در این مطلب، ویدئو پیش بینی با استفاده از پایتون 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.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:16,250 –> 00:00:19,770
از شما متشکرم پس الکس هم بنیانگذار من اینجاست
2
00:00:19,770 –> 00:00:23,850
الکس دستت را بلند کند بله الکس
3
00:00:23,850 –> 00:00:25,439
آنقدر سانفرانسیسکو و پایتون را دوست دارد که
4
00:00:25,439 –> 00:00:27,779
در واقع از سیاتل به اینجا پرواز کرد،
5
00:00:27,779 –> 00:00:30,960
بنابراین من از شما درخواست کردم که این
6
00:00:30,960 –> 00:00:32,880
یک مقدمه برای پیش بینی در پنج
7
00:00:32,880 –> 00:00:37,170
دقیقه باشد، بنابراین پیش بینی کنید. به طور کلی می
8
00:00:37,170 –> 00:00:38,460
دانید چیزهایی وجود دارد که
9
00:00:38,460 –> 00:00:41,309
قابل پیش بینی تر از بقیه هستند، در این
10
00:00:41,309 –> 00:00:43,260
مورد، گاز گرفتن یک کابل زیر دریا توسط یک کوسه
11
00:00:43,260 –> 00:00:46,350
احتمالا قابل پیش بینی نیست، اما شاید
12
00:00:46,350 –> 00:00:48,570
بتوانیم بفهمیم که در یک سال چند مورد از این
13
00:00:48,570 –> 00:00:50,160
اتفاقات رخ می دهد، اما
14
00:00:50,160 –> 00:00:51,870
نمی توانیم پیش بینی کنیم. هر
15
00:00:51,870 –> 00:00:54,210
رویداد منفردی که من قصد دارم در مورد
16
00:00:54,210 –> 00:00:56,010
پیشبینی چیزهای عددی قابل پیشبینی صحبت
17
00:00:56,010 –> 00:00:58,289
کنم، میدانید چیزهایی وجود دارند که
18
00:00:58,289 –> 00:01:00,239
سطوح مختلفی از قابلیت پیشبینی دارند،
19
00:01:00,239 –> 00:01:01,739
بنابراین فرض اینجا این است که آنچه شما
20
00:01:01,739 –> 00:01:02,940
میخواهید پیشبینی کنید در واقع
21
00:01:02,940 –> 00:01:06,510
قابل پیشبینی است و میدانید که وجود دارد
22
00:01:06,510 –> 00:01:08,939
طیف گسترده ای از برنامه های کاربردی برای این یکی
23
00:01:08,939 –> 00:01:11,280
از مواردی مانند داده های CPU است
24
00:01:11,280 –> 00:01:12,930
که چیزی است که من در واقع
25
00:01:12,930 –> 00:01:15,960
روی آن کار می کنم، پیش بینی
26
00:01:15,960 –> 00:01:18,780
پارامترهای سرور و در در این مورد به دلیل افرادی
27
00:01:18,780 –> 00:01:21,960
که میتوانیم الگوها را تشخیص دهیم و میتوانیم
28
00:01:21,960 –> 00:01:24,509
چندین الگو را در
29
00:01:24,509 –> 00:01:26,369
این نمودار ببینیم.
30
00:01:26,369 –> 00:01:27,680
31
00:01:27,680 –> 00:01:29,939
32
00:01:29,939 –> 00:01:32,460
33
00:01:32,460 –> 00:01:34,200
الگوهایی در اینجا وجود دارد یا میتوانیم فرض کنیم
34
00:01:34,200 –> 00:01:35,820
که الگوهایی در اینجا وجود دارند، بنابراین
35
00:01:35,820 –> 00:01:38,299
سؤال این است که چگونه این کار را انجام دهیم.
36
00:01:38,299 –> 00:01:40,740
37
00:01:40,740 –> 00:01:42,840
38
00:01:42,840 –> 00:01:45,899
39
00:01:45,899 –> 00:01:47,579
من
40
00:01:47,579 –> 00:01:49,259
یکسری نقاط داده دارم که میخواهم
41
00:01:49,259 –> 00:01:51,540
از میان آن نقاط داده خطی بکشم،
42
00:01:51,540 –> 00:01:53,399
در این مورد بتا شیب دارم، من یک
43
00:01:53,399 –> 00:01:55,950
آلفای قطع y دارم و ما فقط به
44
00:01:55,950 –> 00:02:00,430
نوعی برون یابی می کنیم، بنابراین من می خواهم یک
45
00:02:00,430 –> 00:02:01,870
دفترچه یادداشت اینجا داشته باشم. بنابراین، ما در
46
00:02:01,870 –> 00:02:03,910
اینجا چند نقطه داده داریم، میتوانیم ببینیم که
47
00:02:03,910 –> 00:02:07,480
مقدار کمی نقطهی پرت داریم، اما به
48
00:02:07,480 –> 00:02:08,470
طور کلی
49
00:02:08,470 –> 00:02:10,240
آنها بهگونهای هستند.
50
00:02:10,240 –> 00:02:11,650
51
00:02:11,650 –> 00:02:14,650
بنابراین می دانید که ما
52
00:02:14,650 –> 00:02:16,660
یک را تولید می کنیم شیب خطی که
53
00:02:16,660 –> 00:02:19,180
خطای بین نقاط داده
54
00:02:19,180 –> 00:02:21,190
و خط را به حداقل میرساند و ما
55
00:02:21,190 –> 00:02:23,530
میتوانیم بدانیم قرمز دادههای تاریخی است و
56
00:02:23,530 –> 00:02:26,020
سبز چیزهایی است که پیشبینی
57
00:02:26,020 –> 00:02:27,850
میکنیم شما میدانید و با فرض اینکه این الگو
58
00:02:27,850 –> 00:02:29,740
ادامه داشته باشد، پس همه چیز خواهد بود. خوب
59
00:02:29,740 –> 00:02:31,780
و خوب است و سپس می توانید بدانید که
60
00:02:31,780 –> 00:02:33,130
امیدوارم پیش بینی خوبی داشته
61
00:02:33,130 –> 00:02:35,110
باشید، اما حالا اگر
62
00:02:35,110 –> 00:02:38,010
این داده ها چرخه ای باشد چه اتفاقی می افتد، بیایید این را امتحان کنیم، اوه
63
00:02:38,010 –> 00:02:40,780
که آنقدرها خوب نیست،
64
00:02:40,780 –> 00:02:44,530
بنابراین همان الگوی دو بار تکرار شده است و
65
00:02:44,530 –> 00:02:46,360
ما یک رگرسیون خطی انجام می دهیم برای
66
00:02:46,360 –> 00:02:48,489
دادههای تاریخی و سپس میتوانید ببینید
67
00:02:48,489 –> 00: