در این مطلب، ویدئو نحوه تجزیه و تحلیل شخصیت های ادبیات با BookNLP در پایتون (آموزش های BookNLP 04) 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: 00:19:21
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,920 –> 00:00:09,790
[موسیقی]
2
00:00:11,599 –> 00:00:13,840
سلام و خوش آمدید به این مجموعه در
3
00:00:13,840 –> 00:00:17,039
کتاب nlp در پایتون اکنون در آخرین ویدیو
4
00:00:17,039 –> 00:00:18,800
ما واقعاً به نوعی فصل
5
00:00:18,800 –> 00:00:20,960
سوم کتاب درسی را
6
00:00:20,960 –> 00:00:24,119
مرور کردیم
7
00:00:24,560 –> 00:00:25,920
که در
8
00:00:25,920 –> 00:00:28,880
booknlp.pythonhumanities.com موجود است. بیش از
9
00:00:28,880 –> 00:00:31,039
انواع مختلف فایلهایی که از
10
00:00:31,039 –> 00:00:34,320
خط لوله کتاب nlp خروجی میشوند، اکنون این فایلها
11
00:00:34,320 –> 00:00:37,280
فوقالعاده هستند، حاوی دادههای زیادی
12
00:00:37,280 –> 00:00:39,280
هستند که شامل همه چیز هستند، از
13
00:00:39,280 –> 00:00:41,600
نشانههای پاراگراف و جمله و
14
00:00:41,600 –> 00:00:44,559
فایل توکنها تا نقل قولهای موجود در فایل نقل قول
15
00:00:44,559 –> 00:00:47,360
تا پیچیدهترین آنها. به نظر من
16
00:00:47,360 –> 00:00:48,879
17
00:00:48,879 –> 00:00:51,600
فایلی است که فایل json کتاب نقطه ای است که
18
00:00:51,600 –> 00:00:54,160
واقعاً همان چیزی است که ما در این ویدیو روی آن تمرکز می کنیم
19
00:00:54,160 –> 00:00:56,640
، به طور خاص فایل کتاب نقطه ای است که
20
00:00:56,640 –> 00:00:57,520
تقریباً تمام چیزی است که ما قرار است با آن
21
00:00:57,520 –> 00:00:59,520
کار کنیم و دلیل
22
00:00:59,520 –> 00:01:00,960
این امر این است که ما در حال
23
00:01:00,960 –> 00:01:03,520
تجزیه و تحلیل انجام برخی از تجزیه و تحلیل کاراکترها
24
00:01:03,520 –> 00:01:05,840
بر روی فایل کتاب نقطهای هستیم، بنابراین به نوعی
25
00:01:05,840 –> 00:01:08,240
با مخزن عالی
26
00:01:08,240 –> 00:01:10,320
uh از کتاب و lp
27
00:01:10,320 –> 00:01:13,119
بهویژه
28
00:01:13,119 –> 00:01:14,880
با گوگل colab
29
00:01:14,880 –> 00:01:16,640
مرتبط با
30
00:01:16,640 –> 00:01:19,600
bo کار میکنیم. ok nlp demo notebook jupiter
31
00:01:19,600 –> 00:01:20,720
و بسیاری از چیزهایی که در این فصل می بینید
32
00:01:20,720 –> 00:01:22,479
به نوعی از این
33
00:01:22,479 –> 00:01:24,080
نوت بوک می آیند، اما من چند کار
34
00:01:24,080 –> 00:01:25,360
دیگر با آن انجام می دهم، به طور
35
00:01:25,360 –> 00:01:27,759
خاص که در مورد هری پاتر با آن کار می کنیم،
36
00:01:27,759 –> 00:01:30,479
اما من این را تغییر می دهم
37
00:01:30,479 –> 00:01:33,200
سلول نهایی در اینجا از مارس است
38
00:01:33,200 –> 00:01:35,600
آه امروز 9 مارس 2022 است، من
39
00:01:35,600 –> 00:01:37,280
این سلول را کمی تغییر می دهم
40
00:01:37,280 –> 00:01:39,360
تا آن را به یک تابع تبدیل کنم تا بتوانیم
41
00:01:39,360 –> 00:01:40,720
42
00:01:40,720 –> 00:01:41,840
چیزی را که من در این کتاب درسی فراخوانی می کنم تولید کنیم
43
00:01:41,840 –> 00:01:44,479
، یک فایل داده کاراکتر است. که
44
00:01:44,479 –> 00:01:47,040
به ما امکان میدهد
45
00:01:47,040 –> 00:01:49,439
فایل کتاب نقطهای را به روشی متفاوت تجزیه و تحلیل کنیم و فکر میکنم
46
00:01:49,439 –> 00:01:51,119
تحلیل آن را کمی آسانتر میکند.
