17:44,559 –> 00:17:46,480
میتوانیم از یک مجموعه آزمایشی استفاده کنیم که ایجاد
489
00:17:46,480 –> 00:17:49,200
490
00:17:49,200 –> 00:17:51,840
491
00:17:51,840 –> 00:17:54,880
کردهایم. از پیشبینیهای
492
00:17:54,880 –> 00:17:57,360
مدل و تست pix استفاده
493
00:17:57,360 –> 00:17:58,080
494
00:17:58,080 –> 00:18:01,200
میکنم، بنابراین نمونهای از rx uh یک
495
00:18:01,200 –> 00:18:02,320
مجموعه آزمایشی
496
00:18:02,320 –> 00:18:04,400
برای پیشبینی میزان تناسب آن در نظر گرفتهایم، بنابراین
497
00:18:04,400 –> 00:18:05,360
اساساً به همین دلیل است
498
00:18:05,360 –> 00:18:08,160
که آن را به یک قطار تقسیم میکنید. تقسیم تست
499
00:18:08,160 –> 00:18:08,880
برای ارزیابی
500
00:18:08,880 –> 00:18:11,760
میزان خوبی در پیشبینی
501
00:18:11,760 –> 00:18:13,919
مجموعه آموزشی قبل از اینکه آن را
502
00:18:13,919 –> 00:18:15,919
به تولید زنده بفرستید
503
00:18:15,919 –> 00:18:18,080
و شما را قادر میسازد تا
504
00:18:18,080 –> 00:18:20,400
میزان مناسب بودن مدل را ارزیابی کنید
505
00:18:20,400 –> 00:18:21,919
و سپس کاری که میخواهم انجام دهم
506
00:18:21,919 –> 00:18:23,679
ذخیره نتایج مدل است.
507
00:18:23,679 –> 00:18:26,000
بنابراین اینجا جایی است که من از pi برای تمام
508
00:18:26,000 –> 00:18:27,280
نحو استفاده می کنم،
509
00:18:27,280 –> 00:18:30,240
بنابراین آنها هنوز هم اشیاء پایتون هستند، من
510
00:18:30,240 –> 00:18:32,160
از
511
00:18:32,160 –> 00:18:34,240
زمان پیش بینی شده استفاده می کنم تا به عنوان مدلی
512
00:18:34,240 –> 00:18:36,559
برای پیش بینی دیده شود، بدیهی است که من یک اشتباه تایپی
513
00:18:36,559 –> 00:18:38,240
در اینجا انجام داده ام، دمای آن نیست.
514
00:18:38,240 –> 00:18:41,679
زمان دیده شدن من قصد دارم از
515
00:18:41,679 –> 00:18:42,000
516
00:18:42,000 –> 00:18:45,360
عملکرد pi to r استفاده کنم تا مشخص کنم
517
00:18:45,360 –> 00:18:47,280
که کدام روی e از اشیای پایتون را میخواهم
518
00:18:47,280 –> 00:18:49,600
به آن قاب داده برگردانم
519
00:18:49,600 –> 00:18:52,720
و سپس y را آزمایش میکنم تا باقیماندههایی را که
520
00:18:52,720 –> 00:18:54,240
قرار است در آن قاب داده ذخیره کنم،
521
00:18:54,240 –> 00:18:56,160
بنابراین اساساً آنچه در اینجا
522
00:18:56,160 –> 00:18:59,039
دارم پیشبینیهای من از مدل من است که
523
00:18:59,039 –> 00:19:00,000
واقعی است.
