در این مطلب، ویدئو تغییر اقلیم با استفاده از سری زمانی | پروژه های پایتون | ادورکا | Deep Learning Rewind – 6 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: 00:18:19
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:10,800 –> 00:00:12,559
صبح بخیر عصر بخیر و
2
00:00:12,559 –> 00:00:14,320
عصر بخیر بچه ها بر اساس مناطق زمانی که
3
00:00:14,320 –> 00:00:15,839
همه شما از آن می آیید، بنابراین بچه ها قبل از
4
00:00:15,839 –> 00:00:17,199
شروع جلسه، می توانید همیشه
5
00:00:17,199 –> 00:00:18,960
اطلاعات سریعی به من بدهید، اگر همه
6
00:00:18,960 –> 00:00:20,560
می توانید صفحه نمایش من را ببینید و بدون تشویق صدای من را بشنوید
7
00:00:20,560 –> 00:00:23,119
،
8
00:00:24,480 –> 00:00:26,640
بسیار متشکرم همه را تأیید می
9
00:00:26,640 –> 00:00:29,359
کنم، بنابراین نام من نیراج کریا است و اکنون بیش از 13 سال
10
00:00:29,359 –> 00:00:31,119
است که در صنعت جامعه کار می کنم،
11
00:00:31,119 –> 00:00:33,360
بنابراین قبل از اینکه
12
00:00:33,360 –> 00:00:35,120
ادامه دهیم، اجازه دهید به سرعت
13
00:00:35,120 –> 00:00:37,680
انجمن کلاس استاد اریکا خود را با
14
00:00:37,680 –> 00:00:39,680
همه شما معرفی کنم
15
00:00:39,680 –> 00:00:41,680
تا این انجمن از کلاس های مستر
16
00:00:41,680 –> 00:00:44,079
شروع شود. در سال 2019 و از آن زمان
17
00:00:44,079 –> 00:00:46,480
تاکنون به
18
00:00:46,480 –> 00:00:48,879
32000 عضو نزدیک شدهایم و در این
19
00:00:48,879 –> 00:00:50,559
کلاسهای کارشناسی ارشد
20
00:00:50,559 –> 00:00:51,840
چندین
21
00:00:51,840 –> 00:00:54,000
وبینار با موضوعات مختلف از جمله دادههای بزرگ یادگیری ماشینی
22
00:00:54,000 –> 00:00:56,239
هوش مصنوعی بلاک چین iot و توسعه چند فرانتاند و بکاند برگزار کردهایم.
23
00:00:56,239 –> 00:00:58,399
24
00:00:58,399 –> 00:01:00,079
25
00:01:00,079 –> 00:01:02,879
فن آوری ها
26
00:01:02,879 –> 00:01:05,280
و بهترین بخش در مورد این رویدادها این است که
27
00:01:05,280 –> 00:01:06,880
آنها کاملاً رایگان هستند، بنابراین
28
00:01:06,880 –> 00:01:09,119
هیچ هزینه ای در اینجا و اینجا وجود
29
00:01:09,119 –> 00:01:11,760
ندارد این سمینارها یک
30
00:01:11,760 –> 00:01:13,600
پلت فرم واقعا عالی برای هر کسی است که
31
00:01:13,600 –> 00:01:15,920
به دنبال ورود به این صنعت عمودی با
32
00:01:15,920 –> 00:01:17,520
یادگیری فناوری
33
00:01:17,520 –> 00:01:19,280
مورد علاقه خود است به
34
00:01:19,280 –> 00:01:22,080
عنوان بخشی از
35
00:01:22,080 –> 00:01:24,240
بحث ما در مورد تغییرات آب و هوا و
36
00:01:24,240 –> 00:01:26,320
اینکه دقیقاً چگونه ساختار آن را مورد بحث قرار می دهیم. این همان
37
00:01:26,320 –> 00:01:28,000
چیزی است که ما قصد داریم در ادامه بیشتر روی آن تمرکز کنیم،
38
00:01:28,000 –> 00:01:30,400
39
00:01:30,400 –> 00:01:32,720
بنابراین اول از همه در
40
00:01:32,720 –> 00:01:36,079
مورد اصول تحلیل سری زمانی صحبت می کنیم
41
00:01:36,079 –> 00:01:38,320
که دقیقا چیست و سپس
42
00:01:38,320 –> 00:01:39,840
به صورت عملی ادامه می دهیم.