47
00:01:51,119 –> 00:01:52,560
48
00:01:52,560 –> 00:01:54,799
49
00:01:54,799 –> 00:01:56,320
50
00:01:56,320 –> 00:01:58,399
تجزیه و تحلیل کاراکتر را انجام دهید شما واقعاً فقط به
51
00:01:58,399 –> 00:02:01,280
تعداد انگشت شماری از داده ها از
52
00:02:01,280 –> 00:02:03,520
فایل کتاب نقطه نیاز دارید و بسیاری از کارهایی که این سلول
53
00:02:03,520 –> 00:02:04,799
انجام می دهد را در این ویدیو بیشتر توضیح خواهم داد.
54
00:02:04,799 –> 00:02:06,719
بسیاری از کارهایی که این سلول انجام می دهد این
55
00:02:06,719 –> 00:02:08,800
است که کتاب نقطه را می خواند فایلی که یک
56
00:02:08,800 –> 00:02:10,399
فایل json و یک فرهنگ لغت عظیم از
57
00:02:10,399 –> 00:02:12,800
chara است همه
58
00:02:12,800 –> 00:02:15,280
شخصیتهایی که اسمهای مناسب
59
00:02:15,280 –> 00:02:17,280
دارند را استخراج میکند و چیزهایی مانند
60
00:02:17,280 –> 00:02:19,200
افعال بالای مرتبط با آنها را استخراج میکند، بهعنوان یک
61
00:02:19,200 –> 00:02:20,480
عامل
62
00:02:20,480 –> 00:02:22,800
بهعنوان یک بیمار، همه آنها را
63
00:02:22,800 –> 00:02:24,560
در این ویدیو و چیزهای دیگری
64
00:02:24,560 –> 00:02:26,400
مانند چیزهایی که آنها انجام میدهند، پوشش میدهیم. پس
65
00:02:26,400 –> 00:02:27,840
بیایید ادامه دهیم و من در مورد
66
00:02:27,840 –> 00:02:29,920
چگونگی ساختار این ویدیو بسیار
67
00:02:29,920 –> 00:02:31,440
فکر کردم و واقعاً فکر می کنم که بهترین راه برای انجام آن
68
00:02:31,440 –> 00:02:34,080
برنامه نویسی زنده نیست که معمولاً انجام می دهم،
69
00:02:34,080 –> 00:02:35,760
بلکه فقط با مرور
70
00:02:35,760 –> 00:02:37,519
گام به گام کتاب درسی و
71
00:02:37,519 –> 00:02:39,680
یه جورایی توضیحش بدم و یادتون باشه من
72
00:02:39,680 –> 00:02:42,000
نمیتونم خیلی راحت این ویدیوها رو در یوتیوب آپدیت
73
00:02:42,000 –> 00:02:44,160
کنم باید یه ویدیو جدید بسازم پس
74
00:02:44,160 –> 00:02:45,519
اگر میخوای دنبالش کنی
75
00:02:45,519 –> 00:02:47,519
به روزترین نسخه این
76
00:02:47,519 –> 00:02:49,440
درس خاص رو بگیر
77
00:02:49,440 –> 00:02:52,000
کتاب درسی که من آن را بهروزرسانی خواهم کرد، تصور میکنم
78
00:02:52,000 –> 00:02:53,840
طی یکی دو سال آینده با
79
00:02:53,840 –> 00:02:55,200
80
00:02:55,200 –> 00:02:57,280
توسعه کتاب nlp و شامل
81
00:02:57,280 –> 00:02:59,599
زبانهای بیشتری علاوه بر آن، همانطور که
82
00:02:59,599 –> 00:03:02,560
در پایان این ویدیو توصیه
83
00:03:02,560 –> 00:03:04,319
میکنم این فصل را باز میگذارم
84
00:03:04,319 –> 00:03:05,599
توسعه به جایی که می رود برای اینکه به
85
00:03:05,599 –> 00:03:07,599
نوعی جامعه محور باشم من قبلاً هرگز چنین
86
00:03:07,599 –> 00:03:09,440
کاری انجام نداده ام، اما فکر می
87
00:03:09,440 –> 00:03:11,519
کنم پتانسیل این را دارد که واقعاً این
88
00:03:11,519 –> 00:03:14,560
فصل را برای موارد استفاده زیادی گسترش دهد، بنابراین
89
00:03:14,560 –> 00:03:16,319
بیایید به بالا برگردیم، بنابراین
90
00:03:16,319 –> 00:03:18,720
ما با چه چیزی کار می کنیم فصل چهارم
91
00:03:18,720 –> 00:03:21,120
آنالیز کاراکتر است، بنابراین هر کاری که
92
00:03:21,120 –> 00:03:22,879
ما در این فصل انجام خواهیم داد این
93
00:03:22,879 –> 00:03:26,480
است که فایل json dot book را برداریم و
94
00:03:26,480 –> 00:03:28,319
از آن برای انجام
95
00:03:28,319 –> 00:03:30,640
تجزیه و تحلیل شخصیت های بسیار قوی با آن استفاده کنیم، بنابراین بیایید ادامه دهیم
96
00:03:30,640 –> 00:03:33,280
و به پایین بروید و در مورد آن صحبت کنیم.