524
00:19:00,000 –> 00:19:02,240
برچسبهای مجموعه تست کنید تا مقادیر
525
00:19:02,240 –> 00:19:03,280
واقعی زمانی که باید دیده
526
00:19:03,280 –> 00:19:06,400
شوند چیست و سپس باقیمانده
527
00:19:06,400 –> 00:19:08,559
برچسبهای واقعی در مقابل پیشبینیها
528
00:19:08,559 –> 00:19:11,039
به شما آن باقیمانده را بدهم، بنابراین دوباره
529
00:19:11,039 –> 00:19:12,720
سه ستون دریافت کنید،
530
00:19:12,720 –> 00:19:15,760
واقعی و باقیمانده پیشبینی میشوند
531
00:19:15,840 –> 00:19:17,760
و دوباره مهم است که شما سپس
532
00:19:17,760 –> 00:19:19,919
تشخیص دهید که کدام یک از اشیاء پایتون
533
00:19:19,919 –> 00:19:21,120
در مقابل کدام یک هستند
534
00:19:21,120 –> 00:19:24,400
و در محیط r در
535
00:19:24,400 –> 00:19:27,760
استودیوی ما یک حس خواهید داشت
536
00:19:27,760 –> 00:19:29,679
که امیدوارم همه بتوانند صفحه نمایش r استودیوی من را ببینند
537
00:19:29,679 –> 00:19:31,200
، فقط چند مشکل وجود دارد که
538
00:19:31,200 –> 00:19:32,320
تست میشود،
539
00:19:32,320 –> 00:19:34,799
اما میتوانید ببینید که اوم در آن زمان است.
540
00:19:34,799 –> 00:19:35,919
مشخص شده که اینها
541
00:19:35,919 –> 00:19:39,600
بخشی از کتابخانه های نقشه ماژول lib هستند
542
00:19:39,600 –> 00:19:43,120
و به
543
00:19:43,120 –> 00:19:45,039
کتابخانه مدل خطی یادگیری کیت اسکی و خط لوله یادگیری کیت اسکی
544
00:19:45,039 –> 00:19:46,400
545
00:19:46,400 –> 00:19:48,400
و انتخاب مدل یادگیری کیت اسکی تعلق دارند
546
00:19:48,400 –> 00:19:49,840
و همه اینها به
547
00:19:49,840 –> 00:19:51,440
متغیر پیوند می شوند. e نامهایی را که در
548
00:19:51,440 –> 00:19:52,880
549
00:19:52,880 –> 00:19:54,559
مرحله import نامیدهاید، زمانی که
550
00:19:54,559 –> 00:19:56,799
وارد کردن در کتابخانه پایتون را انجام
551
00:19:56,799 –> 00:20:00,000
552
00:20:00,000 –> 00:20:03,679
553
00:20:03,679 –> 00:20:06,480
میدادید، نام میبرید، بنابراین اجازه دهید من فقط به واردات برگردم که نصب نیست، بنابراین در اینجا انتخاب مدل اسکلت وارد کردن اسکلت
554
00:20:06,480 –> 00:20:06,960
نقطه
555
00:20:06,960 –> 00:20:08,720
انتخاب مدل را انتخاب کنید، بنابراین اگر با آن کار میکنید
556
00:20:08,720 –> 00:20:10,960
um
557
00:20:10,960 –> 00:20:14,720
python شما از sk Learn import
558
00:20:14,720 –> 00:20:16,880
انتخاب مدل
559
00:20:16,880 –> 00:20:17,760
560
00:20:17,760 –> 00:20:20,960
انجام می دهید که کمی با نحوه انجام آن متفاوت است در همه موارد
561
00:20:20,960 –> 00:20:21,360
562
00:20:21,360 –> 00:20:24,559
انتخاب مدل sklearn dot نه از sk Learn import
563
00:20:24,559 –> 00:20:25,600
انتخاب مدل
564
00:20:25,600 –> 00:20:27,120
برای کسانی که پایتون را می شناسید که
565
00:20:27,120 –> 00:20:29,039
مفید خواهد بود در غیر
566
00:20:29,039 –> 00:20:31,600
این صورت این روش شماست این کار را با مشبک انجام دهید یا با
567
00:20:31,600 –> 00:20:32,880
مشبک
568
00:20:32,880 –> 00:20:37,600
کار کنید، بنابراین به سند نشانه گذاری برگردید، سپس
569
00:20:37,600 –> 00:20:39,200
به این ترتیب آنها را
570
00:20:39,200 –> 00:20:41,039
پیش بینی محصول برای آن مدل می کنید،
571
00:20:41,039 –> 00:20:42,720
بنابراین کاری که من می خواهم انجام دهم این است
572
00:20:42,720 –> 00:20:44,559
که تناسب را در
573
00:20:44,559 –> 00:20:48,720
کتابخانه دریایی پایتون تجسم
574
00:20:48,720 –> 00:20:50,720
کنم تا نتایج پیش بینی من در اینجا باشد.
575
00:20:50,720 –> 00:20:52,799
من دوباره آن را پس می دهم
576
00:20:52,799 –> 00:20:54,159
زیرا اکنون به
577
00:20:54,159 –> 00:20:56,480
شی دیگری تبدیل شده است و با استفاده از دستور alter pi reticulate که قرار است آن را ارسال کنم آن را
578
00:20:56,480 –> 00:20:59,360
به پایتون برگردانم
579
00:20:59,360 –> 00:21:02,240
580
00:21:02,240 –> 00:21:03,200
مدل نتیجه میشود
581
00:21:03,200 –> 00:21:04,480
و سپس به انواع دادهها نگاه
582
00:21:04,480 –> 00:21:06,880
میکنم، بنابراین میتوانید ببینید که همه آنها
583
00:21:06,880 –> 00:21:10,400
اعداد ممیز شناور هستند و با این کار
584
00:21:10,400 –> 00:21:11,919
انواع دادههای اشیاء پایتون
585
00:21:11,919 –> 00:21:13,520
586
00:21:13,520 –> 00:21:16,240
را دوباره چاپ میکنید و از نماد دلار
587
00:21:16,240 –> 00:21:17,600
برای دسترسی به عناصر
588
00:21:17,600 –> 00:21:20,720
موجود در آن استفاده میکنید. r بنابراین ما یک نمودار خطی در
589
00:21:20,720 –> 00:21:21,600
seabourn ایجاد میکنیم،
590
00:21:21,600 –> 00:21:24,480
بنابراین من میخواهم از عملکرد نمودار خط علامت sns um dollar
591
00:21:24,480 –> 00:21:26,000
592
00:21:26,000 –> 00:21:29,120
از cborn در پایتون استفاده
593
00:21:29,120 –> 00:21:31,760
کنم، بنابراین میخواهم دادهها را بهعنوان نتیجهی مدل pi من در دادهها ارسال کنم،
594
00:21:31,760 –> 00:21:33,760
بنابراین نتایج مدلی که
595
00:21:33,760 –> 00:21:36,240
از آن عبور کرد برای اینکه کیت اسکی را
596
00:21:36,240 –> 00:21:38,000
یاد بگیریم، سپس در آن مدل یادگیری ماشینی قرار گرفته اند
597
00:21:38,000 –> 00:21:40,559
و از آن عبور کرده اند
598
00:21:40,559 –> 00:21:42,159
و سپس x را به
599
00:21:42,159 –> 00:21:43,840
عنوان واقعی سیم ها یک پیش بینی کننده مشخص می کنیم تا
600
00:21:43,840 –> 00:21:45,360
به توزیع واقعی
601
00:21:45,360 –> 00:21:47,280
بین مقادیر واقعی و
602
00:21:47,280 –> 00:21:49,760
پیش بینی شده
603
00:21:49,760 –> 00:21:53,360
در شرایط um و سپس ذخیره این ارقام،
604
00:21:53,360 –> 00:21:55,840
من می خواهم از نمودارها استفاده کنم علائم دلار
605
00:21:55,840 –> 00:21:56,960
ذخیره انجیر
606
00:21:56,960 –> 00:21:59,200
یک نماد و سپس این یک
607
00:21:59,200 –> 00:22:01,520
شکل را در
608
00:22:01,520 –> 00:22:03,919
زیر پوشه تصاویر تصاویر من ذخیره می کند و پیوندی به فهرست کاری من می
609
00:22:03,919 –> 00:22:05,840
گذارد
610
00:22:05,840 –> 00:22:08,400
تا آن را با واضح um در
611
00:22:08,400 –> 00:22:10,240
نشانه گذاری مورد نیاز شما کار کند. استفاده از بافندگی برای
612
00:22:10,240 –> 00:22:12,559
گنجاندن هر چیزی که در این پنجره وجود دارد
613
00:22:12,559 –> 00:22:14,159
تا آن را با تمام نشانهگذاریها کار کند
614
00:22:14,159 –> 00:22:15,679
و میتوانید ببینید که
615
00:22:15,679 –> 00:22:17,840
نموداری از پیشبینیکننده در مقابل واقعی را به من نشان میدهد
616
00:22:17,840 –> 00:22:20,480
با یک نوع نوار خطا در
617
00:22:20,480 –> 00:22:23,440
اینجا بیشتر پایین میآید،
618
00:22:23,679 –> 00:22:25,679
بنابراین بیایید همان طرح را در همه شما
619
00:22:25,679 –> 00:22:27,520
فقط از
620
00:22:27,520 –> 00:22:28,080
621
00:22:28,080 –> 00:22:30,240
کتابخانه های gg plot خود استفاده می کنید تا کارهای مشابهی
622
00:22:30,240 –> 00:22:31,520
را انجام دهید
623
00:22:31,520 –> 00:22:33,120
و این پتانسیل وجود دارد که با
624
00:22:33,120 –> 00:22:34,559
plotly و در
625
00:22:34,559 –> 00:22:37,840
um در پایتون که به خوبی در پایتون پشتیبانی می شود کار کنید،
626
00:22:37,840 –> 00:22:39,120
627
00:22:39,120 –> 00:22:41,039
اما من تمایل دارم به عقب برگردم. پس از آن
628
00:22:41,039 –> 00:22:43,200
دوباره کاربران مخلوط شده اند،
629
00:22:43,200 –> 00:22:44,480
بنابراین کاری که من در اینجا انجام می دهم این است که
630
00:22:44,480 –> 00:22:46,720
نوع مشابهی از نوار را ترسیم می
631
00:22:46,720 –> 00:22:49,919
کنم اما یک خط هندسی صاف
632
00:22:49,919 –> 00:22:51,600
دارم که می توانم مودبانه از آن استفاده کنم و سپس
633
00:22:51,600 –> 00:22:53,440
بین مقادیر واقعی پیش بینی نشده پیمایش کنم تا
634
00:22:53,440 –> 00:22:55,120
ببینم.
635
00:22:55,120 –> 00:22:56,720
خطای باقیمانده چگونه به نظر می رسد و
636
00:22:56,720 –> 00:22:58,720
دوباره می توانید یک نمودار باقیمانده ایجاد کنید
637
00:22:58,720 –> 00:23:00,400
638
00:23:00,400 –> 00:23:02,720
تا پس از آن کاری که تا به حال انجام داده
639
00:23:02,720 –> 00:23:05,280
ایم، داده ها را
640
00:23:05,280 –> 00:23:07,919
از r به پایتون منتقل کرده ایم، آمارهای خلاصه ای را
641
00:23:07,919 –> 00:23:08,400
642
00:23:08,400 –> 00:23:10,640
روی آن داده ها انجام داده ایم. سپس
643
00:23:10,640 –> 00:23:12,640
کتابخانه های مربوطه را وارد کرد کیت اسکی رام یادگیری
644
00:23:12,640 –> 00:23:16,159
و numpy و پانداها برای کار با
645
00:23:16,159 –> 00:23:18,000
برازش یک مدل رگرسیون خطی با استفاده از
646
00:23:18,000 –> 00:23:19,520
کیت اسکی،
647
00:23:19,520 –> 00:23:21,600
ما سپس تجسم کردیم که آن مدل
648
00:23:21,600 –> 00:23:22,720
با استفاده از
649
00:23:22,720 –> 00:23:26,000
um seaborne و
650
00:23:26,000 –> 00:23:29,440
با استفاده از نمودار در r خروجی میدهد، بنابراین بله، در این صورت است که
651
00:23:29,440 –> 00:23:31,120
چگونه میتوانید آن فرآیندها را زنجیرهای کنید.
652
00:23:31,120 –> 00:23:32,799
653
00:23:32,799 –> 00:23:34,400
بنابراین اساساً پس از دریافت این
654
00:23:34,400 –> 00:23:37,440
خروجیها، میتوانم آن را
655
00:23:37,440 –> 00:23:40,000
اجرا کنم اسکریپتهای خارجی را در پایتون
656
00:23:40,000 –> 00:23:40,799
نیز اجرا کنم،
657
00:23:40,799 –> 00:23:42,720
بنابراین شما اساساً میتوانید زنجیرهای
658
00:23:42,720 –> 00:23:44,960
بین r و پایتون تنظیم کنید تا همه
659
00:23:44,960 –> 00:23:45,840
بخشی از فرآیند را انجام
660
00:23:45,840 –> 00:23:48,960
دهند تا دادههایی را که من به دست میآورم خروجی بدهم. من
661
00:23:48,960 –> 00:23:51,120
می خواهم در یک ثانیه به شما نشان دهم،
662
00:23:51,120 –> 00:23:54,240
پس یک اسکریپت پایتون خارجی اجرا کنید،
663
00:23:54,240 –> 00:23:56,080
سپس کاری که می خواهم انجام دهم این است که
664
00:23:56,080 –> 00:23:58,400
نتایج را از محیط خود بنویسم،
665
00:23:58,400 –> 00:23:59,760
بنابراین هر چیزی را
666
00:23:59,760 –> 00:24:01,360
که قرار است دریافت کنم انتخاب کنم.
667
00:24:01,360 –> 00:24:03,200
ظرف 30 روز
668
00:24:03,200 –> 00:24:05,679
از زمان نمایش قاب داده، از شر ارائه ویرایش خلاص شوید و
669
00:24:05,679 –> 00:24:06,720
سپس اجازه دهید از عملکرد جدول داده
670
00:24:06,720 –> 00:24:08,240
برای نوشتن سریع استفاده کنم،
671
00:24:08,240 –> 00:24:11,520
بنابراین داده ها را در csv بنویسید
672
00:24:11,520 –> 00:24:14,080
تا داده ها اکنون در قالب csv باشند، بنابراین
673
00:24:14,080 –> 00:24:16,000
اگر می خواهید به جدول داده ای
674
00:24:16,000 –> 00:24:17,919
که خواهید دید نگاه کنید ببینید که من زمان دارم تا دیده
675
00:24:17,919 –> 00:24:20,159
676
00:24:20,159 –> 00:24:23,440
شوم، اکنون خروجی وجود دارد که برمی گردد به اینکه کاری که می خواهم انجام دهم این
677
00:24:23,440 –> 00:24:26,400
است که این
678
00:24:26,400 –> 00:24:27,360
فایل را از اینجا بردارم،
679
00:24:27,360 –> 00:24:28,799
بنابراین شما را در یک ثانیه از طریق فایل
680
00:24:28,799 –> 00:24:30,720
می گذرانم میدانم که من
681
00:24:30,720 –> 00:24:33,520
از دستور اجرای فایل زیر خط pi استفاده میکنم
682
00:24:33,520 –> 00:24:34,960
و
683
00:24:34,960 –> 00:24:38,240
فایل پایتون زیرخط sms را
684
00:24:38,240 –> 00:24:40,960
برای پشتیبانی از آن ذخیره کردهام، بنابراین خواهید دید که در
685
00:24:40,960 –> 00:24:41,440
واقع
686
00:24:41,440 –> 00:24:44,400
در فهرست من است که در آنجا به عنوان یک فایل پایتون نشسته است.
687
00:24:44,400 –> 00:24:46,320
688
00:24:46,320 –> 00:24:48,960
استودیوی ما اکنون به شما اجازه میدهد کار کنید. با
689
00:24:48,960 –> 00:24:50,400
پایتون بسیار زیبا،
690
00:24:50,400 –> 00:24:53,360
بنابراین کاری که من میخواهم انجام دهم این است
691
00:24:55,279 –> 00:24:57,360
که میتوانم برای فریمهای داده مربوطه بزرگنمایی کنم.
692
00:24:57,360 –> 00:24:59,120
693
00:24:59,120 –> 00:25:02,320
اوم دوباره
694
00:25:02,320 –> 00:25:04,320
از نظر پارامترهایی که
695
00:25:04,320 –> 00:25:06,240
باید دوباره شکل را بهروزرسانی
696
00:25:06,240 –> 00:25:07,679
کنم کمی پوکر وجود دارد.
697
00:25:07,679 –> 00:25:08,880
اگر قبلاً
698
00:25:08,880 –> 00:25:10,960
هرگز کد پایتون را ندیدهاید، به آن عمق بیشتری بدهید
699
00:25:10,960 –> 00:25:13,039
و سپس کاری که من میخواهم انجام دهم این است که از
700
00:25:13,039 –> 00:25:14,799
چارچوب داده برای تنظیم قاب داده در
701
00:25:14,799 –> 00:25:16,080
پایتون استفاده کنم و از آنها
702
00:25:16,080 –> 00:25:17,520
دستور مشابهی دریافت میکنم. خواندن
703
00:25:17,520 –> 00:25:20,400
همه خواندن زیرخط CSV و پانداها من
704
00:25:20,400 –> 00:25:21,919
قصد دارم از خواندن داده ها
705
00:25:21,919 –> 00:25:23,679
و زمان نمایش csv که
706
00:25:23,679 –> 00:25:26,000
خارج شده است استفاده کنم به عنوان بخشی از فرآیند r قرار داده شده
707
00:25:26,000 –> 00:25:26,960
است،
708
00:25:26,960 –> 00:25:29,279
من آن قاب داده را چاپ می کنم و
709
00:25:29,279 –> 00:25:30,880
سپس چند تابع ایجاد می کنم،
710
00:25:30,880 –> 00:25:31,279
711
00:25:31,279 –> 00:25:34,159
بنابراین یک نمودار sns در پایتون وجود دارد که
712
00:25:34,159 –> 00:25:34,799
بومی است که
713
00:25:34,799 –> 00:25:36,559
اساساً
714
00:25:36,559 –> 00:25:37,840
توزیع های چگالی و
715
00:25:37,840 –> 00:25:40,159
تجسم های زیبا را به شما می دهد.
716
00:25:40,159 –> 00:25:40,880
717
00:25:40,880 –> 00:25:42,799
قابلیتهای r نیز وجود دارد، اما من فقط
718
00:25:42,799 –> 00:25:44,080
میخواستم به شما مثالی بزنم که چگونه میتوانیم
719
00:25:44,080 –> 00:25:45,919
این دادهها را از یک
720
00:25:45,919 –> 00:25:47,679
فایل پایتون مصرف
721
00:25:47,679 –> 00:25:50,320
کنیم و تابعی ایجاد کنیم که میتواند
722
00:25:50,320 –> 00:25:51,679
برای جمعآوری آن دادهها
723
00:25:51,679 –> 00:25:57,120
و تنظیم
724
00:25:57,120 –> 00:25:58,559
چیزی که چگونه با زیباییشناسی کار میکند، استفاده کنیم.
725
00:25:58,559 –> 00:26:00,240
اگر میخواهید بر اساس چیزی گروهبندی کنید
726
00:26:00,240 –> 00:26:03,679
و اساساً من فقط میگویم اگر
727
00:26:03,679 –> 00:26:05,520
مشکلی وجود دارد، فقط آن هشدارها را نادیده بگیرید،
728
00:26:05,520 –> 00:26:07,600
بنابراین دوباره مانند سرکوب کردن
729
00:26:07,600 –> 00:26:09,120
هشدارها
730
00:26:09,120 –> 00:26:10,799
و اساساً کاری که این کار انجام میدهد این است
731
00:26:10,799 –> 00:26:12,320
که آن دادهها را مصرف میکند
732
00:26:12,320 –> 00:26:13,919
و این را توصیفی میکند. رسم
733
00:26:13,919 –> 00:26:15,840
آن داده ها با استفاده از
734
00:26:15,840 –> 00:26:18,799
تابع ترسیم زیرخط sms که
735
00:26:18,799 –> 00:26:19,600
736
00:26:19,600 –> 00:26:21,600
من در اینجا برجسته کردم و اساساً تمام
737
00:26:21,600 –> 00:26:22,799
چیزی که وجود دارد این است
738
00:26:22,799 –> 00:26:25,360
که یک شرط اگر و
739
00:26:25,360 –> 00:26:27,279
غیره است به نمودار همتای پیامک نگاه می کند که در آن می گیرد. e
740
00:26:27,279 –> 00:26:29,440
داده و مقدار رنگ را بر
741
00:26:29,440 –> 00:26:31,760
اساس پارامترهایی که آن تابع را ارسال می کنید تنظیم می کند،
742
00:26:31,760 –> 00:26:33,600
بنابراین اساساً یک
743
00:26:33,600 –> 00:26:36,000
تابع wrapper wrapper سریع برای کار با آن است و
744
00:26:36,000 –> 00:26:37,679
سپس برخی از توصیفات
745
00:26:37,679 –> 00:26:39,520
و برخی ابعاد و انواع داده را به شما می دهد که
746
00:26:39,520 –> 00:26:41,520
ما داریم. قبلاً نگاه کردم
747
00:26:41,520 –> 00:26:43,679
بنابراین به عقب برمی گردیم که پس
748
00:26:43,679 –> 00:26:46,159
اساساً نوع خط لوله
749
00:26:46,159 –> 00:26:49,520
r است که داده پایتون را خروجی می دهد سپس
750
00:26:49,520 –> 00:26:51,760
um داده ها را می گیرد بنابراین در قسمت بعدی
751
00:26:51,760 –> 00:26:52,720
752
00:26:52,720 –> 00:26:55,679
اسکریپت خروجی می دهد که آن را در فایل اجرا می کند
753
00:26:55,679 –> 00:26:56,960
754
00:26:56,960 –> 00:26:58,799
و سپس آن را بهعنوان یک شکل
755
00:26:58,799 –> 00:27:00,640
در پایتون ذخیره میکند
756
00:27:00,640 –> 00:27:02,720
و سپس گرافیکها را دوباره
757
00:27:02,720 –> 00:27:04,400
در طرح جفت گنجانده است
758
00:27:04,400 –> 00:27:06,799
و همانطور که میبینید من روی صفحه هستم، ظاهر
759
00:27:06,799 –> 00:27:08,480
خوبی خواهید داشت،
760
00:27:08,480 –> 00:27:10,960
اگر تا حدودی عجیب و نزدیک به
761
00:27:10,960 –> 00:27:12,799
توزیع چگالی
762
00:27:12,799 –> 00:27:14,320
است. من به تعداد
763
00:27:14,320 –> 00:27:16,159
دقیقه های فاکتور گروه بندی نگاه
764
00:27:16,159 –> 00:27:16,559
می کنم، اما
765
00:27:16,559 –> 00:27:17,760
شما احتمالاً کاری را کمی
766
00:27:17,760 –> 00:27:20,080
بهتر از
767
00:27:20,080 –> 00:27:21,919
آن انجام می
768
00:27:21,919 –> 00:27:25,600
769
00:27:25,600 –> 00:27:27,919
770
00:27:27,919 –> 00:27:28,720
771
00:27:28,720 –> 00:27:32,080
دهید. king با یک تابع مشابه، بنابراین
772
00:27:32,080 –> 00:27:33,919
اگر تا به حال با چیزی به نام
773
00:27:33,919 –> 00:27:36,559
نمودار همبستگی و نمودار وتر کار کرده اید، می دانید
774
00:27:36,559 –> 00:27:38,000
که عملکرد مشابهی در
775
00:27:38,000 –> 00:27:40,240
پایتون به نام نقشه های حرارتی وجود دارد،
776
00:27:40,240 –> 00:27:42,240
بنابراین کاری که من می خواهم انجام دهم این است
777
00:27:42,240 –> 00:27:43,600
که یک متغیر در r داشته باشم.
778
00:27:43,600 –> 00:27:45,440
به نام core من از دستور pi
779
00:27:45,440 –> 00:27:47,679
underscore time to be seen استفاده میکنم
780
00:27:47,679 –> 00:27:50,880
و همبستگی آن را انجام
781
00:27:50,880 –> 00:27:52,080
میدهم، میخواهم
782
00:27:52,080 –> 00:27:54,799
783
00:27:54,799 –> 00:27:56,000
با استفاده از نمودار و
784
00:27:56,000 –> 00:27:59,200
تابع شفاف، شکل قبلی را از محیط پایتون خلاص کنم تا شکل را پاک کند
785
00:27:59,200 –> 00:28:00,559
و سپس میخواهم یک نقشه حرارتی sns ایجاد
786
00:28:00,559 –> 00:28:02,320
کنم، بنابراین نتایج همبستگی بین زمان دیده شدن را فشار میدهم تا
787
00:28:02,320 –> 00:28:03,200
788
00:28:03,200 –> 00:28:06,320
789
00:28:06,320 –> 00:28:08,399
همه متغیرها در آنجا وجود داشته باشند و اجازه دهید
790
00:28:08,399 –> 00:28:10,159
حاشیهنویسیها را برابر true
791
00:28:10,159 –> 00:28:12,720
قرار دهیم تا آن را چاپ کند. برچسبها و نقشه c
792
00:28:12,720 –> 00:28:14,080
793
00:28:14,080 –> 00:28:15,919
پالت رنگ واقعی است که میخواهید از آن
794
00:28:15,919 –> 00:28:19,200
مشابه پالتها در ما نیز استفاده کنید
795
00:28:19,200 –> 00:28:20,320
و من میخواهم رسم کنم و
796
00:28:20,320 –> 00:28:22,240
آن شکل را در تصاویرم و نمودار همبستگی ذخیره میکنم
797
00:28:22,240 –> 00:28:23,360
798
00:28:23,360 –> 00:28:25,360
و دوباره باید از بافنده برای
799
00:28:25,360 –> 00:28:27,120
گنجاندن آن گرافیک ها استفاده
800
00:28:27,120 –> 00:28:29,600
کنید شما یک
801
00:28:29,600 –> 00:28:31,039
نمودار همبستگی بسیار مشابهی دارید که
802
00:28:31,039 –> 00:28:33,360
قبلاً در یک r از نظر
803
00:28:33,360 –> 00:28:35,840
تصاویری که از این خروجی
804
00:28:35,840 –> 00:28:38,559
میبینید، میتوانید ببینید که در واقع خروجی
805
00:28:38,559 –> 00:28:40,640
همبستگی من
806
00:28:40,640 –> 00:28:45,279
به این نتیجه میرسد که بنابراین با حرکت به عقب
807
00:28:45,279 –> 00:28:47,360
میتوانید اساساً کمی بیشتر انجام دهید.
808
00:28:47,360 –> 00:28:48,960
با روشی که در
809
00:28:48,960 –> 00:28:49,919
اینجا
810
00:28:49,919 –> 00:28:52,399
توضیح دادم، به شما ادغام کامل r و
811
00:28:52,399 –> 00:28:54,320
python در اسکریپتهایتان را میدهد،
812
00:28:54,320 –> 00:28:56,399
اگر در markdown کار میکردید،
813
00:28:56,399 –> 00:28:57,919
اساساً باید اینها را بهعنوان
814
00:28:57,919 –> 00:28:59,679
تکههای جداگانه اجرا کنید و
815
00:28:59,679 –> 00:29:02,240
از نظر ادغام این دستورات کار نمیکند.
816
00:29:02,240 –> 00:29:02,960
با هم،
817
00:29:02,960 –> 00:29:04,640
بنابراین این بهترین رویکرد از
818
00:29:04,640 –> 00:29:06,720
تمام تحقیقاتی است که من انجام دادهام، از این
819
00:29:06,720 –> 00:29:08,799
نظر که
820
00:29:08,799 –> 00:29:11,600
بخش مشبک
821
00:29:11,600 –> 00:29:13,679
ارائه را به پایان میرساند، اکنون میخواهم
822
00:29:13,679 –> 00:29:15,440
به آندریاس روی بیاورم که با شما
823
00:29:15,440 –> 00:29:17,120
در مورد مزایای آن صحبت خواهد کرد. با استفاده از
824
00:29:17,120 –> 00:29:19,919
کیت اسکی یاد بگیرید
825
00:29:21,760 –> 00:29:25,279
متشکرم گاری سلام سلام به همه
826
00:29:25,279 –> 00:29:28,240
می توانید صدای من را بشنوید تا شروع کنم بله خوب
827
00:29:28,240 –> 00:29:29,200
متشکرم
828
00:29:29,200 –> 00:29:32,480
پس اوه من برنامه ام را با شما به اشتراک می گذارم
829
00:29:32,480 –> 00:29:34,399
همانطور که گری گفت امروز در مورد سرزمین روان صحبت
830
00:29:34,399 –> 00:29:35,679
831
00:29:35,679 –> 00:29:38,399
خواهم کرد من تمایل دارم i را تلفظ کنم t psychic Learn یک
832
00:29:38,399 –> 00:29:38,720
پسر
833
00:29:38,720 –> 00:29:41,360
آن را تلفظ می کند به دنبال یادگیری است یا
834
00:29:41,360 –> 00:29:42,559
کیت اسکی یاد می گیرد
835
00:29:42,559 –> 00:29:44,880
اوه صادقانه بگویم نمی دانم اگر
836
00:29:44,880 –> 00:29:46,640
837
00:29:46,640 –> 00:29:48,480
احتمالاً گری برنده نباشد دو راه برای تلفظ