در این مطلب، ویدئو # 111 برنامه های کاربردی پایتون برای هیدرولوژی و هیدروژئولوژی 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: 00:58:11
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,410 –> 00:00:01,120
[موسیقی]
2
00:00:01,120 –> 00:00:02,960
به مدرسه آب استرالیا
3
00:00:02,960 –> 00:00:04,480
، خانه
4
00:00:04,480 –> 00:00:06,160
آموزش طراحی شده بر اساس تقاضا برای
5
00:00:06,160 –> 00:00:09,279
بخش جهانی آب
6
00:00:09,440 –> 00:00:11,440
خوش آمدید سلام و به دومین وبینار پایتون مدرسه آب استرالیا خوش آمدید،
7
00:00:11,440 –> 00:00:12,639
8
00:00:12,639 –> 00:00:14,719
در وبینار امروز ما
9
00:00:14,719 –> 00:00:16,560
برنامه های کاربردی را به طور خاص
10
00:00:16,560 –> 00:00:18,560
برای هیدرولوژی و هیدروژئولوژی
11
00:00:18,560 –> 00:00:20,400
و زمین شناسی پوشش خواهیم داد. فقط برای آماده کردن زمینه برای این
12
00:00:20,400 –> 00:00:21,760
وبینار یکی از اهداف این وبینار این
13
00:00:21,760 –> 00:00:23,760
است که به عنوان مقدمه ای
14
00:00:23,760 –> 00:00:25,840
برای برخی دوره های آینده خدمت کند که در آنها می
15
00:00:25,840 –> 00:00:27,359
توانید برنامه نویسی خود را انجام دهید،
16
00:00:27,359 –> 00:00:29,039
بنابراین مشتاقانه منتظر هستم که نام من
17
00:00:29,039 –> 00:00:30,560
کریگ است من امروز میزبان شما خواهم بود.
18
00:00:30,560 –> 00:00:33,120
به همه شرکت کنندگان
19
00:00:33,120 –> 00:00:34,399
از سرتاسر جهان خوش آمدید،
20
00:00:34,399 –> 00:00:35,920
ما از
21
00:00:35,920 –> 00:00:37,360
حضور شما از هر کجا که در آن شرکت می کنید از
22
00:00:37,360 –> 00:00:38,000
امروز هیجان زده هستیم، اوم،
23
00:00:38,000 –> 00:00:40,160
اوم، اوم، اوم، اوم، اوم، اوم، و اگر بتوانم سریعاً به سمت
24
00:00:40,160 –> 00:00:42,000
آینده پیش بروم، می توانم از همه
25
00:00:42,000 –> 00:00:43,280
کسانی که تماشا خواهند کرد استقبال کنم. این
26
00:00:43,280 –> 00:00:44,239
ضبط
27
00:00:44,239 –> 00:00:46,000
در آینده ای نزدیک است، بنابراین از
28
00:00:46,000 –> 00:00:47,920
علاقه شما به این موضوع به طور خاص و
29
00:00:47,920 –> 00:00:49,520
برای حمایت از مدرسه آب استرالیا
30
00:00:49,520 –> 00:00:49,920
31
00:00:49,920 –> 00:00:53,039
به طور کلی تشکر می کنیم، بیایید امروز کارشناسان ما را معرفی کنیم.
32
00:00:53,039 –> 00:00:55,440
لوک پیترز کریس ترنج
33
00:00:55,440 –> 00:00:56,800
و وینسنت پست
34
00:00:56,800 –> 00:00:58,879
لوک و کریس در
35
00:00:58,879 –> 00:01:00,559
وبینار قبلی ما پایتون حضور
36
00:01:00,559 –> 00:01:01,840
داشتند.
37
00:01:01,840 –> 00:01:03,199
38
00:01:03,199 –> 00:01:03,760
39
00:01:03,760 –> 00:01:05,360
40
00:01:05,360 –> 00:01:07,280
اوه من
41
00:01:07,280 –> 00:01:08,960
فکر می کنم اولین افتتاحیه مدرسه آب
42
00:01:08,960 –> 00:01:10,479
او در اینجا از شما تشکر می کنم برای کسانی که
43
00:01:10,479 –> 00:01:12,080
نتایج نظرسنجی را پر کردند،
44
00:01:12,080 –> 00:01:15,119
طبق معمول، تجاری و مشاوره،
45
00:01:15,119 –> 00:01:16,799
اوه، برای بخش
46
00:01:16,799 –> 00:01:17,920
هایی که همه از آن ها هستند
47
00:01:17,920 –> 00:01:20,720
و همچنین اگر به سوال دوم در مورد او نگاه کنید، در صدر قرار
48
00:01:20,720 –> 00:01:21,439
می گیرد.
49
00:01:21,439 –> 00:01:23,920
تجسم جای تعجب نیست که
50
00:01:23,920 –> 00:01:26,080
تقریباً همه با اکسل آشنا هستند،
51
00:01:26,080 –> 00:01:27,759
اما وقتی به برخی از این
52
00:01:27,759 –> 00:01:29,759
موارد دیگر نگاه میکنیم، میدانید که پایتون
53
00:01:29,759 –> 00:01:31,920
علاقه زیادی به چند نفر دیگر دارد،
54
00:01:31,920 –> 00:01:35,200
و
55
00:01:35,200 –> 00:01:36,880
سپس تجربه سوال شماره
56
00:01:36,880 –> 00:01:37,520
سه را کامل میکند.
57
00:01:37,520 –> 00:01:40,799
اوه شما می توانید برخی از بسته های مختلف uh را ببینید
58
00:01:40,799 –> 00:01:42,560
که دیگران از
59
00:01:42,560 –> 00:01:43,840
آنها استفاده کرده اند
60
00:01:43,840 –> 00:01:47,600
و سپس واقعاً می خواستند احساسی نسبت
61
00:01:47,600 –> 00:01:50,079
به موضوعات امروز داشته باشند، اوه که شما
62
00:01:50,079 –> 00:01:50,960
او را خواهید دید
63
00:01:50,960 –> 00:01:52,880
64
00:01:52,880 –> 00:01:54,399
65
00:01:54,399 –> 00:01:54,880
66
00:01:54,880 –> 00:01:56,719
تقریباً همه مایلند در مورد همه چیز بشنوند،
67
00:01:56,719 –> 00:01:58,240
بنابراین ما سعی خواهیم کرد
68
00:01:58,240 –> 00:01:59,840
تا آنجا که ممکن است به
69
00:01:59,840 –> 00:02:03,040
آن ها برسیم، اما تقریباً به طور
70
00:02:03,040 –> 00:02:03,840
مساوی کمی در
71
00:02:03,840 –> 00:02:05,680
بالا تقسیم شده ایم. سطح زمین یا بیشتر از سطح
72
00:02:05,680 –> 00:02:07,600
زمین تا زیر زمین
73
00:02:07,600 –> 00:02:09,280
تا جایی که آب های سطحی در مقابل
74
00:02:09,280 –> 00:02:11,200
آب های زیرزمینی قرار دارند، اما این
75
00:02:11,200 –> 00:02:13,120
خیلی تعجب آور به نظر نمی رسد، بنابراین
76
00:02:13,120 –> 00:02:16,480
اوه لوک کریس اوه وینسنت ام، می
77
00:02:16,480 –> 00:02:17,680
دانید اگر نگاهی به آن ها داشته باشید. شاید
78
00:02:17,680 –> 00:02:18,959
فقط خود را به طور خلاصه معرفی کنید به ما بگویید از کجا به سراغ
79
00:02:18,959 –> 00:02:20,160
ما می آیید
80
00:02:20,160 –> 00:02:22,080
و اگر چیز شگفت انگیزی
81
00:02:22,080 –> 00:02:23,680
در آن نتایج نظرسنجی مشاهده کردید به ما بگویید
82
00:02:23,680 –> 00:02:26,640
شاید با شما شروع شود کریس بله مطمئناً
83
00:02:26,640 –> 00:02:28,400
ممنون کریگ ام بله کریس ترنر
84
00:02:28,400 –> 00:02:30,239
اینجا از آدلاید در استرالیای جنوبی است.
85
00:02:30,239 –> 00:02:31,840
بله، شما واقعاً می توانید ببینید،
86
00:02:31,840 –> 00:02:33,840
من علاقه مند بودم که ام را ببینم که
87
00:02:33,840 –> 00:02:35,360
تقریباً یکنواخت در بین موضوعات تقسیم شده
88
00:02:35,360 –> 00:02:37,040
است که دیدن
89
00:02:37,040 –> 00:02:39,680
هیچ برجسته ای در آنجا خوب است و
90
00:02:39,680 –> 00:02:41,680
دیدن
91
00:02:41,680 –> 00:02:43,680
اکسل واقعاً برای بسیاری از افراد شگفت
92
00:02:43,680 –> 00:02:46,319
آور نیست. افرادی با تجزیه و تحلیل داده ها
93
00:02:46,319 –> 00:02:49,680
بله قطعاً لوک سلام من لوک اینجا هستم
94
00:02:49,680 –> 00:02:52,000
همچنین در آدلاید استرالیای جنوبی
95
00:02:52,000 –> 00:02:55,920
مستقر هستم و اکنون همیشه از اینکه می بینم
96
00:02:55,920 –> 00:02:58,159
چقدر مخاطب بین المللی در
97
00:02:58,159 –> 00:02:58,959
اینجا داریم شگفت زده هستم و
98
00:02:58,959 –> 00:03:01,120
فکر می کنم همه قاره ها از قطب جنوب
99
00:03:01,120 –> 00:03:02,319
نماینده ای
100
00:03:02,319 –> 00:03:04,959
هستند. و همچنین خوب است که می بینیم
101
00:03:04,959 –> 00:03:06,720
افراد زیادی وجود دارند که قبلاً
102
00:03:06,720 –> 00:03:08,480
با پایتون در معرض rf قرار گرفته اند،
103
00:03:08,480 –> 00:03:09,680
بنابراین
104
00:03:09,680 –> 00:03:11,760
برای این ارائه واقعاً خوب
105
00:03:11,760 –> 00:03:12,959
است و همچنین به
106
00:03:12,959 –> 00:03:15,200
نظر می رسد خوب است و اوم شرکت کننده ما
107
00:03:15,200 –> 00:03:17,120
از دورترین نقطه، آه امروز حداقل
108
00:03:17,120 –> 00:03:18,000
از جایی که ما هستیم. در
109
00:03:18,000 –> 00:03:20,800
اوه وینسنت ام، بله، اگر میخواستید
110
00:03:20,800 –> 00:03:21,120
در
111
00:03:21,120 –> 00:03:23,200
مورد جهش یافته باشید، بیا و به ما اطلاع بده از کجا به ما میآمدی
112
00:03:23,200 –> 00:03:24,879
و ببینیم
113
00:03:24,879 –> 00:03:25,360
114
00:03:25,360 –> 00:03:29,040
آیا شگفتیهایی از نتایج
115
00:03:29,040 –> 00:03:30,879
نظرسنجی وجود دارد یا خیر، بله، وینسنت اینجا از
116
00:03:30,879 –> 00:03:32,319
117
00:03:32,319 –> 00:03:33,760
هلند هنوز هم هستند. من وابسته به
118
00:03:33,760 –> 00:03:35,760
دانشگاه فلیندرز در استرالیا
119
00:03:35,760 –> 00:03:38,239
هستم، بنابراین در قلب من هنوز به آدلاید نزدیک هستم،
120
00:03:38,239 –> 00:03:39,200
121
00:03:39,200 –> 00:03:41,840
بله واقعاً خوب است که ببینم لوک چه
122
00:03:41,840 –> 00:03:43,760
گفته است که قبلاً افرادی هستند که
123
00:03:43,760 –> 00:03:44,959
از پایتون استفاده می کنند
124
00:03:44,959 –> 00:03:47,840
و آنچه من در لاس دیده ام.