97
00:03:33,280 –> 00:03:35,120
برخی از بیتهای قبلی کدی که من
98
00:03:35,120 –> 00:03:36,879
اینجا دارم و دوباره اگر میخواهید
99
00:03:36,879 –> 00:03:39,440
همه این کدها را اجرا کنید، میتوانید
100
00:03:39,440 –> 00:03:42,080
ادامه دهید و فقط آنها را به این شکل کپی کنید یا
101
00:03:42,080 –> 00:03:44,480
میتوانید در واقع به مخزن این
102
00:03:44,480 –> 00:03:46,560
پروژه بروید که منبع باز و کاملاً
103
00:03:46,560 –> 00:03:48,560
در دسترس است. و از آنجا می توانید با آن کار کنید
104
00:03:48,560 –> 00:03:51,360
، انتخاب واقعاً به شما
105
00:03:51,360 –> 00:03:52,799
بستگی دارد، بنابراین این
106
00:03:52,799 –> 00:03:54,640
چند سلول اول که در اینجا
107
00:03:54,640 –> 00:03:56,239
می بینیم قرار است در کتابخانه های مورد نیاز بارگیری شوند،
108
00:03:56,239 –> 00:03:58,959
اکنون ما از json برای بارگیری استفاده می کنیم
109
00:03:58,959 –> 00:04:01,920
و در واقع داده ها را از یک json دریافت می کنیم.
110
00:04:01,920 –> 00:04:03,599
در py فایل کنید
111
00:04:03,599 –> 00:04:05,760
ساختارهای داده thonic در مورد ما
112
00:04:05,760 –> 00:04:08,720
فقط یک فرهنگ لغت عظیم است
113
00:04:08,720 –> 00:04:10,239
و ما می خواهیم از این تابع در اینجا استفاده کنیم.
114
00:04:10,239 –> 00:04:12,159
115
00:04:12,159 –> 00:04:14,640
116
00:04:14,640 –> 00:04:15,760
117
00:04:15,760 –> 00:04:18,000
118
00:04:18,000 –> 00:04:19,199
یکی دیگر به نام راست
119
00:04:19,199 –> 00:04:21,358
جیسون من اینجا با proc
120
00:04:21,358 –> 00:04:23,600
میچسبم زیرا فکر میکنم این کار بسیار خوبی
121
00:04:23,600 –> 00:04:25,840
است که به نوعی به
122
00:04:25,840 –> 00:04:27,680
مستندات بچسبید و به این صورت
123
00:04:27,680 –> 00:04:30,160
در این نسخه نمایشی مستند شده است و بنابراین من
124
00:04:30,160 –> 00:04:31,919
آن را به همین شکل نگه میدارم تا بتوانید مهربانی کنید از
125
00:04:31,919 –> 00:04:33,919
آنجایی که
126
00:04:33,919 –> 00:04:36,320
پروژه در طول زمان
127
00:04:36,320 –> 00:04:37,840
128
00:04:37,840 –> 00:04:39,919
129
00:04:39,919 –> 00:04:42,560
توسعه مییابد، کمی راحتتر دنبال
130
00:04:42,560 –> 00:04:44,320
131
00:04:44,320 –> 00:04:46,479
132
00:04:46,479 –> 00:04:47,840
133
00:04:47,840 –> 00:04:49,759
کنید. دسته ای اساساً به شما امکان می دهد
134
00:04:49,759 –> 00:04:50,639
فقط
135
00:04:50,639 –> 00:04:53,280
قطعات مختلف داده را در
136
00:04:53,280 –> 00:04:54,880
تابع بعدی بشمارید که
137
00:04:54,880 –> 00:04:56,639
دوباره در مورد آن صحبت خواهیم
138
00:04:56,639 –> 00:04:58,880
139
00:04:58,880 –> 00:05:00,240
140
00:05:00,240 –> 00:05:02,479
کرد.
141
00:05:02,479 –> 00:05:04,800
منابع من به درستی در اینجا ذکر شده
142
00:05:04,800 –> 00:05:07,440
اند، بنابراین اولین بیت کدی که
143
00:05:07,440 –> 00:05:09,440
در واقع یک تابع یا واردکننده
144
00:05:09,440 –> 00:05:10,400
145
00:05:10,400 –> 00:05:12,720
کتابخانه نیست، همینجاست، بنابراین اینجاست که
146
00:05:12,720 –> 00:05:15,520
ما یک شی داده ایجاد می کنیم و به
147
00:05:15,520 –> 00:05:17,440
طور خاص می خواهیم کد را فراخوانی کنیم. تابع proc
148
00:05:17,440 –> 00:05:18,560
149
00:05:18,560 –> 00:05:21,360
که در دادههای json بارگیری میشود، بنابراین کاری که
150
00:05:21,360 –> 00:05:22,720
ما انجام میدهیم این است که به
151
00:05:22,720 –> 00:05:25,120
بک اسلش داده یا
152
00:05:25,120 –> 00:05:27,360
اسلش جلو هری پاتر
153
00:05:27,360 –> 00:05:29,440
154
00:05:29,440 –> 00:05:31,680
اشاره میکنیم. فایل کنید و
155
00:05:31,680 –> 00:05:33,039
آن را به
156
00:05:33,039 –> 00:05:36,000
عنوان داده خام به ما برگردانید و این به ما امکان می دهد
157
00:05:36,000 –> 00:05:38,960
در 4.3 این فصل شروع به تجزیه و تحلیل و کار با آن کنیم،
158
00:05:38,960 –> 00:05:40,720
159
00:05:40,720 –> 00:05:42,400
بنابراین آنچه که در اینجا در 4.3 خواهیم دید
160
00:05:42,400 –> 00:05:45,280
تابعی است که قبلاً
161
00:05:45,280 –> 00:05:47,919
در کتاب nlp دیده ایم. نسخه ی نمایشی و دوباره اگر
162
00:05:47,919 –> 00:05:49,199
می خواهید به تنهایی به آن نگاه کنید
163
00:05:49,199 –> 00:05:50,960
، یک لینک در اینجا برای آن وجود دارد،
164
00:05:50,960 –> 00:05:53,520
دقیقاً در اینجا یک بیت کد فوق العاده
165
00:05:53,520 –> 00:05:55,919
است که
166
00:05:55,919 –> 00:05:58,880
به کتاب و یا فایل json کتاب نقطه ای می رود
167
00:05:58,880 –> 00:06:00,720
و آن را برای شما تجزیه می کند
168
00:06:00,720 –> 00:06:02,639
. من این تابع را فراخوانی میکنم تا
169
00:06:02,639 –> 00:06:04,319
دادههای کاراکتر ایجاد کند زیرا اینطور است
170
00:06:04,319 –> 00:06:06,639
اساساً کاری که آن سلول و
171
00:06:06,639 –> 00:06:09,600
نسخه ی نمایشی کتاب nlp انجام می دهد این است که وارد می شود و
172
00:06:09,600 –> 00:06:11,680
لیستی
173
00:06:11,680 –> 00:06:14,800
از همه کاراکترهای جدا شده در
174
00:06:14,800 –> 00:06:17,199
سطح شناسه کاراکتر برای شما ایجاد می کند، اگر
175
00:06:17,199 –> 00:06:19,680
به خاطر نداشته باشید شناسه کاراکتر، شماره منحصر به فردی است
176
00:06:19,680 –> 00:06:21,919
که مربوط به یک منحصر به فرد است.
