در این مطلب، ویدئو عملکرد پخش NumPy و محاسبه روی آرایه ها در علم داده 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:
00:00:00,030 –> 00:00:03,319
سلام بچه ها به چهارمین دوره آموزشی مربوط به
2
00:00:03,319 –> 00:00:06,060
3
00:00:06,060 –> 00:00:09,900
سری آموزش ضروری علامت داده های numpy در این آموزش می خواهیم در
4
00:00:09,900 –> 00:00:13,710
مورد پخش در numpy بحث کنیم فایل من
5
00:00:13,710 –> 00:00:16,350
در اینجا از قبل با یک
6
00:00:16,350 –> 00:00:20,490
عبارت import پر شده است و آرایه 3 بعدی من
7
00:00:20,490 –> 00:00:22,859
از تابع ترتیب داوری برای
8
00:00:22,859 –> 00:00:25,410
ایجاد استفاده می کنم. آرایه ای که دارای 70 عنصر
9
00:00:25,410 –> 00:00:29,460
از 0 تا 6 9 است در اینجا من به صراحت
10
00:00:29,460 –> 00:00:32,040
مشخصه shape را با یک تاپل
11
00:00:32,040 –> 00:00:35,820
روی 7 5 تنظیم می کنم و وقتی این نتایج را
12
00:00:35,820 –> 00:00:38,010
با کلیک بر روی منوی سلول و
13
00:00:38,010 –> 00:00:41,489
انتخاب گزینه run all نمایش می دهم، می بینیم
14
00:00:41,489 –> 00:00:43,920
که آرایه به دست آمده دارای دو آرایه دو بعدی
15
00:00:43,920 –> 00:00:46,320
که هر کدام دارای 5 ستون و
16
00:00:46,320 –> 00:00:50,250
7 سطر هستند، پخش میشود.
17
00:00:50,250 –> 00:00:52,620
18
00:00:52,620 –> 00:00:55,410
19
00:00:55,410 –> 00:00:58,320
20
00:00:58,320 –> 00:01:00,359
21
00:01:00,359 –> 00:01:03,149
22
00:01:03,149 –> 00:01:06,150
یکی از اندازه ها
23
00:01:06,150 –> 00:01:09,810
برابر با 0 است که در این ویدیو توضیح خواهم داد
24
00:01:09,810 –> 00:01:12,390
آرایه کوچکتر پخش می شود
25
00:01:12,390 –> 00:01:14,430
آرایه بزرگتر برای اجرای
26
00:01:14,430 –> 00:01:16,979
صحیح پخش باید kn
27
00:01:16,979 –> 00:01:19,200
از ویژگیهای آرایهها، این
28
00:01:19,200 –> 00:01:21,659
ویژگیها شامل شکلها، تعداد
29
00:01:21,659 –> 00:01:25,409
ابعاد، اندازهها و انواع دادهها هستند، من به
30
00:01:25,409 –> 00:01:27,330
شما نشان میدهم که چگونه میتوانید به این ویژگیها دسترسی پیدا کنید
31
00:01:27,330 –> 00:01:30,720
، ابتدا به شکل نگاه میکنیم، در
32
00:01:30,720 –> 00:01:33,299
این مورد علامتگذاری نیست، این
33
00:01:33,299 –> 00:01:36,479
یک نظر معمولی پایتون است، من میتوانم
34
00:01:36,479 –> 00:01:39,600
آرایه سه بعدی خود را بگیرم و مشخصه شکل را بخواهید
35
00:01:39,600 –> 00:01:44,060
این است که به صورت 2 در 7 در 5 نمایش داده می شود،
36
00:01:44,060 –> 00:01:46,619
این خیلی تعجب آور نیست
37
00:01:46,619 –> 00:01:49,770
زیرا ما این ویژگی را به صراحت در این سلول تنظیم می کنیم،
38
00:01:49,770 –> 00:01:52,380
ویژگی بعدی که
39
00:01:52,380 –> 00:01:54,390
مهم است تعداد ابعادی است
40
00:01:54,390 –> 00:01:57,600
که خروجی قبلی به آن می گوید که این
41
00:01:57,600 –> 00:02:00,630
آرایه دارد. 3 بعد این برای کارهای تعاملی خوب است،
42
00:02:00,630 –> 00:02:02,640
اما وقتی از
43
00:02:02,640 –> 00:02:05,399
numpy برای کارهای برنامهنویسی استفاده میکنید،
44
00:02:05,399 –> 00:02:07,670
باید بتوانید به صورت برنامهنویسی به این اطلاعات دسترسی داشته باشید،
45
00:02:07,670 –> 00:02:10,470
میتوانید این کار را با
46
00:02:10,470 –> 00:02:12,170
ریشه NBI M
47
00:02:12,170 –> 00:02:16,610
n bi m انجام دهید، در این مورد مشخصه NBI M
48
00:02:16,610 –> 00:02:18,739
تأیید میکند که آرایه دارای
49
00:02:18,739 –> 00:02:21,770
سه بعد است.