125
00:03:47,840 –> 00:03:49,920
حدود یک دهه است که محبوبیت پایتون به
126
00:03:49,920 –> 00:03:51,360
تازگی در حال افزایش است
127
00:03:51,360 –> 00:03:53,680
و البته ما امیدواریم که با
128
00:03:53,680 –> 00:03:54,400
129
00:03:54,400 –> 00:03:56,959
این وبینار در دوره های آتی آن را بیش از پیش ارتقا دهیم
130
00:03:56,959 –> 00:03:58,640
زیرا این واقعا یک ابزار عالی است
131
00:03:58,640 –> 00:04:02,000
و من فکر می کنم که هر آب شناس
132
00:04:02,000 –> 00:04:03,920
از دانستن در مورد آن سود خواهد برد.
133
00:04:03,920 –> 00:04:06,959
بله، دیدن آن بسیار خوب است و همانطور که
134
00:04:06,959 –> 00:04:08,000
گفتم، امیدوارم
135
00:04:08,000 –> 00:04:10,080
امروز بتوانیم آن را حتی بیشتر تبلیغ کنیم،
136
00:04:10,080 –> 00:04:11,120
137
00:04:11,120 –> 00:04:12,640
اگر فرصتی برای دیدن
138
00:04:12,640 –> 00:04:14,640
قبل از آن نداشته باشید، توصیه می کنم به
139
00:04:14,640 –> 00:04:16,639
وبینار قبلی که در اوه نوامبر انجام دادیم برگردید.
140
00:04:16,639 –> 00:04:16,959
141
00:04:16,959 –> 00:04:18,959
اوم اگر شما تازه وارد پایتون هستید و
142
00:04:18,959 –> 00:04:20,560
حتی اگر پایتون قدیمی هستید، خلاصه خوبی ارائه کرده است
143
00:04:20,560 –> 00:04:21,440
144
00:04:21,440 –> 00:04:24,320
اوه سحابی کین اوه اوه و
145
00:04:24,320 –> 00:04:25,360
واقعا
146
00:04:25,360 –> 00:04:26,639
برنامه نویسی را پشت سر گذاشته است، می دانید که
147
00:04:26,639 –> 00:04:28,800
زبان های برنامه نویسی وجود دارد و آنها اوه
148
00:04:28,800 –> 00:04:30,479
می دانید اینها زبان ها هستند و اوه
149
00:04:30,479 –> 00:04:32,320
کین در یکی از
150
00:04:32,320 –> 00:04:34,240
پوششهای دروس گرامر، اساساً
151
00:04:34,240 –> 00:04:36,000
شما میدانید که افعال، صفتها
152
00:04:36,000 –> 00:04:38,400
و اسمها در یک زبان برنامهنویسی um چه هستند،
153
00:04:38,400 –> 00:04:39,199
کار بسیار خوبی
154
00:04:39,199 –> 00:04:41,440
انجام میدهد و این یک پسزمینه عالی برای
155
00:04:41,440 –> 00:04:43,600
چیزهایی است که امروز به آنها خواهیم پرداخت.
156
00:04:43,600 –> 00:04:46,080
بنابراین ما دوباره
157
00:04:46,080 –> 00:04:47,840
کانال یوتیوب را برای مدرسه آب استرالیا
158
00:04:47,840 –> 00:04:49,280
با اعداد متوالی در
159
00:04:49,280 –> 00:04:51,280
وبینارها طبقه بندی می کنیم و
160
00:04:51,280 –> 00:04:52,400
اگر می خواهید آن یکی را در گوگل جستجو کنید یا
161
00:04:52,400 –> 00:04:54,560
آن را جستجو کنید، ادامه دهید و
162
00:04:54,560 –> 00:04:55,840
اگر فرصتی پیدا کردید آن یکی را تماشا کنید. فکر میکنید که این
163
00:04:55,840 –> 00:04:58,240
زمینه خوبی را فراهم میکند،
164
00:04:58,240 –> 00:04:59,520
ما میخواهیم ارائه امروز را
165
00:04:59,520 –> 00:05:01,520
به سه بخش تقسیم
166
00:05:01,520 –> 00:05:03,199
کنیم که شامل سه کارگاه
167
00:05:03,199 –> 00:05:04,800
است که میتوانید در آن ثبت نام کنید،
168
00:05:04,800 –> 00:05:07,680
اوه، ما با
169
00:05:07,680 –> 00:05:08,639
لوک انجام بحث
170
00:05:08,639 –> 00:05:12,080
دادهها و سپس
171
00:05:12,080 –> 00:05:13,199
تجزیه و تحلیل سریهای زمانی شروع میکنیم. توسط کریس
172
00:05:13,199 –> 00:05:14,639
و سپس با وینسنت وارد تجسم دادهها میشویم،
173
00:05:14,639 –> 00:05:17,039
174
00:05:17,039 –> 00:05:19,440
پس با این اوم به شما لوک میرسیم
175
00:05:19,440 –> 00:05:20,960
، چند دقیقه دیگر شما را میبینیم و در
176
00:05:20,960 –> 00:05:23,840
طول مدت زمان q.
177
00:05:23,840 –> 00:05:25,120
178
00:05:25,120 –> 00:05:27,840
شما در این وبینار به آن اشاره کردید،
179
00:05:27,840 –> 00:05:28,720
180
00:05:28,720 –> 00:05:30,880
ما نمیتوانیم در مدت زمان کوتاهی پایتون را به شما آموزش دهیم،
181
00:05:30,880 –> 00:05:32,400
بنابراین
182
00:05:32,400 –> 00:05:34,560
تصمیمی که گرفتیم این بود که به
183
00:05:34,560 –> 00:05:35,759
شما نشان
184
00:05:35,759 –> 00:05:39,840
دهیم که چگونه از پایتون در
185
00:05:39,840 –> 00:05:41,840
کار روزانه خود به عنوان محقق استفاده میکنیم. در آب منطق و هیدروژئولوژی
186
00:05:41,840 –> 00:05:43,039
187
00:05:43,039 –> 00:05:45,840
و بیشتر حول محور بحث و جدل داده است، بنابراین
188
00:05:45,840 –> 00:05:47,120
واردات
189
00:05:47,120 –> 00:05:50,400
صادر کردن دادهها، چنین
190
00:05:50,400 –> 00:05:50,960
191
00:05:50,960 –> 00:05:54,080
چیزهایی، تجسم و تجزیه و تحلیل دادهها،
192
00:05:54,080 –> 00:05:57,120
پردازش آن دادهها، همچنین نحوه استفاده ما از
193
00:05:57,120 –> 00:05:57,840
پایتون
194
00:05:57,840 –> 00:06:00,800
در پردازش قبل و بعد از مدلها،
195
00:06:00,800 –> 00:06:02,639
به طوری که کریگ به آن اشاره کرد،
196
00:06:02,639 –> 00:06:04,319
وجود دارد. این را دنبال کنید که دوره
197
00:06:04,319 –> 00:06:06,000
گستردهتری
198
00:06:06,000 –> 00:06:08,560
است که در آن ما واقعاً به شما کمک
199
00:06:08,560 –> 00:06:10,560
میکنیم نمونههای کاری را مرور کنید،
200
00:06:10,560 –> 00:06:13,039
جایی که بیشتر بر اساس
201
00:06:13,039 –> 00:06:14,800
نوتبوکهای مشتری خواهد
202
00:06:14,800 –> 00:06:18,160
بود، قبل از
203
00:06:18,160 –> 00:06:20,720
اینکه تمام عظمت پایتون را نشان دهم که
204
00:06:20,720 –> 00:06:21,520
چرا شما
205
00:06:21,520 –> 00:06:24,080
حتی به آن فکر میکنید. نگاه کردن به پایتون یا هر
206
00:06:24,080 –> 00:06:25,199
زبان اسکریپتی
207
00:06:25,199 –> 00:06:28,479
در اوم در هیدرولوژی و فقط
208
00:06:28,479 –> 00:06:29,919
چند مورد اصلی که من متوجه شدم چیزهایی
209
00:06:29,919 –> 00:06:31,120
210
00:06:31,120 –> 00:06:34,240
برای من مهم هستند این است که مهمترین چیز این است که
211
00:06:34,240 –> 00:06:37,600
کارهای تکراری را خودکار کنید.
212
00:06:37,600 –> 00:06:39,360
213
00:06:39,360 –> 00:06:40,639
در اکسل um
214
00:06:40,639 –> 00:06:44,000
با چند خط ساده در پایتون um
215
00:06:44,000 –> 00:06:47,199
اما همچنین به شما امکان دسترسی به توابع
216
00:06:47,199 –> 00:06:49,280
و قابلیت هایی را می دهد
217
00:06:49,280 –> 00:06:50,240
که
218
00:06:50,240 –> 00:06:53,840
در اکسل یا بسته های دیگر ندارید
219
00:06:53,919 –> 00:06:57,440
I’m working bo در دانشگاه به عنوان و به
220
00:06:57,440 –> 00:06:59,039
نوعی مطالعات ارزیابی اثرات زیست محیطی دولتی
221
00:06:59,039 –> 00:07:00,720
222
00:07:00,720 –> 00:07:02,160
و در این نوع مطالعات
223
00:07:02,160 –> 00:07:04,240
برای ما اهمیت
224
00:07:04,240 –> 00:07:06,639
بیشتری پیدا می کند که کارهایی را انجام دهیم که
225
00:07:06,639 –> 00:07:08,479
قابل تکرار و تکرار باشند و
226
00:07:08,479 –> 00:07:10,479
این یکی از بزرگترین مزیت
227
00:07:10,479 –> 00:07:12,080
های پایتون برای من است
228
00:07:12,080 –> 00:07:13,680
. به خصوص در ترکیب با
229
00:07:13,680 –> 00:07:16,000
نوتبوکها این است که میتوانید
230
00:07:16,000 –> 00:07:18,160
کل گردش کار پردازش دادههای خود را
231
00:07:18,160 –> 00:07:19,759
از بارگذاری دادهها
232
00:07:19,759 –> 00:07:21,680
تا مدلسازی به سمت راست گرفته تا ایجاد
233
00:07:21,680 –> 00:07:24,000
ارقامی که وارد گزارش میشوند
234
00:07:24,000 –> 00:07:26,319
و هر کس دیگری میتواند دنبال شما بیاید
235
00:07:26,319 –> 00:07:28,160
و دقیقاً همان تحلیل را اجرا کند. و می تواند
236
00:07:28,160 –> 00:07:29,520
بفهمد چه کاری انجام داده اید
237
00:07:29,520 –> 00:07:31,039
و من را در موارد متعددی نجات داده است
238
00:07:31,039 –> 00:07:32,639
وقتی که به پایان یک
239
00:07:32,639 –> 00:07:33,599
پروژه می رسید
240
00:07:33,599 –> 00:07:35,360
و کسی از شما می خواهد چیزی را تغییر دهید
241
00:07:35,360 –> 00:07:37,039
یا چیزی را سوال می کند
242
00:07:37,039 –> 00:07:38,639
که می توانید به عقب برگردید و بررسی کنید که
243
00:07:38,639 –> 00:07:40,160
شش ماه چه کار کرده اید. پیش از این
244
00:07:40,160 –> 00:07:42,240
و شما همه چیز را به خوبی
245
00:07:42,240 –> 00:07:44,560
مستند کرده اید، پایتون
246
00:07:44,560 –> 00:07:45,039
تنها
247
00:07:45,039 –> 00:07:48,080
زبان در زبان برنامه نویسی نیست، امم
248
00:07:48,080 –> 00:07:50,319
، چیزهایی مانند matlab و r هستند که
249
00:07:50,319 –> 00:07:52,160
شبیه هستند. قابلیتهای ar
250
00:07:52,160 –> 00:07:54,319
چیزی که من بهخصوص در مورد پایتون دوست دارم
251
00:07:54,319 –> 00:07:56,000
این است
252
00:07:56,000 –> 00:07:58,639
که پشتیبانی از پایتون این است که
253
00:07:58,639 –> 00:08:00,400
بستههای زیادی در دسترس هستند
254
00:08:00,400 –> 00:08:05,199
که قابلیتهای بسیار زیادی
255
00:08:05,199 –> 00:08:07,199
مانند تجسم را به شما میدهند، اما بهویژه
256
00:08:07,199 –> 00:08:08,240
تجزیه و تحلیل دادهها
257
00:08:08,240 –> 00:08:11,520
و یادگیری ماشینی به راحتی
258
00:08:11,520 –> 00:08:12,000
259
00:08:12,000 –> 00:08:14,479
در بستههای پایتون در دسترس است و بسیار مهم است.
260
00:08:14,479 –> 00:08:15,199
همچنین یکی از
261
00:08:15,199 –> 00:08:17,759
این موارد این است که پایتون رایگان است، زیرا در
262
00:08:17,759 –> 00:08:18,639
آزادی بیان
263
00:08:18,639 –> 00:08:20,479
در آن کد منبع معمولاً آزادانه
264
00:08:20,479 –> 00:08:22,080
در دسترس است، بنابراین شما واقعاً می توانید
265
00:08:22,080 –> 00:08:24,319
بفهمید که چگونه کارها انجام می شود و
266
00:08:24,319 –> 00:08:25,360
همچنین رایگان است، همانطور که در
267
00:08:25,360 –> 00:08:27,199
آبجو رایگان و همچنین نیازی به پرداخت هزینه ندارید.
268
00:08:27,199 –> 00:08:28,960
بنابراین اینها به نوعی از مزایای اصلی هستند
269
00:08:28,960 –> 00:08:29,759
270
00:08:29,759 –> 00:08:31,599
و فقط برای مثال کمی
271
00:08:31,599 –> 00:08:33,919
این یکی از آن بسته هایی است
272
00:08:33,919 –> 00:08:35,279
که توسط یکی
273
00:08:35,279 –> 00:08:38,799
از همکاران من در um در cs0 um ایجاد شده است و او
274
00:08:38,799 –> 00:08:39,679
275
00:08:39,679 –> 00:08:41,839
بسته ای را به طور خاص برای
276
00:08:41,839 –> 00:08:43,760
دسترسی به پایگاه داده یا به طور خاص نوشته است.
277
00:08:43,760 –> 00:08:45,600
سرورهای اداره هواشناسی
278
00:08:45,600 –> 00:08:48,240
در استرالیا، بنابراین اداره هواشناسی
279
00:08:48,240 –> 00:08:49,760
، متولیان بسیاری از
280
00:08:49,760 –> 00:08:51,440
داده های آب در استرالیا هستند
281
00:08:51,440 –> 00:08:54,720
و آنچه این ابزار انجام می دهد و کدهایی
282
00:08:54,720 –> 00:08:55,920
که من در اینجا نشان میدهم
283
00:08:55,920 –> 00:08:59,519
که این دقیقاً کاری است که
284
00:08:59,519 –> 00:09:01,760
از سرور داده درخواست میکند،
285
00:09:01,760 –> 00:09:04,080
سری زمانی در حفره آب
286
00:09:04,080 –> 00:09:07,200
زیرزمینی از سال 2016 تا 2020. بنابراین استفاده از
287
00:09:07,200 –> 00:09:09,120
آن واقعاً آسان است و شما
288
00:09:09,120 –> 00:09:10,800
بلافاصله همه دادهها را در اختیار دارید و
289
00:09:10,800 –> 00:09:12,240
میتوانید ترسیم را شروع کنید.
290
00:09:12,240 –> 00:09:15,600
و شما می توانید انجام دهید، در این مورد
291
00:09:15,600 –> 00:09:17,360
یک مثال آب زیرزمینی بود، اما
292
00:09:17,360 –> 00:09:19,519
به شما امکان دسترسی به بسیاری از چیزهای دیگر را می دهد،
293
00:09:19,519 –> 00:09:21,040
مانند هر داده ای که میزان بارندگی در آنها وجود دارد،
294
00:09:21,040 –> 00:09:24,000
یا در این مورد می
295
00:09:24,000 –> 00:09:25,760
توانید در واقع یک جستجوی جغرافیایی انجام دهید
296
00:09:25,760 –> 00:09:27,519
که در آن
297
00:09:27,519 –> 00:09:29,680
یک جعبه مرزی را مشخص می کنید و آن را به شما می دهد. شما
298
00:09:29,680 –> 00:09:31,360
جایی که تمام ایستگاه های اندازه گیری
299
00:09:31,360 –> 00:09:34,320
در استرالیا در داخل آن جعبه مرزی قرار دارند،
300
00:09:34,320 –> 00:09:34,880
301
00:09:34,880 –> 00:09:36,640
اکنون بسیار راحت است و به خصوص
302
00:09:36,640 –> 00:09:38,240
از آنجایی که شخص دیگری تمام کارهای
303
00:09:38,240 –> 00:09:39,440
سنگین
304
00:09:39,440 –> 00:09:41,120
نوشتن آن بسته را انجام داده است، بنابراین شما می توانید در واقع
305
00:09:41,120 –> 00:09:42,959
فقط وصل و پخش کنید و
306
00:09:42,959 –> 00:09:45,360
تجزیه و تحلیل داده های خود را متوقف کنید،
307
00:09:45,360 –> 00:09:47,440
متأسفانه این چنین است. همیشه اینطور نیست
308
00:09:47,440 –> 00:09:48,000
309
00:09:48,000 –> 00:09:50,000
و اغلب بسته به اینکه
310
00:09:50,000 –> 00:09:51,120
داده های خود را از کجا دریافت
311
00:09:51,120 –> 00:09:53,120
می کنید، مجبور خواهید بود کد خود را بنویسید یا
312
00:09:53,120 –> 00:09:54,560
کد خود را تغییر دهید
313
00:09:54,560 –> 00:09:57,600
تا با داده هایی که سفارشی شود.