43
00:01:39,840 –> 00:01:41,040
44
00:01:41,040 –> 00:01:43,119
همه در اینجا ما قصد داریم به این
45
00:01:43,119 –> 00:01:45,439
نگاه کنیم که دقیقاً داده های سری زمانی
46
00:01:45,439 –> 00:01:48,000
چیست تجزیه و تحلیل سری های زمانی چه
47
00:01:48,000 –> 00:01:50,799
مواردی در مورد پروژه استفاده می شود که چرا
48
00:01:50,799 –> 00:01:53,119
ایستایی اهمیت دارد و محیط و
49
00:01:53,119 –> 00:01:54,640
ابزارهای پروژه از جمله
50
00:01:54,640 –> 00:01:55,680
دستی،
51
00:01:55,680 –> 00:01:57,520
بنابراین اگر در مورد داده های سری زمانی صحبت می کنید
52
00:01:57,520 –> 00:01:58,880
پس چه چیزی است که در اینجا
53
00:01:58,880 –> 00:02:00,960
مجموعه ای از مشاهدات است که
54
00:02:00,960 –> 00:02:02,960
از طریق اندازه گیری های مکرر
55
00:02:02,960 –> 00:02:05,840
در طول زمان به دست آمده است و همچنین به آن
56
00:02:05,840 –> 00:02:08,000
داده های مهر زمان نیز اشاره می شود دنباله ای از نشانگر داده است.
57
00:02:08,000 –> 00:02:10,160
s در مدل زمان ایندکس شده است
58
00:02:10,160 –> 00:02:12,000
، به عنوان مثال می توانید اینجا را ببینید که ما
59
00:02:12,000 –> 00:02:14,160
یک داده برای بازدیدکنندگان یک وب سایت داریم، به
60
00:02:14,160 –> 00:02:15,920
عنوان مثال چند بازدید کننده برای
61
00:02:15,920 –> 00:02:18,959
یک ماه وجود دارد و سپس در پارک و
62
00:02:18,959 –> 00:02:20,720
63
00:02:20,720 –> 00:02:22,160
دمای میانگین دمای
64
00:02:22,160 –> 00:02:23,680
ثبت شده در اینجا دقیقا چقدر است، بنابراین شما می توانید در اینجا ببینید ما
65
00:02:23,680 –> 00:02:24,800
66
00:02:24,800 –> 00:02:27,040
تعداد بازدیدکنندگان در ماه را داریم
67
00:02:27,040 –> 00:02:28,800
و جدول زمانی را داریم و سپس
68
00:02:28,800 –> 00:02:30,800
میانگین دمای ثبت شده برای
69
00:02:30,800 –> 00:02:33,760
پارک یلواستون را به عنوان بخشی از
70
00:02:33,760 –> 00:02:35,599
داده های مبتنی بر سری زمانی
71
00:02:35,599 –> 00:02:38,560
72
00:02:38,560 –> 00:02:41,440
داریم، بنابراین اگر در مورد آن صحبت کنیم، تجزیه و تحلیل سری زمانی دقیقا چیست. تجزیه و تحلیل و تجزیه و
73
00:02:41,440 –> 00:02:43,200
تحلیل سری های زمانی اساسا یک
74
00:02:43,200 –> 00:02:45,040
تکنیک آماری است که با
75
00:02:45,040 –> 00:02:48,239
داده های سری زمانی یا تجزیه و تحلیل روند سر و
76
00:02:48,239 –> 00:02:50,080
کار دارد، بنابراین داده های سرعت زمانی به این معنی است که داده ها
77
00:02:50,080 –> 00:02:52,640
در یک سری دوره های خاص
78
00:02:52,640 –> 00:02:54,800
از فواصل هستند، بنابراین
79
00:02:54,800 –> 00:02:57,120
موارد استفاده چندگانه برای سری های زمانی وجود دارد.
80
00:02:57,120 –> 00:02:58,720
ما قصد داریم در مورد آن صحبت کنیم، همانطور که شما
81
00:02:58,720 –> 00:03:01,280
فقط یک لحظه ادامه می دهید،
82
00:03:01,280 –> 00:03:05,120
بنابراین از نظر موارد
83
00:03:05,120 –> 00:03:07,200
استفاده، موارد استفاده چندگانه برای سری های زمانی وجود دارد،
84
00:03:07,200 –> 00:03:08,640
مانند ما برای
85
00:03:08,640 –> 00:03:10,959
خدمات مالی برای تجزیه و تحلیل آب و هوا برای تجزیه و تحلیل
86
00:03:10,959 –> 00:03:12,879
داده های شبکه برای تجزیه و تحلیل مراقبت های بهداشتی
87
00:03:12,879 –> 00:03:14,640
و غیره،
88
00:03:14,640 –> 00:03:16,000
بنابراین
89
00:03:16,000 –> 00:03:17,760
اکنون ممکن است کسی این سوال را داشته باشد
90
00:03:17,760 –> 00:03:19,519
که دقیقاً چه چیزی آن را خاص می کند زیرا
91
00:03:19,519 –> 00:03:21,760
سریال see tan مجموعه ای از
92
00:03:21,760 –> 00:03:23,840
نشانگرهای داده است که در فواصل زمانی ثابت جمع آوری می
93
00:03:23,840 –> 00:03:26,000
شوند و اینها برای تعیین طولانی مدت تجزیه و تحلیل می شوند.
94
00:03:26,000 –> 00:03:28,560
روند
95
00:03:28,560 –> 00:03:31,120
به منظور پیش بینی آینده یا انجام
96
00:03:31,120 –> 00:03:33,519
شکل دیگری از تجزیه و تحلیل، اما
97
00:03:33,519 –> 00:03:35,680
دقیقاً چه چیزی یک ردیف را متفاوت از
98
00:03:35,680 –> 00:03:38,000
فرض کنید مسئله رگرسیون معمولی می کند،
99
00:03:38,000 –> 00:03:40,560
بنابراین دو چیز وجود دارد، بنابراین سری های
100
00:03:40,560 –> 00:03:42,239
زمانی وابسته به زمان هستند، بنابراین
101
00:03:42,239 –> 00:03:44,640
مصرف اساسی مدل رگرسیون خطی
102
00:03:44,640 –> 00:03:46,560
که مشاهده می شود مشاهدات
103
00:03:46,560 –> 00:03:49,280
مستقل هستند در این مورد صدق نمی کند
104
00:03:49,280 –> 00:03:50,879
و همراه با روند افزایشی یا
105
00:03:50,879 –> 00:03:53,439
کاهشی، اکثر ts یا یک
106
00:03:53,439 –> 00:03:56,159
سری زمانی دارای نوعی روند فصلی هستند
107
00:03:56,159 –> 00:03:58,959
که مختص یک
108
00:03:58,959 –> 00:04:01,920
بازه زمانی خاص است، به عنوان مثال می
109
00:04:01,920 –> 00:04:04,239
توانیم فروش یک پشمی را مشاهده کنیم. ژاکت با گذشت
110
00:04:04,239 –> 00:04:06,000
زمان
111
00:04:06,000 –> 00:04:08,959
همیشه در
112
00:04:08,959 –> 00:04:11,439
فصل های زمستان و به دلیل
113
00:04:11,439 –> 00:04:13,200
ویژگی های ذاتی تیم فروش بیشتری خواهید داشت. یا
114
00:04:13,200 –> 00:04:15,920
سری های زمانی آنها مراحل مختلفی
115
00:04:15,920 –> 00:04:17,839
در تجزیه و تحلیل آن دخیل
116
00:04:17,839 –> 00:04:19,918
هستند
117
00:04:19,918 –> 00:04:21,759
و هستند و دوباره قرار
118
00:04:21,759 –> 00:04:23,360
است در مورد آنها بحث شود و دقیقاً چگونه می توانیم
119
00:04:23,360 –> 00:04:24,560
با آن کار
120
00:04:24,560 –> 00:04:25,919
121
00:04:25,919 –> 00:04:28,000
کنیم و می توانیم با کل آنالیز
122
00:04:28,000 –> 00:04:29,840
بر اساس پایتون کار کنیم بنابراین موارد استفاده چندگانه داریم.
123
00:04:29,840 –> 00:04:31,520
به عنوان مثال، بیایید بگوییم که در اینجا ما در
124
00:04:31,520 –> 00:04:34,400
مورد داده های بازار سهام در سال 2020
125
00:04:34,400 –> 00:04:36,400
از kaggle صحبت می کنیم، بنابراین kaggle یکی از
126
00:04:36,400 –> 00:04:39,199
منابع اولیه است که می توانیم
127
00:04:39,199 –> 00:04:41,120
تقریباً برای هر نوع داده ها را دریافت کنیم
128
00:04:41,120 –> 00:04:43,280
و برخی از آنها از api رسمی خود شرکت ها در دسترس هستند،
129
00:04:43,280 –> 00:04:45,199
130
00:04:45,199 –> 00:04:46,880
131
00:04:46,880 –> 00:04:48,720
بنابراین اساساً در اینجا ما داریم. دسترسی به
132
00:04:48,720 –> 00:04:51,520
مجموعه دادههای متعدد که میتواند
133
00:04:51,520 –> 00:04:53,040
از طریق
134
00:04:53,040 –> 00:04:55,680
av باشد، میتوانیم مجموعه دادههایی را برای حمل و نقل هوایی برای
135
00:04:55,680 –> 00:04:59,360
بانکداری برای تجارت الکترونیک برای
136
00:04:59,360 –> 00:05:00,800
137
00:05:00,800 –> 00:05:03,120
تجزیه و تحلیل معمولی بر اساس هر صنعت سرگرمی پیدا کنیم،
138
00:05:03,120 –> 00:05:04,960
بنابراین همه چیز را
139
00:05:04,960 –> 00:05:06,479
میتوان کاملاً تعریف کرد.
140
00:05:06,479 –> 00:05:08,240
141
00:05:08,240 –> 00:05:09,120
142
00:05:09,120 –> 00:05:11,440
طبقه بندی بنابراین
143
00:05:11,440 –> 00:05:13,199
ما خودمان را برای تقریباً هر صنعتی خوانده ایم به
144
00:05:13,199 –> 00:05:14,880
عنوان مثال برای
145
00:05:14,880 –> 00:05:16,720
اقتصاد مخفی برای اقتصاد ما
146
00:05:16,720 –> 00:05:19,280
منطقه کشور و تولید ناخالص داخلی جهان را داریم حمایت
147
00:05:19,280 –> 00:05:21,120
شادی جهانی را داریم فروش سوپرمارکتهای
148
00:05:21,120 –> 00:05:23,600
ما برای بخشهای آموزشی
149
00:05:23,600 –> 00:05:25,440
دادههای مراقبتهای بهداشتی داریم که برای
150
00:05:25,440 –> 00:05:27,280
تصاویر مختلف داریم، میتوانیم بگوییم دادههای تصویری برای
151
00:05:27,280 –> 00:05:29,680
تجسم برای nlp برای هنر و
152
00:05:29,680 –> 00:05:31,840
سرگرمی، بنابراین ما همه
153
00:05:31,840 –> 00:05:33,759
مجموعه دادههای موجود را داریم و میتوانیم ادامه دهیم
154
00:05:33,759 –> 00:05:35,759
و کشف کنیم که اکنون این یک مخزن خوب است
155
00:05:35,759 –> 00:05:37,360
که در آن همانطور که می
156
00:05:37,360 –> 00:05:39,680
بینید تقریباً 80000 مجموعه داده موجود
157
00:05:39,680 –> 00:05:41,680
برای موارد استفاده مختلف را می توانیم پیدا کنیم که می توانیم
158
00:05:41,680 –> 00:05:43,440
از آنها استفاده کنیم،
159
00:05:43,440 –> 00:05:44,560
بنابراین
160
00:05:44,560 –> 00:05:47,120
در اینجا می خواهیم در مورد ثابت صحبت کنیم،
161
00:05:47,120 –> 00:05:48,800
بنابراین قبل از هر چیز اجازه دهید در
162
00:05:48,800 –> 00:05:50,160
مورد اینکه
163
00:05:50,160 –> 00:05:52,880
چرا مسائل ثابت وجود دارد،
164
00:05:52,880 –> 00:05:55,039
پس چرا مسائل ثابت در اینجا چنین است صحبت کنیم.
165
00:05:55,039 –> 00:05:57,280
اساساً در بیشتر مواقع
166
00:05:57,280 –> 00:05:59,520
این مدلها فرض میکنند که هر نقطه
167
00:05:59,520 –> 00:06:01,600
مستقل از یکدیگر است
168
00:06:01,600 –> 00:06:03,440
و ویژگیهای آماری دادهها
169
00:06:03,440 –> 00:06:05,919
نباید در طول زمان تغییر کند و
170
00:06:05,919 –> 00:06:08,639
ثابت بودن به ما کمک میکند تا عوامل محرک را بهتر شناسایی
171
00:06:08,639 –> 00:06:10,319
کنیم، مانند
172
00:06:10,319 –> 00:06:12,560
سریهای زمانی ثابت و سپس ما
173
00:06:12,560 –> 00:06:15,919
یک سری زمانی غیر ثابت به
174
00:06:15,919 –> 00:06:18,000
عنوان همان مجموعه داده ای داشته باشیم
175
00:06:18,000 –> 00:06:20,240
که در این دو نمودار مختلف استفاده می شود و
176
00:06:20,240 –> 00:06:22,319
سپس محیط ها و ابزارهایی برای
177
00:06:22,319 –> 00:06:24,479
پروژهها اساساً در اینجا ما
178
00:06:24,479 –> 00:06:26,800
نیاز داریم به مدل آماری و شبانه روزی به پانداهای ناتوان دسترسی داشته باشیم،
179
00:06:26,800 –> 00:06:29,520
بنابراین
180
00:06:29,520 –> 00:06:31,280
اینها کتابخانههای مورد نیاز در اینجا
181
00:06:31,280 –> 00:06:33,600
هستند و ما میخواهیم روی زبان برنامهنویسی پایتون کار کنیم،
182
00:06:33,600 –> 00:06:35,120
183
00:06:35,120 –> 00:06:36,720
بنابراین اکنون
184
00:06:36,720 –> 00:06:38,800
بهعنوان بخشی از عملی که در حال انجام آن هستیم.
185
00:06:38,800 –> 00:06:40,720
برای کار بر روی
186
00:06:40,720 –> 00:06:42,800
همان فایلی که به آن دسترسی داریم و
187
00:06:42,800 –> 00:06:44,560
اجازه دهید من فقط شما را راهنمایی کنم که چگونه می توانیم
188
00:06:44,560 –> 00:06:46,960
با آن کار کنیم، بنابراین این یک فایل نوت بوک است که
189
00:06:46,960 –> 00:06:49,599
ما در حال حاضر آن را باز کرده ایم،
190
00:06:49,599 –> 00:06:52,240
بنابراین در اینجا ابتدا باید
191
00:06:52,240 –> 00:06:54,560
پانداها را به صورت pdf وارد کنیم. از همه چیز، ما در حال
192
00:06:54,560 –> 00:06:56,319
کار روی همکاری هستیم، اگر شما
193
00:06:56,319 –> 00:06:58,479
با فایل نوت بوک محلی مشتری خود راحت هستید،
194
00:06:58,479 –> 00:07:00,160
می توانیم از
195
00:07:00,160 –> 00:07:02,080
نوت بوک jupyter استفاده کنیم یا می توانیم از
196
00:07:02,080 –> 00:07:03,680
نمایه گره دیگر مطابق با نیاز استفاده کنیم
197
00:07:03,680 –> 00:07:05,120
198
00:07:05,120 –> 00:07:07,759
و در حال حاضر می توانیم این کار را انجام دهیم. از
199
00:07:07,759 –> 00:07:09,919
برنامههای جالب خود استفاده میکنیم، بنابراین codab هیچ
200
00:07:09,919 –> 00:07:12,240
نوع نیاز سختافزاری ندارد، در صورتی که
201
00:07:12,240 –> 00:07:13,840
202
00:07:13,840 –> 00:07:16,400
دسترسی به یک سیستم پیشرفته نداریم یا
203
00:07:16,400 –> 00:07:18,240
عملکرد پایینی را در سیستم خود تجربه میکنیم.