50
00:02:21,770 –> 00:02:23,690
51
00:02:23,690 –> 00:02:26,720
52
00:02:26,720 –> 00:02:28,790
53
00:02:28,790 –> 00:02:31,730
در هر بعد خاص،
54
00:02:31,730 –> 00:02:35,090
من میخواهم اندازه را بدانم
55
00:02:35,090 –> 00:02:36,950
که تعداد عناصر درون
56
00:02:36,950 –> 00:02:39,290
آرایه است که میتوانیم از طریق اندازه ویژگی به آن دسترسی پیدا کنیم،
57
00:02:39,290 –> 00:02:41,569
در این مورد
58
00:02:41,569 –> 00:02:43,970
اطلاعات به ما میگویند که
59
00:02:43,970 –> 00:02:47,030
آرایه هفت جزء بزرگ دارد،
60
00:02:47,030 –> 00:02:49,519
از زمانی که ما آرایه را مقداردهی اولیه می
61
00:02:49,519 –> 00:02:51,890
کنیم از تابع arrange برای
62
00:02:51,890 –> 00:02:55,430
انتخاب 70 عنصر استفاده می کنیم همچنین اگر
63
00:02:55,430 –> 00:02:57,430
به تعداد عناصر در هر بعد نگاه کنیم
64
00:02:57,430 –> 00:03:02,690
2 ضربدر 7 برابر 14 و 5 برابر با 17 است و
65
00:03:02,690 –> 00:03:04,760
ویژگی نهایی مورد علاقه ما
66
00:03:04,760 –> 00:03:07,970
نوع داده برای هر عنصر است.
67
00:03:07,970 –> 00:03:10,760
می تواند با استفاده از ویژگی نوع D به این اطلاعات دسترسی پیدا کند
68
00:03:10,760 –> 00:03:13,459
، این اطلاعات به ما می گوید
69
00:03:13,459 –> 00:03:16,310
که یک نوع D برای عناصر
70
00:03:16,310 –> 00:03:19,130
درون آرایه اعداد صحیح 32 بیتی هستند، در
71
00:03:19,130 –> 00:03:21,859
مقابل این اثر که داده
72
00:03:21,859 –> 00:03:26,000
های خود آرایه N و آرایه D است، اکنون
73
00:03:26,000 –> 00:03:28,609
شروع می کنم. برای توضیح اینکه چگونه می توانیم از پخش استفاده کنیم
74
00:03:28,609 –> 00:03:31,310
، با یک مثال ساده شروع می کنم
75
00:03:31,310 –> 00:03:35,090
که از اسکالر استفاده می کند، به عنوان مثال اگر
76
00:03:35,090 –> 00:03:38,930
بگویم 5 برابر آرایه 3 بعدی من و
77
00:03:38,930 –> 00:03:42,380
از هر عنصر 2 کم کنم آنچه
78
00:03:42,380 –> 00:03:44,840
به دست می آوریم یک آرایه است. و همانطور که
79
00:03:44,840 –> 00:03:48,680
در اینجا می بینید هر عنصر در 5 ضرب شده است
80
00:03:48,680 –> 00:03:52,609
و سپس مقدار 2
81
00:03:52,609 –> 00:03:53,420
از آن کم می شود،
82
00:03:53,420 –> 00:03:55,549
این عملیات سازگار است زیرا
83
00:03:55,549 –> 00:03:58,880
قوانین پخش اعداد با اسکالرها
84
00:03:58,880 –> 00:04:02,359
به عنوان اندازه ای برابر با 1 در این سلول برخورد
85
00:04:02,359 –> 00:04:05,510
می کنند. من در حال ایجاد 2 آرایه عددی هستم. من از
86
00:04:05,510 –> 00:04:07,850
یک قرارداد نامگذاری استفاده می کنم که آنها را به عنوان ماتریس تلقی می کند،
87
00:04:07,850 –> 00:04:10,670
اما ماتریس ها یک
88
00:04:10,670 –> 00:04:13,850
نوع خاص در numpy هستند، اینها در واقع
89
00:04:13,850 –> 00:04:16,760
فقط آرایه های دوم معمولی هستند، در
90
00:04:16,760 –> 00:04:20,358
مورد اول من از محدوده ای با 6 عنصر استفاده می کنم
91
00:04:20,358 –> 00:04:22,300
و آن را به آرایه ای تغییر شکل می
92
00:04:22,300 –> 00:04:24,669
دهم که دارای دو ردیف در سه است. ستونها
93
00:04:24,669 –> 00:04:27,970
در مثال دوم از 15 عنصر استفاده میکنم
94
00:04:27,970 –> 00:04:30,759
و آنها را طوری شکل میدهم که
95
00:04:30,759 –> 00:04:33,819
سه سطر و پنج ستون داشته باشد، حالا
96
00:04:33,819 –> 00:04:36,460
از تابع داخلی اعداد استفاده
97
00:04:36,460 –> 00:04:39,400
میکنم و یک خطا نشان میدهد
98
00:04:39,400 –> 00:04:42,669
که ماتریس چپ و ماتریس راست را میگیرم و
99
00:04:42,669 –> 00:04:45,550
پیدا میکنم. حاصل ضرب درونی اگر
100
00:04:45,550 –> 00:04:47,860
با جبر خطی آشنایی دارید می دانید
101
00:04:47,860 –> 00:04:52,000
که اگر یک ماتریس 2 در 3 و
102
00:04:52,000 –> 00:04:54,909
یک ماتریس 3 در 5 را ضرب کنید نتیجه ای حاصل
103
00:04:54,909 –> 00:04:59,199
می شود که ماتریس 2 در 5 است اما اگر
104
00:04:59,199 –> 00:05:01,780
از تابع اعداد استفاده کنید آن را به شما نشان می دهد. اگر
105
00:05:01,780 –> 00:05:05,199
اشکال تراز نباشند، میتوانیم از
106
00:05:05,199 –> 00:05:06,849
مستندات اعداد برای تابع داخلی
107
00:05:06,849 –> 00:05:08,949
استفاده کنیم تا منبع خطا را تعیین کنیم، در
108
00:05:08,949 –> 00:05:11,770
اینجا مستندات به
109
00:05:11,770 –> 00:05:13,630
ما میگویند که
110
00:05:13,630 –> 00:05:16,000
حاصلضرب داخلی معمولی بردارها را برای
111
00:05:16,000 –> 00:05:18,789
آرایههای یکبعدی در ابعاد بالاتر
112
00:05:18,789 –> 00:05:22,210
به دست میآوریم. آخرین محور دوباره در این
113
00:05:22,210 –> 00:05:24,400
مورد به جای استفاده از اعداد
114
00:05:24,400 –> 00:05:26,409
تابع محصول داخلی من می خواهم از
115
00:05:26,409 –> 00:05:29,380
تابع محصول نقطه اعداد استفاده کنم در این
116
00:05:29,380 –> 00:05:33,159
مورد نتیجه پیش بینی شده را بدست می آوریم
117
00:05:33,159 –> 00:05:35,770
اگر به این URL بروید در اینجا
118
00:05:35,770 –> 00:05:37,840
اسناد تابع محصول numpy dot را پیدا خواهید کرد.
119
00:05:37,840 –> 00:05:41,380
در این مورد به ما
120
00:05:41,380 –> 00:05:44,050
گفته می شود که برای آرایه های 2 بعدی معادل
121
00:05:44,050 –> 00:05:47,110
ضرب ماتریس است و برای
122
00:05:47,110 –> 00:05:49,509
آرایه های 1d برابر با حاصلضر