در این مطلب، ویدئو Whylogs Python Tutorial – ML & Data Logging and Monitoring 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: 00:19:28
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,199 –> 00:00:02,800
بسیار خوب پس دوباره خوش آمدید نام من
2
00:00:02,800 –> 00:00:04,480
جسی است و این یک آموزش فوق العاده و
3
00:00:04,480 –> 00:00:06,080
هیجان انگیز است، ما سعی می
4
00:00:06,080 –> 00:00:08,240
کنیم مفهوم بسیار مهمی را بررسی کنیم
5
00:00:08,240 –> 00:00:09,920
که در صورتی که
6
00:00:09,920 –> 00:00:12,080
می خواهید پروژه یادگیری ماشینی انجام دهید مفید است، بنابراین
7
00:00:12,080 –> 00:00:13,440
این هنوز بخشی از ماشین است.
8
00:00:13,440 –> 00:00:15,759
یادگیری در استرس پایتون، بنابراین ما
9
00:00:15,759 –> 00:00:17,359
سعی میکنیم چند کتابخانه بسیار قدرتمند را در نظر
10
00:00:17,359 –> 00:00:19,439
بگیریم که میتوانیم از آنها برای کمک به ما در
11
00:00:19,439 –> 00:00:21,760
نظارت یا انجام نظارت یا
12
00:00:21,760 –> 00:00:24,320
ثبت دادهها برای پروژه خود استفاده کنیم، بنابراین تجزیه
13
00:00:24,320 –> 00:00:25,599
یکی از جنبههای یادگیری ماشین
14
00:00:25,599 –> 00:00:27,439
بعد از انجام هر کاری است. از پروژهها
15
00:00:27,439 –> 00:00:28,960
یا هر قسمتی از خط لوله باید به
16
00:00:28,960 –> 00:00:30,800
سمت راست سابق خود نظارت کنید، بنابراین گاهی اوقات
17
00:00:30,800 –> 00:00:32,159
شما در نظارت خود معیارها را زیر نظر میگیرید
18
00:00:32,159 –> 00:00:33,280
19
00:00:33,280 –> 00:00:34,559
و برخی از کتابخانههای قدرتمندی که
20
00:00:34,559 –> 00:00:36,559
میتوانید استفاده کنید پارامترها و گرانا هستند
21
00:00:36,559 –> 00:00:38,399
و همچنین میتوانید مجموعهای از قوانین را به
22
00:00:38,399 –> 00:00:39,840
درستی انجام دهید نه فقط فقط برای پروژه های یادگیری ماشین،
23
00:00:39,840 –> 00:00:42,239
اما برای لاگ های نرم افزار یا برنامه های کاربردی
24
00:00:42,239 –> 00:00:44,559
با استفاده از کافکا و سیاه یا اسپلنک وجود دارد،
25
00:00:44,559 –> 00:00:46,640
نمی دانم چگونه آن را تلفظ کنم،
26
00:00:46,640 –> 00:00:48,239
شما همچنین برای مانیتورینگ api دارید، می توانید
27
00:00:48,239 –> 00:00:51,120
از tensorflow استفاده کنید. 7 یا aws seed maker model
28
00:00:51,120 –> 00:00:52,960
hosting درست است، بنابراین اینها برخی از
29
00:00:52,960 –> 00:00:54,640
کتابخانه های قدرتمندی هستند که می توانید به
30
00:00:54,640 –> 00:00:56,320
طور کلی در زمانی که می خواهید هر
31
00:00:56,320 –> 00:00:58,719
پروژه علم داده یا نرم افزاری را به درستی
32
00:00:58,719 –> 00:01:00,559
انجام دهید، استفاده کنید، بنابراین اجازه دهید برخی از بسته های دیگر را ببینیم که
33
00:01:00,559 –> 00:01:01,920
در صورت تمایل تلاش برای
34
00:01:01,920 –> 00:01:03,760
کار با مدلها و خطوط لوله یا
35
00:01:03,760 –> 00:01:05,760
آزمایش ردیابی درست، بنابراین ما دارای
36
00:01:05,760 –> 00:01:08,560
جریان میلیلیتر در جدول من با شکست دادهها
37
00:01:08,560 –> 00:01:10,240
هستیم، همچنین مدار یک کتابخانه ساده بسیار قدرتمند و
38
00:01:10,240 –> 00:01:12,560
زیبا برای استفاده داریم،
39
00:01:12,560 –> 00:01:15,040
وزن و تعصب نیز وجود دارد که برای ردیابی و ردیابی نیز مفید است.