177
00:06:21,919 –> 00:06:23,520
کاراکتر در متن
178
00:06:23,520 –> 00:06:24,960
و کاری که انجام می دهد این است که به نوعی می
179
00:06:24,960 –> 00:06:26,720
گذرد و
180
00:06:26,720 –> 00:06:29,039
تمام داده های آن
181
00:06:29,039 –> 00:06:31,840
فایل عظیم json را به فایل کتاب نقطه می گیرد و
182
00:06:31,840 –> 00:06:33,280
چند قطعه کلیدی از اطلاعات را جمع آوری می کند
183
00:06:33,280 –> 00:06:34,560
و این چیزی است که می خواهم
184
00:06:34,560 –> 00:06:36,319
در اینجا در مورد آن صحبت کنم.
185
00:06:36,319 –> 00:06:38,400
سهم کوچکی
186
00:06:38,400 –> 00:06:40,160
که من در این تابع انجام
187
00:06:40,160 –> 00:06:42,160
دادهام همین جاست و این
188
00:06:42,160 –> 00:06:44,000
بخش را در اینجا تغییر میدهد، جایی که
189
00:06:44,000 –> 00:06:47,520
فهرست جداگانهای از آیتمها ایجاد میکند، بنابراین آیتمها یا
190
00:06:47,520 –> 00:06:49,840
اقلام در اختیار داشتن اینها چیزهایی هستند
191
00:06:49,840 –> 00:06:51,599
که شخصیت شناخته شده
192
00:06:51,599 –> 00:06:52,720
دارد.
193
00:06:52,720 –> 00:06:55,520
در کتاب، بنابراین ما در
194
00:06:55,520 –> 00:06:57,360
ویدیوی آخر به این موضوع پرداختیم، این می تواند هر چیزی باشد، از
195
00:06:57,360 –> 00:06:59,039
چیزی که فرد از نظر فیزیکی دارد،
196
00:06:59,039 –> 00:07:03,199
مانند بازوی سر بدنش و غیره گرفته تا یک
197
00:07:03,199 –> 00:07:04,960
عمه یا عمه، زیرا شما
198
00:07:04,960 –> 00:07:07,520
عمه دارید. یک عمو به عنوان یک
199
00:07:07,520 –> 00:07:09,520
مورد هری پاتر
200
00:07:09,520 –> 00:07:11,440
یا ممکن است چیزهایی مانند به
201
00:07:11,440 –> 00:07:13,759
معنای سنتی تر مالکیت باشد، بنابراین
202
00:07:13,759 –> 00:07:16,960
شما یک کتاب دارید، یک توپ دارید و غیره، بنابراین
203
00:07:16,960 –> 00:07:19,280
مالکیت واقعاً به طور کلی تعریف می شود و
204
00:07:19,280 –> 00:07:20,639
آنچه انجام می دهد این است که وارد می شود و
205
00:07:20,639 –> 00:07:22,800
دو قطعه را استخراج می کند. از اطلاعات
206
00:07:22,800 –> 00:07:25,280
آن فایل json در این مورد، من
207
00:07:25,280 –> 00:07:27,039
همه متغیرها را در اکثر موارد
208
00:07:27,039 –> 00:07:28,880
با یک نام نگه میدارم تا قابل
209
00:07:28,880 –> 00:07:30,400
210
00:07:30,400 –> 00:07:34,800
تکرارتر باشد v و k در اینجا با
211
00:07:34,800 –> 00:07:37,520
فرکانس آن آیتم که
212
00:07:37,520 –> 00:07:40,240
با شخص شخصیت و k مرتبط است مطابقت دارد.
213
00:07:40,240 –> 00:07:41,759
که
214
00:07:41,759 –> 00:07:44,319
نام خود آیتم است پس رشته
215
00:07:44,319 –> 00:07:46,479
مرتبط با آن و بنابراین کاری که ما انجام می دهیم این است
216
00:07:46,479 –> 00:07:49,039
که مرور می کنیم و رایج ترین
217
00:07:49,039 –> 00:07:51,199
چیزهای مرتبط با آن را پیدا می کنیم اکنون این
218
00:07:51,199 –> 00:07:52,800
تابع دو آرگومان مختلف
219
00:07:52,800 –> 00:07:53,919
220
00:07:53,919 –> 00:07:57,440
داده و دوباره از بالا چاپ می کند به این ترتیب
221
00:07:57,440 –> 00:07:59,440
مستندات موجود در نسخه ی نمایشی کتاب
222
00:07:59,440 –> 00:08:03,440
nlp print top از نظر تعداد موارد بالاتر است،
223
00:08:03,440 –> 00:08:06,960
بنابراین
224
00:08:06,960 –> 00:08:09,360
اگر می خواهید 10 مورد برتر را انتخاب کنید، این همان
225
00:08:09,360 –> 00:08:11,120
چیزی است که من معتقدم اسناد
226
00:08:11,120 –> 00:08:13,199
واقعاً انجام می دهد یا نسخه آزمایشی انجام می دهد و
227
00:08:13,199 –> 00:08:16,000
می گوید 10 مورد برتر، 10
228
00:08:16,000 –> 00:08:17,759
مورد برتر را می گیرد که آن شخص یا آن
229
00:08:17,759 –> 00:08:20,400
شخصیت دارد، اگر شما
230
00:08:20,400 –> 00:08:23,039
100 مورد برتر را انجام دهید، 100 مورد برتر و غیره را
231
00:08:23,039 –> 00:08:24,240
در لیست قرار می دهد،
232
00:08:24,240 –> 00:08:26,160
من این عملکرد را کمی نامرتب نگه داشته ام،
233
00:08:26,160 –> 00:08:27,840
اما کار می کند و آن را
234
00:08:27,840 –> 00:08:31,039
تا حدودی نزدیک به نسخه ی نمایشی کتاب nlp نگه می دارد
235
00:08:31,039 –> 00:08:33,279
اگر می خواهید همه موارد استفاده را
236
00:08:33,279 –> 00:08:35,519
بگیرید، فقط آن را روی یک عدد بسیار بالا تنظیم کنید و
237
00:08:35,519 –> 00:08:37,519
این همه چیز را برای شما جمع می کند، بنابراین شاید
238
00:08:37,519 –> 00:08:40,399
10 یا 20 000 باشد و باید این کار را انجام دهید،
239
00:08:40,399 –> 00:08:43,200
پس چه می شود این کار این است که وارد می شود و
240
00:08:43,200 –> 00:08:45,760
به نظر می رسد اطمینان حاصل شود که کاراکتر یک
241
00:08:45,760 –> 00:08:47,120
اسم خاص است
242
00:08:47,120 –> 00:08:49,680
به این معنی که شخصیتی نیست که فقط
243
00:08:49,680 –> 00:08:50,880
دارای
244
00:08:50,880 –> 00:08:53,600
آن است که توسط آنها یا
245
00:08:53,600 –> 00:08:54,399
آنها
246
00:08:54,399 –> 00:08:57,839
یا فقط توسط شاید ام پسر ارجاع داده شده باشد
247
00:08:57,839 –> 00:09:00,240
، بنابراین در واقع یک شخصیت نامگذاری شده
248
00:09:00,240 –> 00:09:02,480
در متن
249
00:09:02,480 –> 00:09:04,160
را اضافه می کند و سپس تمام این اطلاعات را اضافه می کند
250
00:09:04,160 –> 00:09:05,920
بنابراین اولین بیت در اینجا به همه چیزهایی اضافه می کند
251
00:09:05,920 –> 00:09:08,080
که شخص دارای بیت بعدی
252
00:09:08,080 –> 00:09:09,360
253
00:09:09,360 –> 00:09:11,920
است.
254
00:09:11,920 –> 00:09:14,800
255
00:09:14,800 –> 00:09:18,160
256
00:09:18,160 –> 00:09:20,480
آیتم عامل اینجا و دوباره v در حال حرکت است g
257
00:09:20,480 –> 00:09:22,240
به عنوان فرکانس و k
258
00:09:22,240 –> 00:09:24,480
خود متن خواهد بود و مهم
259
00:09:24,480 –> 00:09:26,000
است که در اینجا توجه داشته باشید، بعداً خواهید دید که چرا این
260
00:09:26,000 –> 00:09:28,880
مهم است که این
261
00:09:28,880 –> 00:09:31,680
محدود نیست و
262
00:09:31,680 –> 00:09:34,000
به بزرگ یا
263
00:09:34,000 –> 00:09:35,920
کوچک تغییر نمی کند، بنابراین این فقط است. نوعی از
264
00:09:35,920 –> 00:09:38,320
خود متن خام است که برای
265
00:09:38,320 –> 00:09:40,480
انواع خاصی از تجزیه و تحلیل مهم است و بنابراین من
266
00:09:40,480 –> 00:09:42,480
آن را در اینجا به حال خود رها کرده ام و در
267
00:09:42,480 –> 00:09:44,320
توابع بعدی می توانیم کمی این را تغییر
268
00:09:44,320 –> 00:09:47,360
دهیم تا شکل محدود شده یا
269
00:09:47,360 –> 00:09:49,519
حداقل یک فرم کوچک با حروف کوچک سازگار