در این مطلب، ویدئو نحوه انجام تجزیه و تحلیل احساسات با استفاده از پایتون | تجزیه و تحلیل احساسات با استفاده از NLTK | ادورکا| عقب – 4 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: 00:23:09
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:12,080 –> 00:00:13,679
صبح بخیر بعدازظهر بخیر و
2
00:00:13,679 –> 00:00:15,280
عصر بخیر همه بر اساس مناطق زمانی
3
00:00:15,280 –> 00:00:16,960
که همه شما از آن می آیید، بنابراین قبل از
4
00:00:16,960 –> 00:00:18,640
شروع به درک، می توانید همیشه
5
00:00:18,640 –> 00:00:20,560
اطلاعات سریعی به من بدهید، اگر همه می توانید
6
00:00:20,560 –> 00:00:22,080
صفحه نمایش من را ببینید و صدای من را در اینجا بشنوید،
7
00:00:22,080 –> 00:00:24,320
8
00:00:25,840 –> 00:00:27,119
بسیار عالی از تأیید شما متشکرم
9
00:00:27,119 –> 00:00:29,119
پس قبل از شروع به من اجازه دهید
10
00:00:29,119 –> 00:00:30,720
سریعاً خودم را به همه شما معرفی کنم،
11
00:00:30,720 –> 00:00:33,440
بنابراین نام من نیراج کریا است و
12
00:00:33,440 –> 00:00:35,200
13
00:00:35,200 –> 00:00:37,200
اکنون بیش از 13 سال است که در صنعت شهر کار می کنم، اجازه دهید
14
00:00:37,200 –> 00:00:39,120
به سرعت انجمن کلاس استاد اورکا را
15
00:00:39,120 –> 00:00:41,040
با همه شما معرفی کنم.
16
00:00:41,040 –> 00:00:42,879
انجمن کلاس های مستر
17
00:00:42,879 –> 00:00:45,680
در سال 2019 شروع به کار کرد و از آن زمان تاکنون
18
00:00:45,680 –> 00:00:48,239
به بیش از 33000 عضو بسته شده
19
00:00:48,239 –> 00:00:50,079
ایم و در این کلاس های مستر ما
20
00:00:50,079 –> 00:00:51,760
چندین وبینار و
21
00:00:51,760 –> 00:00:54,079
رویدادهای زنده را با موضوعات مختلف از جمله یادگیری ماشینی
22
00:00:54,079 –> 00:00:56,239
هوش مصنوعی بلاک چین
23
00:00:56,239 –> 00:00:58,960
iot و داده های متعدد برگزار می کنیم.
24
00:00:58,960 –> 00:01:00,160
25
00:01:00,160 –> 00:01:02,000
فنآوریهای توسعه بکاند front-end و بهترین بخش در مورد
26
00:01:02,000 –> 00:01:03,760
این وبینارها این است که کاملاً
27
00:01:03,760 –> 00:01:05,360
رایگان هستند، بنابراین وجود دارد
28
00:01:05,360 –> 00:01:07,119
در اینجا هیچ هزینه ای در
29
00:01:07,119 –> 00:01:08,560
کار نیست، بنابراین برای اینکه بخشی از این گروه باشیم، می توانیم
30
00:01:08,560 –> 00:01:10,640
به سادگی روی این مورد کلیک کنیم که می گوید
31
00:01:10,640 –> 00:01:12,240
به این گروه بپیوندید و سپس
32
00:01:12,240 –> 00:01:14,320
از کل برنامه زمانی
33
00:01:14,320 –> 00:01:16,640
که برای این ماه برنامه ریزی شده است مطلع
34
00:01:16,640 –> 00:01:18,880
خواهیم شد، اکنون می خواهیم در مورد چگونگی بحث کنیم.