314
00:09:57,600 –> 00:09:58,720
شما دارید،
315
00:09:58,720 –> 00:10:01,360
بنابراین چیزی که من در این اسلاید دارم، برخی
316
00:10:01,360 –> 00:10:02,800
از بستههایی است
317
00:10:02,800 –> 00:10:04,640
که من کاملاً از آنها استفاده میکنم،
318
00:10:04,640 –> 00:10:06,320
مخصوصاً سه بسته در
319
00:10:06,320 –> 00:10:07,760
بالا، نوعی بستههای اسب کار من
320
00:10:07,760 –> 00:10:09,279
هستند که بیشتر کارهای سنگین
321
00:10:09,279 –> 00:10:10,000
322
00:10:10,000 –> 00:10:13,120
را انجام میدهند. دارای numpy um است که مقدار زیادی
323
00:10:13,120 –> 00:10:14,160
از um عددی است
324
00:10:14,160 –> 00:10:17,519
که بسته عددی کلیدی
325
00:10:17,519 –> 00:10:19,440
در پایتون است، بنابراین دارای قابلیت های زیادی از
326
00:10:19,440 –> 00:10:22,160
327
00:10:22,160 –> 00:10:24,800
تجزیه و تحلیل عددی و تجزیه و تحلیل داده ها است
328
00:10:24,800 –> 00:10:25,600
و دارای
329
00:10:25,600 –> 00:10:28,480
عملکردهایی در واردات و صادرات
330
00:10:28,480 –> 00:10:30,880
داده است،
331
00:10:30,880 –> 00:10:33,440
اما بسته ای که برای آن مناسب تر است. پانداهای
332
00:10:33,440 –> 00:10:34,800
333
00:10:34,800 –> 00:10:38,880
پاندا بیشتر برای کار کردن با um طراحی شدهاند،
334
00:10:38,880 –> 00:10:41,680
335
00:10:41,680 –> 00:10:42,880
عملکرد پایگاه داده کمی بیشتری دارند،
336
00:10:42,880 –> 00:10:45,360
بنابراین گزینههای بیشتری مانند وارد کردن و
337
00:10:45,360 –> 00:10:46,480
صادر کردن
338
00:10:46,480 –> 00:10:49,920
به اکسل و برخی
339
00:10:49,920 –> 00:10:52,320
روشهای پیشرفته برای نمایهسازی و فیلتر کردن دادههای شما،
340
00:10:52,320 –> 00:10:54,000
بنابراین این دو با هم ترکیب میشوند تا بتوانید کارهای بسیار زیبایی را شروع کنید.
341
00:10:54,000 –> 00:10:56,240
342
00:10:56,240 –> 00:10:59,200
تجزیه و تحلیل داده ها و matplotlib که
343
00:10:59,200 –> 00:11:00,480
344
00:11:00,480 –> 00:11:03,040
بسته کلیدی برای تجسم است، بنابراین
345
00:11:03,040 –> 00:11:05,279
بیشترین قابلیت تجسم شما را در
346
00:11:05,279 –> 00:11:06,160
python
347
00:11:06,160 –> 00:11:08,720
um می توانید در matplotlib پیدا کنید
348
00:11:08,720 –> 00:11:11,279
، adva های بیشتری وجود دارد.
349
00:11:11,279 –> 00:11:14,720
گزینههای تجسم nced و ام وینسنت
350
00:11:14,720 –> 00:11:16,160
در آخرین ارائه
351
00:11:16,160 –> 00:11:18,720
چند نمونه از آن را به شما ارائه میدهیم، همچنین
352
00:11:18,720 –> 00:11:20,160
فقط دو مورد دیگر که میخواهم به آنها اشاره
353
00:11:20,160 –> 00:11:23,040
کنم، geopandas هستند
354
00:11:23,040 –> 00:11:25,360
که عملکرد پانداها را
355
00:11:25,360 –> 00:11:26,880
به دادههای مکانی به دادههای جعلی
356
00:11:26,880 –> 00:11:28,560
به دادههای برداری گسترش میدهند. بسته ای است
357
00:11:28,560 –> 00:11:30,560
که در آن می توانید داده های فایل شکل را بارگیری کنید
358
00:11:30,560 –> 00:11:32,640
و اساساً شروع به انجام بسیاری از
359
00:11:32,640 –> 00:11:34,160
عملکردها کنید که در غیر این صورت
360
00:11:34,160 –> 00:11:37,120
به یک محیط gis برای آن نیاز دارید
361
00:11:37,120 –> 00:11:40,399
و در نهایت scikit-learn
362
00:11:40,399 –> 00:11:42,720
که توانایی numpy زیادی را
363
00:11:42,720 –> 00:11:44,880
از نظر تجزیه و تحلیل داده ها گسترش می دهد
364
00:11:44,880 –> 00:11:47,040
و آنچه را که من به آن فکر می
365
00:11:47,040 –> 00:11:48,880
کنم به عنوان
366
00:11:48,880 –> 00:11:51,120
یک ورودی یک نسخه آسان از
367
00:11:51,120 –> 00:11:52,480
یادگیری ماشینی فکر می کنم که بسیاری از
368
00:11:52,480 –> 00:11:53,760
الگوریتم های یادگیری ماشین را
369
00:11:53,760 –> 00:11:57,519
در قالبی نسبتاً آسان در دسترس قرار می دهد
370
00:11:57,519 –> 00:11:59,680
که به نوعی مقدمه من بود
371
00:11:59,680 –> 00:12:01,120
و اکنون در حال رفتن
372
00:12:01,120 –> 00:12:04,480
به نشان دادن چیزهایی نمونه هایی
373
00:12:04,480 –> 00:12:05,440
از آنچه من
374
00:12:05,440 –> 00:12:08,160
در گذشته چگونه از پایتون استفاده کرده ام و
375
00:12:08,160 –> 00:12:08,560
چرا
376
00:12:08,560 –> 00:12:11,600
و چگونه این کار را انجام دادم، بنابراین
377
00:12:11,600 –> 00:12:13,760
یکی از چیزهای اصلی برای من
378
00:12:13,760 –> 00:12:15,040
تجسم داده ها است، به
379
00:12:15,040 –> 00:12:17,279
ویژه در هیدرولوژی، به ویژه
380
00:12:17,279 –> 00:12:19,440
در هیدروژئول
381
00:12:19,440 –> 00:12:21,600
به دست آوردن دادههای ogy بسیار سخت است، آنها بسیار پرهزینه هستند،
382
00:12:21,600 –> 00:12:23,360
بنابراین وقتی این دادههای گرانبها را در اختیار داریم،
383
00:12:23,360 –> 00:12:24,880
میخواهید مطمئن شوید که
384
00:12:24,880 –> 00:12:26,639
گزارشهای شما واقعاً
385
00:12:26,639 –> 00:12:28,160
داستان را بیان میکند و
386
00:12:28,160 –> 00:12:30,320
آنچه را که از آن دادهها آموختهاید، در
387
00:12:30,320 –> 00:12:31,680
این سمت چپ نشان میدهد. سمت دست آنچه می
388
00:12:31,680 –> 00:12:32,959
بینید نموداری است
389
00:12:32,959 –> 00:12:35,920
که ما در اکسل ساخته ایم
390
00:12:35,920 –> 00:12:37,519
مقادیر اتصال هیدرولیکی یک
391
00:12:37,519 –> 00:12:39,920
سیستم آبخوان آن را در برابر عمق آورده است
392
00:12:39,920 –> 00:12:41,519
و آنچه ما در اینجا سعی داریم بفهمیم این
393
00:12:41,519 –> 00:12:42,560
است که
394
00:12:42,560 –> 00:12:45,040
آیا اتصال با عمق تغییر می کند و
395
00:12:45,040 –> 00:12:46,959
به خصوص در این مورد افکار
396
00:12:46,959 –> 00:12:49,680
قرمز اوه منطقهای است که میخواهیم مدلسازی
397
00:12:49,680 –> 00:12:51,040
کنیم و میخواهیم بدانیم که آیا اکنون
398
00:12:51,040 –> 00:12:51,680
تفاوتی به
399
00:12:51,680 –> 00:12:53,920
صورت محلی با آن نمودار
400
00:12:53,920 –> 00:12:55,360
پراکنده وجود دارد یا خیر، کشف چنین اطلاعاتی واقعاً سخت است،
401
00:12:55,360 –> 00:12:56,320
402
00:12:56,320 –> 00:12:59,519
بنابراین برای پاسخ دادن به این سؤالات واقعاً
403
00:12:59,519 –> 00:13:01,600
آن را به نمودارهای جعبه تبدیل کردم.
404
00:13:01,600 –> 00:13:02,880
دادهها را
405
00:13:02,880 –> 00:13:05,600
در فواصل 25 متری در عمق مشاهده کردهاید و
406
00:13:05,600 –> 00:13:07,279
سپس نمودارهای جعبهای ایجاد کردهایم
407
00:13:07,279 –> 00:13:09,440
که رنگهای خاکستری
408
00:13:09,440 –> 00:13:11,120
مقادیر هدایت هیدرولیکی کلی و
409
00:13:11,120 –> 00:13:12,639
نارنجیهای محلی را نشان میدهند و
410
00:13:12,639 –> 00:13:14,880
میتوانید از این نظر ببینید که این مقدار بسیار زیاد است. بهتر
411
00:13:14,880 –> 00:13:16,560
است ببینید که این روند در حال ظهور است که
412
00:13:16,560 –> 00:13:19,200
اتصال هیدرولیکی با عمق کاهش می یابد
413
00:13:19,200 –> 00:13:20,079
414
00:13:20,079 –> 00:13:21,920
و در داده های محلی
415
00:13:21,920 –> 00:13:23,680
بسیار سریعتر از منطقه ای کاهش می یابد،
416
00:13:23,680 –> 00:13:24,880
417
00:13:24,880 –> 00:13:27,360
بنابراین دوباره این موضوع واقعاً به
418
00:13:27,360 –> 00:13:29,120
پاک کردن داده های شما و یافتن راهی است.