40
00:01:15,040 –> 00:01:17,040
آزمایش شما
41
00:01:17,040 –> 00:01:19,119
آزمایش یادگیری ماشین شماست،
42
00:01:19,119 –> 00:01:21,119
سپس Neptune ai نیز
43
00:01:21,119 –> 00:01:22,320
وجود دارد، البته
44
00:01:22,320 –> 00:01:24,400
کتابخانهها و پلتفرمهای زیادی وجود دارد که
45
00:01:24,400 –> 00:01:25,680
میتوانید از آنها برای
46
00:01:25,680 –> 00:01:27,280
نظارت بر مدلها و خطوط لوله خود
47
00:01:27,280 –> 00:01:29,360
و همچنین برای ردیابی آزمایش خود استفاده کنید، بنابراین
48
00:01:29,360 –> 00:01:30,880
بیایید یکی از کتابخانهها را ببینیم. ما از آن
49
00:01:30,880 –> 00:01:33,119
استفاده خواهیم کرد که به آن قفل آتش می گویند، پس چرا
50
00:01:33,119 –> 00:01:35,439
log یک کتابخانه قدرتمند پایتون است که
51
00:01:35,439 –> 00:01:37,920
به شما امکان می دهد نه تنها
52
00:01:37,920 –> 00:01:40,479
مدل های خود را ردیابی کنید، بلکه تمام داده های خود
53
00:01:40,479 –> 00:01:41,920
یا هر جنبه ای از t را نیز در وبلاگ قرار دهید. او
54
00:01:41,920 –> 00:01:43,520
خط لوله یادگیری ماشینی بنابراین برای مثال چیزی شبیه به
55
00:01:43,520 –> 00:01:45,520
این به عنوان مثال مانند این، بنابراین
56
00:01:45,520 –> 00:01:46,799
اگر میخواهید هر پروژهای را به
57
00:01:46,799 –> 00:01:48,960
درستی انجام دهید، بنابراین با بیسیم میتوانید
58
00:01:48,960 –> 00:01:50,560
اطلاعاتی را که از
59
00:01:50,560 –> 00:01:52,720
مرحله آموزش شما از مرحله اعتبار سنجی
60
00:01:52,720 –> 00:01:54,720
از مرحله نظارت برای من وارد میشود، ثبت کنید.
61
00:01:54,720 –> 00:01:56,880
وضعیت ارزیابی، بنابراین قفل های آتش نشان
62
00:01:56,880 –> 00:01:58,799
دادن هر قسمت
63
00:01:58,799 –> 00:02:00,479
از خط لوله یادگیری ماشین را برای شما
64
00:02:00,479 –> 00:02:02,399
بسیار آسان می کند، بنابراین دلیل آن این است که
65
00:02:02,399 –> 00:02:03,920
سبک وزن است، بنابراین استفاده از آن برای شما بسیار آسان
66
00:02:03,920 –> 00:02:06,159
است و
67
00:02:06,159 –> 00:02:08,399
ویژگی های بسیار قدرتمندی دارد، بنابراین با قفل سیمی
68
00:02:08,399 –> 00:02:10,399
میتوانید
69
00:02:10,399 –> 00:02:12,560
از هر یک از مراحلی که به شما نشان دادم ابردادههای مربوط به مجموعه دادههای خود را
70
00:02:12,560 –> 00:02:15,520
ردیابی کنید، همچنین میتوانید تعداد را به درستی ردیابی کنید، بنابراین
71
00:02:15,520 –> 00:02:18,000
هیچ نوع دادهای مقداری وجود ندارد، همچنین میتوانید
72
00:02:18,000 –> 00:02:19,680
خدمات خلاصه خود را ردیابی یا ثبت کنید، که
73
00:02:19,680 –> 00:02:21,280
بسیار مهم است،
74
00:02:21,280 –> 00:02:23,840
مانند حداکثر واریانس میانگین که میتوانید همچنین
75
00:02:23,840 –> 00:02:25,680
76
00:02:25,680 –> 00:02:27,120
توزیعهای خود و همچنین برخی
77
00:02:27,120 –> 00:02:28,879
فعالیتهای متفرقه را ردیابی یا نظارت یا قفل کنید،
78
00:02:28,879 –> 00:02:30,080
بنابراین بیایید ببینیم چگونه با این
79
00:02:30,080 –> 00:02:31,840
بسته فوقالعاده به نام قفل سیمی کار کنیم تا
80
00:02:31,840 –> 00:02:33,920
آن را نصب کنیم. با نصب پیپ سیم
81
00:02:33,920 –> 00:02:35,360
قفل درست می شود، بنابراین من قبلاً آن را
82
00:02:35,360 –> 00:02:36,720
روی سیستم خود نصب کرده ام، بنابراین فقط به ترمینال خود برگردید،
83
00:02:36,720 –> 00:02:38,879
سپس آن را روی
84
00:02:38,879 –> 00:02:40,160
ترمینال خود نصب کنید که من قبلاً
85
00:02:40,160 –> 00:02:41,680
انجام داده ام،
86
00:02:41,680 –> 00:02:44,080
پس بیایید دوباره برگردیم و سپس ما می
87
00:02:44,080 –> 00:02:45,840
رویم برای رفتن با پیپ،
88
00:02:45,840 –> 00:02:49,200
بیایید آن را بزرگتر کنیم، نصب
89
00:02:49,200 –> 00:02:51,120
چرا بلاک ها درست است، این است که چگونه
90
00:02:51,120 –> 00:02:52,959
آن را روی سیستم خود نصب کنیم، حالا بیایید
91
00:02:52,959 –> 00:02:54,800
دوباره به فضای کاری خود برگردیم و
92
00:02:54,800 –> 00:02:56,720
ببینیم چگونه با آن کار کنیم تا همانطور که گفتم
93
00:02:56,720 –> 00:02:58,159
بتوانیم برای ردیابی از آن استفاده کنیم. همه این
94
00:02:58,159 –> 00:03:00,159
موارد، بنابراین من فقط میخواهم
95
00:03:00,159 –> 00:03:02,319
یک مجموعه داده ساده را باز
96
00:03:02,319 –> 00:03:05,200
کنم تا بسته ما بارگیری شود، بنابراین
97
00:03:05,200 –> 00:03:07,360
98
00:03:07,360 –> 00:03:08,480
در صورت داشتن هرگونه سوال یا
99
00:03:08,480 –> 00:03:10,159
مشارکت میتوانید در قسمت نظرات زیر به ما اطلاع دهید.
100
00:03:10,159 –> 00:03:11,840
و سپس
101
00:03:11,840 –> 00:03:14,800
این بسته
102
00:03:14,800 –> 00:03:16,000
مناسب برای
103
00:03:16,000 –> 00:03:18,319
ثبت دادهها خواهد بود دادههای درست است،
104
00:03:18,319 –> 00:03:20,560
بنابراین بیایید ببینیم چگونه این کار را انجام دهیم.
105
00:03:20,560 –> 00:03:22,080
106
00:03:22,080 –> 00:03:25,360
107
00:03:25,360 –> 00:03:28,720
108
00:03:28,720 –> 00:03:30,879
درست است
109
00:03:30,879 –> 00:03:32,080
و بیایید روش های مختلف
110
00:03:32,080 –> 00:03:33,360
این را بررسی کنیم بسته خاص، بنابراین
111
00:03:33,360 –> 00:03:35,120
این روش مانند همیشه برای پایان دادن به یک
112
00:03:35,120 –> 00:03:37,280
ویژگی این بسته خاص است، بنابراین
113
00:03:37,280 –> 00:03:40,000
پنج بلوک وجود دارد
114
00:03:40,000 –> 00:03:41,200
که میخواهم کارهای مختلفی را که
115
00:03:41,200 –> 00:03:45,239
میتوانیم با این بسته فوقالعاده انجام دهیم، ببینم،
116
00:03:46,959 –> 00:03:48,640
پس اگر بررسی کردم، بیایید آن را بررسی کنیم
117
00:03:48,640 –> 00:03:50,720
. در اینجا، بنابراین ما چیزهای زیادی داریم
118
00:03:50,720 –> 00:03:52,560
که مجموعه دادههای قبل از آن را داریم که به
119
00:03:52,560 –> 00:03:54,879
افراد امکان میدهد مجموعه داده را ارائه دهند، ما
120
00:03:54,879 –> 00:03:57,519
نمایه ستونی برای ستونهای نمایه داریم،
121
00:03:57,519 –> 00:03:59,360
همچنین ویژگیهای بسیار قدرتمندی
122
00:03:59,360 –> 00:04:01,599
داریم مانند دریافت یا ایجاد یک جلسه که یک
123
00:04:01,599 –> 00:04:03,280
چیز بسیار مهم است. استفاده خواهید کرد و
124
00:04:03,280 –> 00:04:05,280
در صورتی که می خواهید با
125
00:04:05,280 –> 00:04:07,439
جریان um ml کار کنید که همچنین یک کتابخانه بسیار خوب
126
00:04:07,439 –> 00:04:09,760
برای ردیابی مدل های شما برای
127
00:04:09,760 –> 00:04:11,120
نظارت بر خطوط لوله شما است و در
128
00:04:11,120 –> 00:04:13,040
آزمایشات خود نیز می توانید از گزینه جریان ml
129
00:04:13,040 –> 00:04:15,760
درست استفاده کنید و سپس آن را به حالت اولیه بازنشانی
130
00:04:15,760 –> 00:04:18,000
کنید. به شما اجازه می دهد تا بتوانید
131
00:04:18,000 –> 00:04:19,839
کارهای جالبی مانند تنظیم مجدد جلسه خود انجام
132
00:04:19,839 –> 00:04:21,279
دهید، بنابراین بیایید ببینیم چگونه با اولین مورد
133
00:04:21,279 –> 00:04:23,440
درست کار کنیم، بنابراین اولین قدم این است که شما
134
00:04:23,440 –> 00:04:25,520
می خواهم بگوییم من یک پروژه را درست انجام می دهم
135
00:04:25,520 –> 00:04:27,360
و این پروژه من و من
136
00:04:27,360 –> 00:04:29,520
میخواهم مجموعه دادهها را درست
137
00:04:29,520 –> 00:04:31,600
انجام دهم، بنابراین مجموعه دادههایم را بارگیری میکنم
138
00:04:31,600 –> 00:04:34,080
تا df pd dot read
139
00:04:34,080 –> 00:04:36,479
csv ما در داخل پوشه دادهام داریم، من
140
00:04:36,479 –> 00:04:38,880
یک پوشه به نام iris دارم، پس بیایید بررسی کنیم و
141
00:04:38,880 –> 00:04:41,360
ببینیم که آیا باید بمانم یا نه
142
00:04:41,360 –> 00:04:42,720
برای آن چیزی ندارم، اما اجازه دهید
143
00:04:42,720 –> 00:04:44,400
امروز دادهها را قرار دهم، میخواهم
144
00:04:44,400 –> 00:04:46,400
عکسی به نام داده درست در همان
145
00:04:46,400 –> 00:04:48,240
جایی که دارم ایجاد کنم و
146
00:04:48,240 –> 00:04:50,160
میخواهم دادههایم را درست بچسبانم، بنابراین این فقط از آن استفاده میکنم، من
147
00:04:50,160 –> 00:04:52,000
واقعاً آزمایش میکنم میتوانید از هر دادهای که
148
00:04:52,000 –> 00:04:53,680
میخواهید درست استفاده کنید، اما فقط برای ارائه ایده به شما،
149
00:04:53,680 –> 00:04:57,040
بنابراین من به تازگی به iris dot csv
150
00:04:57,040 –> 00:04:59,120
iris برای همه
151
00:04:59,120 –> 00:05:01,520
pivot رایج است، بنابراین من فقط با چیز
152
00:05:01,520 –> 00:05:03,280
سادهای پیش میروم تا مجموعه دادههایی را که
153
00:05:03,280 –> 00:05:05,440
انجام دادهام بررسی کنم. برخی تحلیلها میخواهم
154
00:05:05,440 –> 00:05:06,960
هر چیزی را که میتوانم در آنجا متوجه شوم پیگیری کنم،
155
00:05:06,960 –> 00:05:09,600
بنابراین بهطور پیشفرض اگر یک
156
00:05:09,600 –> 00:05:10,960
خلاصه ساده از
157
00:05:10,960 –> 00:05:13,680
آن را انجام دهم، df. شرح داده میشود،
158
00:05:13,680 –> 00:05:15,280
من معیارها را درست دریافت
159
00:05:15,280 –> 00:05:16,560
میکنم، بنابراین میخواهم شمارش را دریافت کنم.
160
00:05:16,560 –> 00:05:18,080
هر یک از ستون ها و سپس بقیه
161
00:05:18,080 –> 00:05:20,320
درست است، بنابراین چیزی بسیار ساده است، اما با
162
00:05:20,320 –> 00:05:22,080
قفل های سیمی درست می توانید
163
00:05:22,080 –> 00:05:23,840
همه موارد را ثبت کنید. این اطلاعات خاص دقیقاً
164
00:05:23,840 –> 00:05:25,440
خارج از جعبه است، بنابراین شما میتوانید
165
00:05:25,440 –> 00:05:26,960
هر کاری را که انجام میدهید ردیابی کنید، بنابراین دفعه بعد
166
00:05:26,960 –> 00:05:28,639
که بیایید برای شما آسان خواهد بود،
167
00:05:28,639 –> 00:05:30,800
بنابراین بیایید ببینیم چگونه این کار را انجام دهیم، من فقط
168
00:05:30,800 –> 00:05:32,400
دوباره برمیگردم و این کار
169
00:05:32,400 –> 00:05:34,240
روش اول باشد، بنابراین ما چندین متر داریم
170
00:05:34,240 –> 00:05:36,840
، ما یک راست فلزی داریم که
171
00:05:36,840 –> 00:05:39,120
فرمت ساده ای دارد، من فقط می خواهم آن را وارد کنم
172
00:05:39,120 –> 00:05:41,520
که چرا بلوک ها
173
00:05:41,520 –> 00:05:42,639
وارد می
174
00:05:42,639 –> 00:05:43,600
شوند
175
00:05:43,600 –> 00:05:46,000
یا جلسه درست ایجاد می کنند
176
00:05:46,000 –> 00:05:47,360
، بنابراین این
177
00:05:47,360 –> 00:05:49,039
مهمترین چیز در آنجاست، بنابراین از زمانی که
178
00:05:49,039 –> 00:05:50,400
شما هستید گرفتن یا ایجاد یک جلسه
179
00:05:50,400 –> 00:05:52,479
که چیز مهمی است و سپس ما باید
180
00:05:52,479 –> 00:05:54,240
اول از همه یک جلسه ایجاد کنیم، بنابراین یک جلسه ایجاد کنید
181
00:05:54,240 –> 00:05:56,639
،
182
00:05:57,520 –> 00:05:59,600
درست مانند خرید spark درست
183
00:05:59,600 –> 00:06:00,960
به یک ایجاد کنید، سپس من فقط می
184
00:06:00,960 –> 00:06:02,720
خواهم جلسه خود را ایجاد کنم، می توانم هر نامی به آن بدهم
185
00:06:02,720 –> 00:06:06,000
میخواهم آن را صدا بزنم
186
00:06:06,000 –> 00:06:08,080
یا
187
00:06:08,080 –> 00:06:09,919
یک جلسه
188
00:06:09,919 –> 00:06:11,360
درست بسازم، بنابراین این یک جلسه خاص را دریافت میکند یا
189
00:06:11,360 –> 00:06:12,639
ایجاد میکند،
190
00:06:12,639 –> 00:06:14,000
پیکربندی از دست رفته را تعیین میکند،
191
00:06:14,000 –> 00:06:16,240
اما به هر حال هنوز کار میکند، سپس
192
00:06:16,240 –> 00:06:17,360
راههای مختلفی وجود دارد که میتوانید با
193
00:06:17,360 –> 00:06:18,720
آن درست کار کنید تا بتوانید فقط این کار را با
194
00:06:18,720 –> 00:06:21,360
ویرایش مسابقه مدیر مسابقه
195
00:06:21,360 –> 00:06:23,280
196
00:06:23,280 –> 00:06:25,199
گزینه فرمت مدیر مسابقه مدیر مسابقه به این صورت خواهد بود، بنابراین
197
00:06:25,199 –> 00:06:26,800
198
00:06:26,800 –> 00:06:28,400
جلسه را
199
00:06:28,400 –> 00:06:30,160
منتظر بمانید،
200
00:06:30,160 –> 00:06:32,639
سپس من فقط می توانم
201
00:06:32,639 –> 00:06:34,560
نام مجموعه داده را درست ارسال کنم، بنابراین بیایید نام مجموعه داده های خود را به آن بدهیم،
202
00:06:34,560 –> 00:06:36,000
بنابراین بیایید به مجموعه داده های نام مجموعه برویم
203
00:06:36,000 –> 00:06:37,120
204
00:06:37,120 –> 00:06:38,560
205
00:06:38,560 –> 00:06:41,120
نام درست است و این هر
206
00:06:41,120 –> 00:06:42,560
نامی است که من دارم، بنابراین میتوانم نام
207
00:06:42,560 –> 00:06:44,319
پروژه خود را به نام ddsa بگذارم تا بتوانم
208
00:06:44,319 –> 00:06:46,000
آن را مجموعه دادههای عنبیه به
209
00:06:46,000 –> 00:06:47,680
درستی نام ببرم،
210
00:06:47,680 –> 00:06:49,440
شما همچنین میتوانید زمان را مشخص کنید، بنابراین
211
00:06:49,440 –> 00:06:50,639
تعداد زیادی از آنها وجود دارد. اگر
212
00:06:50,639 –> 00:06:52,479
به عقب برگردم و آن را اینجا بررسی کنم، نمیتوان آن را انجام داد، با
213
00:06:52,479 –> 00:06:55,840
این گزینه help
214
00:06:56,919 –> 00:06:58,560
session.logger،
215
00:06:58,560 –> 00:07:00,160
میتوانید ببینید که ما کارهای زیادی
216
00:07:00,160 –> 00:07:03,120
داریم که میتوانیم با این تابع خاص انجام دهیم،
217
00:07:03,120 –> 00:07:05,440
صبر کنید چیزی از دست رفته باشد،
218
00:07:05,440 –> 00:07:08,080
ببینید من درست انجام میدهم.
219
00:07:08,080 –> 00:07:09,440
می بینید که ما چیزهای زیادی داریم
220
00:07:09,440 –> 00:07:10,960
که می توانید نام مجموعه داده را به
221
00:07:10,960 –> 00:07:12,800
درستی دریافت کنید، همچنین می توانید زمان تنظیم داده
222
00:07:12,800 –> 00:07:14,960
را مشخص کنید تا در صورت داشتن
223
00:07:14,960 –> 00:07:17,280
مراکز داده به صورت دسته ای، ممکن است اوه
224
00:07:17,280 –> 00:07:18,800
دریافت مجموعه داده از یک
225
00:07:18,800 –> 00:07:21,039
سرویس پخش را مشخص کنید. زمانی را که
226
00:07:21,039 –> 00:07:23,120
می خواهید مشخص کنید در زمان جلسه می توانید
227
00:07:23,120 –> 00:07:25,280
چند تگ اضافه کنید، برخی از متادیتاها، برخی نمایه ها
228
00:07:25,280 –> 00:07:27,840
و برخی چیزهای جالب واقعی، بسیار جالب
229
00:07:27,840 –> 00:07:29,039
است، این برخی از کارهایی است که می توانید
230
00:07:29,039 –> 00:07:30,560
انجام دهید، بنابراین فقط نام مجموعه داده ها
231
00:07:30,560 –> 00:07:33,199
را انتخاب می کنید و سپس از آنجا به درستی ادامه می
232
00:07:33,199 –> 00:07:34,560
دهید
233
00:07:34,560 –> 00:07:36,000
که کاملاً درست است.
234
00:07:36,000 –> 00:07:37,680
اولین چیزی است سپس گزینه بعدی این است که
235
00:07:37,680 –> 00:07:39,680
من باید مشخص
236
00:07:39,680 –> 00:07:43,280
کنم که درست است بنابراین بپرسید
237
00:07:43,280 –> 00:07:44,639
خوب این مسابقه نوشته شده با لگاریتم است
238
00:07:44,639 –> 00:07:46,000
و من فقط وارد سیستم می شوم تا
239
00:07:46,000 –> 00:07:48,240
بتوانید با قفل قفل داده را وارد کنید
240
00:07:48,240 –> 00:07:50,479
241
00:07:50,479 –> 00:07:53,199
تا قاب منطقی در اینجا
242
00:07:53,199 –> 00:07:55,199
فریم داده های متفاوتی را دریافت
243
00:07:55,199 –> 00:07:56,400
می کنید که روی آن کار می کنید، بنابراین این مجموعه داده
244
00:07:56,400 –> 00:07:58,720
در اینجا است که مجموعه داده های عنبیه با
245
00:07:58,720 –> 00:08:01,199
تمام این توضیحات درست است، بنابراین من می توانم
246
00:08:01,199 –> 00:08:03,680
آن را از سیستم خارج
247
00:08:03,680 –> 00:08:05,280
کنم، این درک بزرگی است، بنابراین اگر
248
00:08:05,280 –> 00:08:06,879
بروم با این کار، این
249
00:08:06,879 –> 00:08:08,479
اطلاعات خاص را در اینجا ثبت میکند
250
00:08:08,479 –> 00:08:09,840
و لحظهای که این کار را انجام میدهم، اگر به اینجا برگردم
251
00:08:09,840 –> 00:08:11,360
و اینجا را بررسی کنم،
252
00:08:11,360 –> 00:08:13,680
یک پوشه خروجی درست میشود، من
253
00:08:13,680 –> 00:08:14,960
یک پوشه خروجی را در هر کجا که میخواهم قرار میدهم.
254
00:08:14,960 –> 00:08:16,400
همه چیز را دریافت کنید درست است، پس بیایید
255
00:08:16,400 –> 00:08:18,400
دوباره به عقب برگردیم و بررسی کنیم
256
00:08:18,400 –> 00:08:19,759
همانطور که می بینید، من نمی دانم کجا
257
00:08:19,759 –> 00:08:21,759
متوجه شده اید که یک پوشه خروجی وجود دارد،
258
00:08:21,759 –> 00:08:24,400
بنابراین لحظه ای که شما هر داده ای را از هر یک
259
00:08:24,400 –> 00:08:26,720
از داده های داده های خود وارد می کنید،
260
00:08:26,720 –> 00:08:28,720
تصاویر خود را برای مدل های خود تنظیم کنید.
261
00:08:28,720 –> 00:08:30,240
یک پوشه خروجی ایجاد کنید تا در داخل این
262
00:08:30,240 –> 00:08:32,080
پوشه خروجی شما نام
263
00:08:32,080 –> 00:08:34,240
مجموعه داده ای را داشته باشید که درست است
264
00:08:34,240 –> 00:08:36,880
که مجموعه ای است که در داخل آن یک
265
00:08:36,880 –> 00:08:38,479
مهر زمانی با این وجود دارد و سپس
266
00:08:38,479 –> 00:08:39,279
داخل آن تعداد زیادی از
267
00:08:39,279 –> 00:08:41,760
اطلاعات، بنابراین اینجا جایی است که تمام
268
00:08:41,760 –> 00:08:43,279
اطلاعات درست نگهداری می شوند، بسیار
269
00:08:43,279 –> 00:08:45,360
جالب است که
270
00:08:45,360 –> 00:08:47,600
معیارهای حساب، توزیع همه چیز را محاسبه کنید،
271
00:08:47,600 –> 00:08:49,279
سپس در داخل پوشه json اینجاست
272
00:08:49,279 –> 00:08:51,839
که می توانید آن را در واقع تجسم کنید،
273
00:08:51,839 –> 00:08:53,360
بنابراین بیایید ببینیم چگونه آن را درست برابر کنیم، بنابراین
274
00:08:53,360 –> 00:08:55,120
این یک چیز بسیار اساسی است. در مورد آن در
275
00:08:55,120 –> 00:08:56,959
حال حاضر من فقط می خواهم درست به عقب برگردم
276
00:08:56,959 –> 00:08:58,480
در صورتی که بخواهم
277
00:08:58,480 –> 00:09:00,240
نتیجه هر چیزی را که دارم تجسم کنم،
278
00:09:00,240 –> 00:09:02,080
این گزینه خواهد بود که
279
00:09:02,080 –> 00:09:04,959
280
00:09:06,640 –> 00:09:08,160
معیارهای ماتریس را تجسم کند، مانند آشکارا
281
00:09:08,160 –> 00:09:11,360
متریک ها یا بلوک های
282
00:09:11,360 –> 00:09:12,880
یک پولوژی برای بهتر اینجا
283
00:09:12,880 –> 00:09:14,480
در پشت سیاهههای مربوط چگونه انجام می دهید
284
00:09:14,480 –> 00:09:16,240
که بسیار ساده است، بنابراین ساده ترین
285
00:09:16,240 –> 00:09:18,720
روشی که شما فقط با این گزینه
286
00:09:18,720 –> 00:09:20,160
که قرار است
287
00:09:20,160 –> 00:09:23,200
از سمت راست y وایرلس باشد،
288
00:09:23,200 –> 00:09:24,880
به اینجا
289
00:09:24,880 –> 00:09:26,720
بروید، سپس از اینجا من می روم برای وارد کردن
290
00:09:26,720 –> 00:09:29,440
291
00:09:29,440 –> 00:09:31,519
نمایشگر نمایهام به
292
00:09:31,5