35
00:01:18,880 –> 00:01:20,560
دقیقاً میتوانیم این تحلیل احساسات را
36
00:01:20,560 –> 00:01:23,119
با استفاده از پایتون انجام دهیم، بنابراین قبل از اینکه
37
00:01:23,119 –> 00:01:24,840
وارد آن شویم، میخواهیم یک
38
00:01:24,840 –> 00:01:27,520
بحث سریع در مورد اینکه دقیقاً
39
00:01:27,520 –> 00:01:30,159
یادگیری ماشین چیست، چرا تحلیل احساسات
40
00:01:30,159 –> 00:01:32,320
دقیقاً چیست و دقیقاً چگونه
41
00:01:32,320 –> 00:01:34,159
کار میکند، بحث کنیم و سپس یک
42
00:01:34,159 –> 00:01:36,799
نمونه کوچکی برای آن است و سپس در زمان
43
00:01:36,799 –> 00:01:38,320
اجازه میدهد که شاهد یک
44
00:01:38,320 –> 00:01:40,640
دستی کوچک نیز باشیم، بنابراین در مورد
45
00:01:40,640 –> 00:01:42,399
تیم پشتیبانی صدور گواهینامه به
46
00:01:42,399 –> 00:01:45,840
روشی بهتر به شما کمک میکند،
47
00:01:45,840 –> 00:01:47,840
بنابراین در اینجا میخواهیم در مورد اول بحث کنیم
48
00:01:47,840 –> 00:01:49,920
. همانطور که می دانیم یادگیری ماشین دقیقاً
49
00:01:49,920 –> 00:01:51,920
همان یادگیری ماشینی است
50
00:01:51,920 –> 00:01:52,960
که به
51
00:01:52,960 –> 00:01:54,799
سیستم اجازه می دهد تا
52
00:01:54,799 –> 00:01:57,759
زمینه و
53
00:01:58,840 –> 00:02:01,680
سازمان ها را با دقت بیشتری درک کند، بنابراین
54
00:02:01,680 –> 00:02:03,680
یادگیری ماشینی مانند زیرمجموعه ای از
55
00:02:03,680 –> 00:02:06,159
هوش مصنوعی است که به ما اجازه می دهد
56
00:02:06,159 –> 00:02:08,479
تا با استفاده از مجموعه داده هایی که
57
00:02:08,479 –> 00:02:10,399
برای سیستم مورد نیاز است، سیستم را آموزش دهیم تا
58
00:02:10,399 –> 00:02:12,400
بفهمیم دقیقاً روی چه چیزی قرار است کار کنند.
59
00:02:12,400 –> 00:02:14,160
60
00:02:14,160 –> 00:02:15,680
61
00:02:15,680 –> 00:02:17,520
62
00:02:17,520 –> 00:02:19,440
در توسعه
63
00:02:19,440 –> 00:02:22,160
برنامههای کامپیوتری که میتوانند هنگام
64
00:02:22,160 –> 00:02:25,040
قرار گرفتن در معرض دادههای جدید تغییر کنند، بنابراین
65
00:02:25,040 –> 00:02:27,280
از نظر انواع، ما سه نوع
66
00:02:27,280 –> 00:02:29,280
داریم تقویت نظارت شده و
67
00:02:29,280 –> 00:02:30,879
سپس بدون نظارت،
68
00:02:30,879 –> 00:02:33,680
بنابراین یادگیری نظارت شده مانند
69
00:02:33,680 –> 00:02:36,000
آموزش سیستم با استفاده از
70
00:02:36,000 –> 00:02:37,760
مجموعه
71
00:02:37,760 –> 00:02:39,920
داده برچسب است. ما در اینجا
72
00:02:39,920 –> 00:02:41,360
در مورد روش یادگیری نظارت شده صحبت می کنیم،
73
00:02:41,360 –> 00:02:44,640
بنابراین نظارت اساساً
74
00:02:44,640 –> 00:02:46,959
آموزش سیستم با استفاده از مجموعه داده برچسب است،
75
00:02:46,959 –> 00:02:49,360
یک مثال ساده
76
00:02:49,360 –> 00:02:50,959
مرتب سازی ایمیل است، زمانی که ایمیل ها را مرتب می
77
00:02:50,959 –> 00:02:53,920
کنیم، آنها را با استفاده از چندین نشانگر درست مرتب می کنیم
78
00:02:53,920 –> 00:02:56,080
و سپس
79
00:02:56,080 –> 00:02:57,840
تقویت می کنیم. یادگیری بنابراین یادگیری تقویتی
80
00:02:57,840 –> 00:03:01,120
چیزی است که ما برای
81
00:03:01,120 –> 00:03:02,840
آموزش یک سیستم بر اساس مکانیسم بازخوردی
82
00:03:02,840 –> 00:03:05,040
که در آن به آنها ارائه می دهیم انجام می دهیم.
