در این مطلب، ویدئو توابع پایتون برای مدل سازی و تحلیل سری های زمانی 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: 00:23:13
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:03,300
سلام، در این ویدیو ما قصد داریم
2
00:00:03,300 –> 00:00:05,250
برخی از عملکردهای سری زمانی حیاتی و مهم را ببینیم
3
00:00:05,250 –> 00:00:07,649
که می تواند در
4
00:00:07,649 –> 00:00:09,660
مدل سازی و همچنین تحلیل ما از
5
00:00:09,660 –> 00:00:12,780
داده های
6
00:00:12,780 –> 00:00:15,360
7
00:00:15,360 –> 00:00:16,949
NCIS کمک کند.
8
00:00:16,949 –> 00:00:18,720
دادههای سری زمانی خود را بگویید و میخواهید
9
00:00:18,720 –> 00:00:21,630
از یک رگرسیون معمولی یا یک مدل
10
00:00:21,630 –> 00:00:23,730
جنگل تصادفی یا تقویت انرژی استفاده کنید، باید
11
00:00:23,730 –> 00:00:25,769
این عنصر سری زمانی را به ویژگیها تبدیل کنید
12
00:00:25,769 –> 00:00:27,269
تا مدل
13
00:00:27,269 –> 00:00:29,090
بهتر درک کند، بنابراین وقتی میگویند
14
00:00:29,090 –> 00:00:31,650
ویژگیها میتواند شبیه به این باشد که اگر دارید یک
15
00:00:31,650 –> 00:00:33,660
الگوی سری زمانی در طول یک سال شما می خواهید
16
00:00:33,660 –> 00:00:35,579
آن را به یک مشتری 30
17
00:00:35,579 –> 00:00:40,110
روز و 60 روز 90 روز مشتری 30
18
00:00:40,110 –> 00:00:42,030
روز دفعات خرید 60 روز
19
00:00:42,030 –> 00:00:44,100
دفعات خرید تقسیم کنید، بنابراین باید
20
00:00:44,100 –> 00:00:46,379
این داده ها را بگیرید و تجزیه کنید و
21
00:00:46,379 –> 00:00:48,180
به ویژگی ها تبدیل کنید. که اکنون یک مدل می تواند
22
00:00:48,180 –> 00:00:50,940
درک کند، شما می توانید به طور کامل
23
00:00:50,940 –> 00:00:53,370
توابع را با دست بنویسید، اما پانداها به صورت
24
00:00:53,370 –> 00:00:55,410
داخلی عملکردهای زیادی را ارائه می دهند که
25
00:00:55,410 –> 00:00:57,930
می تواند روند را سرعت بخشد و به نوبه خود
26
00:00:57,930 –> 00:01:00,000
سرعت فرآیند داخلی را به درستی افزایش دهد.
27
00:01:00,000 –> 00:01:02,280
یکی از چیزهایی است که باید
28
00:01:02,280 –> 00:01:04,409
بدانید این نکته دوم این است که اگر
29
00:01:04,409 –> 00:01:06,600
خود یک مدل سری زمانی معمولی
30
00:01:06,600 –> 00:01:09,540
مانند یک تابع هموارسازی مضاعف یا یک
31
00:01:09,540 –> 00:01:12,510
تابع ادم را انتخاب کنید، ممکن است
32
00:01:12,510 –> 00:01:14,580
مدل شما فرضی بر
33
00:01:14,580 –> 00:01:16,799
غیر ثابت بودن داده ها داشته باشد.
34
00:01:16,799 –> 00:01:18,600
دادهها ثابت هستند و دادهها
35
00:01:18,600 –> 00:01:20,939
توسط معاملهگر از دادهها حذف میشوند،
36
00:01:20,939 –> 00:01:22,350
بنابراین برای انجام این کار،
37
00:01:22,350 –> 00:01:23,970
توابعی وجود دارد که در پایتون تعبیه شده است
38
00:01:23,970 –> 00:01:26,040
که میتوانید به راحتی از آن استفاده کنید
39
00:01:26,040 –> 00:01:28,640
و فرآیند را به درستی انجام دهید و سومین مورد
40
00:01:28,640 –> 00:01:31,560
این سلولهای ناکارآمد است.
41
00:01:31,560 –> 00:01:33,540
وقتی یک نقطه سری زمانی دارید، داده ها را بهتر درک می کنید،
42
00:01:33,540 –> 00:01:35,189
مثلاً اگر
43
00:01:35,189 –> 00:01:36,930
نقطه را در یک سطح میلی ثانیه می گیرید یا در سطح دوم،
44
00:01:36,930 –> 00:01:39,030
ممکن است میلیون ها و میلیون
45
00:01:39,030 –> 00:01:42,329
ها نقطه و داده های برخورد داشته باشید،
46
00:01:42,329 –> 00:01:43,920
ممکن است هیچ الگوی پیدا نکنید یا آن را پیدا کنید. ممکن است
47
00:01:43,920 –> 00:01:47,100
مانند بسیاری از نقاط اضافه بار در حال
48
00:01:47,100 –> 00:01:49,079
حاضر از n مشکل جدی پشتیبانی از
49
00:01:49,079 –> 00:01:50,759
تجسم و درک داده ها است
50
00:01:50,759 –> 00:01:53,670
و این جایی است که این تابع
51
00:01:53,670 –> 00:01:56,820
دیگر اساساً داده ها را به گونه ای نمونه برداری می
52
00:01:56,820 –> 00:01:58,619
کنیم. در آن میتواند به راحتی تجسم و
53
00:01:58,619 –> 00:02:00,689
درک درستی داشته باشد و این دلیل اصلی است
54
00:02:00,689 –> 00:02:02,399
که ما میخواهیم از این توابع استفاده کنیم
55
00:02:02,399 –> 00:02:03,899
و وقتی
56
00:02:03,899 –> 00:02:05,590
با دادههای NGS سروکار دارید به برخی از
57
00:02:05,590 –> 00:02:08,229
عملکردهای حیاتی دسترسی دارید که ممکن است بارها و بارها استفاده
58
00:02:08,229 –> 00:02:10,660
کنید، بنابراین بیایید شروع کنیم.
59
00:02:10,660 –> 00:02:12,459
اولین کاری که انجام میدهم این است که
60
00:02:12,459 –> 00:02:15,519
بستههای معمولی پاندا را وارد میکنم و
61
00:02:15,519 –> 00:02:17,080
از یک بسته درخواست استفاده میکنم، زیرا
62
00:02:17,080 –> 00:02:19,660
میخواهم با دادهها در زمان واقعی از
63
00:02:19,660 –> 00:02:22,660
هر API روبرو شوم و سپس از MATLAB استفاده میکنم تا
64
00:02:22,660 –> 00:02:26,110
فقط بالا را رسم کنم، بنابراین اجازه دهید من
65
00:02:26,110 –> 00:02:28,810
اکنون این را اجرا می کنم، کاری که می
66
00:02:28,810 –> 00:02:32,080
خواهم انجام دهم این است که داده های شاخص قیمت بیت کوین را دریافت می کنم،
67
00:02:32,080 –> 00:02:34,599
بنابراین به جای داشتن یک داده از پیش آماده
68
00:02:34,599 –> 00:02:36,879
شده در یک فایل CSV، کاری که انجام می دهم این است که
69
00:02:36,879 –> 00:02:38,829
از API باز ارائه شده توسط
70
00:02:38,829 –> 00:02:40,060
مهربانی استفاده می
71
00:02:40,060 –> 00:02:42,099
کنم. این کیلو پاسکال من می خواهم آن را در
72
00:02:42,099 –> 00:02:44,140
زمان واقعی بخورم و تمام داده ها را جمع آوری
73
00:02:44,140 –> 00:02:46,660
کنم و در پاسخ به من یک فایل JSON برمی گرداند،
74
00:02:46,660 –> 00:02:48,910
بنابراین این آدرس URL است که زمان در
75
00:02:48,910 –> 00:02:50,709
wood heute این URL دیسک فعلی است
76
00:02:50,709 –> 00:02:53,500
و من به Stargate خود می گویم
77
00:02:53,500 –> 00:02:56,200
ژانویه 2017 تا امروز مانند
78
00:02:56,200 –> 00:02:57,790
داده های بین t را متوقف می کند او تاریخ شروع و پایان
79
00:02:57,790 –> 00:03:00,519
بیت کوین را نشان می دهد و سپس هر چه که باشد من
80
00:03:00,519 –> 00:03:02,980
URL را تشکیل می دهم URL چیزی جز
81
00:03:02,980 –> 00:03:05,440
ترکیبی از نشانگرهای RL و
82
00:03:05,440 –> 00:03:08,410
زمان شروع و زمان پایان و
83
00:03:08,410 –> 00:03:10,780
سپس از بسته درخواست برای دریافت
84
00:03:10,780 –> 00:03:13,090
URL استفاده می کنم و این باعث می شود
85
00:03:13,090 –> 00:03:15,519
محتوای پاسخ را از آن URL
86
00:03:15,519 –> 00:03:17,739
به من برگردانید تا URL را در مقابل داده ها قرار دهد و
87
00:03:17,739 –> 00:03:19,540
سطح J باشد اجازه دهید آن را اجرا کنم تا
88
00:03:19,540 –> 00:03:22,630
بتوانید آن را ببینید تا کاری که انجام
89
00:03:22,630 –> 00:03:25,150
داده این است که URL خاص را گرفته است.
90
00:03:25,150 –> 00:03:27,489
رفته آره بزن حالا
91
00:03:27,489 –> 00:03:29,349
اینجا نوشته J self and the Jason اگر ببینی من
92
00:03:29,349 –> 00:03:32,739
دارم مثل 2000 1701 قیمتش 997
93
00:03:32,739 –> 00:03:34,750
بود که هزارتا میکس می خورد بعدش
94
00:03:34,750 –> 00:03:36,700
بسته شد حدود 30 داده سطح یک روزه
95
00:03:36,700 –> 00:03:38,680
الان میدونم این جیسون هست
96
00:03:38,680 –> 00:03:40,870
فرمت نشده است اما به زودی آن را به
97
00:03:40,870 –> 00:03:43,209
موجی با فرمت بهتر تبدیل می کند، بنابراین
98
00:03:43,209 –> 00:03:45,639
خروجی آن همان است و این BPI
99
00:03:45,639 –> 00:03:49,150
عنصری است که
100
00:03:49,150 –> 00:03:52,450
دقیقاً این فریم سری زمانی کامل است، بنابراین
101
00:03:52,450 –> 00:03:53,680
کاری که می خواهم انجام دهم این است که می روم برای
102
00:03:53,680 –> 00:03:55,859
قرار دادن این نظریه به نوعی وارد
103
00:03:55,859 –> 00:03:58,060
دای پاندا شوید تا فریم، بنابراین آنچه که من انجام میدهم،
104
00:03:58,060 –> 00:04:00,040
ببینید اگر میبینید این یک شی JSON است، بنابراین
105
00:04:00,040 –> 00:04:02,440
من PD door انجام میدهم تری جیسون
106
00:04:02,440 –> 00:04:04,630
داستانی را پیدا کرد جیسون من نتیجه یا
107
00:04:04,630 –> 00:04:06,819
محتوا را ارسال میکنم و آنچه را که به شما میگویم،
108
00:04:06,819 –> 00:04:07,250
109
00:04:07,250 –> 00:04:09,260
ستونهای شیرین دیگر را نیز ببینید و
110
00:04:09,260 –> 00:04:11,180
سلب مسئولیت مول و اطلاعاتی که
111
00:04:11,180 –> 00:04:13,340
در پایان می آیند مانند به روز رسانی، شما اصلاً
112
00:04:13,340 –> 00:04:15,650
آن اطلاعات سلب مسئولیت را می بینید، بنابراین
113
00:04:15,650 –> 00:04:17,029
کاری که من می خواهم انجام دهم این است که
114
00:04:17,029 –> 00:04:19,570
فقط دو ستون اول را واکشی
115
00:04:19,570 –> 00:04:22,010
می کنم و برخی از ردیف های پایین را نادیده می گیرم.