204
00:07:18,240 –> 00:07:19,599
سپس می توانیم جلو برویم و بسازیم
205
00:07:19,599 –> 00:07:21,840
استفاده از
206
00:07:21,840 –> 00:07:23,520
colab مانند یک نوت بوک آنلاین در دسترس است
207
00:07:23,520 –> 00:07:25,919
که میتوانیم روی پایتون کدنویسی
208
00:07:25,919 –> 00:07:26,880
209
00:07:26,880 –> 00:07:28,240
210
00:07:28,240 –> 00:07:29,759
کنیم تا بتوانیم کتابخانههایی را که قرار است از آنها
211
00:07:29,759 –> 00:07:31,599
استفاده کنیم تعریف کنیم، بنابراین اول از همه باید
212
00:07:31,599 –> 00:07:34,240
پانداها را به صورت pd وارد کنیم سپس از
213
00:07:34,240 –> 00:07:36,319
روز به روز وارد کنیم. روز و
214
00:07:36,319 –> 00:07:37,520
تاریخ
215
00:07:37,520 –> 00:07:39,199
و سپس ما میخواهیم mat.lip را وارد کنیم
216
00:07:39,199 –> 00:07:40,560
که اساساً برای
217
00:07:40,560 –> 00:07:42,160
بخش تجسم
218
00:07:42,160 –> 00:07:44,720
به صورت plt و سپس numpy به عنوان np استفاده میشود و سپس
219
00:07:44,720 –> 00:07:46,479
مدل آماری برای کار روی مدلهای آماری
220
00:07:46,479 –> 00:07:48,400
در اینجا و سپس c bond داریم که
221
00:07:48,400 –> 00:07:50,720
اساساً یک تجسم پیشرفته است.
222
00:07:50,720 –> 00:07:52,400
پیشنهاد ابزار درست مانند
223
00:07:52,400 –> 00:07:54,560
matplotlib که داریم و سپس میخواهیم از درون خطی استفاده کنیم،
224
00:07:54,560 –> 00:07:56,800
بنابراین این خط در اینجا اضافه میشود،
225
00:07:56,800 –> 00:07:58,720
زیرا نمیخواهیم نمودارها
226
00:07:58,720 –> 00:08:01,280
را در پنجرهای دیگر باز کنیم،
227
00:08:01,280 –> 00:08:02,879
میخواهیم آنها در
228
00:08:02,879 –> 00:08:04,240
خود دفترچه یادداشت نمایش داده شوند. قرار است با آنها
229
00:08:04,240 –> 00:08:06,080
کار کنند و سپس
230
00:08:06,080 –> 00:08:07,599
هشدارها را وارد می کنیم زیرا
231
00:08:07,599 –> 00:08:09,199
گاهی اوقات برخی از اخطارها
232
00:08:09,199 –> 00:08:11,039
بر اساس مجموعه داده ها و
233
00:08:11,039 –> 00:08:13,039
روشی که اکنون از آن استفاده می
234
00:08:13,039 –> 00:08:14,720
کنیم نشان داده می شود، ما نمی خواهیم که o ما میتوانیم به سادگی
235
00:08:14,720 –> 00:08:16,400
پیش برویم و هشدارها را وارد کنیم،
236
00:08:16,400 –> 00:08:18,319
بنابراین اول از همه قبل از
237
00:08:18,319 –> 00:08:20,080
شروع باید این کتابخانهها را بارگیری کنیم
238
00:08:20,080 –> 00:08:22,000
و سپس باید
239
00:08:22,000 –> 00:08:23,599
ادامه دهیم و
240
00:08:23,599 –> 00