83
00:03:05,040 –> 00:03:06,879
بازخورد منفی مثبت بر
84
00:03:06,879 –> 00:03:09,280
اساس نتیجه ای که آنها روی
85
00:03:09,280 –> 00:03:12,159
آن کار کرده اند
86
00:03:12,159 –> 00:03:14,239
و سپس ما فروش بدون نظارت داریم، بنابراین
87
00:03:14,239 –> 00:03:15,680
یادگیری بدون نظارت، تجارت
88
00:03:15,680 –> 00:03:17,920
سیستم با استفاده از مجموعه داده های بدون برچسب است
89
00:03:17,920 –> 00:03:19,920
، بهترین مثال در اینجا
90
00:03:19,920 –> 00:03:21,519
سیستم توصیه ای است که در
91
00:03:21,519 –> 00:03:23,200
یوتیوب و نتفلیکس
92
00:03:23,200 –> 00:03:25,040
می بینیم. ما از هیچ نوع
93
00:03:25,040 –> 00:03:27,599
مجموعه داده برچسبی استفاده نمی کنیم، فقط از روش یادگیری بدون نظارت در
94
00:03:27,599 –> 00:03:29,200
آنجا استفاده می کنیم
95
00:03:29,200 –> 00:03:31,680
و سپس احساسات ansys را به عنوان
96
00:03:31,680 –> 00:03:34,400
زیرمجموعه داریم یا نه دقیقاً یک زیرمجموعه است، اما
97
00:03:34,400 –> 00:03:36,640
دوباره مانند یک روش یا
98
00:03:36,640 –> 00:03:38,400
روش تجزیه و تحلیل دروازه است که تحت
99
00:03:38,400 –> 00:03:41,200
نظارت قرار گرفته ایم. پارامترهای یادگیری
100
00:03:41,200 –> 00:03:43,760
پس چرا باید از تجزیه و تحلیل احساسات استفاده کنیم
101
00:03:43,760 –> 00:03:46,080
بنابراین اساساً تجزیه و تحلیل احساسات
102
00:03:46,080 –> 00:03:47,920
مورد نیاز است زیرا فرض کنید
103
00:03:47,920 –> 00:03:50,400
برنامه ای داریم که بسیار معروف است
104
00:03:50,400 –> 00:03:52,560
و حدود یک میلیارد کاربر دارد، بنابراین اکنون
105
00:03:52,560 –> 00:03:54,799
تصمیم می گیریم یک عملکرد جدید به برنامه خود اضافه کنیم،
106
00:03:54,799 –> 00:03:56,720
پس چگونه به آن دست پیدا کنیم.
107
00:03:56,720 –> 00:03:58,400
بازخورد برای آن
108
00:03:58,400 –> 00:04:00,319
بنابراین اساساً در اینجا ما از
109
00:04:00,319 –> 00:04:02,159
کاربران می خواهیم که بازخورد دریافت کنند، بنابراین بیایید
110
00:04:02,159 –> 00:04:04,480
تجزیه و تحلیل تنظیمات را ارسال کنید تا اکنون
111
00:04:04,480 –> 00:04:06,720
بتوانیم روی n پست منفی ما و
112
00:04:06,720 –> 00:04:08,560
همچنین بهبود برنامه،
113
00:04:08,560 –> 00:04:11,040
زیرا همه نظرات فقط
114
00:04:11,040 –> 00:04:12,799
در فرم بازخورد موجود نیستند، بلکه
115
00:04:12,799 –> 00:04:15,920
در پست در بخش وبلاگ در دسترس هستند که
116
00:04:15,920 –> 00:04:17,600
مردم دقیقاً در مورد یک مارک خاص در اینجا صحبت می کنند
117
00:04:17,600 –> 00:04:18,880
118
00:04:18,880 –> 00:04:21,358
و دقیقاً همان چیزی است که
119
00:04:21,358 –> 00:04:23,360
تجزیه و تحلیل احساسات درباره آن است.
120
00:04:23,360 –> 00:04:24,800
بنابراین در اینجا
121
00:04:24,800 –> 00:04:28,080
اگر در مورد پاسخ های سندیکایی صحبت
122
00:04:28,080 –> 00:04:30,160
می کنید، پاسخ های احساسی
123
00:04:30,160 –> 00:04:31,280
چیست،
124
00:04:31,280 –> 00:04:33,040
بنابراین فرآیند
125
00:04:33,040 –> 00:04:34,800
شناسایی محاسباتی و دسته بندی
126
00:04:34,800 –> 00:04:37,360
نظرات بیان شده در یک قطعه متن به
127
00:04:37,360 –> 00:04:39,919
صورت فضایی و منفی یا دوباره به منظور
128
00:04:39,919 –> 00:04:42,000
محدود کردن پاسخ های منفی یا خنثی
129
00:04:42,000 –> 00:04:44,240
است. به عنوان
130
00:04:44,240 –> 00:04:45,280
بخشی از
131
00:04:45,280 –> 00:04:47,680
تجزیه و تحلیل احساسات در اینجا رجوع کنید،
132
00:04:47,680 –> 00:04:51,120
بنابراین دقیقاً چگونه کار می کند، بنابراین اساساً اکنون
133
00:04:51,120 –> 00:04:53,040
در اینجا داریم، به کلمه مثبت نمره می دهیم
134
00:04:53,040 –> 00:04:55,520
و سپس از
135
00:04:55,520 –> 00:04:58,240
نمره منفی برای کلمات منفی استفاده می کنیم، بنابراین
136
00:04:58,240 –> 00:04:59,680
اساساً
137
00:04:59,680 –> 00:05:01,360
برای مثال در اینجا ما
138
00:05:01,360 –> 00:05:03,199
جملات مثبت خنثی داریم و سپس ما
139
00:05:03,199 –> 00:05:06,160
جملات منفی داریم، بنابراین به اضافه
140
00:05:06,160 –> 00:05:08,560
یک برای خوب صفر برای خنثی و منهای
141
00:05:08,560 –> 00:05:10,960
یک برای کلمات بد به عنوان مثال می دهیم
142
00:05:10,960 –> 00:05:13,199
این یک جمله ساده است، بنابراین اکنون
143
00:05:13,199 –> 00:05:15,039
میخواهیم این را تقسیم کنیم
144
00:05:15,039 –> 00:05:17,360
و چندین امتیاز از
145
00:05:17,360 –> 00:05:19,600
نظر کلمات مثبت یا منفی
146
00:05:19,600 –> 00:05:22,080
بدهیم، به عنوان مثال، اگر مشکلی داریم، فرض کنید این
147
00:05:22,080 –> 00:05:24,000
یک شرکت خوب است، به این معنی که مانند یک کالا به
148
00:05:24,000 –> 00:05:26,000
سادگی چیزی به عنوان تولد مثبت حساب میشود.
149
00:05:26,000 –> 00:05:28,400
سپس این به عنوان
150
00:05:28,400 –> 00:05:31,199
یک نمره مثبت اضافه می شود، فرض کنید دوباره
151
00:05:31,199 –> 00:05:33,120
این شرکت خوب نیست، بنابراین نمی تواند دوباره
152
00:05:33,120 –> 00:05:35,440
به چیزی که به عنوان پاسخ منفی
153
00:05:35,440 –> 00:05:36,960
گفته می شود که
154
00:05:36,960 –> 00:05:40,000
به عنوان نمره منفی حساب می شود، برود، بنابراین اساساً
155
00:05:40,000 –> 00:05:42,400
چند کلمه را انتخاب می کنیم و سپس سعی می کنیم
156
00:05:42,400 –> 00:05:43,600
برای
157
00:05:43,600 –> 00:05:46,000
درک احساساتی که آنها در
158
00:05:46,000 –> 00:05:48,080
آن هستند ساختار آنها وجود دارد و به این ترتیب است که
159
00:05:48,080 –> 00:05:50,720
ما روی کلمه کلیدی پاسخ های احساساتی متعدد کار می کنیم
160
00:05:50,720 –> 00:05:53,199
که چگونه کار می کند
161
00:05:53,199 –> 00:05:55,440
بنابراین اینجا می توانیم اکنون در اینجا می
162
00:05:55,440 –> 00:05:57,280
توانیم قبل از رفتن به
163
00:05:57,280 –> 00:05:59,360
سمت عملی برای بهتر کردن فوری یک مثال کوچک بیاوریم.
164
00:05:59,360 –> 00:06:01,600
برای مثال اینجا ما یک جمله داریم
165
00:06:01,600 –> 00:06:04,479
iphone 7 is awesome پس اینجا به علاوه
166
00:06:04,479 –> 00:06:07,440
یک چرا چون خوب عالی عالی خوشحال
167
00:06:07,440 –> 00:06:09,759
بله جالب اینها چه دستور العمل
168
00:06:09,759 –> 00:06:10,479
هایی
169
00:06:10,479 –> 00:06:13,759
هستند کلمات مثبتی هستند که از آنها می پرسیم نفرت بد
170
00:06:13,759 –> 00:06:16,560
adly خسته کننده نیست، بنابراین اینها نمونه هایی برای
171
00:06:16,560 –> 00:06:18,479
کلمات کلیدی منفی هستند، بنابراین اگر جمله
172
00:06:18,479 –> 00:06:20,479
ای دارای کلمات مثبت است
173
00:06:20,479 –> 00:06:22,639
، بدیهی است که امتیاز بهتری به
174
00:06:22,639 –> 00:06:23,919
دست می آید
175
00:06:23,919 –> 00:06:25,600
و فرض کنید که اینجا ما این فیلم را داریم،
176
00:06:25,600 –> 00:06:28,080
به هر حال خسته کننده بود،
177
00:06:28,080 –> 00:06:31,199
بنابراین اینجا ما نه به عنوان دوباره نه دوباره
178
00:06:31,199 –> 00:06:32,160
منفی
179
00:06:32,160 –> 00:06:34,479
عالی مثبت است و من به عنوان منفی خسته کننده می شوم،
180
00:06:34,479 –> 00:06:36,479
یعنی اکنون یک
181
00:06:36,479 –> 00:06:39,520
نمره منفی داریم که داده شده است
182
00:06:39,520 –> 00:06:41,199
و بیایید یک مثال پیچیده را در نظر
183
00:06:41,199 –> 00:06:43,199
بگیریم سرویس وحشتناک بود اما
184
00:06:43,199 –> 00:06:45,600
غذا عالی بود، پس حالا چگونه خواهیم بود
185
00:06:45,600 –> 00:06:48,240
این را حل کنید اساساً چنین موردی به عنوان
186
00:06:48,240 –> 00:06:50,160
ربط سازنده نامیده می شود بنابراین نحوه ای که ما
187
00:06:50,160 –> 00:06:50,880
دیدیم
188
00:06:50,880 –> 00:06:53,280
مانند این است که آیا هر وقت هست بهتر
189
00:06:53,280 –> 00:06:55,360
است اما در جمله آن
190
00:06:55,360 –> 00:06:57,759
جمله را به سرویس تبدیل می کند وحشتناک بود
191
00:06:57,759 –> 00:06:59,919
و غذا عالی بود بنابراین
192
00:06:59,919 –> 00:07:02,319
نمره محاسبه شده به طور جداگانه و این
193
00:07:02,319 –> 00:07:04,720
روش به عنوان یک روش تجزیه و تحلیل احساسات باینری نامیده می شود
194
00:07:04,720 –> 00:07:07,440
که چگونه کار می کند
195
00:07:07,440 –> 00:07:09,680
و سپس ما دارایی های مرکزی را با
196
00:07:09,680 –> 00:07:12,160
استفاده از پایتون در اختیار داریم بنابراین به سادگی می خواهیم
197
00:07:12,160 –> 00:07:14,319
استراتژی بازار را تنظیم کنیم. y
198
00:07:14,319 –> 00:07:16,319
ابتدا خطای Roi را محاسبه می کنیم و سپس
199
00:07:16,319 –> 00:07:18,000
200
00:07:18,000 –> 00:07:19,360
201
00:07:19,360 –> 00:07:22,000
Roi برای خود استراتژی کمپین تعریف می
202
00:07:22,000 –> 00:07:23,520
شود
203
00:07:23,520 –> 00:07:25,440
و سپس کیفیت محصول را توسعه می
204
00:07:25,440 –> 00:07:27,440
دهیم و خدمات مشتری را برای آن بداهه
205
00:07:27,440 –> 00:07:28,800
206
00:07:28,800 –> 00:07:31,599
می دهیم زیرا به عنوان یک فرآیند پیوسته و
207
00:07:31,599 –> 00:07:34,240
به عنوان یک فرآیند کامل است.
208
00:07:34,240 –> 00:07:36,080
در اینجا روند مستمری دارد،
209
00:07:36,080 –> 00:07:38,880
بنابراین اکنون میخواهیم در مورد اینکه چگونه
210
00:07:38,880 –> 00:07:41,919
میتوانیم از آن به عنوان بخشی از
211
00:07:41,919 –> 00:07:44,960
یک تحلیل ساده و ساده
212
00:07:44,960 –> 00:07:47,840
احساس استفاده کنیم، فقط یک لحظه بحث کنیم،
213
00:07:47,840 –> 00:07:49,840
بنابراین اگر قبلاً
214
00:07:49,840 –> 00:07:51,680
شناسه پایتون را دارید، میتوانیم ادامه دهیم و آن را انجام دهیم.
215
00:07:51,680 –> 00:07:54,160
استفاده از شناسه پایتون یا ما می توانیم از هر یک
216
00:07:54,160 –> 00:07:55,919
از شناسه های دیگر استفاده کنیم، مثلاً اگر
217
00:07:55,919 –> 00:07:56,720
218
00:07:56,720 –> 00:07:58,319
ایده دیگری داریم که می توانید از آن استفاده
219
00:07:58,319 –> 00:07:59,759
کنید، اجازه دهید
220
00:07:59,759 –> 00:08:02,000
در
221
00:08:02,000 –> 00:08:03,919
صورتی که به پایتون دسترسی ندارید، نسخه انجمن i charm را باز کنم.
