در این مطلب، ویدئو پایتون برای علم داده | نقشه راه کامل برای مبتدیان 2022 | آمیت فکر می کند با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:18:10
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:01,760
سلام بچه ها در این جلسه با
2
00:00:01,760 –> 00:00:04,480
پایتون برای علم داده آشنا می شویم که یک
3
00:00:04,480 –> 00:00:07,120
نقشه راه است که چگونه می توانید شروع کنید
4
00:00:07,120 –> 00:00:08,960
به من اجازه دهید خودم را معرفی کنم
5
00:00:08,960 –> 00:00:11,120
6
00:00:11,120 –> 00:00:12,799
7
00:00:12,799 –> 00:00:14,000
. اکنون بیش از یک
8
00:00:14,000 –> 00:00:15,759
میلیون بازدید در ماه دریافت میکنید،
9
00:00:15,759 –> 00:00:17,680
بنابراین این کانال یوتیوب ما است، بچهها،
10
00:00:17,680 –> 00:00:19,600
اجازه دهید جلسه را با جلسه شروع
11
00:00:19,600 –> 00:00:21,680
کنیم، دستور کار جلسه در اینجا است.
12
00:00:21,680 –> 00:00:23,279
13
00:00:23,279 –> 00:00:26,080
14
00:00:26,080 –> 00:00:28,320
اصطلاحات مختلف
15
00:00:28,320 –> 00:00:30,640
مرتبط با علم داده را دیدهایم، ما از
16
00:00:30,640 –> 00:00:32,880
هوش مصنوعی یادگیری ماشینی
17
00:00:32,880 –> 00:00:34,320
یادگیری عمیق و علم داده
18
00:00:34,320 –> 00:00:36,160
با هم استفاده میکنیم، بنابراین
19
00:00:36,160 –> 00:00:38,079
با استفاده از نمودار ون تفاوت کوچکی بین آنها خواهیم دید.
20
00:00:38,079 –> 00:00:39,200
21
00:00:39,200 –> 00:00:40,320
22
00:00:40,320 –> 00:00:42,160
سادهترین راه برای درک
23
00:00:42,160 –> 00:00:43,520
علم داده، استفاده از
24
00:00:43,520 –> 00:00:45,600
فرمهای اولیه آن است. من توضیح
25
00:00:45,600 –> 00:00:48,079
خواهم داد، همچنین چند مثال زنده را نشان خواهم داد،
26
00:00:48,079 –> 00:00:49,360
سپس ما در مورد
27
00:00:49,360 –> 00:00:51,840
زبان های برنامه نویسی برای علم داده نیز کار
28
00:00:51,840 –> 00:00:53,760
خواهیم کرد، خواهیم دید که چرا ما همیشه برای علم داده python می گوییم
29
00:00:53,760 –> 00:00:56,239
r برای علم داده نه جاوا
30
00:00:56,239 –> 00:00:58,079
یا دات نت برای علم داده، ما متوجه خواهیم شد
31
00:00:58,079 –> 00:01:00,480
که برای نقشه راه
32
00:01:00,480 –> 00:01:02,399
همچنین نحوه اجرای پروژه های پایتون خود را
33
00:01:02,399 –> 00:01:04,400
به راحتی درج می کنیم،
34
00:01:04,400 –> 00:01:06,640
اما همچنین
35
00:01:06,640 –> 00:01:08,320
کتابخانه های اساسی برای علم داده، کتابخانه های پایتون را نیز درک می کنیم
36
00:01:08,320 –> 00:01:09,439
37
00:01:09,439 –> 00:01:11,439
که چهار کتابخانه را می توانید با آنها شروع کنید.
