در این مطلب، ویدئو Scipy در پایتون | آموزش علمی پایتون | آموزش SciPy Python برای مبتدیان | یادگیری عالی 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: 00:54:05
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:02,560
سلام بچه ها به یادگیری عالی خوش آمدید
2
00:00:02,560 –> 00:00:05,920
علمی-تخیلی یک کتابخانه خارق العاده در پایتون
3
00:00:05,920 –> 00:00:08,639
است و به اختصار پایتون علمی است
4
00:00:08,639 –> 00:00:11,040
و همانطور که از نام خود پیداست درست
5
00:00:11,040 –> 00:00:13,040
وقتی به پایتون فکر می کنید وقتی
6
00:00:13,040 –> 00:00:14,400
مردم آن را قوی ترین زبان جهان می نامند
7
00:00:14,400 –> 00:00:16,000
، محبوب ترین زبان دنیا را می دانید
8
00:00:16,000 –> 00:00:17,440
و همه
9
00:00:17,440 –> 00:00:18,880
اینها باید درک کنید که همه
10
00:00:18,880 –> 00:00:20,960
این نیروها از کتابخانه هایی مانند
11
00:00:20,960 –> 00:00:22,800
علمی تخیلی و البته صدها
12
00:00:22,800 –> 00:00:25,039
کتابخانه دیگر که اکنون در این
13
00:00:25,039 –> 00:00:27,279
کتابخانه ها وجود دارند
14
00:00:27,279 –> 00:00:29,039
15
00:00:29,039 –> 00:00:31,279
می آید. شما در حال کار بر روی اوه،
16
00:00:31,279 –> 00:00:32,640
می دانید که ایجاد یک برنامه یا
17
00:00:32,640 –> 00:00:35,040
چیزی شبیه به آن، روند شما را ساده می
18
00:00:35,040 –> 00:00:36,719
کند، می دانید، قطعاً می خواهم
19
00:00:36,719 –> 00:00:38,640
بگویم که روند شما را تا
20
00:00:38,640 –> 00:00:40,559
10 برابر ساده می کند، زیرا می دانید
21
00:00:40,559 –> 00:00:43,680
که احتمالاً 10 برابر کمتر از اوه خواهید نوشت.
22
00:00:43,680 –> 00:00:44,879
کدی که
23
00:00:44,879 –> 00:00:46,640
بدون کتابخانه مینوشتید و البته
24
00:00:46,640 –> 00:00:49,039
فقط این نیست که کد کمتری دارد، این
25
00:00:49,039 –> 00:00:51,760
واقعیت است که این یک راه کارآمد
26
00:00:51,760 –> 00:00:54,079
برای مقابله با شماست فرآیند کارآمد
27
00:00:54,079 –> 00:00:55,440
، درست بگوییم شاید
28
00:00:55,440 –> 00:00:57,840
ایجاد یک برنامه کاربردی بزرگ باشد، اما
29
00:00:57,840 –> 00:00:59,840
روشی که میتوانید
30
00:00:59,840 –> 00:01:02,000
با استفاده از کتابخانهها آن را به چیزهای ساده تقسیم کنید و روی آن کار کنید، بسیار
31
00:01:02,000 –> 00:01:04,720
32
00:01:04,720 –> 00:01:07,119
33
00:01:07,119 –> 00:01:08,720
34
00:01:08,720 –> 00:01:10,720
عالی است. وقتی به پردازش سیگنال فکر میکنید بسیار محبوب است، وقتی به
35
00:01:10,720 –> 00:01:12,720
36
00:01:12,720 –> 00:01:14,799
مدیریت تصویر فکر میکنید درست چه کسی
37
00:01:14,799 –> 00:01:16,880
فکر میکرد، بنابراین کتابخانهای است
38
00:01:16,880 –> 00:01:19,119
که میتوانید با
39
00:01:19,119 –> 00:01:20,880
آمار کار کنید، میتوانید با
40
00:01:20,880 –> 00:01:22,799
جبر خطی کار کنید، میتوانید با
41
00:01:22,799 –> 00:01:24,720
تصاویری که میتوانید با آنها کار کنید از
42
00:01:24,720 –> 00:01:26,560
چیزهای مختلفی که میتوانید با
43
00:01:26,560 –> 00:01:28,799
سیگنالها کار کنید، میدانید که پردازش
44
00:01:28,799 –> 00:01:30,880
سیگنال بخش بسیار مهمی از
45
00:01:30,880 –> 00:01:32,560
دنیای الکترونیک آنالوگ و دیجیتال است که ما
46
00:01:32,560 –> 00:01:34,560
امروز داریم، بنابراین میتوانید از قبل ببینید
47
00:01:34,560 –> 00:01:35,920
که فقط از مقدمه، فقط
48
00:01:35,920 –> 00:01:37,920
از دو دقیقه آخر صحبت من میدانید.
49
00:01:37,920 –> 00:01:39,600
شما از قبل می توانید درک کنید که این
50
00:01:39,600 –> 00:01:42,399
یک کتابخانه است که قطعاً
51
00:01:42,399 –> 00:01:44,399
تأثیری بر تقریباً دارد، شما همه دامنه های دیگری را
52
00:01:44,399 –> 00:01:45,759
که ما در آنجا داریم می شناسید. درست است،
53
00:01:45,759 –> 00:01:48,000
زیرا هر جا که در هر
54
00:01:48,000 –> 00:01:49,200
یک از حوزهها میدانید
55
00:01:49,200 –> 00:01:50,320
، به آمار نیاز دارید،
56
00:01:50,320 –> 00:01:52,000
به نوعی پردازش سیگنال
57
00:01:52,000 –> 00:01:53,439
یا مدیریت نیاز دارید، به
58
00:01:53,439 –> 00:01:55,200
نوعی ویرایش تصویر نیاز دارید، به
59
00:01:55,200 –> 00:01:57,600
نوعی به حل معادلات ریاضی
60
00:01:57,600 –> 00:01:59,520
جبر خطی نیاز دارید. ادغام ها و همه
61
00:01:59,520 –> 00:02:01,680
اینها درست است، بنابراین اگر همه
62
00:02:01,680 –> 00:02:03,280
اینها نباشد، بخشی از آن است و
63
00:02:03,280 –> 00:02:05,200
در نهایت scipy می تواند همه اینها را مدیریت کند،
64
00:02:05,200 –> 00:02:07,040
بنابراین یک کتابخانه بسیار مهم برای
65
00:02:07,040 –> 00:02:09,038
همه شما برای یادگیری است و از این رو ما اینجا با
66
00:02:09,038 –> 00:02:11,200
یادگیری عالی اهمیت آن را درک می کنیم.
67
00:02:11,200 –> 00:02:12,800
از این کتابخانه و ما
68
00:02:12,800 –> 00:02:15,120
این دوره آموزشی spipy و python را ارائه کرده ایم تا
69
00:02:15,120 –> 00:02:17,280
مطمئن شویم که شما بچه ها با همه مبانی کاملاً واضح هستید
70
00:02:17,280 –> 00:02:19,440
و البته می
71
00:02:19,440 –> 00:02:21,360
توانید با درک همه
72
00:02:21,360 –> 00:02:23,680
بیت های نظری و همه بخش های عملی
73
00:02:23,680 –> 00:02:25,280
که ما قصد داریم به آن ها بپردازیم.
74
00:02:25,280 –> 00:02:27,750
75
00:02:27,750 –> 00:02:31,729
76
00:02:31,760 –> 00:02:34,319
77
00:02:34,319 –> 00:02:36,319
اگر هنوز در کانال ما مشترک نشده اید، در مورد این دوره نیز
78
00:02:36,319 –> 00:02:38,560
79
00:02:38,560 –> 00:02:40,560
بحث کنید. ication bell این کار برای
80
00:02:40,560 –> 00:02:43,040
اطمینان از اینکه هیچ یک از
81
00:02:43,040 –> 00:02:45,680
بهروزرسانیهای جدید یا انتشارات ویدیویی از یادگیری عالی را از دست نمیدهید
82
00:02:45,680 –> 00:02:47,920
انجام میشود و البته بچهها اگر از
83
00:02:47,920 –> 00:02:50,560
این ویدیو لذت میبرید به ما عشق نشان دهید و دوست داشته باشید
84
00:02:50,560 –> 00:02:53,040
این ویدیو با اشتراکگذاری درست دانش افزایش مییابد.
85
00:02:53,040 –> 00:02:55,200
حتماً
86
00:02:55,200 –> 00:02:57,120
این ویدیو را با دوستان همکار خود
87
00:02:57,120 –> 00:02:59,360
و همه کسانی که می توانند از آن استفاده کنند به اشتراک بگذارید و
88
00:02:59,360 –> 00:03:01,280
در پایان آن
89
00:03:01,280 –> 00:03:03,599
اگر سؤال یا پیشنهادی دارید حتماً در مورد ویدیو نظر دهید
90
00:03:03,599 –> 00:03:05,680
و من خوشحال می شوم
91
00:03:05,680 –> 00:03:08,159
به همه پاسخ دهم. از نظرات شما پس
92
00:03:08,159 –> 00:03:09,920
بچه ها امیدوارم بچه ها برای
93
00:03:09,920 –> 00:03:12,000
این دوره هیجان زده باشید نام من آنورودا است بدون هیچ مقدمه ای
94
00:03:12,000 –> 00:03:13,599
بیایید فقط
95
00:03:13,599 –> 00:03:15,680
به دستور کار این دوره نگاهی بیندازیم
96
00:03:15,680 –> 00:03:17,760
و به زودی به برنامه علمی تخیلی و
97
00:03:17,760 –> 00:03:20,319
پایتون می رسیم ما این را شروع خواهیم کرد.