222
00:08:03,919 –> 00:08:05,520
می توانید ادامه دهید و آن را
223
00:08:05,520 –> 00:08:07,280
از وب سایت jetbrains بارگیری
224
00:08:07,280 –> 00:08:09,680
کنید و
225
00:08:09,680 –> 00:08:12,639
به روز رسانی ضربه دسترسی
226
00:08:12,639 –> 00:08:15,360
را خواهید داشت، بنابراین در اینجا ما به
227
00:08:15,360 –> 00:08:18,000
طور کلی یک فایل جدید ایجاد می کنیم،
228
00:08:18,000 –> 00:08:21,199
بنابراین در اینجا می توانیم آن را به عنوان
229
00:08:21,199 –> 00:08:23,680
Sentiment Dot
230
00:08:23,680 –> 00:08:25,440
pi نام گذاری کنیم. قصد
231
00:08:25,440 –> 00:08:26,479
واردات
232
00:08:26,479 –> 00:08:27,919
یک کتابخانه
233
00:08:27,919 –> 00:08:30,960
منبع باز نیست pycharm منبع باز
234
00:08:30,960 –> 00:08:32,880
نیست و در جامعه دو نسخه مختلف ارائه
235
00:08:32,880 –> 00:08:35,519
شده است و سپس
236
00:08:35,519 –> 00:08:37,360
نسخه حرفه ای را داریم بنابراین انجمن به
237
00:08:37,360 –> 00:08:39,519
صورت رایگان ارائه می شود ما دارایی
238
00:08:39,519 –> 00:08:41,919
حرفه ای پرداخت می شود این در مورد یک
239
00:08:41,919 –> 00:08:43,279
ابزار منبع
240
00:08:43,279 –> 00:08:45,200
241
00:08:45,200 –> 00:08:47,839
باز نیست. باید کتابخانههای خاصی را نصب
242
00:08:47,839 –> 00:08:49,680
کنیم تا بتوانیم از آن استفاده کنیم،
243
00:08:49,680 –> 00:08:51,839
باید شماره را نصب
244
00:08:51,839 –> 00:08:54,640
کنیم، سپس باید پانداها را نیز
245
00:08:54,640 –> 00:08:56,160
نصب کنیم،
246
00:08:56,160 –> 00:08:58,399
بنابراین در اینجا میخواهیم کتابخانه pandas را نیز نصب کنیم،
247
00:08:58,399 –> 00:09:00,160
248
00:09:00,160 –> 00:09:02,160
بنابراین پانداها قبلاً نصب شدهاند، بنابراین پس از
249
00:09:02,160 –> 00:09:04,720
شرکای ما قصد داریم آن را نصب کنیم.
250
00:09:04,720 –> 00:09:05,839
251
00:09:05,839 –> 00:09:07,680
regex در اینجا
252
00:09:07,680 –> 00:09:09,440
و سپس قبلاً نصب شده است و
253
00:09:09,440 –> 00:09:11,200
سپس ما میخواهیم nltk
254
00:09:11,200 –> 00:09:12,640
light rigger
255
00:09:12,640 –> 00:09:14,640
جعبه ابزار زبان طبیعی
256
00:09:14,640 –> 00:09:16,480
را نصب کنیم و سپس میخواهیم
257
00:09:16,480 –> 00:09:18,720
matplotlib را
258
00:09:18,720 –> 00:09:22,560
برای تولید نمودارها نصب کنیم و سپس
259
00:09:22,560 –> 00:09:24,480
اینها کتابخانههای اصلی هستند که برای
260
00:09:24,480 –> 00:09:26,720
انجام تجزیه و تحلیل نیاز داریم. به همین دلیل است که
261
00:09:26,720 –> 00:09:28,480
ما
262
00:09:28,480 –> 00:09:30,399
آن را به
263
00:09:30,399 –> 00:09:32,000
درستی نصب کرده ایم، بنابراین همانطور که می بینید همه این
264
00:09:32,000 –> 00:09:34,240
کتابخانه ها در حال حاضر در دسترس هستند و
265
00:09:34,240 –> 00:09:37,360
می توانیم از آنها استفاده کنیم، بنابراین
266
00:09:37,360 –> 00:09:39,839
در اینجا می خواهیم اکنون از اینجا شروع کنید،
267
00:09:39,839 –> 00:09:43,279
ما میخواهیم import numpy را بهعنوان np وارد
268
00:09:43,279 –> 00:09:45,600
کنیم، سپس
269
00:09:45,600 –> 00:09:48,080
پانداها را سریع وارد
270
00:09:48,080 –> 00:09:51,360
اینجا میکنیم و سپس
271
00:09:51,360 –> 00:09:53,680
تحویل اقدامات
272
00:09:53,680 –> 00:09:55,440
را وارد میکنیم
273
00:09:55,440 –> 00:09:57,440
274
00:09:57,440 –> 00:10:00,800
و سپس جعبه ابزار و سپس matplotlib را وارد
275
00:10:00,800 –> 00:10:03,519
میکنیم و از اینجا میرویم. ما می خواهیم
276
00:10:03,519 –> 00:10:05,920
خط لوله را به عنوان نمودار وارد کنیم
277
00:10:05,920 –> 00:10:07,680
و سپس می خواهیم نمودارها
278
00:10:07,680 –> 00:10:10,880
از
279
00:10:10,880 –> 00:10:12,959
نزدیک تولید شوند تا برای این منظور
280
00:10:12,959 –> 00:10:15,200
نقشه را به صورت گسترده به صورت درون خطی پیدا کنیم، یعنی
281
00:10:15,200 –> 00:10:16,640
هر زمان که می خواهیم روی
282
00:10:16,640 –> 00:10:18,880
پهنای باند نقشه کار کنیم تا همه کتابخانه ها همه
283
00:10:18,880 –> 00:10:21,279
نمودارها را داشته باشند. در خط تولید شود تا بتوانیم آن را
284
00:10:21,279 –> 00:10:23,600
به سادگی اضافه کنیم یا اگر میخواهید یک
285
00:10:23,600 –> 00:10:25,680
عرض ژن یا به همان
286
00:10:25,680 –> 00:10:27,519
اندازه متفاوت باشد، میتوانیم آن را خیلی
287
00:10:27,519 –> 00:10:29,279
متفاوت نگه داریم، میتوانیم به سادگی آن را حذف
288
00:10:29,279 –> 00:10:32,720
کنیم و در صورت
289
00:10:32,720 –> 00:10:34,480
290
00:10:34,480 –> 00:10:37,440
نیاز قرار است مجموعه داده vsd را وارد کنیم،
291
00:10:37,440 –> 00:10:40,000
بنابراین در اینجا میتوانیم
292
00:10:40,000 –> 00:10:42,880
فرض کنید اینجا بهعنوان منبع داده تعریف کنیم
293
00:10:42,880 –> 00:10:44,880
و سپس میتوانیم فرض کنیم این یکی را
294
00:10:44,880 –> 00:10:47,600
به عنوان http تعریف کنیم و بدیهی است که در اینجا
295
00:10:47,600 –> 00:10:48,959
296
00:10:48,959 –> 00:10:50,720
297
00:10:50,720 –> 00:10:53,600
دادههای موجود در پیکسل github را داریم،
298
00:10:53,600 –> 00:10:55,360
بنابراین اساساً این یک نمونه برای
299
00:10:55,360 –> 00:10:56,880
توییتر
300
00:10:56,880 –> 00:10:59,360
توییتر ما است. خطی
301
00:10:59,360 –> 00:11:01,360
که در وبسایت kaggle نیز موجود است، در
302
00:11:01,360 –> 00:11:02,880
303
00:11:02,880 –> 00:11:03,760
304
00:11:03,760 –> 00:11:05,760
اینجا ما آن را به
305
00:11:05,760 –> 00:11:08,320
عنوان یک توییت خط ذخیره
306
00:11:08,320 –> 00:11:09,279
307
00:11:09,279 –> 00:11:11,519
میکنیم و در اینجا میخواهیم از
308
00:11:11,519 –> 00:11:13,680
باتری شرکا برای خواندن این
309
00:11:13,680 –> 00:11:14,880
فایل csv استفاده کنید
310
00:11:14,880 –> 00:11:17,279
و سپس اینجا این خواهد بود. منبع داده
311
00:11:17,279 –> 00:11:18,800
312
00:11:18,800 –> 00:11:21,279
و سپس در اینجا میتوانیم تعریف کنیم که فرض کنید یک
313
00:11:21,279 –> 00:11:22,480
نقطه خط
314
00:11:22,480 –> 00:11:25,120
a9 توییتها
315
00:11:25,120 –> 00:11:28,000
سر نقطه است، بنابراین اساساً هنگامی که این در
316
00:11:28,000 –> 00:11:31,120
اینجا واکشی شد، به
317
00:11:31,120 –> 00: