در این مطلب، ویدئو تجزیه و تحلیل احساسات مبتنی بر صدا با استفاده از پایتون. 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: 00:07:41
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,480
سلام برنامه نویسان پایتون این درست است در
2
00:00:02,480 –> 00:00:04,160
این ویدیو به شما نشان می دهم که چگونه با استفاده از پایتون تجزیه و تحلیل حس
3
00:00:04,160 –> 00:00:05,920
رنجش مبتنی بر صدا را انجام دهید
4
00:00:05,920 –> 00:00:06,720
5
00:00:06,720 –> 00:00:09,280
در این پروژه می
6
00:00:09,280 –> 00:00:11,519
خواهیم از دو کتابخانه در پایتون استفاده کنیم
7
00:00:11,519 –> 00:00:13,519
که اولی بسته احساسی veda
8
00:00:13,519 –> 00:00:15,200
است و دومی
9
00:00:15,200 –> 00:00:18,640
کتابخانه تشخیص گفتار در پایتون است که
10
00:00:18,640 –> 00:00:20,480
هم برای کار با کتابخانههای منبع باز است،
11
00:00:20,480 –> 00:00:21,680
میتوانید از این بستهها به
12
00:00:21,680 –> 00:00:24,080
تعداد نامحدود استفاده کنید، بنابراین قبل از
13
00:00:24,080 –> 00:00:25,760
شروع این ویدیو، نظر خود را به اشتراک بگذارید
14
00:00:25,760 –> 00:00:26,960
و مشترک شوید
15
00:00:26,960 –> 00:00:28,560
این موارد به من انگیزه میدهد تا
16
00:00:28,560 –> 00:00:31,359
محتوای خوب بیشتری در برنامهنویسی پایتون تولید کنم،
17
00:00:31,359 –> 00:00:33,370
بنابراین بیایید این کار را شروع کنیم.
18
00:00:33,370 –> 00:00:36,380
19
00:00:37,760 –> 00:00:40,640
تجزیه و تحلیل احساسات ویدیویی [موسیقی] یا عقیده کاوی
20
00:00:40,640 –> 00:00:42,719
یک تکنیک پردازش زبان طبیعی است
21
00:00:42,719 –> 00:00:44,640
که برای تعیین
22
00:00:44,640 –> 00:00:47,360
منفی یا خنثی
23
00:00:47,360 –> 00:00:49,200
بودن داده ها در اینجا استفاده
24
00:00:49,200 –> 00:00:50,640
25
00:00:50,640 –> 00:00:53,199
26
00:00:53,199 –> 00:00:55,360
27
00:00:55,360 –> 00:00:56,960
می شود. محصولات بسیار زیادی را به مردم می فروشد
28
00:00:56,960 –> 00:00:59,039
و اگر می خواهید هر
29
00:00:59,039 –> 00:01:00,800
محصولی را از وب سایت آمازون بخرید
30
00:01:00,800 –> 00:01:02,559
اولین چیزی است که دریا خواهید زد. rch برای
31
00:01:02,559 –> 00:01:04,000
بررسی های مربوط به محصول
32
00:01:04,000 –> 00:01:05,600
و آنها این تصور را در
33
00:01:05,600 –> 00:01:07,439
مورد محصول به خریدار می
34
00:01:07,439 –> 00:01:09,360
دهند. شرکت هایی مانند آمازون از
35
00:01:09,360 –> 00:01:10,960
روش تجزیه و تحلیل احساسات
36
00:01:10,960 –> 00:01:12,960
برای دادن امتیاز
37
00:01:12,960 –> 00:01:14,799
38
00:01:14,799 –> 00:01:16,799
محصول استفاده می
39
00:01:16,799 –> 00:01:18,479
کنند. اینترنت برای همه رایگان است
40
00:01:18,479 –> 00:01:20,799
و شما می توانید هر چیزی را در مورد
41
00:01:20,799 –> 00:01:23,680
محصول خاص در سایت های تجارت الکترونیک تایپ کنید
42
00:01:23,680 –> 00:01:25,680
تا مشتریان افکار و
43
00:01:25,680 –> 00:01:26,240
احساسات خود را
44
00:01:26,240 –> 00:01:28,880
آشکارتر از همیشه بیان
45
00:01:28,880 –> 00:01:30,799
46
00:01:30,799 –> 00:01:31,680
47
00:01:31,680 –> 00:01:33,840
48
00:01:33,840 –> 00:01:35,520
49
00:01:35,520 –> 00:01:37,759
کنند. بیاموزید که چه چیزی مشتری را
50
00:01:37,759 –> 00:01:40,240
خوشحال یا ناامید
51
00:01:40,240 –> 00:01:42,000
می کند تا بتواند محصولات و
52
00:01:42,000 –> 00:01:44,720
خدمات خود را مطابق با نیازهای مشتری تنظیم کند،
53