98
00:03:20,319 –> 00:03:23,200
البته با درک واقعی اینکه
99
00:03:23,200 –> 00:03:25,120
علم الان چیست خانمها و آقایان، هر زمان که
100
00:03:25,120 –> 00:03:26,879
سعی میکنید به یک کتابخانه جدید حمله کنید، هر زمان که
101
00:03:26,879 –> 00:03:28,799
سعی میکنید کتابخانه جدیدی را بفهمید
102
00:03:28,799 –> 00:03:30,640
، بسیار مهم میشود
103
00:03:30,640 –> 00:03:32,640
که آن را خیلی آهسته
104
00:03:32,640 –> 00:03:34,640
انجام دهید و کاملاً آن را درک کنید. چون وقتی
105
00:03:34,640 –> 00:03:36,480
با این پایهها روشن شدید، زمانی که متوجه شدید
106
00:03:36,480 –> 00:03:38,799
که کتابخانه چه کاری میتواند انجام دهد، و من به
107
00:03:38,799 –> 00:03:40,480
شما بچهها چیزهای زیادی را
108
00:03:40,480 –> 00:03:42,400
در مورد نحوه کار کردن همه چیز در اینجا در علمی تخیلی نشان
109
00:03:42,400 –> 00:03:44,319
خواهم داد، همچنین وقتی این پایهها را
110
00:03:44,319 –> 00:03:46,000
پاک کنید. درست در آن زمان است که می
111
00:03:46,000 –> 00:03:48,159
توانید استفاده از این کتابخانه ها را برای هر
112
00:03:48,159 –> 00:03:49,760
برنامه یا هر چیزی که می خواهید
113
00:03:49,760 –> 00:03:51,519
بسازید، شروع کنید، بنابراین برای شروع این کار، ما
114
00:03:51,519 –> 00:03:53,200
این کار را با درک اینکه scipy چیست شروع می کنیم
115
00:03:53,200 –> 00:03:55,840
و بعد از فهمیدن اینکه
116
00:03:55,840 –> 00:03:57,840
scipy چیست، ما غواصی خواهیم کرد.
117
00:03:57,840 –> 00:03:59,680
ابتدا به درک
118
00:03:59,680 –> 00:04:02,159
119
00:04:02,159 –> 00:04:04,560
این موضوع بپردازید که چگونه می توانیم نصب علمی تخیلی را انجام دهیم، این یک فرآیند بسیار ساده است، من مطمئن هستم که
120
00:04:04,560 –> 00:04:06,319
همه شما می توانید به راحتی آن را دنبال کنید،
121
00:04:06,319 –> 00:04:08,480
بنابراین هنگامی که علمی تخیلی را
122
00:04:08,480 –> 00:04:11,439
نصب کردید، زیرساخت های مختلفی را می شناسید
123
00:04:11,439 –> 00:04:14,080
بستههایی که scipy روی میز میآورد
124
00:04:14,080 –> 00:04:16,160
و این بستههای فرعی هستند که
125
00:04:16,160 –> 00:04:18,478
کل قدرت را به کتابخانهها میدهند، برای مثال
126
00:04:18,478 –> 00:04:20,079
راههای مختلفی وجود دارد که چگونه میتوانید
127
00:04:20,079 –> 00:04:22,160
خوشههای دستهای را ایجاد کنید که با
128
00:04:22,160 –> 00:04:23,440
ثابتها کار میکنند و به چیزی
129
00:04:23,440 –> 00:04:25,280
به نام fft pack um y نگاهی بیندازید. می دانید که ما
130
00:04:25,280 –> 00:04:26,320
قرار است به
131
00:04:26,320 –> 00:04:28,639
مفاهیم درون یابی و چیزی
132
00:04:28,639 –> 00:04:30,479
که در آنجا می بینید نگاهی بیندازیم که می گوید lin alk
133
00:04:30,479 –> 00:04:32,880
که اساسا مخفف جبر خطی است،
134
00:04:32,880 –> 00:04:33,919
بنابراین ما به آن و تصویر دوم نیز نگاه خواهیم کرد.
135
00:04:33,919 –> 00:04:36,720
در مورد
136
00:04:36,720 –> 00:04:39,040
اینکه چگونه میتوانید پردازش تصویر اولیه را
137
00:04:39,040 –> 00:04:41,520
با scipy نیز به درستی انجام دهید، بنابراین
138
00:04:41,520 –> 00:04:43,360
همه این بستههای فرعی همه این
139
00:04:43,360 –> 00:04:45,919
کارهای کوچک را که میتوانید در علمی تخیلی انجام دهید،
140
00:04:45,919 –> 00:04:47,520
زمانی که به تصویر بزرگ نگاه میکنید، انجام دهید.
141
00:04:47,520 –> 00:04:49,040
درست است،
142
00:04:49,040 –> 00:04:51,680
این چیزی است که علمی تخیلی را
143
00:04:51,680 –> 00:04:54,000
واقعاً قدرتمند میکند، پس بچهها، امیدوارم که
144
00:04:54,000 –> 00:04:56,720
دستور کار بسیار واضح باشد، بدون هیچ مقدمهای بیشتر،
145
00:04:56,720 –> 00:04:58,320
بیایید با اولین مورد
146
00:04:58,320 –> 00:05:01,199
در دستور کار شروع کنیم که همان چیزی است که علم تخیلی است،
147
00:05:01,199 –> 00:05:03,520
بنابراین به درک درستی از علم تخیلی به عنوان یک کتابخانه میرسیم.
148
00:05:03,520 –> 00:05:05,600
چیزی که
149
00:05:05,600 –> 00:05:07,600
در این لحظه باید به شما بگویم
150
00:05:07,600 –> 00:05:09,759
این واقعیت است که علمی تخیلی یک
151
00:05:09,759 –> 00:05:11,440
کتابخانه بسیار محبوب در پایتون است که
152
00:05:11,440 –> 00:05:14,000
هزاران و هزاران کاربر دارد و اوه
153
00:05:14,000 –> 00:05:15,600
می دانید وقتی می گویید این یک کتابخانه است
154
00:05:15,600 –> 00:05:17,440
که واقعاً محبوب است
155
00:05:17,440 –> 00:05:18,880
قطعاً باید دلایلی بیاورم که چرا در
156
00:05:18,880 –> 00:05:21,360
حال حاضر در کل جامعه علمی محبوب
157
00:05:21,360 –> 00:05:23,280
است، آنها به کتابخانه ای نیاز دارند که
158
00:05:23,280 –> 00:05:24,800
از طریق آن می دانید می توانید
159
00:05:24,800 –> 00:05:26,800
کارهای خاصی را که باید به صورت دستی انجام می دادید انجام
160
00:05:26,800 –> 00:05:29,039
دهید، در غیر این صورت به درستی در مورد
161
00:05:29,039 –> 00:05:31,039
کار با الگوریتم ها فکر کنید
162
00:05:31,039 –> 00:05:32,880
که قبلاً عملکردهایی دارید که
163
00:05:32,880 –> 00:05:35,360
قطعاً انجام خواهند شد. این وظیفه برای شما
164
00:05:35,360 –> 00:05:37,039
درست است، بنابراین گاهی اوقات
165
00:05:37,039 –> 00:05:38,320
وقتی به یک تابع فکر می کنید، تابع
166
00:05:38,320 –> 00:05:40,479
چیست، اساساً می دانید که معادله ای دارید که
167
00:05:40,479 –> 00:05:42,080
بسیاری از چیزها را حل می کند و
168
00:05:42,080 –> 00:05:44,000
در نهایت پس از
169
00:05:44,000 –> 00:05:46,479
ارائه یک ورودی خاص به نتیجه می رسد که کل
170
00:05:46,479 –> 00:05:48,560
فرآیند از ورودی تا خروجی این کار را انجام می دهد.
171
00:05:48,560 –> 00:05:50,800
اگر به آسانی توابعی ساخته اید
172
00:05:50,800 –> 00:05:52,800
که می تواند کار را به
173
00:05:52,800 –> 00:05:56,080
درستی انجام دهد، خودکار شوید، به طوری که در اینجا نیز امکان پذیر است
174
00:05:56,080 –> 00:05:58,639
و زمانی که به کار با
175
00:05:58,639 –> 00:06:00,560
جلسات پایتون تعاملی فکر می
176
00:06:00,560 –> 00:06:03,039
کنید که درست در آنجا هستند، بنابراین
177
00:06:03,039 –> 00:06:05,600
بزرگترین مزیت این کار این است که ارائه می دهد. ما
178
00:06:05,600 –> 00:06:07,840
با دستورات و کلاسهای سطح بالا
179
00:06:07,840 –> 00:06:09,680
که میتوانیم از آنها نه تنها برای
180
00:06:09,680 –> 00:06:12,400
تجسم دادهها استفاده کنیم، بلکه آنها را دستکاری کرده و با آن
181
00:06:12,400 –> 00:06:14,240
کار کنیم. اکنون در زمان واقعی
182
00:06:14,240 –> 00:06:15,360
تمام
183
00:06:15,360 –> 00:06:17,440
نمایش های عملی را به شما نشان خواهم داد
184
00:06:17,440 –> 00:06:19,120
که از طریق آنها می توانید خودتان
185
00:06:19,120 –> 00:06:21,280
متوجه شوید که سلام بله می دانید علمی تخیلی یک
186
00:06:21,280 –> 00:06:23,360
کتابخانه است که بسیار قدرتمند است
187
00:06:23,360 –> 00:06:25,360
و قطعاً آن را مناسب می بیند.
188
00:06:25,360 –> 00:06:27,440
دامنههای متعددی وجود دارد، بنابراین
189
00:06:27,440 –> 00:06:29,680
هر زمان که دنیا در مورد محاسبات علمی صحبت میکند،
190
00:06:29,680 –> 00:06:31,440
هر زمان که دنیا
191
00:06:31,440 –> 00:06:33,280
در مورد محاسبات فنی صحبت میکند
192
00:06:33,280 –> 00:06:35,440
که نیازی به پایتون وجود دارد، میتوانید
193
00:06:35,440 –> 00:06:37,520
مطمئن باشید که میدانید scipy
194
00:06:37,520 –> 00:06:38,800
کتابخانهای خواهد بود
195
00:06:38,800 –> 00:06:40,880
که اکنون بعد از شما در آنجا محبوب خواهد شد.
196
00:06:40,880 –> 00:06:43,360
این را در مورد scipy فهمیدهاید اینجا یک
197
00:06:43,360 –> 00:06:45,600
واقعیت بسیار جالب است که ممکن است
198
00:06:45,600 –> 00:06:48,400
در مورد کتابخانه
199
00:06:48,400 –> 00:06:50,960
بدانید یا
200
00:06:50,960 –> 00:06:53,360
ندانید.
201
00:06:53,360 –> 00:06:55,039
202
00:06:55,039 –> 00:06:57,759
درست است، اگر
203
00:06:57,759 –> 00:07:00,560
فقط scipy را وارد کنید، به اندازه کافی خوب هستید، می
204
00:07:00,560 –> 00:07:02,400
توانید با تمام عملکردهایی که
205
00:07:02,400 –> 00:07:04,800
numpy به جدول می آورد، درست در
206
00:07:04,800 –> 00:07:07,120
صحنه تجسم داده ها، اگر می
207
00:07:07,120 –> 00:07:09,280
دانید کار کنید. کلاه cbor در بالای
208
00:07:09,280 –> 00:07:12,240
matplotlib درست شده است به طور مشابه در اینجا
209
00:07:12,240 –> 00:07:14,800
scipy در بالای numpy ساخته شده است، بنابراین تمام قابلیت های numpy را به ارمغان می آورد
210
00:07:14,800 –> 00:07:17,840
و سپس برخی
211
00:07:17,840 –> 00:07:20,000
و اوه شما می دانید که قطعا
212
00:07:20,000 –> 00:07:21,759
باعث می شود اوه شما می دانید که کارایی بیشتری
213
00:07:21,759 –> 00:07:23,360
را به خط لوله و در
214
00:07:23,360 –> 00:07:25,759
در پایان روز نه
215
00:07:25,759 –> 00:07:27,919
تنها نحوه کار با کد پایتون
216
00:07:27,919 –> 00:07:29,840
بلکه نحوی که از طریق آن درست می نویسید
217
00:07:29,840 –> 00:07:32,080
ساده تر می شود،
218
00:07:32,080 –> 00:07:34,639
بنابراین دوستانی که مقدمه ای برای
219
00:07:34,639 –> 00:07:37,120
علم آموزی دارند، اجازه دهید سریعا به بخشی
220
00:07:37,120 –> 00:07:38,880
برسیم که در آن می توانیم در مورد چگونگی بحث در مورد آن صحبت کنیم. اکنون می توانید به
221
00:07:38,880 –> 00:07:41,280
سراغ نصب علمی تخیلی بروید،
222
00:07:41,280 –> 00:07:43,759
راه های زیادی برای نصب scipy وجود دارد
223
00:07:43,759 –> 00:07:45,840
و بزرگترین مزیت آن این است که دقیقاً
224
00:07:45,840 –> 00:07:48,400
مانند python scipy در
225
00:07:48,400 –> 00:07:50,479
چندین سیستم عاملی که امروز داریم پشتیبانی می
226
00:07:50,479 –> 00:07:51,919
شود و البته می دانید که می
227
00:07:51,919 –> 00:07:53,840
توانید لیستی از سیستم عامل ها را داشته باشید. اما من می
228
00:07:53,840 –> 00:07:56,000
خواهم سه
229
00:07:56,000 –> 00:07:57,520
سیستم عامل برتری را که امروز داریم انتخاب کنم،
230
00:07:57,520 –> 00:07:59,120
یکی ویندوز مایکروسافت است که همه
231
00:07:59,120 –> 00:08:01,360
طعم ها و توزیع های لینوکس را داریم و سپس
232
00:08:01,360 –> 00:08:03,520
m اپل را داریم.
233
00:08:03,520 –> 00:08:05,440
سیستم عامل مک acintosh درست است، بنابراین می دانید
234
00:08:05,440 –> 00:08:06,879
که اگر از یکی از اینها استفاده می
235
00:08:06,879 –> 00:08:08,720
کنید، مطمئن هستم که می دانید بچه ها با مشاهده این
236
00:08:08,720 –> 00:08:10,639
، از هر سه مورد استفاده خواهید کرد یا
237
00:08:10,639 –> 00:08:12,160
می دانید که قطعاً از
238
00:08:12,160 –> 00:08:13,759
یکی از این دو استفاده کرده اید. درست است، بنابراین
239
00:08:13,759 –> 00:08:15,360
240
00:08:15,360 –> 00:08:17,280
نصب آن یک فرآیند بسیار ساده خواهد بود، اوه، ما
241
00:08:17,280 –> 00:08:18,960
نصب را به دو مرحله تقسیم می کنیم،
242
00:08:18,960 –> 00:08:21,280
یک جا اوه، می دانید که ما در
243
00:08:21,280 –> 00:08:23,520
مورد ویندوز و لینوکس کجا بحث خواهیم کرد
244
00:08:23,520 –> 00:08:25,120
و دیگری کمی جدا از هم
245
00:08:25,120 –> 00:08:26,560
چون میدانید که مک
246
00:08:26,560 –> 00:08:28,400
و اپل معماری خاص خود را برای
247
00:08:28,400 –> 00:08:30,720
بازی کردن دارند، بنابراین اکنون به ویندوز و
248
00:08:30,720 –> 00:08:31,680
249
00:08:31,680 –> 00:08:34,000
لینوکس میرسیم، یک چیز بسیار خوب در مورد ویندوز
250
00:08:34,000 –> 00:08:35,279
و لینوکس و البته هر زمان
251
00:08:35,279 –> 00:08:37,039
که با خط فرمان پایتون کار میکنید،
252
00:08:37,039 –> 00:08:39,440
اینجاست که این توانایی
253
00:08:39,440 –> 00:08:41,760
شما چیزی به نام pip pip است که در اصل
254
00:08:41,760 –> 00:08:44,320
مخفف یک نصب کننده بسته است right uh
255
00:08:44,320 –> 00:08:46,399
pip در واقع یک
256
00:08:46,399 –> 00:08:48,080
مخفف بازگشتی است که انتقال پیپ بسته ها را نصب می کند
257
00:08:48,080 –> 00:08:51,760
پیپ پیپ بسته ها را نصب می کند بنابراین
258
00:08:51,760 –> 00:08:54,000
اساساً یک نصب کننده بسته یک
259
00:08:54,000 –> 00:08:55,839
بسته است. age manager که به ما کمک میکند
260
00:08:55,839 –> 00:08:58,160
همه این کتابخانهها را به راحتی نصب
261
00:08:58,160 –> 00:09:00,080
کنیم. مزیتی که pip
262
00:09:00,080 –> 00:09:01,519
به جدول میآورد این است که یک
263
00:09:01,519 –> 00:09:03,600
مدیر بسته استاندارد است، زیرا میتوان آن را
264
00:09:03,600 –> 00:09:07,279
به راحتی بر روی ویندوزهای لینوکس نصب کرد و
265
00:09:07,279 –> 00:09:09,600
بیشتر بهخوبی میتوان آن را برای نصب sci نصب کرد.
266
00:09:09,600 –> 00:09:11,680
-fi با استفاده از pip تنها کاری که باید انجام دهید این است
267
00:09:11,680 –> 00:09:13,440
که یک دستور ساده را اجرا کنید که می توانید آن
268
00:09:13,440 –> 00:09:14,959
را روی صفحه نمایش خود مشاهده کنید.
269
00:09:14,959 –> 00:09:17,040
270
00:09:17,040 –> 00:09:19,440
271
00:09:19,440 –> 00:09:21,600
272
00:09:21,600 –> 00:09:23,360
بالا و مطمئنم که اگر
273
00:09:23,360 –> 00:09:24,480
این دوره را تماشا میکنید، میدانید که اگر در حال تماشای این دوره هستید،
274
00:09:24,480 –> 00:09:26,080
ممکن است تجربه
275
00:09:26,080 –> 00:09:28,160
نصب بستههای پیپن را داشته باشید، بنابراین دوباره این
276
00:09:28,160 –> 00:09:30,640
یک فرآیند بسیار ساده و بسیار
277
00:09:30,640 –> 00:09:32,240
ساده است که چگونه میتوانید
278
00:09:32,240 –> 00:09:35,200
آن را روی ویندوز نصب کنید و لینوکس اما
279
00:09:35,200 –> 00:09:36,800
وجود ندارد، می دانید
280
00:09:36,800 –> 00:09:38,959
مزایای بیشتری برای ویندوز و لینوکس وجود دارد، این واقعیت
281
00:09:38,959 –> 00:09:41,200
که ما توزیع صحیح
282
00:09:41,200 –> 00:09:43,279
آناکوندا را داریم آناکوندا یک توزیع کاملاً فوق العاده
283
00:09:43,279 –> 00:09:45,279
است که فقط همه چیز
284
00:09:45,279 –> 00:09:47,040
را به شما نمی دهد. hing شما در
285
00:09:47,040 –> 00:09:49,120
پایتون به آن نیاز دارید، اما به
286
00:09:49,120 –> 00:09:51,360
کتابخانه های دیگر کمک می کند ابزارهای
287
00:09:51,360 –> 00:09:53,920
دیگر فریمورک های دیگر را نیز
288
00:09:53,920 –> 00:09:55,839
به شما ارائه می دهد و می توانید از طریق آن ها می توانید شروع به
289
00:09:55,839 –> 00:09:57,519
ایجاد برنامه های کاربردی و
290
00:09:57,519 –> 00:09:59,839
در نهایت با uh با anaconda درست
291
00:09:59,839 –> 00:10:01,360
زمانی که کار با آناکوندا را شروع می کنید، کنید.
292
00:10:01,360 –> 00:10:03,680
توزیع، اوه، می دانید که این یک واقعیت است
293
00:10:03,680 –> 00:10:06,000
که اوه، قبلاً با
294
00:10:06,000 –> 00:10:07,519
کتابخانه های متعدد ساخته شده است که نیازی
295
00:10:07,519 –> 00:10:09,760
به کار با آنها ندارید، اکنون نصب scipy و
296
00:10:09,760 –> 00:10:11,600
anaconda بسیار ساده است، تنها کاری که
297
00:10:11,600 –> 00:10:13,519
باید انجام دهید این است که به وب سایت anaconda بروید،
298
00:10:13,519 –> 00:10:14,959
باید دانلود کنید. چیزی به
299
00:10:14,959 –> 00:10:16,800
نام anaconda navigator و هنگامی که
300
00:10:16,800 –> 00:10:18,880
آن را باز کردید شروع به نصب میکنید،
301
00:10:18,880 –> 00:10:20,240
چیزی به نام آناکوندا
302
00:10:20,240 –> 00:10:22,079
prompt anaconda بسیار شبیه
303
00:10:22,079 –> 00:10:24,720
به خط فرمان یا python cui است
304
00:10:24,720 –> 00:10:26,640
که پس از
305
00:10:26,640 –> 00:10:28,079
انجام تمام این مراحل دوباره میدیدید. مرحله بسیار ساده
306
00:10:28,079 –> 00:10:30,079
اجرای یک فرمان منفرد conda
307
00:10:30,079 –> 00:10:32,480
install anaconda scipy و این به
308
00:10:32,480 –> 00:10:34,240
محض اجرای این دستور تماس
309
00:10:34,240 –> 00:10:36,240
یا پیپ کام است. و اوه شما می دانید
310
00:10:36,240 –> 00:10:38,240
صرف نظر از هر دو روش
311
00:10:38,240 –> 00:10:40,880
علمی تخیلی را روی ویندوز خود نصب و راه اندازی خواهید
312
00:10:40,880 –> 00:10:43,279
کرد و دقیقاً همان مراحلی است
313
00:10:43,279 –> 00:10:45,200
که
314
00:10:45,200 –> 00:10:46,560
در حال حاضر برای لینوکس نیز دنبال می کنید اگر فکر می کنید بله
315
00:10:46,560 –> 00:10:48,800
آناکوندا برای هر دو موجود است. اوه و
316
00:10:48,800 –> 00:10:50,399
برای همه این
317
00:10:50,399 –> 00:10:52,000
کاربران مک در دسترس است، برای لینوکس در دسترس است،
318
00:10:52,000 –> 00:10:54,640
برای ویندوز و بسیاری از سیستم عاملهای دیگر
319
00:10:54,640 –> 00:10:56,640
نیز موجود است، بنابراین باز هم میدانید
320
00:10:56,640 –> 00:10:58,320
که یک راه دیگر برای
321
00:10:58,320 –> 00:10:59,760
انجام کاری دارید که قبلاً ساده است،
322
00:10:59,760 –> 00:11:02,240
درست است که میدانید این است وقتی به
323
00:11:02,240 –> 00:11:04,320
این موضوع فکر میکنید که این روزها چقدر
324
00:11:04,320 –> 00:11:05,839
روند تنظیم همه چیز ساده شده است، جالب است،
325
00:11:05,839 –> 00:11:08,320
بنابراین شما ویندوز
326
00:11:08,320 –> 00:11:10,399
و لینوکس را میشناسید، بگذارید یک لحظه در مورد mac OS صحبت کنیم.
327
00:11:10,399 –> 00:11:12,000
328
00:11:12,000 –> 00:11:13,279
329
00:11:13,279 –> 00:11:15,440
330
00:11:15,440 –> 00:11:17,680
در حال حاضر روی مک شما، بنابراین
331
00:11:17,680 –> 00:11:19,279
عیب جزئی
332
00:11:19,279 –> 00:11:20,720
مک این است که
333
00:11:20,720 –> 00:11:22,880
با هیچ بسته منیجری از قبل نصب نشده است
334
00:11:22,880 –> 00:11:25,279
، بنابراین می دانید چه
335
00:11:25,279 –> 00:11:27,600
کاری می توانید انجام دهید تا
336
00:11:27,600 –> 00:11:29,200
مشکل کوچک را برطرف کنید. سنی که شما می توانید
337
00:11:29,200 –> 00:11:31,600
مدیریت بسته های خود را در آنجا نصب کنید،
338
00:11:31,600 –> 00:11:33,519
بنابراین می توانید دو دستور
339
00:11:33,519 –> 00:11:34,640
را مشاهده کنید،
340
00:11:34,640 –> 00:11:36,240
اگر واقعاً
341
00:11:36,240 –> 00:11:38,320
به ترمینال بروید و این دستورات را اجرا کنید،
342
00:11:38,320 –> 00:11:40,640
فقط با این یک دستور درست sudo را حدس بزنید، می توانید دو دستور را روی صفحه نمایش خود ببینید.
343
00:11:40,640 –> 00:11:42,880
دستور نصب port شما
344
00:11:42,880 –> 00:11:45,360
می توانید ادامه دهید اوه می دانید نصب
345
00:11:45,360 –> 00:11:47,120
سه کتابخانه در چهار کتابخانه
346
00:11:47,120 –> 00:11:50,240
scipy matplotlib pandas و کتابخانه numpy
347
00:11:50,240 –> 00:11:52,880
نیز درست است.
348
00:11:52,880 –> 00:11:54,320
349
00:11:54,320 –> 00:11:55,760
350
00:11:55,760 –> 00:11:57,120
کتابخانه، فقط باید
351
00:11:57,120 –> 00:11:58,800
ترمینال را باز کنید، فقط باید
352
00:11:58,800 –> 00:12:00,560
چیزی را که می بینید کپی کنید و در نهایت
353
00:12:00,560 –> 00:12:02,399
پیست کنید و کارتان درست است که چقدر
354
00:12:02,399 –> 00:12:04,560
ساده است و انجام آن
355
00:12:04,560 –> 00:12:06,720
همه چیز را در علمی تخیلی تنظیم می کند که
356
00:12:06,720 –> 00:12:08,480
باید بدانید با
357
00:12:08,480 –> 00:12:10,320
تمام تظاهرات همراه باشید، اوه که خواهد بود،
358
00:12:10,320 –> 00:12:12,800
آیا ما به انجام آن به درستی ادامه خواهیم داد و
359
00:12:12,800 –> 00:12:13,519
اوه
360
00:12:13,519 –> 00:12:15,200
یک مزیت با مک که نمیتوانم بگویم
361
00:12:15,200 –> 00:12:17,360
مزیت آه، میدانید که
362
00:12:17,360 –> 00:12:19,440
کمکی جزئی است برای این واقعیت است که درست مانند
363
00:12:19,440 –> 00:12:21,600
ویندوز و لینوکس که ما چندین
364
00:12:21,600 –> 00:12:23,440
راه برای نصب در اینجا داشتیم، همچنین
365
00:12:23,440 –> 00:12:25,040
چندین روش نصب شما، میتوانید از
366
00:12:25,040 –> 00:12:27,440
homebrew برای نصب همه این بستهها به
367
00:12:27,440 –> 00:12:29,279
درستی استفاده کنید، اما یک چیز دوباره یک
368
00:12:29,279 –> 00:12:31,200
نقطه ضعف کوچک در اینجا با استفاده از hoproo این است
369
00:12:31,200 –> 00:12:32,720
که هر وقت میخواهید scipy را نصب کنید.
370
00:12:32,720 –> 00:12:34,720
homebrew اوه
371
00:12:34,720 –> 00:12:37,040
خواهد داشت اوه کل کتابخانه را نمی آورد
372
00:12:37,040 –> 00:12:39,600
اکنون scipy یک کتابخانه بزرگ است همانطور که
373
00:12:39,600 –> 00:12:40,639
در بقیه دوره خواهید دید
374
00:12:40,639 –> 00:12:41,760
البته ما قرار نیست
375
00:12:41,760 –> 00:12:43,519
همه چیز را با جزئیات پوشش
376
00:12:43,519 –> 00:12:45,200
دهیم، اما ما داریم همه
377
00:12:45,200 –> 00:12:46,959
چیزهای واقعا مهمی را که شما بچه
378
00:12:46,959 –> 00:12:48,880
ها باید بدانید را پوشش خواهیم داد و برای رسیدن به آن نقطه
379
00:12:48,880 –> 00:12:50,480
اگر دوباره از مک استفاده می کنید، ما یک دستور داریم که اکنون
380
00:12:50,480 –> 00:12:52,560
numpy علمی-تخیلی
381
00:12:52,560 –> 00:12:54,720
ipython jupiter را
382
00:12:54,720 –> 00:12:56,240
نصب کنید، این موارد بسیاری را نصب می کند قرار است
383
00:12:56,240 –> 00:12:57,839
numpy را نصب کند که کتابخانه ای است
384
00:12:57,839 –> 00:12:59,200
که دوباره scipy را نصب می کند
385
00:12:59,200 –> 00:13:01,279
کتابخانه در حال بحث
386
00:13:01,279 –> 00:13:03,120
است ipython مخفف Python تعاملی است.
387
00:13:03,120 –> 00:13:04,959
388
00:13:04,959 –> 00:13:06,720
درست است،
389
00:13:06,720 –> 00:13:08,720
بنابراین همه اینها با استفاده از یک دستور دوباره برای شما نصب می شود
390
00:13:08,720 –> 00:13:10,639
و شما واقعاً مجبور نیستید
391
00:13:10,639 –> 00:13:13,279
در حال حاضر تلاش زیادی برای
392
00:13:13,279 –> 00:13:15,440
تنظیم آن انجام دهید، زیرا ما به
393
00:13:15,440 –> 00:13:18,800
وضوح می دانیم که علم چیست،
394
00:13:18,800 –> 00:13:20,880
اوم شما می دانید کجاست. از کارهایی
395
00:13:20,880 –> 00:13:22,800
که می تواند انجام دهد و کمی از نحوه
396
00:13:22,800 –> 00:13:24,399
نصب آن نیز استفاده کرده ایم و امیدواریم که
397
00:13:24,399 –> 00:13:25,839
همه شما در این لحظه علمی تخیلی را نصب کرده
398
00:13:25,839 –> 00:13:28,000
باشید، می توانیم مستقیماً به
399
00:13:28,000 –> 00:13:30,079
بخش بعدی برویم که در آن همه این موارد زیر را مورد بحث قرار خواهیم داد.
400
00:13:30,079 –> 00:13:32,880
بستههای scipy
401
00:13:32,880 –> 00:13:34,399
که به معنای واقعی کلمه در قلب
402
00:13:34,399 –> 00:13:36,639
مفهوم قرار دارند، درست
403
00:13:36,639 –> 00:13:39,839
بدون دانستن اینها، اصلاً Sci Pi را
404
00:13:39,839 –> 00:13:41,760
405
00:13:41,760 –> 00:13:43,839
نمیدانیم، بنابراین صحبت در مورد بستههای فرعی در scipy یکی از مزیتهای آن این است که scipy
406
00:13:43,839 –> 00:13:46,240
از چندین بسته فرعی پشتیبانی میکند که در
407
00:13:46,240 –> 00:13:48,000
حال حاضر بسیاری از آنها وجود دارد. بسیاری از
408
00:13:48,000 –> 00:13:50,000
ابزارهای نرم افزاری اختصاصی
409
00:13:50,000 –> 00:13:51,680
که هر زمان که با محاسبات علمی درست کار می کنید ضروری می شوند،
410
00:13:51,680 –> 00:13:54,160
411
00:13:54,160 –> 00:13:56,720
فقط اصطلاح محاسبات علمی
412
00:13:56,720 –> 00:13:58,480
برای فکر کردن به آن بسیار پیچیده به نظر می رسد، اما
413
00:13:58,480 –> 00:14:00,320
زمانی که باید آن را در پایتون پیاده سازی کنید.
414
00:14:00,320 –> 00:14:01,920
البته نمیتوانید فقط یک
415
00:14:01,920 –> 00:14:03,920
کتابخانه داشته باشید، نمیتوانید فقط یک
416
00:14:03,920 –> 00:14:05,519
ابزار یا تکنیک واحد داشته باشید که
417
00:14:05,519 –> 00:14:07,279
همیشه برای همه راهحلها
418
00:14:07,279 –> 00:14:09,680
کار میکند، بنابراین
419
00:14:09,680 –> 00:14:12,079
کاری که علمی تخیلی انجام میدهد این است که
420
00:14:12,079 –> 00:14:13,839
ابزار بسیار مهمی محسوب میشود.
421
00:14:13,839 –> 00:14:16,000
به عنوان یک کتابخانه در نظر گرفته شده است که اوه
422
00:14:16,000 –> 00:14:17,600
شما می دانید نه تنها تنها یک
423
00:14:17,600 –> 00:14:19,600
جنبه از آن را ارائه می دهد، بلکه نمی گوید هی
424
00:14:19,600 –> 00:14:21,360
فقط از آمار استفاده کنید فقط از پردازش تصویر استفاده کنید
425
00:14:21,360 –> 00:14:23,360
فقط از این درست استفاده کنید، بلکه
426
00:14:23,360 –> 00:14:25,199
ماژول های متعدد پایتون را ارائه می دهد که
427
00:14:25,199 –> 00:14:27,920
می توانید استفاده کنید و می توانید از همه اینها استفاده کنید.
428
00:14:27,920 –> 00:14:30,320
اگر تصمیم بگیرید که به
429
00:14:30,320 –> 00:14:31,760
هر چیزی که برای انجام
430
00:14:31,760 –> 00:14:33,279
محاسبات علمی یا هر نوع
431
00:14:33,279 –> 00:14:35,040
تحلیل فنی مورد نیاز
432
00:14:35,040 –> 00:14:37,920
است رسیدگی کنید، این یک ابزار بسیار محبوب است
433
00:14:37,920 –> 00:14:39,279
که در حال حاضر از آن استفاده می شود
434
00:14:39,279 –> 00:14:40,160
435
00:14:40,160 –> 00:14:41,839
، به صفحه خود نگاه کنید،
436
00:14:41,839 –> 00:14:43,360
بسته های فرعی متعددی دارید البته ما.
437
00:14:43,360 –> 00:14:44,800
قرار است چند مورد از این موارد را
438
00:14:44,800 –> 00:14:47,279
با کمی جزئیات مورد بحث قرار دهیم، اما باید
439
00:14:47,279 –> 00:14:49,760
درک کنید که هر کدام از اینها
440
00:14:49,760 –> 00:14:51,920
در اهداف خاص خود استفاده می شوند در حال
441
00:14:51,920 –> 00:14:53,199
حاضر شما الگوریتم خوشه بندی دارید.
442
00:14:53,199 –> 00:14:55,199
خوشهبندی ms بخش بسیار مهمی از
443
00:14:55,199 –> 00:14:57,199
یادگیری ماشینی است درست شما دوباره از خوشهبندی استفاده میکنید
444
00:14:57,199 –> 00:14:58,800
فقط به یک مثال ساده فکر کنید
445
00:14:58,800 –> 00:15:00,240
که در آن چند میوه به شما داده میشود
446
00:15:00,240 –> 00:15:02,240
و مردم میگویند هی میتوانید
447
00:15:02,240 –> 00:15:04,240
همه پرتقالها را در سمت چپ قرار دهید، آیا
448
00:15:04,240 –> 00:15:05,760
میتوانید همه سیبها را قرار دهید. در سمت راست میتوانید
449
00:15:05,760 –> 00:15:07,839
همه موزها را در یک مکان متفاوت نگه دارید،
450
00:15:07,839 –> 00:15:09,760
451
00:15:09,760 –> 00:15:11,120
اگر بتوانید این کار را انجام دهید، میتوانید این کار را درست انجام دهید
452
00:15:11,120 –> 00:15:12,800
453
00:15:12,800 –> 00:15:14,880
454
00:15:14,880 –> 00:15:16,320
455
00:15:16,320 –> 00:15:18,079
456
00:15:18,079 –> 00:15:20,000
.
457
00:15:20,000 –> 00:15:21,680
بسیاری از انواع خوشه بندی، اما چیزی که
458
00:15:21,680 –> 00:15:23,600
باید بدانید این است که scipy
459
00:15:23,600 –> 00:15:25,120
به شما کارکردهای زیادی می دهد
460
00:15:25,120 –> 00:15:27,440
و راه های ساده تری برای انجام
461
00:15:27,440 –> 00:15:29,920
هر کاری که گفتم درست است و البته از آنجایی
462
00:15:29,920 –> 00:15:32,240
که ما در مورد محاسبات علمی صحبت می
463
00:15:32,240 –> 00:15:33,759
کنیم.
464
00:15:33,759 –> 00:15:36,000
مقدار زیادی از فیزیک نیز درگیر خواهد شد، بنابراین
465
00:15:36,000 –> 00:15:38,000
هر جا که مردم از پایتون برای راهحلهای فیزیک استفاده میکنند،
466
00:15:38,000 –> 00:15:40,560
حدس میزنید که چه علمی نیز یک معضل
467
00:15:40,560 –> 00:15:43,040
ریاضی خاص ارائه میکند.
468
00:15:43,040 –> 00:15:44,720
ثابتهایی که میتوانید در حال حاضر استفاده کنید،
469
00:15:44,720 –> 00:15:46,560
همه ما میدانیم که معروفترین ثابت موجود در
470
00:15:46,560 –> 00:15:48,639
خارج، پی سمت راست، سه نقطه یک
471
00:15:48,639 –> 00:15:51,440
چهار، یک هشت است و به همین ترتیب و به همین ترتیب، اکنون
472
00:15:51,440 –> 00:15:53,759
چندین عدد وجود دارد،
473
00:15:53,759 –> 00:15:55,040
اگر در مورد آن فکر کنید ثابت بولتزمن وجود دارد، ثابتهای زیادی وجود دارد.
474
00:15:55,040 –> 00:15:57,360
اوه میدانی که
475
00:15:57,360 –> 00:15:59,680
اعداد زیادی وجود دارد،
476
00:15:59,680 –> 00:16:01,680
همه این
477
00:16:01,680 –> 00:16:03,519
478
00:16:03,519 –> 00:16:04,959
479
00:16:04,959 –> 00:16:07,360
480
00:16:07,360 –> 00:16:09,519
481
00:16:09,519 –> 00:16:12,000
چیزهای پیچیده وجود دارد. بنابراین،
482
00:16:12,000 –> 00:16:14,399
scifi راهی برای
483
00:16:14,399 –> 00:16:17,040
مدیریت آسان و بسته fft ارائه میکند،
484
00:16:17,040 –> 00:16:19,120
اگر میپرسید fft چه چیزی را نشان میدهد که
485
00:16:19,120 –> 00:16:20,720
اساساً به معنای تبدیل چهار سال است،
486
00:16:20,720 –> 00:16:22,639
تبدیلهای فوریه سمت راست
487
00:16:22,639 –> 00:16:24,959
بخش بسیار مهمی از اوه شما
488
00:16:24,959 –> 00:16:26,240
میدانید که هندلینگ و کار با
489
00:16:26,240 –> 00:16:27,680
دیفرانسیل معادلات و اگر تا به
490
00:16:27,680 –> 00:16:29,680
حال از آن استفاده کرده اید یا اگر می خواهید
491
00:16:29,680 –> 00:16:31,279
معادلات دیفرانسیل را با استفاده از
492
00:16:31,279 –> 00:16:33,279
تبدیل های فوریه حل کنید و می خواهید
493
00:16:33,279 –> 00:16:34,560
بدانید که همه این تبدیل های
494
00:16:34,560 –> 00:16:36,079
فوریه را اعمال کنید. تبدیل تبدیل فوریه معکوس
495
00:16:36,079 –> 00:16:38,079
و همه آنهایی که در
496
00:16:38,079 –> 00:16:39,680
اینجا کمککنندههایی دارید که به شما کمک میکنند
497
00:16:39,680 –> 00:16:42,639
آن را به راحتی انجام دهید و تبدیل فوریه
498
00:16:42,639 –> 00:16:44,480
بخشی از ریاضیات است، اما
499
00:16:44,480 –> 00:16:46,000
بخش بسیار مهم دیگری از ریاضیات که
500
00:16:46,000 –> 00:16:47,759
ممکن است در مدرسه یا کالج مطالعه کرده باشید
501
00:16:47,759 –> 00:16:50,160
، ادغام درست است. تمام
502
00:16:50,160 –> 00:16:51,920
نیازهای یکپارچه سازی شما باز هم
503
00:16:51,920 –> 00:16:53,399
بسته فرعی دیگری به نام
504
00:16:53,399 –> 00:16:56,160
scipy.integrate وجود دارد و اگر به
505
00:16:56,160 –> 00:16:57,600
اندازه کافی کلمه حدس زدن نبود درست به آن نگاه کنید،
506
00:16:57,600 –> 00:16:59,120
ما چیزهای بیشتری برای
507
00:16:59,120 –> 00:17:00,880
انجام درون یابی داریم.
508
00:17:00,880 –> 00:17:02,959
509
00:17:02,959 –> 00:17:04,720
linal مخفف
510
00:17:04,720 –> 00:17:06,480
جبر خطی است، بنابراین برای همه روالهای جبر خطی
511
00:17:06,480 –> 00:17:08,640
خود، یک بسته فرعی آماده
512
00:17:08,640 –> 00:17:10,799
دارید که در صورت نیاز
513
00:17:10,799 –> 00:17:12,720
به کار با ورودی دادههای زیاد
514
00:17:12,720 –> 00:17:14,880
و منبع ثابتی از
515
00:17:14,880 –> 00:17:17,359
فیلتر کردن دادهها و خروجیهای دادهای
516
00:17:17,359 –> 00:17:20,319
که دارید کار کنید. scifi.io و همچنین right io
517
00:17:20,319 –> 00:17:22,720
همه چیز را در مورد نحوه مدیریت ورودی و خروجی داده ها صحبت می
518
00:17:22,720 –> 00:17:25,199
کند و سپس تصویر
519
00:17:25,199 –> 00:17:27,039
nd دارید و تصویر اساسا مخفف
520
00:17:27,039 –> 00:17:29,360
تصویر n بعدی است. درست است تا
521
00:17:29,360 –> 00:17:30,799
بتوانید با تصاویر در یک
522
00:17:30,799 –> 00:17:32,080
بعد کار کنید، می توانید با تصاویر
523
00:17:32,080 –> 00:17:34,000
دو بعدی سه بعدی کار کنید و همه اینها،
524
00:17:34,000 –> 00:17:35,600
بنابراین هر زمان که با
525
00:17:35,600 –> 00:17:37,360
چندین تصویر کار می
526
00:17:37,360 –> 00:17:39,679
کنید، همه اینها را به صورت عملی به شما نشان خواهم داد، اما در حال حاضر
527
00:17:39,679 –> 00:17:41,440
به سرعت به شما ارائه خواهم کرد. تصویری در مورد
528
00:17:41,440 –> 00:17:43,520
آنچه که می توانید انتظار داشته باشید که به آنجا
529
00:17:43,520 –> 00:17:45,280
بروید، ما در مورد چند مورد
530
00:17:45,280 –> 00:17:46,799
از این کتابخانه ها بحث خواهیم کرد، بیایید پنج یا
531
00:17:46,799 –> 00:17:48,480
شش مورد از این موارد را انتخاب کنیم که
532
00:17:48,480 –> 00:17:50,640
برای شما بسیار مهم است که در Sci Pi بدانید و در نهایت
533
00:17:50,640 –> 00:17:53,600
می توانیم شروع کنیم با این حق و
534
00:17:53,600 –> 00:17:55,840
اگر این کافی نبود، تعداد
535
00:17:55,840 –> 00:17:57,520
بیشتری وجود دارد، بسته های فرعی بیشتری
536
00:17:57,520 –> 00:17:59,520
وجود دارد، درست odr که در اصل مخفف
537
00:17:59,520 –> 00:18:01,679
رگرسیون فاصله متعامد است، اوه شما
538
00:18:01,679 –> 00:18:04,000
کمک های بهینه سازی مستقیم دارید و
539
00:18:04,000 –> 00:18:06,160
به scipy.signal نگاه کنید، درست من
540
00:18:06,160 –> 00:18:07,600
به شما گفتم که اینطور است. اوه، نقش بسیار
541
00:18:07,600 –> 00:18:09,600
مهمی در پردازش سیگنال ایفا
542
00:18:09,600 –> 00:18:11,520
543
00:18:11,520 –> 00:18:13,919
می کند.
544
00:18:13,919 –> 00:18:16,000
545
00:18:16,000 –> 00:18:17,679
546
00:18:17,679 –> 00:18:19,360
شانس بسیار خوبی است که ممکن است بدانید یک
547
00:18:19,360 –> 00:18:21,760
ماتریس پراکنده چه چیزی درست است، بنابراین مدیریت
548
00:18:21,760 –> 00:18:24,080
تمام عملیاتی که به ارمغان می آورد نیز می تواند
549
00:18:24,080 –> 00:18:26,000
به راحتی انجام شود و هر زمان
550
00:18:26,000 –> 00:18:27,360
که با ساختارهای داده و
551
00:18:27,360 –> 00:18:29,360
الگوریتم ها کار می کنید، کتابخانه ای برای آن
552
00:18:29,360 –> 00:18:30,960
دارید که هر نوع دیگری را می شناسید.
553
00:18:30,960 –> 00:18:32,720
توابع ویژه ای که می توانید فکر کنید که ما
554
00:18:32,720 –> 00:18:34,720
کتابخانه هایی برای آن داریم و آمار
555
00:18:34,720 –> 00:18:36,799
البته در مورد آمار
556
00:18:36,799 –> 00:18:38,799
بافته ها صحبت می کند در مورد اینکه چقدر خوب می دانید که
557
00:18:38,799 –> 00:18:41,120
می توانید
558
00:18:41,120 –> 00:18:43,360
با استفاده از این بسته های فرعی نیز وظایف نوشتن خاصی
559
00:18:43,360 –> 00:18:44,799
را انجام دهید، بنابراین اجازه دهید من فقط سریع به
560
00:18:44,799 –> 00:18:46,960
اینجا برگردید و میبینید که هر یک از این
561
00:18:46,960 –> 00:18:49,440
بستههای فرعی میتوانند به عنوان یک
562
00:18:49,440 –> 00:18:51,280
بسته فرعی مستقل با
563
00:18:51,280 –> 00:18:53,679
سایر بستهها کار کنند، بنابراین بسته به این که شما ممکن
564
00:18:53,679 –> 00:18:55,120
است همین الان بپرسید، چگونه میتوانم
565
00:18:55,120 –> 00:18:56,720
بدانم برای چه بسته فرعی باید انتخاب کنم.
566
00:18:56,720 –> 00:18:59,120
برنامههای من خوب، کاری که
567
00:18:59,120 –> 00:19:01,200
شما در برنامه خود انجام میدهید،
568
00:19:01,200 –> 00:19:03,520
مستقیماً بر بستهبندی فرعی
569
00:19:03,520 –> 00:19:04,960
که ممکن است استفاده کنید تأثیر میگذارد، اگر
570
00:19:04,960 –> 00:19:06,720
با پردازش سیگنال کار میکنید، کاملاً واضح
571
00:19:06,720 –> 00:19:08,160
است که
572
00:19:08,160 –> 00:19:09,600
اگر با آمار کار می کنید از این استفاده خواهید کرد،
573
00:19:09,600 –> 00:19:10,799
574
00:19:10,799 –> 00:19:12,400
اگر با پردازش تصویر کار می کنید و می
575
00:19:12,400 –> 00:19:14,400
خواهید دوباره در آنجا از کمی اطلاعات استفاده
576
00:19:14,400 –> 00:19:16,400
کنید، می دانید که اکنون به کدام بسته فرعی بروید.
577
00:19:16,400 –> 00:19:19,039
درست است، امیدوارم این مقدمه سریع
578
00:19:19,039 –> 00:19:21,360
به شما بگویم که اینها
579
00:19:21,360 –> 00:19:23,039
بسته های فرعی هستند که
580
00:19:23,039 –> 00:19:25,280
به کتابخانه قدرت می دهند برای همه شما واضح است،
581
00:19:25,280 –> 00:19:27,919
بنابراین بدون هیچ مقدمه ای فکر می کنم
582
00:19:27,919 –> 00:19:29,360
زمان آن رسیده است که به
583
00:19:29,360 –> 00:19:31,200
درک هر یک از اینها بپردازیم.
584
00:19:31,200 –> 00:19:34,000
فقط از نظر تئوری، اما
585
00:19:34,000 –> 00:19:36,240
در عین حال عملی درست است، بنابراین بیایید
586
00:19:36,240 –> 00:19:39,440
اکنون
587
00:19:39,440 –> 00:19:41,679
588
00:19:41,679 –> 00:19:44,720
589
00:19:44,720 –> 00:19:46,400
در
590
00:19:46,400 –> 00:19:48,640
مورد خوشههای علمی صحبت
591
00:19:48,640 –> 00:19:51,200
کنیم. یک مجموعه داده رایج
592
00:19:51,200 –> 00:19:53,840
یا انبوهی از دادهها و اینکه چگونه میتوانید آن را
593
00:19:53,840 –> 00:19:56,240
بر اساس نقاط دادهای خاص بر اساس
594
00:19:56,240 –> 00:19:58,720
شباهتها بر اساس تفاوتها با
595
00:19:58,720 –> 00:20:00,720
گروههای دیگر تقسیم کنید، همین حالا
596
00:20:00,720 –> 00:20:02,159
به سیب و پرتقال فکر کنید.
597
00:20:02,159 –> 00:20:04,480
مثال موزی که به شما زدم و سیب
598
00:20:04,480 –> 00:20:06,720
به عنوان میوه اساساً با
599
00:20:06,720 –> 00:20:08,880
پرتقال متفاوت است و پرتقال اساساً
600
00:20:08,880 –> 00:20:11,200
با موز متفاوت است، بنابراین
601
00:20:11,200 –> 00:20:12,960
شما وقتی همه آن را با هم جمع می کنید
602
00:20:12,960 –> 00:20:15,039
یک بسته در هم ریخته است اما وقتی می گویم هی من
603
00:20:15,039 –> 00:20:17,360
خوشه های متفاوت می خواهم. میوهها در آن زمان است که
604
00:20:17,360 –> 00:20:19,120
میدانی میتوانی همه این
605
00:20:19,120 –> 00:20:21,039
ویژگیهای مشابه را همین الان انتخاب کنی، وقتی
606
00:20:21,039 –> 00:20:24,000
میگویم هی همه موز را کنار بگذار، اوه،
607
00:20:24,000 –> 00:20:25,919
میتواند موز خام باشد، میتواند موز رسیده باشد،
608
00:20:25,919 –> 00:20:27,919
حالا از شما میخواهم
609
00:20:27,919 –> 00:20:29,520
آن را فیلتر کنید و بر اساس آن دستهبندی کنید.
610
00:20:29,520 –> 00:20:32,480
نوع میوه نه نه نه بر
611
00:20:32,480 –> 00:20:34,240
اساس نوع اگر میوه خام است یا
612
00:20:34,240 –> 00:20:36,159
رسیده یا هر چیز دیگری و
613
00:20:36,159 –> 00:20:38,400
اگر چنین بود حدس بزنید چه
614
00:20:38,400 –> 00:20:40,720
دستههایی میتوانید برای انجام درست این کار داشته باشید،
615
00:20:40,720 –> 00:20:43,120
بنابراین هر زمان که این کار را انجام دادید
616
00:20:43,120 –> 00:20:45,280
هر زمان که کل این
617
00:20:45,280 –> 00:20:46,960
سبد میوه یا هر چیز دیگری
618
00:20:46,960 –> 00:20:49,440
را می گیرید،
619
00:20:49,440 –> 00:20:51,200
هر یک از این موجودیت های جداگانه را که
620
00:20:51,200 –> 00:20:53,120
در حال حاضر در مورد آنها بحث می
621
00:20:53,120 –> 00:20:55,760
622
00:20:55,760 –> 00:20:57,679
کنیم، قرار دهید. کار با خوشهها، کار با
623
00:20:57,679 –> 00:21:00,480
خوشهها بسیار
624
00:21:00,480 –> 00:21:03,360
سادهتر میشود و در این لحظه ممکن است سؤالی بپرسید و
625
00:21:03,360 –> 00:21:05,360
بگویید خوب است، بنابراین
626
00:21:05,360 –> 00:21:07,679
خوشهها اصطلاح بسیار گستردهای است که چگونه
627
00:21:07,679 –> 00:21:09,919
میتوانید از کلاستر استفاده کنید، آیا ماژولاریت دیگری وجود دارد
628
00:21:09,919 –> 00:21:11,679
که به شما کمک میکند به
629
00:21:11,679 –> 00:21:14,080
خوبی درک کنید. بله دو
630
00:21:14,080 –> 00:21:15,760
نوع خوشه وجود دارد، ما
631
00:21:15,760 –> 00:21:17,440
خوشههای مرکزی داریم و
632
00:21:17,440 –> 00:21:19,120
خوشهبندی سلسله مراتبی نیز داریم
633
00:21:19,120 –> 00:21:21,440
در حال حاضر اجازه دهید یک مثال کوچک
634
00:21:21,440 –> 00:21:23,039
به شما بگویم تا به شما بگویم حالا قرار است چه
635
00:21:23,039 –> 00:21:25,360
کار کنیم، ما صحبت خواهیم کرد. در مورد یک نسخه ی نمایشی
636
00:21:25,360 –> 00:21:27,520
که در آن از numpy برای تولید
637
00:21:27,520 –> 00:21:29,679
مجموعه ای از نقاط تصادفی استفاده می کنیم، چیزی که
638
00:21:29,679 –> 00:21:32,000
قرار است استفاده کنیم این است که بعد از ایجاد دو
639
00:21:32,000 –> 00:21:33,760
مجموعه از نقاط تصادفی، همه آنها را
640
00:21:33,760 –> 00:21:35,919
ترسیم می کنیم و در نهایت
641
00:21:35,919 –> 00:21:38,400
داده ها را گسترده می کنیم که اساساً سفید می شود
642
00:21:38,400 –> 00:21:40,159
منظور از داده این است که هرگاه
643
00:21:40,159 –> 00:21:42,240
به تعداد زیادی از نقاط داده به درستی نگاهی بیندازید،
644
00:21:42,240 –> 00:21:45,120
معمولاً راهی برای توزیع دارد
645
00:21:45,120 –> 00:21:46,880
که به توزیع عادی فکر کنید
646
00:21:46,880 –> 00:21:48,720
به توزیعهای دیگر درست فکر کنید، بنابراین هر یک
647
00:21:48,720 –> 00:21:51,039
از این توزیعها ons مشخصه خود را می آورد
648
00:21:51,039 –> 00:21:53,600
و این مشخصه
649
00:21:53,600 –> 00:21:56,240
چیزی است که به پایتون می دهد همان چیزی است که به
650
00:21:56,240 –> 00:21:58,080
کتابخانه
651
00:21:58,080 –> 00:22:00,320
درک اساسی در مورد آنچه
652
00:22:00,320 –> 00:22:02,720
که با داده ها می گذرد در حال حاضر می دهد شما
653
00:22:02,720 –> 00:22:04,720
به داده ها نگاه می کنید آنها را درک می کنید من به
654
00:22:04,720 –> 00:22:06,000
داده ها نگاه می کنم می فهمم زیرا ما
655
00:22:06,000 –> 00:22:08,000
به عنوان انسان آموزش دیده ایم. دستگاه شما درست نیست،
656
00:22:08,000 –> 00:22:10,000
بنابراین برای رسیدن به نقطهای
657
00:22:10,000 –> 00:22:12,159
که بتواند الگوهای خاصی را تشخیص دهد، ما
658
00:22:12,159 –> 00:22:14,720
باید دادهها را سفید کنیم و اکنون سفید شوند،
659
00:22:14,720 –> 00:22:16,880
همانطور که من به شما گفتم مانند
660
00:22:16,880 –> 00:22:19,440
دادههای زیادی مصرف میکند و آنها را در محدودهای قابل اجرا دستهبندی میکند.
661
00:22:19,440 –> 00:22:22,240
و این
662
00:22:22,240 –> 00:22:24,799
محدوده قابل اجرا برای ما بسیار حیاتی می شود، چه
663
00:22:24,799 –> 00:22:27,200
در عملیات باینری باشد، چه یک راه حل
664
00:22:27,200 –> 00:22:29,440
مبتنی بر متغیرهای دسته بندی چندگانه غیر باینری
665
00:22:29,440 –> 00:22:31,360
و همچنین
666
00:22:31,360 –> 00:22:33,679
اکنون k به این معنی است که خوشه بندی یک روش بسیار محبوب
667
00:22:33,679 –> 00:22:35,440
برای چگونگی انجام خوشه بندی است
668
00:22:35,440 –> 00:22:36,799
و کاری که ما انجام خواهیم داد این است. ما
669
00:22:36,799 –> 00:22:39,440
تمام دادههایی را که به تازگی جمعآوری
670
00:22:39,440 –> 00:22:40,960
کردهایم و در نهایت آنها را با هم جمع کردهایم،
671
00:22:40,960 –> 00:22:42,960
در دادهها مینویسیم و حالا کاری که انجام
672
00:22:42,960 –> 00:22:44,320
میدهیم این است که از توابع k-means و j استفاده میکنیم.
673
00:22:44,320 –> 00:22:46,480
همه دادهها را
674
00:22:46,480 –> 00:22:48,400
به آن منتقل کنید و در نهایت
675
00:22:48,400 –> 00:22:50,880
تعداد خوشههایی را که میخواهیم به آن بدهیم و آن دسته از
676
00:22:50,880 –> 00:22:52,720
خوشههای زیادی در
677
00:22:52,720 –> 00:22:54,320
پایان روز ایجاد میشوند، بنابراین ما چه میکنیم
678
00:22:54,320 –> 00:22:56,000
، چند داده تصادفی تولید کردیم و
679
00:22:56,000 –> 00:22:57,840
در نهایت آنها را با هم جمع کردیم. آن را
680
00:22:57,840 –> 00:22:59,360
از طریق خوشهبندی k-means اجرا کردیم و پس از
681
00:22:59,360 –> 00:23:01,200
آن، آن را از طریق یک تابع اجرا کردیم که در آن
682
00:23:01,200 –> 00:23:03,120
میدانی که میتوانیم در
683
00:23:03,120 –> 00:23:05,600
مورد میزان تقسیمبندی صحبت کنیم و اوه میدانیم که تا
684
00:23:05,600 –> 00:23:07,600
چه سطحی از مدولاریت
685
00:23:07,600 –> 00:23:08,480
686
00:23:08,480 –> 00:23:10,240
با خوشههای scipy که
687
00:23:10,240 –> 00:23:12,240
در مورد آن صحبت میکنیم، صحبت کنیم. درست است، بچه ها، این
688
00:23:12,240 –> 00:23:13,520
فقط تئوری نیست، همه چیزهایی که از این
689
00:23:13,520 –> 00:23:14,880
به بعد در مورد آن بحث خواهیم کرد
690
00:23:14,880 –> 00:23:16,720
، عملی خواهد بود، بنابراین اجازه دهید من سریعا
691
00:23:16,720 –> 00:23:19,039
Google collab را باز کنم.
692
00:23:19,039 –> 00:23:21,039
693
00:23:21,039 –> 00:23:23,200
694
00:23:23,200 –> 00:23:26,080
درست است، بنابراین اساساً
695
00:23:26,080 –> 00:23:28,320
نوت بوک jupyter معمولی شماست، اما مزایای بسیاری دارد
696
00:23:28,320 –> 00:23:30,400
و بر روی
697
00:23:30,400 –> 00:23:32,320
پلتفرم ابری گوگل کار می کند، بنابراین برای کارکرد کارآمد به
698
00:23:32,320 –> 00:23:35,120
cpus gpus بسیار قدرتمند یا چیز دیگری نیاز ندارید.
699
00:23:35,120 –> 00:23:37,600
من
700
00:23:37,600 –> 00:23:40,880
تا حدودی 90 و 95 یا 90 از
701
00:23:40,880 –> 00:23:42,480
کاربران به همه برنامهها میدانید
702
00:23:42,480 –> 00:23:43,679
که قرار است
703
00:23:43,679 –> 00:23:45,840
با استفاده از Google collab ابداع کنند، این رایگان است،
704
00:23:45,840 –> 00:23:47,600
اما البته برنامههای حرفهای و همه اینها وجود دارد،
705
00:23:47,600 –> 00:23:49,520
اما در حال حاضر برای همه چیز
706
00:23:49,520 –> 00:23:51,039
ما در مورد نسخه رایگان
707
00:23:51,039 –> 00:23:53,360
collab بحث خواهیم کرد و عمدتاً رایگان است،
708
00:23:53,360 –> 00:23:55,840
فقط تعداد کمی از افرادی که نیاز به
709
00:23:55,840 –> 00:23:57,600
حافظه پردازشی و
710
00:23:57,600 –> 00:23:59,440
فضای ذخیره سازی بالایی دارند، نسخه پولی collab را ترجیح می دهند،
711
00:23:59,440 –> 00:24:01,600
اما برای بقیه ما این
712
00:24:01,600 –> 00:24:03,600
باید خوب باشد، بنابراین اجازه دهید من به سرعت
713
00:24:03,600 –> 00:24:05,679
Google collab را باز کردم و میتوانیم دقیقاً در مورد این مثال صحبت کنیم،
714
00:24:05,679 –> 00:24:08,080
اوه میدانید که ما همه را
715
00:24:08,080 –> 00:24:09,679
در نظر میگیریم،
716
00:24:09,679 –> 00:24:11,360
بنابراین همانطور که میبینید من
717
00:24:11,360 –> 00:24:13,520
به سرعت collab collab را باز کردم، شما
718
00:24:13,520 –> 00:24:16,120
فقط میتوانید از طریق همان URL
719
00:24:16,120 –> 00:24:17,760
collab.research.google دنبال کنید. com یا فقط به
720
00:24:17,760 –> 00:24:20,640
google بروید و google collab c-o-l-a-b را تایپ کنید
721
00:24:20,640 –> 00:24:22,240
و شما را به اینجا می رساند، بنابراین همانطور
722
00:24:22,240 –> 00:24:23,600
که می بینید، ما در مورد
723
00:24:23,600 –> 00:24:25,520
بسیاری از این
724
00:24:25,520 –> 00:24:27,840
بسته ها
725
00:24:27,840 –> 00:24:30,159
بحث خواهیم کرد. تی کلاهی که در
726
00:24:30,159 –> 00:24:32,559
حال حاضر داریم، بحث کرده ایم، ما در مورد
727
00:24:32,559 –> 00:24:34,640
آنچه که می خواهیم انجام دهیم بحث کردیم و
728
00:24:34,640 –> 00:24:36,880
هر زمان که با هر نوع
729
00:24:36,880 –> 00:24:38,480
راه حلی کار می کنید، اولین قدمی که باید
730
00:24:38,480 –> 00:24:40,320
انجام دهید این است که تمام کتابخانه هایی را که
731
00:24:40,320 –> 00:24:42,320
به درستی نیاز دارید وارد کنید.
732
00:24:42,320 –> 00:24:45,440
importing scipy وارد کردن numpy matplotlib c bar
733
00:24:45,440 –> 00:24:47,120
و همه این کتابخانهها که
734
00:24:47,120 –> 00:24:49,200
باید با آنها کار کنیم همانطور که به شما
735
00:24:49,200 –> 00:24:51,360
گفتم میخواهیم دو خوشه a و
736
00:24:51,360 –> 00:24:54,480
b ایجاد کنیم که با 50 نقطه داده تصادفی
737
00:24:54,480 –> 00:24:56,240
درست 50 هر کدام به طور کلی 100 خواهیم داشت.
738
00:24:56,240 –> 00:24:58,480
نقطه 100 به دو قسمت تقسیم می شود و
739
00:24:58,480 –> 00:25:00,000
هر کدام از اینها به یک
740
00:25:00,000 –> 00:25:01,520
خوشه a و هر کدام از اینها
741
00:25:01,520 –> 00:25:03,360
به یک خوشه b می رسد و پس از آن، زمانی که
742
00:25:03,360 –> 00:25:05,600
به عادی سازی داده ها رفتیم
743
00:25:05,600 –> 00:25:07,360
، داده ها را عادی سازی می کنیم، اکنون
744
00:25:07,360 –> 00:25:09,360
باید بفهمیم خوب، پس چگونه
745
00:25:09,360 –> 00:25:11,600
میتوانیم خوشهها را درست بسازیم تا
746
00:25:11,600 –> 00:25:13,200
شما دو نقطه داده کاملاً متفاوت داشته باشید
747
00:25:13,200 –> 00:25:15,120
که تصادفی هستند، اما باید
748
00:25:15,120 –> 00:25:16,559
الگوهای خاصی وجود داشته باشد و باید راههای خاصی وجود داشته باشد
749
00:25:16,559 –> 00:25:17,440
که
750
00:25:17,440 –> 00:25:18,880
بتوانید
751
00:25:18,880 –> 00:25:20,559
با استفاده از k-means خوشهبندی را انجام دهید.
752
00:25:20,559 –> 00:25:23,200
در نهایت خوشه هایی را ایجاد کنید که
753
00:25:23,200 –> 00:25:24,640
در حال حاضر به آنها نیاز داریم، ما
754
00:25:24,640 –> 00:25:26,960
از این دو خوشه برای یافتن داده ها برای
755
00:25:26,960 –> 00:25:28,960
یافتن شباهت خوشه های ایجاد استفاده می کنیم و کاری
756
00:25:28,960 –> 00:25:31,120
که ما انجام می دهیم این است که ما در حال
757
00:25:31,120 –> 00:25:33,039
ایجاد طرحی هستیم تا به شما دوستان
758
00:25:33,039 –> 00:25:34,960
نشان دهیم که چگونه می توانیم درست انجام دهید
759
00:25:34,960 –> 00:25:37,200
، منطق را درست نگاه کنید، منطق
760
00:25:37,200 –> 00:25:40,799
اساساً یک دو و سه چهار پنج خط است، وقتی
761
00:25:40,799 –> 00:25:42,400
به کل چیز فکر می کنید کمتر
762
00:25:42,400 –> 00:25:44,480
از 10 خط قلب منطق خود را
763
00:25:44,480 –> 00:25:46,720
در جایی که می توانید داده های تصادفی ایجاد کنید
764
00:25:46,720 –> 00:25:48,320
خوشه هایی ایجاد کنید که آن را از طریق k معنی اجرا کنید.
765
00:25:48,320 –> 00:25:50,159
در نهایت حتی یک تجسم داده ارائه می
766
00:25:50,159 –> 00:25:53,039
کنم، اکنون هدف من در اینجا این نیست که
767
00:25:53,039 –> 00:25:54,880
شما را از طریق تک تک
768
00:25:54,880 –> 00:25:56,720
خط کدهای معنی آن راهنمایی
769
00:25:56,720 –> 00:25:59,039
کنم زیرا مطمئن هستم که اگر مشتاقانه منتظر یادگیری پایتون هستید در این لحظه اینجا هستید
770
00:25:59,039 –> 00:26:00,240
771
00:26:00,240 –> 00:26:02,400
. شما ممکن است کمی
772
00:26:02,400 –> 00:26:04,159
در مورد خواندن نحو پایتون و
773
00:26:04,159 –> 00:26:06,640
درک نحو پایتون بدانید در حال حاضر
774
00:26:06,640 –> 00:26:08,640
به این نگاه کنید ما دو
775
00:26:08,640 –> 00:26:10,480
نقطه داده بسیار متفاوت داشتیم و در اینجا می توانید ببینید
776
00:26:10,480 –> 00:26:12,400
که دو خوشه برای ما درست کرده است
777
00:26:12,400 –> 00:26:14,880
این یک نمودار است که نشان می دهد. با توجه به اینکه
778
00:26:14,880 –> 00:26:17,120
هر یک از این نقاط چه نقشهای را نشان میدهند و
779
00:26:17,120 –> 00:26:19,120
زمانی که نقاط نقشهبرداری شدند، این خوشهها وجود دارند،
780
00:26:19,120 –> 00:26:20,799
بنابراین میتوانید این دو
781
00:26:20,799 –> 00:26:22,559
نقطه قرمز را ببینید که اساساً
782
00:26:22,559 –> 00:26:26,320
مرکز این دو خوشه را در دست ترسیم میکنند و
783
00:26:26,320 –> 00:26:28,480
دوباره پنج شش خط را نشان میدهند و ما میتوانیم کارهای زیادی انجام دهیم
784
00:26:28,480 –> 00:26:30,480
. این چیزها را در حال حاضر
785
00:26:30,480 –> 00:26:32,320
تصور کنید که باید به این نتیجه
786
00:26:32,320 –> 00:26:34,159
برسید اما باید همه این کارها را به صورت دستی انجام می دادید
787
00:26:34,159 –> 00:26:36,320
که بسیار دردسرساز بود
788
00:26:36,320 –> 00:26:37,360
زیرا در پایان روز باید
789
00:26:37,360 –> 00:26:39,679
کدهای زیادی بنویسید تا تعداد زیادی از آنها را دریافت نکنید
790
00:26:39,679 –> 00:26:41,520
. خروجی اما در اینجا برعکس است، ما
791
00:26:41,520 –> 00:26:43,600
مقدار کمی کد می نویسیم
792
00:26:43,600 –> 00:26:46,159
تا خروجی بسیار بزرگی داشته باشیم، بنابراین بچه ها
793
00:26:46,159 –> 00:26:48,400
این خوشه های scipy یک نسخه آزمایشی بسیار ساده است
794
00:26:48,400 –> 00:26:50,720
تا به شما دوستان نشان دهیم که چگونه
795
00:26:50,720 –> 00:26:53,039
می توانید با آن کار کنید، اکنون
796
00:26:53,039 –> 00:26:54,080
مورد بعدی کاری که
797
00:26:54,080 –> 00:26:55,919
ما بعد از درک خوشه های علمی-تخیلی انجام
798
00:26:55,919 –> 00:26:57,520
می دهیم این است که
799
00:26:57,520 –> 00:27:00,720
همانطور که به شما گفتم
800
00:27:00,720 –> 00:27:02,559
هر زمان که لازم
801
00:27:02,559 –> 00:27:03,840
باشد با
802
00:27:03,840 –> 00:27:05,600
ثابت های چندگانه کار کنید ثابت های ریاضی
803
00:27:05,600 –> 00:27:07,360
ثابت و فیزیک و غیره، نگاهی به ثابت psi pi بیندازیم.
804
00:27:07,360 –> 00:27:08,400
در پایان روز همه چیز
805
00:27:08,400 –> 00:27:10,960
یک ثابت ریاضی است اما شما
806
00:27:10,