419
00:13:29,120 –> 00:13:30,800
نمایش آن به گونه ای که
420
00:13:30,800 –> 00:13:31,680
داستانی را
421
00:13:31,680 –> 00:13:35,680
بیان می کند که شما دنبال آن هستید و
422
00:13:35,680 –> 00:13:37,680
423
00:13:37,680 –> 00:13:38,959
زمانی که در حال صحبت کردن با داده های چند متغیره هستید اهمیت بیشتری پیدا می کند،
424
00:13:38,959 –> 00:13:40,399
425
00:13:40,399 –> 00:13:42,079
بنابراین در این مورد
426
00:13:42,079 –> 00:13:45,760
اوه داده های هیدروشیمیایی ام، طرح پایپر
427
00:13:45,760 –> 00:13:47,199
یک
428
00:13:47,199 –> 00:13:49,279
این یک تکنیک تجسم بسیار قدیمی
429
00:13:49,279 –> 00:13:50,560
است، فکر می کنم
430
00:13:50,560 –> 00:13:53,600
از سال 1944 راهی برای نمایش
431
00:13:53,600 –> 00:13:57,040
شیمی یون اصلی یک نمونه آب است
432
00:13:57,040 –> 00:14:00,079
و کاری که ما در اینجا انجام دادیم این بود که
433
00:14:00,079 –> 00:14:01,920
من بسته ای را برای ساختن آن نمودارهای پیپر در
434
00:14:01,920 –> 00:14:02,480
پایتون
435
00:14:02,480 –> 00:14:04,480
نوشتم و ارائه دادم هر مکان در پایپر
436
00:14:04,480 –> 00:14:06,399
یک کد رنگ منحصر به فرد ترسیم می کند تا بتوانید
437
00:14:06,399 –> 00:14:07,199
438
00:14:07,199 –> 00:14:09,920
آن را به نقشه های خود منتقل
439
00:14:09,920 –> 00:14:10,480
کنید
440
00:14:10,480 –> 00:14:13,600
و تکامل شیمیایی آب را ببینید و به آن نگاه کنید،
441
00:14:13,600 –> 00:14:15,920
بنابراین اگر به
442
00:14:15,920 –> 00:14:18,560
گوشه پایین سمت راست نگاه کنید، نمودار t دادههای
443
00:14:18,560 –> 00:14:19,760
آنیونی را نشان میدهد
444
00:14:19,760 –> 00:14:22,639
و میتوانید ببینید که
445
00:14:22,639 –> 00:14:24,399
آبخوان در جنوب
446
00:14:24,399 –> 00:14:27,120
شرقی بیشتر تحت سلطه آبهای بیکربنات است،
447
00:14:27,120 –> 00:14:29,279
اگر به سمت شمال بروید، به
448
00:14:29,279 –> 00:14:31,680
نمونههای کلرید بیشتری منتقل میشود،
449
00:14:31,680 –> 00:14:33,040
بنابراین میتوانید این
450
00:14:33,040 –> 00:14:34,160
سوال را در
451
00:14:34,160 –> 00:14:36,399
مورد آنچه در آبهای زیرزمینی اتفاق میافتد را مطرح کنید. در اینجا
452
00:14:36,399 –> 00:14:37,680
که باعث ایجاد
453
00:14:37,680 –> 00:14:40,079
این تغییر در شیمی می شود،
454
00:14:40,079 –> 00:14:41,680
مفهوم استفاده از رنگ در
455
00:14:41,680 –> 00:14:43,519
تجسم داده های چند متغیره را کمی
456
00:14:43,519 –> 00:14:44,800
فراتر برده ایم
457
00:14:44,800 –> 00:14:47,040
آنچه که در اینجا نشان می دهم نتایج
458
00:14:47,040 –> 00:14:48,959
سنجش از راه دور است، بنابراین اساساً یک مکعب داده از داده
459
00:14:48,959 –> 00:14:49,600
های
460
00:14:49,600 –> 00:14:52,959
uh sar دریافت کرده ایم.
461
00:14:52,959 –> 00:14:55,279
ما ماهواره ای داریم که هر 12 روز یکبار عکس می گیرد،
462
00:14:55,279 –> 00:14:56,639
463
00:14:56,639 –> 00:14:59,360
ما بیش از یک سال داده
464
00:14:59,360 –> 00:15:01,440
با وضوح مکانی بسیار بالا داریم، بنابراین
465
00:15:01,440 –> 00:15:03,600
چگونه می خواهید
466
00:15:03,600 –> 00:15:06,240
چنین مجموعه داده عظیمی را تجسم کنید تا هر پیکسل
467
00:15:06,240 –> 00:15:08,000
زمان خاص خود را داشته باشد.
468
00:15:08,000 –> 00:15:11,040
من از الگوریتمهای یادگیری ماشین استفاده کردم تا
469
00:15:11,040 –> 00:15:13,600
مقادیر سریهای زمانی را خوشهبندی کنم، به
470
00:15:13,600 –> 00:15:15,120
طوری که این همان چیزی است که در مربعهای
471
00:15:15,120 –> 00:15:17,519
سمت راست وجود دارد و به هر یک از آن گروهها
472
00:15:17,519 –> 00:15:18,240
473
00:15:18,240 –> 00:15:20,079
یک کد رنگ داده میشود و میتوانید ببینید که
474
00:15:20,079 –> 00:15:22,800
یک شهود وجود دارد. آن رنگ را مرتب کنید
475
00:15:22,800 –> 00:15:23,440
تا
476
00:15:23,440 –> 00:15:25,120
همه قرمزها بسیار شبیه و
477
00:15:25,120 –> 00:15:28,000
همه سبزها بسیار شبیه باشند
478
00:15:28,000 –> 00:15:30,480
و از آن برای تجسم مجدد داده ها استفاده کنید
479
00:15:30,480 –> 00:15:31,920
و چیزی که بعد می بینید این است که این
480
00:15:31,920 –> 00:15:33,920
الگوها در داده های شما ظاهر می شوند
481
00:15:33,920 –> 00:15:35,519
و در این مورد این واقعا به ما کمک کرد.
482
00:15:35,519 –> 00:15:37,440
آن نوع تجسم که
483
00:15:37,440 –> 00:15:39,120
کاوش مجموعه دادههای شما
484
00:15:39,120 –> 00:15:42,560
واقعاً به ما در یافتن شاخصی برای
485
00:15:42,560 –> 00:15:44,720
فرمولبندی شاخصی برای آن نوع
486
00:15:44,720 –> 00:15:47,199
دادهها برای شناسایی اکوسیستمهای وابسته به آبهای زیرزمینی
487
00:15:47,199 –> 00:15:49,360
488
00:15:49,360 –> 00:15:52,639
در این مورد در شمال استرالیا در
489
00:15:52,639 –> 00:15:55,199
مقیاس بسیار متفاوت سنجش از دور کمک کرد.
490
00:15:55,199 –> 00:15:57,279
این دادههای ژئوفیزیکی است، بنابراین
491
00:15:57,279 –> 00:16:01,920
یکی از اطلاعات من همکاران او
492
00:16:01,920 –> 00:16:04,959
دادههای لرزهای را در یک معامله کوتاه در
493
00:16:04,959 –> 00:16:06,720
شمال آدلاید جمعآوری کردند،
494
00:16:06,720 –> 00:16:09,360
او از این بسته توسط گیملیوم برای
495
00:16:09,360 –> 00:16:11,120
پردازش تمام آن اطلاعات استفاده کرد، بنابراین تمام
496
00:16:11,120 –> 00:16:11,839
497
00:16:11,839 –> 00:16:14,320
وارونگی ژئوفیزیکی در پایتون انجام شد
498
00:16:14,320 –> 00:16:15,440
و
499
00:16:15,440 –> 00:16:17,839
سپس با تجسم دنبال شد و در
500
00:16:17,839 –> 00:16:20,240
این مورد واقعاً کمک کرد. ما واقعاً
501
00:16:20,240 –> 00:16:22,959
برای فهمیدن اینکه سیستم چگونه کار میکند،
502
00:16:22,959 –> 00:16:24,320
در این مورد،
503
00:16:24,320 –> 00:16:26,480
فرورفتگیهای کوچکی در
504
00:16:26,480 –> 00:16:27,360
چشمانداز وجود داشت
505
00:16:27,360 –> 00:16:29,120
و میتوانستیم آن را پیدا کنیم. دادههای لرزهای
506
00:16:29,120 –> 00:16:30,240
که در واقع یک
507
00:16:30,240 –> 00:16:32,000
تپه کوچک آب زیرزمینی در زیر آنها
508
00:16:32,000 –> 00:16:34,399
وجود دارد، نشان میدهد که
509
00:16:34,399 –> 00:16:37,440
شارژ محلی در طول این ترانزیتها اتفاق میافتد
510
00:16:37,440 –> 00:16:39,920
و در نهایت این یک نوع
511
00:16:39,920 –> 00:16:41,360
کاری است که من در چند سال گذشته انجام
512
00:16:41,360 –> 00:16:42,240
513
00:16:42,240 –> 00:16:46,639
دادهام استفاده از پایتون در پردازش. از داده های مدل،
514
00:16:46,639 –> 00:16:49,199
به عنوان مثال، من از بسته sa lip
515
00:16:49,199 –> 00:16:51,120
برای تجزیه و تحلیل حساسیت استفاده کرده ام، در
516
00:16:51,120 –> 00:16:52,079
517
00:16:52,079 –> 00:16:55,600
این مورد، یک مدل پدربزرگ و مادربزرگ است که ما اجرا کردیم
518
00:16:55,600 –> 00:16:58,160
و دارای 38 پارامتر بود و می خواستیم بفهمیم
519
00:16:58,160 –> 00:17:00,320
520
00:17:00,320 –> 00:17:02,079
خروجی های ما از نظر کاهش به کدام پارامترها حساس هستند
521
00:17:02,079 –> 00:17:04,319
. شار و سطح آب زیرزمینی
522
00:17:04,319 –> 00:17:06,319
و می توانید پارامترهای آبی را مشاهده کنید که این پارامترها
523
00:17:06,319 –> 00:17:07,599
از
524
00:17:07,599 –> 00:17:10,079
نظر اهمیت برای هر یک از این
525
00:17:10,079 –> 00:17:11,119
خروجی ها هستند
526
00:17:11,119 –> 00:17:13,839
و متأسفانه در این مورد،
527
00:17:13,839 –> 00:17:15,119
پیش بینی کلیدی که ما علاقه مند به کاهش آن بودیم،
528
00:17:15,119 –> 00:17:16,559
529
00:17:16,559 –> 00:17:18,640
530
00:17:18,640 –> 00:17:19,919
به پارامترهایی که در واقع ما واقعاً نشان می دهند حساس نبود. میتوانست
531
00:17:19,919 –> 00:17:21,679
با دادههای شار و
532
00:17:21,679 –> 00:17:23,199
سطح آب زیرزمینی محدود شود،
533
00:17:23,199 –> 00:17:26,240
به این معنی که کالیبراسیون در
534
00:17:26,240 –> 00:17:27,599
این مورد
535
00:17:27,599 –> 00:17:31,200
خیلی مفید نبود، به هر حال این یک کار واقعی بود.
536
00:17:31,200 –> 00:17:34,480
تور گردباد در مورد برخی از
537
00:17:34,480 –> 00:17:35,919
کارهایی که میتوانید از نظر
538
00:17:35,919 –> 00:17:38,559
تجسم و
539
00:17:38,559 –> 00:17:40,080
پردازش دادهها انجام دهید
540
00:17:40,080 –> 00:17:42,799
و من اکنون به کریس میسپارم که
541
00:17:42,799 –> 00:17:43,360
542
00:17:43,360 –> 00:17:45,600
اطلاعات بیشتری در مورد
543
00:17:45,600 –> 00:17:46,400
سریهای زمانی ارائه میکند
544
00:17:46,400 –> 00:17:49,919
و نمونههایی از کارش را پردازش میکند.
545
00:17:49,919 –> 00:17:52,160
546
00:17:53,039 –> 00:17:55,840
خیلی ممنون لوک فقط برای دست زدن به برخی
547
00:17:55,840 –> 00:17:57,200
از سوالات دیگر در
548
00:17:57,200 –> 00:17:59,679
ما تا به حال دو سوال فنی
549
00:17:59,679 –> 00:18:00,880
550
00:18:00,880 –> 00:18:04,320
داشتیم. اوم یکی از پرفولترها بود که می پرسیدم مقایسه
551
00:18:04,320 –> 00:18:06,480
درخواست مقایسه قابلیت های عددی
552
00:18:06,480 –> 00:18:07,760
553
00:18:07,760 –> 00:18:10,320
پایتون در مقایسه با r و واقعا برای
554
00:18:10,320 –> 00:18:11,679
خودم زیاد استفاده نمی شود
555
00:18:11,679 –> 00:18:14,480
یا اصلاً خیلی زیاد استفاده نمی شود اوه من واقعاً نمی توانم
556
00:18:14,480 –> 00:18:15,840
به جای r صحبت کنم برخی از
557
00:18:15,840 –> 00:18:17,440
مجریان دیگر ممکن است بعداً بتوانند این کار را انجام دهند
558
00:18:17,440 –> 00:18:18,320
،
559
00:18:18,320 –> 00:18:20,799
اما می توانم بگویم الگوریتم های عددی زیادی وجود ندارد
560
00:18:20,799 –> 00:18:22,160
561
00:18:22,160 –> 00:18:24,559
که من متوجه شده ام که آنها را گم کرده ام از
562
00:18:24,559 –> 00:18:25,840
بسته numpy برای پایتون
563
00:18:25,840 –> 00:18:28,799
um به جز شاید به استثنای
564
00:18:28,799 –> 00:18:29,280
565
00:18:29,280 –> 00:18:32,559
الگوریتم های بهینه سازی مبتنی بر رویا
566
00:18:32,559 –> 00:18:34,640
um و بنابراین در این بخش از
567
00:18:34,640 –> 00:18:37,360
ارائه um می خواهم در مورد
568
00:18:37,360 –> 00:18:40,160
اینکه چگونه پایتون به من در اجرای سری های زمانی کمک کرده است صحبت کنم.
569
00:18:40,160 –> 00:18:41,520
570
00:18:41,520 –> 00:18:45,039
به راحتی در زمان کمتری تجزیه
571
00:18:45,039 –> 00:18:48,480
و تحلیل می شود و در عین حال دسترسی به
572
00:18:48,480 –> 00:18:51,440
طیف وسیعی از ابزارهای سطح بالا را نیز فراهم
573
00:18:51,440 –> 00:18:52,720
می کند که
574
00:18:52,720 –> 00:18:53,280
پیاده سازی آنها
575
00:18:53,280 –> 00:18:56,559
در جایگزینی مانند اکسل واقعا دشوار است،
576
00:18:56,559 –> 00:18:58,559
بنابراین من بر روی سه جنبه از زمان تمرکز خواهم کرد.
577
00:18:58,559 –> 00:19:00,080
تجزیه و تحلیل سری در اینجا فقط
578
00:19:00,080 –> 00:19:02,799
با تمرکز بر روی آنهایی که
579
00:19:02,799 –> 00:19:06,160
دادهها را پیشپردازش میکند،
580
00:19:06,160 –> 00:19:08,400
تفسیر پاسخها به
581
00:19:08,400 –> 00:19:11,360
فرآیندهای با تأخیر زمانی و همچنین تفسیر
582
00:19:11,360 –> 00:19:12,720
پاسخها به
583
00:19:12,720 –> 00:19:15,919
فرآیندهای دورهای برای شروع با
584
00:19:15,919 –> 00:19:17,200
پیش پردازش دادهها
585
00:19:17,200 –> 00:19:19,120
در اینجا، من روی سه جنبه از
586
00:19:19,120 –> 00:19:20,559
پیش پردازش تمرکز میکنم
587
00:19:20,559 –> 00:19:23,600
. به ویژه احساس شکاف نمونهگیری
588
00:19:23,600 –> 00:19:25,360
مجدد
589
00:19:25,360 –> 00:19:28,799
و عدم روند و برای این مثالها از این سه
590
00:19:28,799 –> 00:19:30,000
کار، من یک
591
00:19:30,000 –> 00:19:32,880
مجموعه داده شیبسنج دریافت کردم که از یک
592
00:19:32,880 –> 00:19:34,160
شیبسنج نصب شده
593
00:19:34,160 –> 00:19:37,679
در کوئینزلند در شمال استرالیا بود، اما
594
00:19:37,679 –> 00:19:39,919
این برنامهها در اینجا کاملاً
595
00:19:39,919 –> 00:19:40,960
با
596
00:19:40,960 –> 00:19:43,280
آب معمولی مرتبط هستند. مجموعههای دادههای هیدرولوژیکی
597
00:19:43,280 –> 00:19:44,480
نیز، بنابراین
598
00:19:44,480 –> 00:19:46,400
سریهای زمانی سرهای فشار
599
00:19:46,400 –> 00:19:47,760
،
600
00:19:47,760 –> 00:19:51,679
ارتفاعهای مرحله سر هیدرولیک، در اینجا به همان اندازه معتبر است،
601
00:19:51,679 –> 00:19:54,640
بنابراین شکافها در شکافهای تجربه من واقعاً رایج هستند.
602
00:19:54,640 –> 00:19:56,160
در دادههای سری زمانی اندازهگیری شده بسیار رایج هستند، به
603
00:19:56,160 –> 00:19:58,240
604
00:19:58,240 –> 00:20:00,080
دلایل مختلفی، چیزهایی که همیشه طبق برنامه پیش نمیروند
605
00:20:00,080 –> 00:20:01,600
606
00:20:01,600 –> 00:20:04,159
و این شکافها را پر نمیکنند،
607
00:20:04,159 –> 00:20:06,240
608
00:20:06,240 –> 00:20:07,039
اگر با دست و
609
00:20:07,039 –> 00:20:11,200
با استفاده از یک نرمافزار بدون اسکریپت مانند اکسل انجام شود، میتواند فرآیندی واقعاً زمانبر باشد،
610
00:20:11,200 –> 00:20:13,360
بنابراین به جای خودکارسازی. پر کردن
611
00:20:13,360 –> 00:20:15,520
این شکاف ها می تواند زمان زیادی را ذخیره کند،
612
00:20:15,520 –> 00:20:18,159
بنابراین در این مثال در سمت راست،
613
00:20:18,159 –> 00:20:19,679
جایی که من چند شکاف داده در
614
00:20:19,679 –> 00:20:20,000
615
00:20:20,000 –> 00:20:22,480
مجموعه داده های شیب سنج دارم، در اینجا من از
616
00:20:22,480 –> 00:20:23,919
درون یابی خطی
617
00:20:23,919 –> 00:20:26,159
برای پر کردن این شکاف ها استفاده کرده ام.
618
00:20:26,159 –> 00:20:27,360
برای
619
00:20:27,360 –> 00:20:30,159
تحلیلهای بعدی کافی بود، من فقط میخواهم
620
00:20:30,159 –> 00:20:31,360
توجه را جلب
621
00:20:31,360 –> 00:20:34,080
کنم که طیفی از
622
00:20:34,080 –> 00:20:36,640
interpolants پیچیدهتر وجود دارد که در
623
00:20:36,640 –> 00:20:39,280
بسته پانداها برای پایتون موجود است، بنابراین
624
00:20:39,280 –> 00:20:41,760
روشهای درجه دوم چندجملهای برای نمونهگیری مجدد
625
00:20:41,760 –> 00:20:44,559
درون یابی
626
00:20:45,120 –> 00:20:48,240
نیز در
627
00:20:48,240 –> 00:20:49,679
تجربه من یک کار بسیار رایج در زمان است.
628
00:20:49,679 –> 00:20:50,880
تجزیه و تحلیل سری
629
00:20:50,880 –> 00:20:53,360
um و این نیاز به تغییر
630
00:20:53,360 –> 00:20:56,000
وضوح زمانی یک مجموعه داده ورودی است،
631
00:20:56,000 –> 00:20:57,600
بنابراین گاهی اوقات به این دلیل است
632
00:20:57,600 –> 00:21:00,159
که اندازهگیریها از ساعتی
633
00:21:00,159 –> 00:21:03,360
که به دلیل t o Logger clock drift um
634
00:21:03,360 –> 00:21:05,120
زمان های دیگر به این دلیل است که وضوح
635
00:21:05,120 –> 00:21:06,960
داده های اندازه گیری شده یا
636
00:21:06,960 –> 00:21:10,320
خیلی درشت یا خیلی خوب است و بنابراین
637
00:21:10,320 –> 00:21:12,000
ما از داده های شیب سنج در اینجا به
638
00:21:12,000 –> 00:21:13,679
عنوان مثال استفاده می کنیم که
639
00:21:13,679 –> 00:21:16,720
در بازه 30 ثانیه ای اندازه گیری شده است
640
00:21:16,720 –> 00:21:19,360
. نمونهها در اینجا، بنابراین
641
00:21:19,360 –> 00:21:21,760
نمودار دوم در اینجا نمونهبرداری از آن دادهها را
642
00:21:21,760 –> 00:21:22,240
با
643
00:21:22,240 –> 00:21:25,440
وضوح یک دقیقهای پایین میآورد یا به
644
00:21:25,440 –> 00:21:27,600
طور متناوب نمودار سوم نشان میدهد که چگونه
645
00:21:27,600 –> 00:21:28,559
این دادهها
646
00:21:28,559 –> 00:21:31,440
به وضوح 10 ثانیه نمونهبرداری شدهاند
647
00:21:31,440 –> 00:21:33,520
648
00:21:33,520 –> 00:21:36,080
و در هر دو مورد این
649
00:21:36,080 –> 00:21:38,000
یکی است. پیادهسازی خط با استفاده
650
00:21:38,000 –> 00:21:40,880
از پکیج pandas سومین کار رایج
651
00:21:40,880 –> 00:21:41,919
652
00:21:41,919 –> 00:21:44,480
در تحلیل سریهای زمانی کاهش روند یا
653
00:21:44,480 –> 00:21:45,280
فیلتر کردن است
654
00:21:45,280 –> 00:21:47,679
و این کار را میتوان با استفاده از
655
00:21:47,679 –> 00:21:48,720
روشهای حوزه زمان یا
656
00:21:48,720 –> 00:21:51,120
روشهای حوزه فرکانس انجام داد، بنابراین در این
657
00:21:51,120 –> 00:21:51,840
اسلاید
658
00:21:51,840 –> 00:21:54,640
من از میانگین متحرک detrending به
659
00:21:54,640 –> 00:21:56,240
عنوان مثال در اینجا
660
00:21:56,240 –> 00:21:59,679
استفاده کردهام. با استفاده از دادههای شیبسنج در
661
00:21:59,679 –> 00:22:00,720
نمودار اول،
662
00:22:00,720 –> 00:22:02,960
در نمودار دوم که اضافه کردم
663
00:22:02,960 –> 00:22:04,000
،
664
00:22:04,000 –> 00:22:07,120
میانگین متحرک پنجره سه روزه را با
665
00:22:07,120 –> 00:22:08,880
رنگ قرمز بر روی دادهها رسم کردم
666
00:22:08,880 –> 00:22:10,400
و سپس در تجزیه و تحلیل ما از آن کم میکنیم.