00:01:44,720 –> 00:01:47,040
بنابراین این چیزی است که تجزیه و تحلیل احساسات
54
00:01:47,040 –> 00:01:49,840
مشکلی ندارد،
55
00:01:51,200 –> 00:01:53,759
چرا تجزیه و تحلیل احساسات برای تجارت بسیار مهم است،
56
00:01:53,759 –> 00:01:54,560
57
00:01:54,560 –> 00:01:56,560
یک شرکت باید محصول مورد نیاز مشتری را منتشر کند
58
00:01:56,560 –> 00:01:58,000
59
00:01:58,000 –> 00:02:00,640
که نشانه آن است. در شرکت های خوب،
60
00:02:00,640 –> 00:02:02,320
مشتریان اولویت اول
61
00:02:02,320 –> 00:02:03,600
شرکت mnc هستند
62
00:02:03,600 –> 00:02:04,960
این شرکتها
63
00:02:04,960 –> 00:02:07,840
دادههای مشتریان را ردیابی میکنند، بنابراین تجزیه و تحلیل احساسات
64
00:02:07,840 –> 00:02:10,160
برای این امر بسیار مهم است
65
00:02:10,160 –> 00:02:12,080
زیرا به درک سریع
66
00:02:12,080 –> 00:02:14,239
نظرات کلی مشتریانشان کمک میکند،
67
00:02:14,239 –> 00:02:16,560
اگر نیازهای مشتریان خود را درک کنید،
68
00:02:16,560 –> 00:02:18,080
میتوانید آن محصولات را به مشتریان خود بفروشید
69
00:02:18,080 –> 00:02:18,720
70
00:02:18,720 –> 00:02:20,720
و بسیار مفید خواهد بود. کسب و کار خود را رشد دهید،
71
00:02:20,720 –> 00:02:22,720
بنابراین این مفهوم ساده
72
00:02:22,720 –> 00:02:24,720
در مورد تجزیه و تحلیل احساسات است،
73
00:02:24,720 –> 00:02:27,200
خوب، بنابراین بیایید کد را شروع کنیم اساساً
74
00:02:27,200 –> 00:02:29,200
تجزیه و تحلیل احساسات یک پروژه ساده
75
00:02:29,200 –> 00:02:30,879
در زمینه یادگیری ماشینی است
76
00:02:30,879 –> 00:02:32,640
اما این ویدیو یک موضوع یادگیری ماشینی نیست
77
00:02:32,640 –> 00:02:34,640
در اینجا من از یک کتابخانه پایتون استفاده می کنم.
78
00:02:34,640 –> 00:02:36,400
این کار را انجام دهید،
79
00:02:36,400 –> 00:02:37,920
فرض کنید اگر میخواهید پیادهسازیهای یادگیری ماشینی
80
00:02:37,920 –> 00:02:40,640
در تجزیه و تحلیل احساسات
81
00:02:40,640 –> 00:02:42,560
را بیان کنید، نظرات خود را بیان کنید، بنابراین من
82
00:02:42,560 –> 00:02:44,560
با
83
00:02:44,560 –> 00:02:45,840
پیادهسازی مفاهیم یادگیری ماشینی
84
00:02:45,840 –> 00:02:47,280
در پایتون، پروژه تحلیل احساسات را انجام میدهم،
85
00:02:47,280 –> 00:02:49,280
خوب، ابتدا باید یک
86
00:02:49,280 –> 00:02:50,400
بسته پایتون به نام
87
00:02:50,400 –> 00:02:52,720
veda sentiment نصب کنید، بنابراین دستور خود را باز کنید.
88
00:02:52,720 –> 00:02:54,239
اعلان کنید و فقط pip
89
00:02:54,239 –> 00:02:56,720
install beta sentiment را تایپ کنید تا به
90
00:02:56,720 –> 00:02:59,200
شما در نصب کمک کند کتابخانه
91
00:02:59,200 –> 00:03:00,720
و باید کتابخانه تشخیص گفتار را نصب کنید،
92
00:03:00,720 –> 00:03:03,440
بنابراین pip install
93
00:03:03,440 –> 00:03:05,680
تشخیص گفتار را تایپ کنید،
94
00:03:05,680 –> 00:03:07,280
این کتابخانه را پس از نصب
95
00:03:07,280 –> 00:03:08,080
بستههای
96
00:03:08,080 –> 00:03:09,280
مورد نیاز برای وارد کردن
97
00:03:09,280 –> 00:03:11,280
کتابخانه تجهیزات عروسی و کتابخانه تشخیص گفتار
98
00:03:11,280 –> 00:03:13,599
بر روی ایده خود نصب میکند
99
00:03:13,599 –> 00:03:15,760
و متغیری به نام شناسا ایجاد میکند
100
00:03:15,760 –> 00:03:17,040
و آن را فراخوانی میکند. instance
101
00:03:17,040 –> 00:03:19,200
Regenerator این به شما کمک می کند تا
102
00:03:19,200 –> 00:03:20,159
103
00:03:20,159 –> 00:03:23,200
کتابخانه