38
00:01:11,439 –> 00:01:12,400
و
39
00:01:12,400 –> 00:01:14,479
سفر خود را در علم داده آغاز کنید،
40
00:01:14,479 –> 00:01:16,320
اما همچنین علم داده را برای تازه کارها متوجه می شود که
41
00:01:16,320 –> 00:01:18,640
نقش آن خوب است
42
00:01:18,640 –> 00:01:20,640
و همچنین برای متخصصان باتجربه،
43
00:01:20,640 –> 00:01:22,720
پس از آن می توانید از من در بخش نظرات سوال بپرسید،
44
00:01:22,720 –> 00:01:24,240
همچنین
45
00:01:24,240 –> 00:01:25,759
اجازه دهید ابتدا شروع کنیم و
46
00:01:25,759 –> 00:01:27,360
می توانید ببینید علم داده چیست
47
00:01:27,360 –> 00:01:29,280
و چرا ما به آن نیاز داریم
48
00:01:29,280 –> 00:01:31,840
بنابراین
49
00:01:31,840 –> 00:01:33,840
دادههای ساختاریافته و بدون ساختار دادههای ساختاریافته
50
00:01:33,840 –> 00:01:36,159
شامل جداول ردیفها و ستونهای شماست
51
00:01:36,159 –> 00:01:38,240
که مدتهاست ایجاد میکنیم، اما
52
00:01:38,240 –> 00:01:41,360
دادههای بدون ساختار شامل دادههایی از
53
00:01:41,360 –> 00:01:44,159
دادههای رسانههای اجتماعی از تصاویر
54
00:01:44,159 –> 00:01:46,960
ویدیوهای فیلمهای دوربینهای مداربسته است که چگونه میتوانیم از آن استفاده کنیم.
55
00:01:46,960 –> 00:01:47,680
و اطلاعات
56
00:01:47,680 –> 00:01:50,399
مفیدی را از آن برای مدیریت
57
00:01:50,399 –> 00:01:52,880
این داده های بدون ساختار بدست آورید که پس از آن داده های بزرگ به دست آمد
58
00:01:52,880 –> 00:01:55,360
تا این داده ها را
59
00:01:55,360 –> 00:01:58,560
به درستی درک کنید و استفاده کنید. بینش کامل وجود دارد
60
00:01:58,560 –> 00:02:01,200
علم داده آمده است، بنابراین می توانید ببینید علم داده
61
00:02:01,200 –> 00:02:02,000
62
00:02:02,000 –> 00:02:05,280
یک حوزه بین رشته ای است که می توانید بگویید
63
00:02:05,280 –> 00:02:07,439
خوب است، بنابراین شامل آمار،
64
00:02:07,439 –> 00:02:09,360
روش های علمی پاکسازی داده های
65
00:02:09,360 –> 00:02:12,080
سازماندهی داده ها، همچنین شامل ai است، همچنین
66
00:02:12,080 –> 00:02:13,440
67
00:02:13,440 –> 00:02:15,920
ما همچنین داده ها را برای سودمندی خود تجزیه و تحلیل می کنیم.
68
00:02:15,920 –> 00:02:18,239
بینش با علم داده،
69
00:02:18,239 –> 00:02:20,560
بنابراین خروجی این است
70
00:02:20,560 –> 00:02:22,720
که ما نیاز به استخراج بینش معنیدار
71
00:02:22,720 –> 00:02:24,720
از دادهها
72
00:02:24,720 –> 00:02:27,040
داریم، اکنون به سرعت تفاوت را خواهیم دید
73
00:02:27,040 –> 00:02:29,040
هوش مصنوعی یک اصطلاح گستردهتر است.
74
00:02:29,040 –> 00:02:30,480
ai شامل یادگیری عمیق ماشینی
75
00:02:30,480 –> 00:02:32,000
است و هوا علم داده
76
00:02:32,000 –> 00:02:34,160
به این معنی است که چگونه میتوانیم ماشینهای کامپیوتری هوشمند ایجاد کنیم.
77
00:02:34,160 –> 00:02:36,080
ماشینهایی
78
00:02:36,080 –> 00:02:37,680
برای تقلید و تقلید واقعی از
79
00:02:37,680 –> 00:02:40,319
رفتار انسان برای
80
00:02:40,319 –> 00:02:43,200
آسانتر کردن کار انسان و انجام کار
81
00:02:43,200 –> 00:02:46,319
بهتر از انسان و سریعتر
82
00:02:46,319 –> 00:02:48,480
با آن ما یادگیری ماشینی داریم.
83
00:02:48,480 –> 00:02:50,800
84
00:02:50,800 –> 00:02:52,959
این است که
85
00:02:52,959 –> 00:02:53,680
86
00:02:53,680 –> 00:02:56,480
دادهها را وارد میکنید و یک آموزش اساساً یک
87
00:02:56,480 –> 00:02:58,560
مدل ایجاد میشود تا بتوانید
88
00:02:58,560 –> 00:03:00,480
مانند پیشبینی آب و هوا پیشبینی کنید.
89
00:03:00,480 –> 00:03:02,319
پیشبینی طوفانها، پیشبینی
90
00:03:02,319 –> 00:03:04,560
تراکم ترافیک، همچنین میتواند شامل
91
00:03:04,560 –> 00:03:07,120
پیشبینیهایی باشد، مانند اینکه کدام تیم برنده
92
00:03:07,120 –> 00:03:09,920
جام جهانی میشود یا حتی
93
00:03:09,920 –> 00:03:11,840
نحوه پیشبینی بیماریها،
94
00:03:11,840 –> 00:03:13,120
بنابراین
95
00:03:13,120 –> 00:03:15,200
یادگیری عمیق بعدی بخشی از یادگیری ماشینی ml
96
00:03:15,200 –> 00:03:16,959
است، همانطور که در اینجا میبینید،
97
00:03:16,959 –> 00:03:18,800
بخشی از یادگیری ماشینی است. زیرمجموعهای از
98
00:03:18,800 –> 00:03:20,000
یادگیری ماشینی است،
99
00:03:20,000 –> 00:03:22,319
بنابراین شامل الگوریتمهای پیچیده
100
00:03:22,319 –> 00:03:24,319
یادگیری ماشینی میشود، شما میتوانید این را با نورونها مرتبط کنید،
101
00:03:24,319 –> 00:03:26,480
مثل اینکه ما در بدن شما نورونهایی داریم،
102
00:03:26,480 –> 00:03:29,360
بنابراین فرض کنید
103
00:03:29,360 –> 00:03:32,319
چهار حیوان داریم، چهار حیوان را مشاهده میکنیم که
104
00:03:32,319 –> 00:03:34,000
دو تای آنها گربه و دو تای آنها
105
00:03:34,000 –> 00:03:37,280
سگ هستند مغز ما. نورونهای مغز
106
00:03:37,280 –> 00:03:40,000
ما را نقشهبرداری میکند و تصمیم میگیرد
107
00:03:40,000 –> 00:03:42,400
که دو تای آنها گربه و دو تای
108
00:03:42,400 –> 00:03:44,959
آنها سگ هستند، بنابراین این همه چیزی است که
109
00:03:44,959 –> 00:03:46,080
تحت یادگیری عمیق چنین مثالهایی را شامل میشود
110
00:03:46,080 –> 00:03:47,280
111
00:03:47,280 –> 00:03:48,720
و سپس ما علم دادهای داریم که
112
00:03:48,720 –> 00:03:50,720
زیرمجموعهای از a است که میتوانید اینجا
113
00:03:50,720 –> 00:03:52,720
را ببینید یک حوزه ای از موضوع بین رشته ای
114
00:03:52,720 –> 00:03:54,959
است که می توانید بگویید آمار
115
00:03:54,959 –> 00:03:57,439
روش علمی تجزیه و تحلیل داده ها برای
116
00:03:57,439 –> 00:04:00,959
استخراج داده های معنی دار اساساً خوب
117
00:04:00,959 –> 00:04:02,080
اکنون
118
00:04:02,080 –> 00:04:03,680
فرم علم داده همانطور که قبلاً به شما گفتم
119
00:04:03,680 –> 00:04:05,360
بسیار درک آسان
120
00:04:05,360 –> 00:04:07,519
برای تجزیه و تحلیل داده ها کار علم داده
121
00:04:07,519 –> 00:04:09,519
است که آن را به درستی تجزیه و تحلیل می کند تا
122
00:04:09,519 –> 00:04:11,760
آن را تمیز کند تا بتوانیم خروجی تولید
123
00:04:11,760 –> 00:04:14,400
کنیم که بینش مفیدی است که مبتنی
124
00:04:14,400 –> 00:04:15,760
بر پیش بینی است،
125
00:04:15,760 –> 00:04:18,079
به عنوان مثال می توانید
126
00:04:18,079 –> 00:04:20,959
ویدیوهای مرتبط یا ویدیوهای پیشنهادی را مشاهده کنید. یوتیوب
127
00:04:20,959 –> 00:04:23,120
بر اساس آنچه در یوتیوب تماشا میکنید
128
00:04:23,120 –> 00:04:25,360
، حلقههای اینستاگرام را که
129
00:04:25,360 –> 00:04:29,120
این روزها دریافت میکنید، عکسهای پیشنهادی را که در یوتیوب دریافت میکنید،
130
00:04:29,120 –> 00:04:31,680
بر اساس ترجیحات خود پیشنهاد میکند
131
00:04:31,680 –> 00:04:32,960
، همه اینها بر اساس مفاهیم علم داده
132
00:04:32,960 –> 00:04:34,400
هستند،
133
00:04:34,400 –> 00:04:36,800
حالا بچهها چند نمونه زنده را خواهید دید،
134
00:04:36,800 –> 00:04:39,040
اجازه دهید ما ببینیم. آنها را یکی یکی
135
00:04:39,040 –> 00:04:40,800
پس حتما قبلاً این نمونه ها را دیده اید،
136
00:04:40,800 –> 00:04:43,520
اما شاید نمی دانستید که
137
00:04:43,520 –> 00:04:45,280
اینها در واقع نمونه هایی از علم داده و
138
00:04:45,280 –> 00:04:46,800
یادگیری ماشین هستند،
139
00:04:46,800 –> 00:04:48,160
بگذارید
140
00:04:48,160 –> 00:04:50,160
ببینیم بچه ها با مثال ساعت هوشمند شروع می کنند،
141
00:04:50,160 –> 00:04:51,520
بنابراین
142
00:04:51,520 –> 00:04:53,040
بیایید بگوییم که شما یک ساعت هوشمند دارید، ساعت
143
00:04:53,040 –> 00:04:56,080
هوشمند دارای سنسور است.
144
00:04:56,080 –> 00:04:58,000
اینجاست و میتوانید حسگرها را ببینید، بنابراین وقتی
145
00:04:58,000 –> 00:05:00,000
آن را روی مچ دست خود اعمال میکنید، اینجا
146
00:05:00,000 –> 00:05:01,759
سنسورهایی هستند که میتوانید
147
00:05:01,759 –> 00:05:03,840
اینجا ببینید حسگر مشکلی ندارد، بنابراین وقتی
148
00:05:03,840 –> 00:05:06,000
آن را اعمال میکنید روی مچ دست شما
149
00:05:06,000 –> 00:05:07,759
داده ای را در آن تغذیه می کند
150
00:05:07,759 –> 00:05:09,039
که داده ها
151
00:05:09,039 –> 00:05:10,720
توسط سنسورها گرفته می شود و یک
152
00:05:10,720 –> 00:05:13,280
پیش بینی به شکل نتایج مختلف خواهد بود،
153
00:05:13,280 –> 00:05:15,120
امیدوارم بدانید
154
00:05:15,120 –> 00:05:17,440
که کاربرد یک
155
00:05:17,440 –> 00:05:19,440
ساعت هوشمند چیست و پیش
156
00:05:19,440 –> 00:05:21,680
بینی ضربان قلب شما را نشان می دهد spo2 این
157
00:05:21,680 –> 00:05:22,960
سطح اکسیژن است
158
00:05:22,960 –> 00:05:24,880
و بسیاری از آمارهای دیگر در مورد سلامتی شما
159
00:05:24,880 –> 00:05:26,720
خوب است، بنابراین این یکی از بهترین نمونه
160
00:05:26,720 –> 00:05:27,919
161
00:05:27,919 –> 00:05:30,400
های علم داده است،
162
00:05:30,400 –> 00:05:32,720
بچه ها اکنون به جلوتر بروید،
163
00:05:32,720 –> 00:05:34,240
ما این Google Translate را داریم که
164
00:05:34,240 –> 00:05:35,919
همچنین نمونه ای از
165
00:05:35,919 –> 00:05:37,840
یک نمونه از علم داده است، بنابراین فرض
166
00:05:37,840 –> 00:05:40,720
کنید شما یک زبان روسی اضافه کرده اید. بافت زبانی
167
00:05:40,720 –> 00:05:42,639
که ورودی دادید و الگوریتمهای ترجمه گوگل
168
00:05:42,639 –> 00:05:44,560
169
00:05:44,560 –> 00:05:47,039
برای ارائه خروجی به هر
170
00:05:47,039 –> 00:05:49,280
زبانی به شما کار میکنند، مثلاً انگلیسی، بنابراین
171
00:05:49,280 –> 00:05:51,520
شما یک ورودی را محو کردهاید و یک خروجی
172
00:05:51,520 –> 00:05:52,960
با
173
00:05:52,960 –> 00:05:54,240
علاقهتان دریافت
174
00:05:54,240 –> 00:05:55,600
میکنید که بر اساس
175
00:05:55,600 –> 00:05:56,960
176
00:05:56,960 –> 00:05:58,720
پیشبینیها میخواهید. نمونه ای از مجموعه داده
177
00:05:58,720 –> 00:06:00,639
google translate
178
00:06:00,639 –> 00:06:02,720
اکنون اجازه دهید به مثال دیگری در اینجا برویم
179
00:06:02,720 –> 00:06:04,319
و می توانید ببینید که
180
00:06:04,319 –> 00:06:06,400
این آمازون پرایم و نتفلیکس اصلی ما است،
181
00:06:06,400 –> 00:06:08,800
بنابراین این
182
00:06:08,800 –> 00:06:10,800
پلتفرم های پخش ویدیو نیز
183
00:06:10,800 –> 00:06:12,639
از مفهوم علم داده حالا
184
00:06:12,639 –> 00:06:15,199
فرض کنید من برای فیلم زیر
185
00:06:15,199 –> 00:06:16,800
رفتم بسیار خوب من برای آن رفتم
186
00:06:16,800 –> 00:06:18,240
و اینجا و می توانید ببینید این یک فیلم زندگینامه ای است یک
187
00:06:18,240 –> 00:06:19,520
فیلم بیوگرافی هندی
188
00:06:19,520 –> 00:06:21,600
189
00:06:21,600 –> 00:06:22,479
خوب است
190
00:06:22,479 –> 00:06:24,400
اما در حین تماشای فیلم یا حتی
191
00:06:24,400 –> 00:06:25,919
اگر نیمی از فیلم را کامل کرده باشید یا
192
00:06:25,919 –> 00:06:28,080
فیلم کاملی که می توانید ببینید به
193
00:06:28,080 –> 00:06:31,280
شما ویدیوهای مرتبط نشان داده می شود
194
00:06:31,280 –> 00:06:33,440
بسیار خوب بنابراین فیلم های مرتبط بر اساس ترجیحات شما هستند
195
00:06:33,440 –> 00:06:35,440
بنابراین
196
00:06:35,440 –> 00:06:36,880
197
00:06:36,880 –> 00:06:39,039
فیلم بیوگرافی دیگری را به من نشان می دهد که می توانید
198
00:06:39,039 –> 00:06:41,840
از پایین ببینید و بعد از رفتن می
199
00:06:41,840 –> 00:06:45,840
توانید ببینید جبیم نیز بیوگرافی رازی است
200
00:06:46,240 –> 00:06:48,479
بیوگرافی، بنابراین
201
00:06:48,479 –> 00:06:51,039
دامسون از نظر بیوگرافی نیز مشکلی ندارد، بنابراین
202
00:06:51,039 –> 00:06:53,440
اینها بر اساس نظرات خود
203
00:06:53,440 –> 00:06:55,599
ما هستند که ما فقط برای
204
00:06:55,599 –> 00:06:57,840
فیلم بیوگرافیک رفتیم و در حال دریافت ویدیوهای مرتبط
205
00:06:57,840 –> 00:07:00,160
از آن هستیم و اکنون به جلوتر میرویم، اجازه دهید
206
00:07:00,160 –> 00:07:02,479
با مثال دیگری از حالت خلبان خودکار
207
00:07:02,479 –> 00:07:05,199
در تسلا برویم که خودمان است. -رانندگی خودروها
208
00:07:05,199 –> 00:07:06,800
اینها نیز بر اساس
209
00:07:06,800 –> 00:07:08,880
مفاهیم یادگیری ماشینی علم داده هستند، بنابراین در اینجا می
210
00:07:08,880 –> 00:07:11,120
توانید حالت خلبان خودکار را مشاهده کنید، من نمی توانم
211
00:07:11,120 –> 00:07:13,120
آن را به دلیل نقض حق چاپ بازی کنم،
212
00:07:13,120 –> 00:07:14,800
بنابراین خلبان خودکار m سرود راننده در حال
213
00:07:14,800 –> 00:07:17,759
رانندگی نیست ماشین به طور خودکار
214
00:07:17,759 –> 00:07:20,400
ماشین های دیگر را تشخیص می دهد انسان ها می توانید
215
00:07:20,400 –> 00:07:23,520
ماشین های دیگر را ببینید انسان درختان حیوانات دیگر
216
00:07:23,520 –> 00:07:25,039
به طوری که
217
00:07:25,039 –> 00:07:27,599
ترمز در اینجا اعمال می شود شما می توانید ببینید
218
00:07:27,599 –> 00:07:31,680
در حالی که رانندگی ادامه دارد خوب
219
00:07:31,680 –> 00:07:33,360
این ماشین دوربین و
220
00:07:33,360 –> 00:07:35,440
سنسور زیادی دارد که
221
00:07:35,440 –> 00:07:37,360
اجسام مختلف را تشخیص می دهد بنابراین اینجا و شما می توانید
222
00:07:37,360 –> 00:07:41,160
ببینید من می توانم
223
00:07:44,080 –> 00:07:46,000
اینجا را به شما نشان دهم این است که می توانید خطوط خط جریان حرکت را مشاهده کنید
224
00:07:46,000 –> 00:07:48,479
تمام این رنگ ها اشیاء اگر
225
00:07:48,479 –> 00:07:50,240
شی وجود داشته باشد اوه رنگ زیر
226
00:07:50,240 –> 00:07:51,440
برای علائم جاده نشان داده می شود
227
00:07:51,440 –> 00:07:53,280
زیر برای چراغ های جاده موارد زیر
228
00:07:53,280 –> 00:07:56,000
رنگ خواهد
229
00:07:56,000 –> 00:08:00,000
230
00:08:00,000 –> 00:08:02,720
231
00:08:02,720 –> 00:08:05,360
232
00:08:05,360 –> 00:08:08,080
233
00:08:08,080 –> 00:08:11,560
234
00:08:13,440 –> 00:08:14,879
235
00:08:14,879 –> 00:08:16,879
بود. دوربینهای جانبی دوربین جلو اصلی
236
00:08:16,879 –> 00:08:18,960
دوربینهای جلو باریک که
237
00:08:18,960 –> 00:08:21,039
تقریباً 360 درجه از دوربینها برای تشخیص
238
00:08:21,039 –> 00:08:23,199
دستگاههای دیگر است، این نیز بر اساس مفاهیم
239
00:08:23,199 –> 00:08:24,720
یادگیری دادههای یادگیری ماشینی
240
00:08:24,720 –> 00:08:27,720
است،
241
00:08:28,240 –> 00:08:30,000
بنابراین این یوتیوب ch است. annel شما می توانید
242
00:08:30,000 –> 00:08:32,640
به کد کپی رایت زیر بروید.
243
00:08:32,640 –> 00:08:35,440
یوتیوب با الگوریتمی برای
244
00:08:35,440 –> 00:08:37,919
تشخیص ویدیوهای دارای حق چاپ ارائه شده است، بنابراین اگر
245
00:08:37,919 –> 00:08:40,159
فرض کنیم شخصی در حال کپی کردن ویدیوها از
246
00:08:40,159 –> 00:08:42,719
کانال یوتیوب است، آن را در اینجا در بخش مسابقات دریافت می کنم
247
00:08:42,719 –> 00:08:45,519
248
00:08:45,519 –> 00:08:47,440
بسیاری از افراد سعی کردند ویدیوهای من را کپی کنند و
249
00:08:47,440 –> 00:08:50,160
می توانید اطراف را ببینید 466 ویدیو که من آن را
250
00:08:50,160 –> 00:08:51,519
از Google حذف کردم
251
00:08:51,519 –> 00:08:53,360
، معمولاً حدس میزنم چنین
252
00:08:53,360 –> 00:08:54,800
253
00:08:54,800 –> 00:08:56,880
ایمیلهای دارای حق نسخهبرداری یا اعلانهایی از Google که
254
00:08:56,880 –> 00:08:59,360
شخصی ویدیوهای شما را کپی کرده است، بنابراین
255
00:08:59,360 –> 00:09:01,519
وقتی اینجا را کلیک میکنم، میتوانید ببینید که
256
00:09:01,519 –> 00:09:04,080
نشان میدهد این یک
257
00:09:04,080 –> 00:09:06,560
URL ویدیوی نادر است که حق نسخهبرداری نامحدود است.
258
00:09:06,560 –> 00:09:08,399
و این ویدیوی واقعی من است
259
00:09:08,399 –> 00:09:10,480
و کاربر دیگری که ویدیوهای من را کپی کرده
260
00:09:10,480 –> 00:09:12,080
است موارد زیر است که اوه
261
00:09:12,080 –> 00:09:14,000
ثانیه های زیر
262
00:09:14,000 –> 00:09:16,080
از ویدیوی من از ویدیوی اصلی من کپی شده
263
00:09:16,080 –> 00:09:18,720
است که ویدیوی من در ویدیوی چیزهای من است
264
00:09:18,720 –> 00:09:20,320
این بخش توسط کاربر در ویدیوی جدید کپی شده است.
265
00:09:20,320 –> 00:09:22,959
بنابراین کاری که من انجام دادم،
266
00:09:22,959 –> 00:09:24,880
فقط یک د