667
00:22:10,400 –> 00:22:12,000
این را از دادهها استخراج کنید
668
00:22:12,000 –> 00:22:14,559
تا به نمودار سوم منتج شود که به
669
00:22:14,559 –> 00:22:15,919
ما یک پسماند میانگین صفر میدهد
670
00:22:15,919 –> 00:22:17,600
که همان چیزی است که
671
00:22:17,600 –> 00:22:21,840
برای تجزیه و تحلیلهای بعدی خود نیاز داشتیم.
672
00:22:22,159 –> 00:22:25,360
673
00:22:25,360 –> 00:22:29,039
674
00:22:29,039 –> 00:22:32,080
675
00:22:32,080 –> 00:22:34,799
طیف وسیعی از
676
00:22:34,799 –> 00:22:36,400
فیلترهای حوزه فرکانس
677
00:22:36,400 –> 00:22:39,039
برای این اهداف نامطلوب و بنابراین
678
00:22:39,039 –> 00:22:39,600
دوباره
679
00:22:39,600 –> 00:22:41,919
با شروع داده های شیب سنج
680
00:22:41,919 –> 00:22:43,039
در نمودار اول
681
00:22:43,039 –> 00:22:44,720
در نمودار دوم،
682
00:22:44,720 –> 00:22:46,880
نتیجه فیلتر پایین گذر را نشان می دهم، بنابراین اینجاست
683
00:22:46,880 –> 00:22:48,400
که محتوای فرکانس پایین را حفظ می کنیم.
684
00:22:48,400 –> 00:22:50,880
685
00:22:50,880 –> 00:22:52,400
داده های ورودی
686
00:22:52,400 –> 00:22:54,799
را حذف کنید و فرکانس های بالا را حذف کنید و به
687
00:22:54,799 –> 00:22:55,760
طور متناوب
688
00:22:55,760 –> 00:22:57,600
در نمودار سوم من فقط
689
00:22:57,600 –> 00:23:00,240
نتیجه فیلتر بالا گذر را نشان می دهم
690
00:23:00,240 –> 00:23:03,120
که در آن اطلاعات فرکانس بالا را حفظ می کنیم
691
00:23:03,120 –> 00:23:04,799
اما اطلاعات فرکانس پایین را حذف می کنیم
692
00:23:04,799 –> 00:23:07,600
، این
693
00:23:07,600 –> 00:23:08,880
واقعاً به
694
00:23:08,880 –> 00:23:10,480
تناسب نیازها بستگی دارد. نیاز به تجزیه و تحلیل شما دارد،
695
00:23:10,480 –> 00:23:12,960
اما در هر دوی این مثالها
696
00:23:12,960 –> 00:23:14,640
دوباره اینها هر دو
697
00:23:14,640 –> 00:23:16,400
پیاده سازی یک خطی
698
00:23:16,400 –> 00:23:18,880
از فیلتر دامنه فرکانس با استفاده از
699
00:23:18,880 –> 00:23:19,760
700
00:23:19,760 –> 00:23:22,880
فیلتر butterworth هستند،
701
00:23:22,880 –> 00:23:24,960
بنابراین موضوع دومی که میخواهم
702
00:23:24,960 –> 00:23:26,320
در اینجا نشان
703
00:23:26,320 –> 00:23:29,120
دهم استفاده از پایتون برای تفسیر
704
00:23:29,120 –> 00:23:31,600
پاسخها به فرآیندهای با تاخیر زمانی است
705
00:23:31,600 –> 00:23:34,240
و این نوع فرآیندها این
706
00:23:34,240 –> 00:23:35,120
نوع تجزیه و تحلیل
707
00:23:35,120 –> 00:23:37,919
در هیدرولوژی بسیار رایج است و
708
00:23:37,919 –> 00:23:38,400
709
00:23:38,400 –> 00:23:40,720
بنابراین مثال خاصی که فقط میخواهم
710
00:23:40,720 –> 00:23:41,679
در اینجا نشان دهم
711
00:23:41,679 –> 00:23:44,640
پاسخ فشار آب زیرزمینی
712
00:23:44,640 –> 00:23:46,400
به طوری که فشار آب زیرزمینی در چاه اندازه گیری شده
713
00:23:46,400 –> 00:23:47,120
714
00:23:47,120 –> 00:23:50,559
تا تغییرات فشار اتمسفر در
715
00:23:50,559 –> 00:23:54,159
طول زمان و آنچه در این مورد اتفاق می افتد
716
00:23:54,159 –> 00:23:56,880
که در این شماتیک نشان داده شده است این است
717
00:23:56,880 –> 00:23:58,400
که می تواند یک فاصله زمانی
718
00:23:58,400 –> 00:24:01,279
بین پاسخ های موجود در جهان که
719
00:24:01,279 –> 00:24:02,720
در آن سطح آب اندازه
720
00:24:02,720 –> 00:24:04,159
گیری می شود وجود داشته باشد. پاسخ در
721
00:24:04,159 –> 00:24:06,880
آبخوان اطراف و بنابراین ماهیت این
722
00:24:06,880 –> 00:24:07,840
تاخیر زمانی
723
00:24:07,840 –> 00:24:10,080
ما می توانیم این را تفسیر کنیم، می توانیم
724
00:24:10,080 –> 00:24:11,760
چند چیز را از این تفسیر کنیم،
725
00:24:11,760 –> 00:24:15,200
بنابراین از جمله محصور شدن آبخوان و
726
00:24:15,200 –> 00:24:17,679
خواص هیدرولیکی، بنابراین مثالی که
727
00:24:17,679 –> 00:24:18,799
می خواهم در اینجا استفاده کنم
728
00:24:18,799 –> 00:24:21,279
این است که اینها برخی از داده هایی است که ما
729
00:24:21,279 –> 00:24:22,799
بر روی آنها اندازه گیری کردیم. جزیره نورفولک
730
00:24:22,799 –> 00:24:25,279
در جنوب اقیانوس آرام و اینجاست که
731
00:24:25,279 –> 00:24:26,799
ما فشار آب زیرزمینی را
732
00:24:26,799 –> 00:24:28,640
در دو مکان مختلف اندازهگیری کردیم، بنابراین این فشارها در تصویر
733
00:24:28,640 –> 00:24:30,400
نشان داده شدهاند. نمودارهای e در سمت راست
734
00:24:30,400 –> 00:24:31,600
735
00:24:31,600 –> 00:24:33,279
و نحوه تفسیر آنها از
736
00:24:33,279 –> 00:24:35,520
نظر نحوه پاسخ آنها به
737
00:24:35,520 –> 00:24:37,440
تغییرات فشار هوا بود که ما آن را
738
00:24:37,440 –> 00:24:38,960
نیز اندازه گیری کردیم و در
739
00:24:38,960 –> 00:24:41,039
سمت چپ در اینجا نشان داده شده است
740
00:24:41,039 –> 00:24:42,799
و ما این کار را با استفاده از روش دکانولوشن رگرسیونی انجام دادیم
741
00:24:42,799 –> 00:24:44,799
742
00:24:44,799 –> 00:24:46,159
و غیره. ما این
743
00:24:46,159 –> 00:24:48,640
پاسخهای آبهای زیرزمینی را با استفاده از مدلهای اختلاط
744
00:24:48,640 –> 00:24:49,520
745
00:24:49,520 –> 00:24:51,039
که در مرکز صفحه در اینجا نشان داده شده است، مشخص
746
00:24:51,039 –> 00:24:53,760
کردیم و این مدلهای اختلاط
747
00:24:53,760 –> 00:24:56,320
تابعی از تاخیر زمانی هستند و
748
00:24:56,320 –> 00:24:57,919
اینها نتایج دکانولوشن رگرسیونی هستند
749
00:24:57,919 –> 00:24:59,039
750
00:24:59,039 –> 00:25:02,080
و همانطور که میتوانید اشکال
751
00:25:02,080 –> 00:25:03,760
اختلاط را مشاهده کنید.
752
00:25:03,760 –> 00:25:05,919
عملکردها کاملاً متفاوت هستند و بنابراین
753
00:25:05,919 –> 00:25:07,919
در مکانهای مختلف در سراسر جزیره متفاوت بودند
754
00:25:07,919 –> 00:25:10,960
و بنابراین از شکل
755
00:25:10,960 –> 00:25:14,559
این مدلهای اختلاط ما
756
00:25:14,559 –> 00:25:17,200
توانستیم بینشهایی در مورد
757
00:25:17,200 –> 00:25:19,440
تغییرات در انواع آبخوان و ویژگیهای آبخوان
758
00:25:19,440 –> 00:25:20,159
759
00:25:20,159 –> 00:25:24,480
در سراسر جزیره نورفولک و غیره به ما ارائه دهیم.
760
00:25:24,480 –> 00:25:27,200
پایتون این نوع تحلیل
761
00:25:27,200 –> 00:25:28,640
762
00:25:28,640 –> 00:25:31,279
را با استفاده از کتابخانه numpy
763
00:25:31,279 –> 00:25:31,760
uh
764
00:25:31,760 –> 00:25:34,240
برای انجام محاسبات جبر خطی بسیار آسانتر میکند.
765
00:25:34,240 –> 00:25:35,840
اقداماتی که برای
766
00:25:35,840 –> 00:25:37,279
تجزیه رگرسیون
767
00:25:37,279 –> 00:25:40,080
و همچنین استفاده از کتابخانه علمی تخیلی
768
00:25:40,080 –> 00:25:41,200
که
769
00:25:41,200 –> 00:25:43,760
طیف گسترده ای از الگوریتم های بهینه سازی را
770
00:25:43,760 –> 00:25:45,440
ارائه می دهد
771
00:25:45,440 –> 00:25:48,880
مورد نیاز است. سومین و آخرین موضوعی که در اینجا می خواهم به آن
772
00:25:48,880 –> 00:25:49,840
773
00:25:49,840 –> 00:25:52,960
بپردازم تفسیر
774
00:25:52,960 –> 00:25:56,159
پاسخ ها به فرآیندهای دوره ای یا دوره ای
775
00:25:56,159 –> 00:25:59,279
است و بنابراین
776
00:25:59,279 –> 00:26:01,919
مورد خاصی که در اینجا به عنوان
777
00:26:01,919 –> 00:26:02,559
مثال استفاده
778
00:26:02,559 –> 00:26:05,440
می کنم پاسخ فشار آب زیرزمینی
779
00:26:05,440 –> 00:26:06,960
به حرکات
780
00:26:06,960 –> 00:26:09,600
خورشید، ماه و سیارات است که در
781
00:26:09,600 –> 00:26:10,720
مجموع به عنوان
782
00:26:10,720 –> 00:26:12,720
انواع زمین شناخته می شوند و اینها نیز
783
00:26:12,720 –> 00:26:13,760
محرک
784
00:26:13,760 –> 00:26:15,600
جزر و مد اقیانوس هستند که کمی بهتر است.
785
00:26:15,600 –> 00:26:16,880
786
00:26:16,880 –> 00:26:20,240
787
00:26:20,240 –> 00:26:20,640
788
00:26:20,640 –> 00:26:23,840
این جزر و مدهای زمینی
789
00:26:23,840 –> 00:26:27,520
با تغییر
790
00:26:27,520 –> 00:26:29,360
بار عمودی کل بر روی
791
00:26:29,360 –> 00:26:33,120
این سفرهها بهویژه بر روی سفرههای زیرزمینی تأثیر میگذارند و
792
00:26:33,120 –> 00:26:34,960
بنابراین تعدادی روش برای
793
00:26:34,960 –> 00:26:37,279
تفسیر پاسخها به فرآیندهای دورهای
794
00:26:37,279 –> 00:26:39,039
795
00:26:39,039 –> 00:26:41,279
از جمله پریودوگرامهای تبدیل فوریه
796
00:26:41,279 –> 00:26:42,559
797
00:26:42,559 –> 00:26:46,240
و حداقل هارمونیک وجود دارد. روشهای مربع
798
00:26:46,240 –> 00:26:49,600
و پایتون دسترسی آسان
799
00:26:49,600 –> 00:26:52,320
به هر یک از اینها را فراهم میکند، زیرا بسیاری از آنها
800
00:26:52,320 –> 00:26:53,440
قبلاً در
801
00:26:53,440 –> 00:26:57,120
به عنوان پیادهسازی شدهاند بخشی از بسته scipy است،
802
00:26:57,120 –> 00:26:59,120
بنابراین برای این مثالها از
803
00:26:59,120 –> 00:27:00,240
804
00:27:00,240 –> 00:27:02,400
مجموعه دادههای فشار آب زیرزمینی متفاوتی استفاده میکنم، این بار در
805
00:27:02,400 –> 00:27:04,400
طی چند سال در
806
00:27:04,400 –> 00:27:06,080
شمال استرالیا اندازهگیری شد، یک سایت در شمال
807
00:27:06,080 –> 00:27:06,960
استرالیا
808
00:27:06,960 –> 00:27:10,960
و بنابراین در یک خط کد
809
00:27:10,960 –> 00:27:14,000
میتوانیم به طیف دامنه و
810
00:27:14,000 –> 00:27:18,159
فاز مولفه های تناوبی تناوبی
811
00:27:18,159 –> 00:27:19,520
که
812
00:27:19,520 –> 00:27:22,559
در داده های ورودی وجود دارند، فقط در
813
00:27:22,559 –> 00:27:24,559
یک خط کد
814
00:27:24,559 –> 00:27:28,799
برای دستیابی به این نتایج
815
00:27:28,799 –> 00:27:32,480
بسیار نزدیک هستند، بنابراین
816
00:27:32,480 –> 00:27:33,039
817
00:27:33,039 –> 00:27:37,120
نگاهی متفاوت به طیف های دامنه
818
00:27:37,120 –> 00:27:39,520
موجود در دادههای ورودی برای
819
00:27:39,520 –> 00:27:41,520
استفاده از پریودوگرامها است
820
00:27:41,520 –> 00:27:42,720
و تعدادی
821
00:27:42,720 –> 00:27:44,960
پریودوگرام وجود دارد که به عنوان بخشی
822
00:27:44,960 –> 00:27:47,120
از بسته علمی تخیلی موجود است،
823
00:27:47,120 –> 00:27:49,039
از جمله پریودوگرام ولچ در
824
00:27:49,039 –> 00:27:50,159
پایین سمت چپ اینجا
825
00:27:50,159 –> 00:27:52,240
یا پریودوگرام طولانی scargle در
826
00:27:52,240 –> 00:27:53,279
پایین سمت راست و این
827
00:27:53,279 –> 00:27:56,799
آخری یکی بسیار ارزشمند است
828
00:27:56,799 –> 00:27:59,760
و به طور منحصر به فردی می تواند با
829
00:27:59,760 –> 00:28:01,679
830
00:28:01,679 –> 00:28:05,520
مجموعه داده های gappy نمونه برداری شده غیریکنواخت کار کند
831
00:28:05,520 –> 00:28:08,640
و به طور کلی
832
00:28:08,640 –> 00:28:11,600
کمی قادر به استفاده از این ویژگی سطح بالاتر
833
00:28:11,600 –> 00:28:13,440
است. s واقعاً خوب است
834
00:28:13,440 –> 00:28:15,039
برخی از این روشها
835
00:28:15,039 –> 00:28:16,640
برای پیادهسازی در
836
00:28:16,640 –> 00:28:20,399
چیزی مانند اکسل واقعاً سخت است و در نهایت اگر
837
00:28:20,399 –> 00:28:22,880
ما فقط به
838
00:28:22,880 –> 00:28:24,799
تعداد محدود فرکانسها علاقهمند باشیم و
839
00:28:24,799 –> 00:28:27,760
نه یک باند فرکانسی کامل،
840
00:28:27,760 –> 00:28:30,399
میتوانیم اطلاعات دامنه و فاز
841
00:28:30,399 –> 00:28:31,600
را
842
00:28:31,600 –> 00:28:34,559
با استفاده از آن محاسبه کنیم. یک رویکرد مربع هارمونیک
843
00:28:34,559 –> 00:28:36,320
که دوباره
844
00:28:36,320 –> 00:28:39,440
از
845
00:28:39,440 –> 00:28:41,760
کتابخانه های numpy و scifi
846
00:28:41,760 –> 00:28:43,120
ویژگی های داخلی بهره می برد
847
00:28:43,120 –> 00:28:45,600
و بنابراین من خودم در
848
00:28:45,600 –> 00:28:47,360
حال توسعه یک بسته پایتون هستم
849
00:28:47,360 –> 00:28:50,480
با دانیل شوایتزر و
850
00:28:50,480 –> 00:28:54,559
دیگران بسته ای به نام hydrogeosines که
851
00:28:54,559 –> 00:28:57,120
اجازه می دهد تا چیزی شبیه به این
852
00:28:57,120 –> 00:28:58,799
روش حداقل مربعات هارمونیک که
853
00:28:58,799 –> 00:29:00,399
فقط در یک خط
854
00:29:00,399 –> 00:29:02,480
کد اعمال می شود، من بخش خود را از
855
00:29:02,480 –> 00:29:04,240
ارائه در اینجا
856
00:29:04,240 –> 00:29:06,559
به پایان می برم اما واقعاً فقط می خواهم این کار را تمام
857
00:29:06,559 –> 00:29:07,919
کنم امیدوارم نشان داده باشم
858
00:29:07,919 –> 00:29:10,399
که ابزار پایتون برای
859
00:29:10,399 –> 00:29:11,120
اجرای
860
00:29:11,120 –> 00:29:14,559
um مختلف است. uh تجزیه و تحلیل سری های زمانی uh سری
861
00:29:14,559 –> 00:29:17,120
های زمانی مختلف با
862
00:29:17,120 –> 00:29:17,919
ارائه
863
00:29:17,919 –> 00:29:20,960
دسترسی به سری های زمانی um
864
00:29:20,960 –> 00:29:23,360
با ارائه دسترسی به برخی روش های صرفه جویی در زمان
865
00:29:23,360 –> 00:29:24,399
و واقعاً
866
00:29:24,399 –> 00:29:26,880
واقعاً در زمان زیادی صرفه جویی می شود و همچنین
867
00:29:26,880 –> 00:29:28,320
دسترسی به
868
00:29:28,320 –> 00:29:28,799
869
00:29:28,799 –> 00:29:30,799
برخی از روش های سطح بسیار بالا را نیز فراهم می کند
870
00:29:30,799 –> 00:29:32,880
که واقعاً قابل دستیابی نیست، در غیر این
871
00:29:32,880 –> 00:29:36,159
صورت اغلب و اغلب فقط در یک خط
872
00:29:36,159 –> 00:29:37,760
یا چند خط کد،
873
00:29:37,760 –> 00:29:40,240
بنابراین من آن را ترک می کنم. بچه ها متشکرم
874
00:29:40,240 –> 00:29:41,520
ممنون کریس
875
00:29:41,520 –> 00:29:44,880
ام یک سوال در چت
876
00:29:44,880 –> 00:29:48,480
از یون کوان چانگ بود
877
00:29:48,480 –> 00:29:50,240
که از چه بسته ای برای تغییر روند
878
00:29:50,240 –> 00:29:51,919
داده های خود استفاده کردید می توانید نظر بدهید
879
00:29:51,919 –> 00:29