116
00:04:22,010 –> 00:04:24,020
بیشتر شبیه نویز
117
00:04:24,020 –> 00:04:25,670
در اینجا است، به همین دلیل است که من
118
00:04:25,670 –> 00:04:27,650
این تابع پنهان کردن همه را در اینجا اضافه کرده ام، اما
119
00:04:27,650 –> 00:04:29,030
جدا از این که خیلی زیاد
120
00:04:29,030 –> 00:04:30,860
نیست، برخی از ستون ها را فیلتر می کند و می رود
121
00:04:30,860 –> 00:04:33,950
و سپس نام درون متنی را به من می گویم.
122
00:04:33,950 –> 00:04:36,680
ستون یک تاریخ است من
123
00:04:36,680 –> 00:04:38,390
اساساً شما هیچ
124
00:04:38,390 –> 00:04:41,330
نام ستونی برای مقدار کلید سری زمانی
125
00:04:41,330 –> 00:04:43,070
در تعقیب نخواهید داشت، بنابراین من می گویم که نام ستون
126
00:04:43,070 –> 00:04:44,930
فولادی است و در قسمت بعدی آنچه می
127
00:04:44,930 –> 00:04:47,600
گویم ستون شاخص است آن را به عنوان تاریخ در نظر بگیرید.
128
00:04:47,600 –> 00:04:50,180
ستون /time بنابراین به طور پیش فرض
129
00:04:50,180 –> 00:04:52,340
رشته orchard خواهد بود ستون من به شما می گویم
130
00:04:52,340 –> 00:04:53,870
که یک ستون زمان تعیین شده تاریخ را به آن آموزش
131
00:04:53,870 –> 00:04:55,970
دهید، بنابراین اجازه دهید من این را اجرا کنم و اکنون می توانید ببینید
132
00:04:55,970 –> 00:04:58,160
که شبیه یک پاندا است، بنابراین
133
00:04:58,160 –> 00:05:00,260
ستون تاریخ را دارید که در بالا ایندکس شده است
134
00:05:00,260 –> 00:05:02,660
و سپس BP قیمت بیت کوین است.
135
00:05:02,660 –> 00:05:04,880
ایندکس و سپس قیمت در
136
00:05:04,880 –> 00:05:06,410
آنجا وجود دارد، بنابراین می توانید ببینید که داده ها
137
00:05:06,410 –> 00:05:09,530
برای سال 2017 وجود دارد صفر یک صفر یک دو دو صفر
138
00:05:09,530 –> 00:05:11,180
یک صفر هفت بیست،
139
00:05:11,180 –> 00:05:13,820
بنابراین این ویدیوها در
140
00:05:13,820 –> 00:05:16,100
2 ژوئیه 20 گرفته شده است.
141
00:05:16,100 –> 00:05:17,960
اگر
142
00:05:17,960 –> 00:05:19,580
قیمت واقعی را میخواهید،
143
00:05:19,580 –> 00:05:21,380
میتوانید آن را که API ما است که میتوانید درست استفاده کنید،
144
00:05:21,380 –> 00:05:24,470
بنابراین به این صورت است که اجازه دهید من
145
00:05:24,470 –> 00:05:28,070
بروم و به سرعت این دادهها را رسم کنم، بنابراین اجازه دهید
146
00:05:28,070 –> 00:05:30,169
به سرعت این دادهها را پاره کنم و سپس
147
00:05:30,169 –> 00:05:32,570
اساساً می توانید ببینید که چگونه قیمت بیت کوین
148
00:05:32,570 –> 00:05:34,850
در حدود
149
00:05:34,850 –> 00:05:35,720
ژانویه
150
00:05:35,720 –> 00:05:38,780
2017 شروع شده است و سپس به آرامی
151
00:05:38,780 –> 00:05:41,180
افزایش یافته است اگر تا حدود نود
152
00:05:41,180 –> 00:05:44,240
هزار دلار و سپس دوباره
153
00:05:44,240 –> 00:05:45,800
برگشت و اکنون حدود
154
00:05:45,800 –> 00:05:49,130
9000 دلار یا چیزی شبیه به آن در حال چرخش است.
155
00:05:49,130 –> 00:05:51,530
این داده ها از جان 2017 کج شده است
156
00:05:51,530 –> 00:05:53,780
در حال حاضر کاری که من میخواهم انجام دهم این است
157
00:05:53,780 –> 00:05:55,460
که این دادهها را میگیرم و
158
00:05:55,460 –> 00:05:57,950
برخی از توابع پایتون را به شما نشان میدهم که میتوانید
159
00:05:57,950 –> 00:06:00,350
روی این دادهها اعمال کنید و همچنین به شما خواهم گفت
160
00:06:00,350 –> 00:06:02,060
که چه زمانی از آن
161
00:06:02,060 –> 00:06:04,160
استفاده میکنید، اگر فقط اینجا CBM کنید. دو
162
00:06:04,160 –> 00:06:06,169
سال داده و دادهها یک سطح روزانه تنظیم میشوند،
163
00:06:06,169 –> 00:06:08,120
بنابراین اگر ببینید زمانهایی که
164
00:06:08,120 –> 00:06:10,340
او در اینجا است، سطح روزانه تنظیم میشود، اما به
165
00:06:10,340 –> 00:06:11,009
شما اطلاع میدهد
166
00:06:11,009 –> 00:06:14,279
که در آن دادهها و شاید
167
00:06:14,279 –> 00:06:16,830
سطح اولیه یا هر ثانیه مرکز یا حتی
168
00:06:16,830 –> 00:06:18,659
اگر مانند روزانه داشته باشید دادههایی که ممکن است
169
00:06:18,659 –> 00:06:21,119
برای 10 سال یا 12 سال داشته باشید و طرح
170
00:06:21,119 –> 00:06:22,770
ممکن است برای
171
00:06:22,770 –> 00:06:24,899
تجسم واقعی آن بسیار پیچیده باشد، بنابراین اولین تابعی
172
00:06:24,899 –> 00:06:27,180
که میخواهم از آن استفاده کنم، نمونهبرداری مجدد از
173
00:06:27,180 –> 00:06:29,759
گردگیرکنندههای نمونه مجدد است که میتوانیم
174
00:06:29,759 –> 00:06:32,699
معیارهای نمونهگیری مجدد را در اینجا ذکر کنیم، بنابراین در این
175
00:06:32,699 –> 00:06:35,099
مورد من به صورت سه ماهه در بالا
176
00:06:35,099 –> 00:06:36,749
ذکر شده است من نمونههای مختلفی را
177
00:06:36,749 –> 00:06:39,919
برای نوشتن DS برای روزانه و اینها را برای روز کریسمس به
178
00:06:39,919 –> 00:06:42,149
صورت ماهانه ذکر کردهام، بنابراین معیارهای مختلف را ذکر کردم
179
00:06:42,149 –> 00:06:44,729
در این مورد Q است که
180
00:06:44,729 –> 00:06:46,710
آب سه ماهه است که دادهها را میگیرد
181
00:06:46,710 –> 00:06:49,589
و سپس پایه فصلی را جمع میکند. s
182
00:06:49,589 –> 00:06:52,849
و میانگین آن را در حال حاضر محاسبه کنید،
183
00:06:52,849 –> 00:06:55,080
ما باید این کار را بدون
184
00:06:55,080 –> 00:06:57,389
گم شدن اطلاعات یا الگوی انجام دهیم، بنابراین باید
185
00:06:57,389 –> 00:06:58,860
کسب و کار پشت داده ها را
186
00:06:58,860 –> 00:07:00,360
بهتر درک کنیم که آیا این یک فصلی هفتگی است
187
00:07:00,360 –> 00:07:02,249
یا فصلی ماهانه یا
188
00:07:02,249 –> 00:07:04,379
فصلی فصلی درست در این مورد
189
00:07:04,379 –> 00:07:06,330
من دارم. با توجه به یک ربع، اجازه دهید سریع
190
00:07:06,330 –> 00:07:09,539
داده ها را رسم کنم و سپس بیایید آن ها را با هم مقایسه کنیم،
191
00:07:09,539 –> 00:07:11,639
بنابراین اگر دوباره مقدار زیادی را مشاهده کردید، من همان
192
00:07:11,639 –> 00:07:14,550
الگو را درست می بینم، داده ها کم است و سپس
193
00:07:14,550 –> 00:07:17,399
در این دوره افزایش می
194
00:07:17,399 –> 00:07:19,409
یابد و سپس پایین می آید و سپس پاشیده
195
00:07:19,409 –> 00:07:22,499
می شود همه درست 9000 دلار هستند. اگر زیر را
196
00:07:22,499 –> 00:07:25,259
ببینید و صحبت کردید، تقریباً الگو را میبینید که
197
00:07:25,259 –> 00:07:27,089
تکرار میشود، اما هنوز
198
00:07:27,089 –> 00:07:29,430
کاملاً درست نیست، بنابراین کاری که
199
00:07:29,430 –> 00:07:32,189
من میخواهم انجام دهم این است که دوباره میروم، یعنی این یک
200
00:07:32,189 –> 00:07:33,959
نمودار سه ماهه، کاری که میخواهم انجام دهم این است که
201
00:07:33,959 –> 00:07:35,699
من یک کار را انجام خواهم داد. نمونه ماهانه در اینجا
202
00:07:35,699 –> 00:07:38,399
بنابراین تابع V نمونه است وقتی می گویم V
203
00:07:38,399 –> 00:07:40,439
نمونه من اساساً یا می
204
00:07:40,439 –> 00:07:42,389
توانم نمونه داشته باشم یا نمونه پایین در
205
00:07:42,389 –> 00:07:44,219
این مورد من از داده ها نمونه برداری نمی
206
00:07:44,219 –> 00:07:45,809
کنم تا به سطح ماهانه برود و
207
00:07:45,809 –> 00:07:47,639
سپس من من قصد دارم یک میانگین انجام دهم و
208
00:07:47,639 –> 00:07:49,080
Blondin اولی من فقط
209
00:07:49,080 –> 00:07:51,300
داده ها را همانطور که هست چاپ می کنم در مرحله دوم یک نمودار سطح ماهانه انجام می دهم،
210
00:07:51,300 –> 00:07:53,729
بنابراین بیایید ببینیم
211
00:07:53,729 –> 00:07:55,740
که این دو نمودار برگردند و ببینیم
212
00:07:55,740 –> 00:07:57,649
چگونه این همه داده ها هستند به نظر می رسد
213
00:07:57,649 –> 00:08:00,229
اکنون اگر
214
00:08:00,229 –> 00:08:02,969
دوباره در تورات ببینید می بینید اما اینجا می بینید که یک
215
00:08:02,969 –> 00:08:04,349
روند صعودی است و یک روند پایین است.
216
00:08:04,349 –> 00:08:06,240
217
00:08:06,240 –> 00:08:08,309
218
00:08:08,309 –> 00:08:10,860
219
00:08:10,860 –> 00:08:12,389
بدانید در سطح ماهانه به جای
220
00:08:12,389 –> 00:08:14,759
سطح سه ماهه درست است میانگین در
221
00:08:14,759 –> 00:08:16,889
آن زمان زمانی بود که ما سه ماهه را
222
00:08:16,889 –> 00:08:18,659
به دوازده هزار یا چیزی محدود می کردیم
223
00:08:18,659 –> 00:08:20,249
حتی الان به پانزده هزار می رسد
224
00:08:20,249 –> 00:08:22,680
و سپس دوباره می توانید اساساً به
225
00:08:22,680 –> 00:08:23,220
این شکل
226
00:08:23,220 –> 00:08:25,680
صاف و تقریباً آن را دنبال کنید. از
227
00:08:25,680 –> 00:08:29,700
الگوی بالا پیروی می کند که دقیقاً دیدیم، بنابراین در اینجا
228
00:08:29,700 –> 00:08:31,710
ما اکنون هیچ اطلاعاتی را
229
00:08:31,710 –> 00:08:33,659
با نمونه گیری مجدد از دست نمی دهیم، می توانیم در واقع
230
00:08:33,659 –> 00:08:36,479
داده ها را بدون از دست دادن هیچ اطلاعاتی بهتر تجزیه و تحلیل کنیم،
231
00:08:36,479 –> 00:08:38,340
نه تنها زمانی که شما
232
00:08:38,340 –> 00:08:40,530
از نقطه داده زیادی برخوردار هستید، ممکن است بخواهید
233
00:08:40,530 –> 00:08:43,950
دوباره آن را انجام دهید. دادهها را در یک IRA یا
234
00:08:43,950 –> 00:08:45,960
مجموعه دادههای انبوه نمونهگیری کنید، بنابراین شما مدل بیشتری خواهید داشت،
235
00:08:45,960 –> 00:08:48,060
زیرا نقاط داده کمتری برای پردازش
236
00:08:48,060 –> 00:08:49,830
کلیدی در نظر گرفته میشوند، در صورتی که نوع
237
00:08:49,830 –> 00:08:51,030
نقاط داده شما بسیار پایدار هستند
238
00:08:51,030 –> 00:08:53,550
، نوسان زیادی وجود ندارد، شما
239
00:08:53,550 –> 00:08:55,560
اساساً میتوانید نمونه برداری کرده و از آن استفاده کنید. به طوری
240
00:08:55,560 –> 00:08:57,270
که مدل شما حتی می تواند بهتر یاد بگیرد
241
00:08:57,270 –> 00:08:59,190
به جای اینکه میلیون ها نقطه داده را به آن تغذیه کند
242
00:08:59,190 –> 00:09:01,440
، بلکه ما گفتیم، بنابراین
243
00:09:01,440 –> 00:09:03,090
این اولین تابعی است که می
244
00:09:03,090 –> 00:09:04,920
خواهیم ببینیم اکنون که
245
00:09:04,920 –> 00:09:07,200
دیدیم این تابع دوم است که
246
00:09:07,200 –> 00:09:08,820
قبل از رفتن به تابع دوم من
247
00:09:08,820 –> 00:09:10,650
فقط اولین Pyro را میگیرم، بنابراین
248
00:09:10,650 –> 00:09:14,250
اینها اولین جنگندهها هستند که در حال حاضر بسیاری
249
00:09:14,250 –> 00:09:16,440
از مواقع اتفاقی که در x میافتد این است که
250
00:09:16,440 –> 00:09:19,230
دادهها مقداری فصلی یا
251
00:09:19,230 –> 00:09:22,740
روندی دارند و ما میخواهیم به نوعی
252
00:09:22,740 –> 00:09:24,840
به دادهها برگردیم. اگر یک سری زمانی در نظر
253
00:09:24,840 –> 00:09:26,190
بگیریم اساسا چیزی نیست جز
254
00:09:26,190 –> 00:09:28,350
زمان مرتب شده همان مجموعه رویدادها درست
255
00:09:28,350 –> 00:09:30,650
است مجموعه ای از رویدادها در یک محور زمانی مرتب شده
256
00:09:30,650 –> 00:09:34,740
است اکنون کاری که می توانید برای
257
00:09:34,740 –> 00:09:37,560
حفظ داده ها انجام دهید این است که می توانید به عقب برگردید مانند اینکه
258
00:09:37,560 –> 00:09:39,570
زمان فعلی T است می توانید مشترک تی شوید
259
00:09:39,570 –> 00:09:42,510
داده کلاه با t منهای 1 t منهای 2 یا t منهای
260
00:09:42,510 –> 00:09:45,960
3 بسته به مجموعه داده های خاص شما
261
00:09:45,960 –> 00:09:48,210
درست است و این تفاوت اگر می خواهید برای
262
00:09:48,210 –> 00:09:50,220
اولین بار داده ها را انجام دهید باید
263
00:09:50,220 –> 00:09:52,290
یک ستون دیگر را محاسبه کنید
264
00:09:52,290 –> 00:09:55,950
که فقط تاخیر سه تابع را انجام می دهد.
265
00:09:55,950 –> 00:09:58,110
یا تابع مورد چهارم و سپس
266
00:09:58,110 –> 00:10:00,210
غیر استاندارد است، اما پانداها یک
267
00:10:00,210 –> 00:10:02,520
تابع بسیار مفید به نام F ارائه می دهند و این چیزی است که
268
00:10:02,520 –> 00:10:04,200
ما از آن اجتناب می کنیم، بنابراین چه کاری با ما انجام دهیم این است که در این
269
00:10:04,200 –> 00:10:05,910
صورت این داده ها را می گیرد و
270
00:10:05,910 –> 00:10:07,440
مشترک قبلی می شود و
271
00:10:07,440 –> 00:10:08,910
این داده ها را می گیرد و مشترک می شود قبلی،
272
00:10:08,910 –> 00:10:10,710
پس بیایید تفاوت را اجرا کنیم، خروجی را ببینیم
273
00:10:10,710 –> 00:10:12,900
و سپس میتوانیم آن را مقایسه کنیم اگر
274
00:10:12,900 –> 00:10:15,089
منهای 124 را میبینید
275
00:10:15,089 –> 00:10:18,450
اما – این دو ستون و سپس
276
00:10:18,450 –> 00:10:20,580
منهای این دو ستون اساساً ستون
277
00:10:20,580 –> 00:10:24,450
بعدی شما خواهد بود.
278
00:10:24,450 –> 00:10:27,680
اساساً انجام می شود و تفاوت
279
00:10:27,680 –> 00:10:30,240
ستون قبلی که به طور پیش فرض است
280
00:10:30,240 –> 00:10:32,300
، دوره 1
281
00:10:32,300 –> 00:10:35,270
را انجام می دهد، اما اگر می خواهید دوره های بیشتری ذخیره کنید
282
00:10:35,270 –> 00:10:39,230
درست می گویم من می
283
00:10:39,230 –> 00:10:40,520
خواهم نقطه باشم هفت می شود، من یک تفاوت متفاوت می خواهم
284
00:10:40,520 –> 00:10:42,440
در در سطح بیزینس ویک
285
00:10:42,440 –> 00:10:44,990
فکر کنید که قرار است مبارزه شود، بنابراین در این
286
00:10:44,990 –> 00:10:45,920
مورد کاری که من انجام میدهم، به
287
00:10:45,920 –> 00:10:48,290
جای انجام تفاوتهای متفاوت، تفاوت دو را انجام میدهم،
288
00:10:48,290 –> 00:10:50,060
بنابراین
289
00:10:50,060 –> 00:10:51,530
در اینجا اساساً
290
00:10:51,530 –> 00:10:54,140
دو مورد قبلی را از هم متمایز میکنم و سپس آن را به
291
00:10:54,140 –> 00:10:56,930
شما نشان میدهم. حالا این کار چه
292
00:10:56,930 –> 00:10:58,760
فایده ای دارد، بیایید انجام دهیم و سپس بیایید این
293
00:10:58,760 –> 00:11:00,260
داده ها را برداریم و آن را رسم کنیم و تفاوت را خواهید دید،
294
00:11:00,260 –> 00:11:01,940
بنابراین کاری که من انجام می دهم این است
295
00:11:01,940 –> 00:11:03,350
که یک قاب داده پاندا ایجاد می کنم
296
00:11:03,350 –> 00:11:05,120
297
00:11:05,120 –> 00:11:08,150
و مقدار داده های پیش فرض را به هم متصل می کنم و سپس من یک مقدار پیشفرض دو
298
00:11:08,150 –> 00:11:09,830
داده را میگیرم و سپس فقط تفاوت را انجام میدهم
299
00:11:09,830 –> 00:11:12,080
و سپس آن را
300
00:11:12,080 –> 00:11:14,060
در حال حاضر ترسیم میکنم.
301
00:11:14,060 –> 00:11:16,310
302
00:11:16,310 –> 00:11:18,470
303
00:11:18,470 –> 00: