در این مطلب، ویدئو 11c راه اندازی مجدد تجزیه و تحلیل داده پایتون: مدل سازی واریوگرام 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: 00:34:11
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,370
سلام به همه مایکل پرچ
2
00:00:02,370 –> 00:00:03,990
من دانشیار
3
00:00:03,990 –> 00:00:06,000
دانشگاه تگزاس در آستین هستم، من تمام سخنرانی هایم را ضبط می کنم
4
00:00:06,000 –> 00:00:08,820
و بنابراین کاری که امروز انجام می دهم
5
00:00:08,820 –> 00:00:10,889
این است که
6
00:00:10,889 –> 00:00:13,740
تمام مراحلی را که شما انجام می دهید طی کنم.
7
00:00:13,740 –> 00:00:16,410
برای محاسبه یک ورا گراهام جهتدار
8
00:00:16,410 –> 00:00:18,980
و مدلسازی آن با یک مدل
9
00:00:18,980 –> 00:00:22,010
دو بعدی
10
00:00:22,010 –> 00:00:23,789
مثبت قطعی کامل چند جهته که میتوانید
11
00:00:23,789 –> 00:00:26,760
برای ایجاد یا شبیهسازی از آن استفاده کنید،
12
00:00:26,760 –> 00:00:28,380
چیزهای مختلفی وجود دارد که میتوانید
13
00:00:28,380 –> 00:00:30,779
با یک گراهام بسیار انجام دهید، این یک پیشبینی قدرتمند است.
14
00:00:30,779 –> 00:00:34,020
ابزار و ابزاری برای
15
00:00:34,020 –> 00:00:37,170
درک تداوم فضایی اکنون اگر
16
00:00:37,170 –> 00:00:39,300
میخواهید این را دنبال کنید، فقط
17
00:00:39,300 –> 00:00:43,050
به راهنمای آمار جغرافیایی github آرام من در حساب کاربری github بروید
18
00:00:43,050 –> 00:00:45,059
و یک دسته
19
00:00:45,059 –> 00:00:47,820
مخزن داشته باشید و اگر به آنجا بروید این
20
00:00:47,820 –> 00:00:50,760
مخزن دقیقاً در اینجا
21
00:00:50,760 –> 00:00:54,090
وجود دارد دموهای عددی پایتون چیزی که میخواهید
22
00:00:54,090 –> 00:00:56,430
پیدا کنید فهرستی از نمایشهای بسیار زیاد
23
00:00:56,430 –> 00:00:58,710
است و چند
24
00:00:58,710 –> 00:01:01,500
نمونه تعاملی جدید وجود دارد که من از ویجتهای I PI
25
00:01:01,500 –> 00:01:03,690
و matplotlib
26
00:01:03,690 –> 00:01:06,689
برای خودکار کردن چیزها استفاده میکنم تا بتوانید
27
00:01:06,689 –> 00:01:09,600
با متدولوژیها بازی کنید. و بلافاصله نتیجه را تجسم کنید که به
28
00:01:09,600 –> 00:01:11,310
آن
29
00:01:11,310 –> 00:01:14,100
میگویند ورا گراهام مدلسازی
30
00:01:14,100 –> 00:01:17,460
نوتبوک ipython ipy Andy و بنابراین ادامه دهید و
31
00:01:17,460 –> 00:01:19,710
دانلود کنید که اکنون به یک مجموعه داده نیز نیاز خواهید داشت،
32
00:01:19,710 –> 00:01:22,290
اما نگران نباشید که برای یوتیوب در دسترس است
33
00:01:22,290 –> 00:01:24,990
، مخزن دیگری
34
00:01:24,990 –> 00:01:30,689
به نام همین پایین مجموعه دادههای جغرافیایی وجود
35
00:01:30,689 –> 00:01:32,579
دارد. دایرکتوری یک دسته کامل
36
00:01:32,579 –> 00:01:34,799
از مجموعه داده ها وجود دارد که می توانید با آنها کار کنید و بنابراین
37
00:01:34,799 –> 00:01:36,930
مجموعه داده ای که ما استفاده خواهیم کرد همان
38
00:01:36,930 –> 00:01:40,500
پایین است و شما می توانید ادامه دهید و
39
00:01:40,500 –> 00:01:42,570
با آن کار کنید بسیار خوب، من شما
40
00:01:42,570 –> 00:01:46,500
را در جریان کار راهنمایی می کنم و همه چیز را به شما نشان می دهم
41
00:01:46,500 –> 00:01:48,360
مراحل و به شما کمک می کند تا
42
00:01:48,360 –> 00:01:51,840
بتوانید این گردش کار را انجام دهید مجموعه داده های خود را باز کنید
43
00:01:51,840 –> 00:01:54,750
و پیش بروید و
44
00:01:54,750 –> 00:01:56,610
ورا گراهام دو بعدی را محاسبه و مدل کنید، بنابراین فکر می کنم
45
00:01:56,610 –> 00:01:58,140
این واقعا برای شما مفید خواهد
46
00:01:58,140 –> 00:02:00,509
47
00:02:00,509 –> 00:02:02,969
بود. من به تازگی
48
00:02:02,969 –> 00:02:04,619
یک
49
00:02:04,619 –> 00:02:06,210
تکلیف مدلسازی گرم را تعیین کردهام یا میخواهم تخصیص بدهم، فکر
50
00:02:06,210 –> 00:02:07,829
میکنم برای دانشآموزانم بسیار جالب است که
51
00:02:07,829 –> 00:02:10,560
بتوانند یک گردش کار تعاملی خوب
52
00:02:10,560 –> 00:02:12,520
برای یادگیری تجربی داشته باشند.
53
00:02:12,520 –> 00:02:14,440
مدلسازی هوا گراهام بهجای
54
00:02:14,440 –> 00:02:16,870
چیزی خاص که در آن شما
55
00:02:16,870 –> 00:02:18,790
یک پارامتر را تغییر دهید،
56
00:02:18,790 –> 00:02:20,440
من میخواهم آنها بتوانند فوراً تأثیر انتخابهایشان را تجسم کنند
57
00:02:20,440 –> 00:02:22,120
و ببینند،
58
00:02:22,120 –> 00:02:23,950
فکر میکنم بسیار قدرتمند است،
59
00:02:23,950 –> 00:02:26,440
بنابراین هر بار که یکی از آنها را انجام میدهم. این
60
00:02:26,440 –> 00:02:28,210
جریان های کاری من دوست دارم برخی از
61
00:02:28,210 –> 00:02:29,710
اسناد را در جلو قرار دهم تا
62
00:02:29,710 –> 00:02:31,810
مستقل باشد و حاوی برخی از
63
00:02:31,810 –> 00:02:33,220
اطلاعات از یادداشت های سخنرانی معمولی من
64
00:02:33,220 –> 00:02:35,230
باشد، اگر به کانال یوتیوب من نگاهی بیندازید
65
00:02:35,230 –> 00:02:37,570
، متوجه خواهید شد که
66
00:02:37,570 –> 00:02:39,340
یک سری ویدیو در اینجا در دسترس شما است.
67
00:02:39,340 –> 00:02:41,470
یک لیست پخش به طور خاص برای این
68
00:02:41,470 –> 00:02:44,860
دوره، تجزیه و تحلیل داده ها و زمین آمار وجود دارد،
69
00:02:44,860 –> 00:02:47,590
اگر کل لیست پخش را مشاهده کنید، متوجه خواهید شد
70
00:02:47,590 –> 00:02:50,830
که در اینجا سخنرانی هایی
71
00:02:50,830 –> 00:02:54,730
در مورد بیمار سوگیری فضایی وجود دارد.
72
00:02:54,730 –> 00:02:58,020
73
00:02:58,020 –> 00:03:00,430
74
00:03:00,430 –> 00:03:02,320
75
00:03:02,320 –> 00:03:04,360
در
76
00:03:04,360 –> 00:03:05,860
اینجا سخنرانی های زیادی برای حمایت از شما وجود دارد،
77
00:03:05,860 –> 00:03:08,710
بنابراین ورا گراهام چیزی است که ما می خواهیم
78
00:03:08,710 –> 00:03:11,020
انجام دهیم محاسبه آزمایش است l ورا
79
00:03:11,020 –> 00:03:13,750
گراهام و سپس می خواهیم
80
00:03:13,750 –> 00:03:16,150
آن را با یک مدل قطعی مثبت مدل سازی کنیم
81
00:03:16,150 –> 00:03:18,190
و بنابراین چند مشاهدات کلی بالاتر از
82
00:03:18,190 –> 00:03:20,470
دوره محاسبه گراهام و تجربی
83
00:03:20,470 –> 00:03:23,170
ورا گراهام و سپس
84
00:03:23,170 –> 00:03:26,170
مفهوم استفاده از یک مجموعه تو در تو را داریم یک
85
00:03:26,170 –> 00:03:29,200
معین مثبت قطعی معلوم مثبت ورا
86
00:03:29,200 –> 00:03:31,990
گراهام مدلهایی که میتوانیم پیش برویم و
87
00:03:31,990 –> 00:03:35,170
متناسب با آنها و قادر به انجام آنها باشیم و آنهایی که
88
00:03:35,170 –> 00:03:36,790
در دسترس ما هستند شامل
89
00:03:36,790 –> 00:03:38,560
یک قطعه گاوسی نمایی کروی هستند، به همین دلیل است
90
00:03:38,560 –> 00:03:40,240
که آنها در این
91
00:03:40,240 –> 00:03:41,709
92
00:03:41,709 –> 00:03:43,300
روش گنجاندهاند.
93
00:03:43,300 –> 00:03:45,550
از جمله آنها معمولاً معمولاً در حالت
94
00:03:45,550 –> 00:03:48,100
آرام استفاده
95
00:03:48,100 –> 00:03:50,560
نمیشوند،
96
00:03:50,560 –> 00:03:52,270
اگر ما شبیهسازی را انجام میدهیم مناسب نخواهد بود یا
97
00:03:52,270 –> 00:03:54,940
از هیستوگرام البته و
98
00:03:54,940 –> 00:03:56,680
مفهوم استفاده از ناهمسانگردی هندسی
99
00:03:56,680 –> 00:04:00,420
در جایی که با یک اصلی کار میکنیم، احترام نمیگذاریم. یک
100
00:04:00,420 –> 00:04:03,010
جهت جزئی متعامد به یکدیگر، بنابراین ما
101
00:04:03,010 –> 00:04:05,050
فقط باید در 2d یک
102
00:04:05,050 –> 00:04:07,360
پارامتر منفرد از آزیموت ماژور داشته باشیم،
103
00:04:07,360 –> 00:04:09,459
مینور متعامد به آن فرض می شود
104
00:04:09,459 –> 00:04:11,440
و ما هتا این مدل ناهمسانگردی هندسی را
105
00:04:11,440 –> 00:04:13,120
که در آن تنها کاری که باید انجام دهیم این است که برای
106
00:04:13,120 –> 00:04:15,640
هر ساختار
107
00:04:15,640 –> 00:04:18,608
سهم واریانس و دامنه
108
00:04:18,608 –> 00:04:20,500
اصلی و مینور را مشخص کنیم و بنابراین
109
00:04:20,500 –> 00:04:22,089
جلو میرویم و با آنها کار میکنیم
110
00:04:22,089 –> 00:04:23,740
و من. نتیجه را به شما نشان میدهیم همانطور که
111
00:04:23,740 –> 00:04:25,300
آنها را با هم جمع میکنیم و یک
112
00:04:25,300 –> 00:04:25,820
113
00:04:25,820 –> 00:04:29,840
مدل قطعی مثبت درست میکنیم، بنابراین پای آمار جغرافیایی
114
00:04:29,840 –> 00:04:31,190
بستهای است که برای
115
00:04:31,190 –> 00:04:32,870
محاسبه و مدلسازی Vera Graham
116
00:04:32,870 –> 00:04:35,480
زمانی که بهار گذشته در حال آموزش
117
00:04:35,480 –> 00:04:38,090
تجزیه و تحلیل دادههای مکانی بودم، به آن نیاز داریم.
118
00:04:38,090 –> 00:04:40,790
گزینه مناسبی برای پایتون برای
119
00:04:40,790 –> 00:04:43,250
کل گردشهای کاری زمینآمار و
120
00:04:43,250 –> 00:04:45,680
تجزیه و تحلیل دادههای مکانی نبود، نه گزینهای که
121
00:04:45,680 –> 00:04:48,260
احساس میکردم قابل اعتماد بود و آنچه را که ما نیاز داشتیم ارائه میکرد،
122
00:04:48,260 –> 00:04:49,970
بنابراین در آخر هفتهها این را کدنویسی کردم
123
00:04:49,970 –> 00:04:52,550
که واقعاً سرگرمکننده بود و
124
00:04:52,550 –> 00:04:54,290
فکر میکنم خیلی خوب است که داریم. کاری که اجازه دهید ادامه دهیم
125
00:04:54,290 –> 00:04:56,810
و اولین کاری که انجام می
126
00:04:56,810 –> 00:04:59,450
دهیم این است که همه خروجی ها را مجددا راه اندازی و پاکسازی
127
00:04:59,450 –> 00:05:01,190
می کنیم تا در اینجا یک شروع تازه
128
00:05:01,190 –> 00:05:04,370
داشته باشیم، هیچ اجرای قبلی
129
00:05:04,370 –> 00:05:06,590
راه را ندارد و ما ادامه می دهیم و
130
00:05:06,590 –> 00:05:09,410
لوله آمار جغرافیایی را وارد می کنیم. این دارد دو جزء
131
00:05:09,410 –> 00:05:09,710
آن
132
00:05:09,710 –> 00:05:12,320
Live Jia مجموعه ای از تجسم است
133
00:05:12,320 –> 00:05:15,730
و مانند برنامه های live Jesus و
134
00:05:15,730 –> 00:05:19,130
همچنین دارای بسته بندی های ساده برای اجرای
135
00:05:19,130 –> 00:05:21,020
Fortran است که ما این کار را انجام نمی دهیم و
136
00:05:21,020 –> 00:05:23,720
از آمار جغرافیایی استفاده می کنیم که
137
00:05:23,720 –> 00:05:25,820
روشی است که در واقع
138
00:05:25,820 –> 00:05:28,460
دوباره پیاده سازی شده است. همه الگوریتمهایی مانند
139
00:05:28,460 –> 00:05:30,110
مدلسازی محاسبه Vera Graham در
140
00:05:30,110 –> 00:05:32,780
پایتون برای ما، بنابراین فکر میکنم این عالی
141
00:05:32,780 –> 00:05:35,270
است که از مجموعهای
142
00:05:35,270 –> 00:05:37,910
از بستههای استاندارد مانند numpy و
143
00:05:37,910 –> 00:05:41,030
pandas برای آرایههای چند بعدی
144
00:05:41,030 –> 00:05:43,400
و پانداها برای فریمهای داده matplotlib
145
00:05:43,400 –> 00:05:46,010
برای رسم استفاده کنیم. البته و سپس ما
146
00:05:46,010 –> 00:05:48,410
ویجتهای I pi را برای ساختن
147
00:05:48,410 –> 00:05:50,360
نمودارهای تعاملی در پایان خواهیم داشت،
148
00:05:50,360 –> 00:05:52,520
ما یک مدلسازی تعاملی ورا گراهام را انجام میدهیم که
149
00:05:52,520 –> 00:05:54,290
دوست دارم یک فهرست راهنمای فعلی تنظیم کنم که
150
00:05:54,290 –> 00:05:56,120
دقیقاً بداند مطالب از کجا میآیند و
151
00:05:56,120 –> 00:05:58,010
سپس فقط فایل داده را بخوانید. بنابراین اگر
152
00:05:58,010 –> 00:06:00,020
میخواهید یک نمونه داده با بایاس چند متغیره
153
00:06:00,020 –> 00:06:01,460
154
00:06:01,460 –> 00:06:03,170
کار کنید که مجموعه دادههای دو بعدی کاملاً خوبی است، میتوانید
155
00:06:03,170 –> 00:06:05,030
با دادههای تخلخل و نفوذپذیری کار
156
00:06:05,030 –> 00:06:07,550
کنید، ادامه دهید و آن را از سایت من دانلود کنید.
157
00:06:07,550 –> 00:06:10,100
مخزن github آن را در دایرکتوری کاری خود قرار دهید که در
158
00:06:10,100 –> 00:06:12,320
آنجا تنظیم می کنید و
159
00:06:12,320 –> 00:06:15,020
می روید پس وقتی این را اجرا کردید
160
00:06:15,020 –> 00:06:17,330
اگر خطایی دریافت نکردید اوه چه اشتباهی
161
00:06:17,330 –> 00:06:19,490
کردم من همیشه این کار را انجام می دهم و می دانم که
162
00:06:19,490 –> 00:06:21,200
دانش آموزان من نیز این کار را انجام می دهند من این کار را عمدا
163
00:06:21,200 –> 00:06:23,050
انجام میدهم، فقط برای اینکه مطمئن شوم همه
164
00:06:23,050 –> 00:06:25,460
متوجه میشوند که این یک مشکل رایج است. من
165
00:06:25,460 –> 00:06:28,640
یک بلوک
166
00:06:28,640 –> 00:06:30,320
167
00:06:30,320 –> 00:06:33,770
168
00:06:33,770 –> 00:06:35,630
را رد کردم.
169
00:06:35,630 –> 00:06:37,760
سیستم عامل وارد شده است و بنابراین وقتی این
170
00:06:37,760 –> 00:06:39,350
دستور را با سیستم عامل اجرا می کنم
171
00:06:39,350 –> 00:06:40,760
تا با سیستم عامل کار کنم تا
172
00:06:40,760 –> 00:06:43,010
دوباره دایرکتوری کاری را تغییر دهم، خطای
173
00:06:43,010 –> 00:06:44,990
سیستم عامل شناسایی نشده است، بنابراین ادامه دهید و
174
00:06:44,990 –> 00:06:48,290
اجرا کنید که اکنون کد کار می کند، می بینید که
175
00:06:48,290 –> 00:06:49,760
بنابراین باید همه چیز را به ترتیب اجرا کنید.
176
00:06:49,760 –> 00:06:51,650
من اغلب به دانشآموزانم میگویم که اگر
177
00:06:51,650 –> 00:06:53,720
از همان ابتدا با خطا مواجه شدیم
178
00:06:53,720 –> 00:06:57,410
و به احتمال زیاد
179
00:06:57,410 –> 00:06:59,120
بلوک را اجرا نکردید، این رایجترین
180
00:06:59,120 –> 00:07:01,580
اشتباهی است که در بین دانشآموزانم میبینم، خوب، پس
181
00:07:01,580 –> 00:07:03,560
بیایید ادامه دهیم، در ادامه میخوانیم.
182
00:07:03,560 –> 00:07:06,500
مجموعه داده از فایل محدود شده با کاما و
183
00:07:06,500 –> 00:07:11,000
ما ادامه می دهیم و آن را به عنوان یک
184
00:07:11,000 –> 00:07:14,600
قاب داده از پانداها قرار می دهیم PD خواندن CSV
185
00:07:14,600 –> 00:07:17,000
ما این را به یک قاب داده تبدیل می کنیم DF
186
00:07:17,000 –> 00:07:18,740
اکنون یک قاب داده است و برای خودمان ثابت می
187
00:07:18,740 –> 00:07:21,590
کنیم که برای شی قاب داده DF خود
188
00:07:21,590 –> 00:07:24,110
که تابع ساخته شده است دسترسی داریم.
189
00:07:24,110 –> 00:07:26,930
یک پیش نمایش از پنج یا شش
190
00:07:26,930 –> 00:07:29,690
نمونه اول در جلو فرمان head خوب است، بنابراین
191
00:07:29,690 –> 00:07:32,660
بله، پنج نمونه اول درست همانجا صفر
192
00:07:32,660 –> 00:07:34,670
تا چهار یا نشان داده شده است و می
193
00:07:34,670 –> 00:07:36,740
توانید داده هایی را ببینید که اکنون آن را بارگذاری کردیم،
194
00:07:36,740 –> 00:07:37,820
باید ذکر می کردم
195
00:07:37,820 –> 00:07:39,740
که امپدانس صوتی هم دارم که
196
00:07:39,740 –> 00:07:41,450
در آن مجموعه داده بسیار جالب است، بنابراین یک
197
00:07:41,450 –> 00:07:43,820
مجموعه داده فضایی چند متغیره است، مصنوعی است، شما
198
00:07:43,820 –> 00:07:45,530
آزاد هستید که فقط از آن استفاده کنید نگران نباشید،
199
00:07:45,530 –> 00:07:47,720
من آن را با استفاده از روشهای آماری جغرافیایی چند متغیره درست کردم،
200
00:07:47,720 –> 00:07:49,370
بنابراین
201
00:07:49,370 –> 00:07:51,500
مجموعه دادههای بسیار خوبی برای شماست. خواهیم دید که میتوانیم
202
00:07:51,500 –> 00:07:53,330
آن را بر اساس فازها جدا کنیم، اما برای این
203
00:07:53,330 –> 00:07:56,690
گردش کار این کار را انجام نمیدهیم و اخیراً خیلی
204
00:07:56,690 –> 00:07:59,060
بد نیست، زیرا چهرهها
205
00:07:59,060 –> 00:08:00,650
پیوستگی فضایی و تخلخل و نفوذپذیری
206
00:08:00,650 –> 00:08:03,110
دارند، مانند سیستمی نیست که در آن
207
00:08:03,110 –> 00:08:05,390
بین فازها ناپیوستگی داشته باشیم، بنابراین
208
00:08:05,390 –> 00:08:07,130
کاملاً خوب است. خوب امتحان کنید برای مدل سازی Vera
209
00:08:07,130 –> 00:08:09,260
Graham بین آنها، احتمالاً اگر
210
00:08:09,260 –> 00:08:10,940
ما در حال ساخت یک مدل مخزن واقعی
211
00:08:10,940 –> 00:08:12,830
بودیم، احتمالاً
212
00:08:12,830 –> 00:08:14,630
در مورد آن انتخاب بیشتر فکر می کردیم، اما در حال حاضر
213
00:08:14,630 –> 00:08:17,030
ما سادگی و مختصر بودن گردش کار را انتخاب می کنیم،
214
00:08:17,030 –> 00:08:19,400
بنابراین امیدوارم همه
215
00:08:19,400 –> 00:08:20,900
با آن خوب باشند، بیایید نگاه کنیم. در آمار خلاصه،
216
00:08:20,900 –> 00:08:22,970
من فریمهای داده پاندا را دوست دارم،
217
00:08:22,970 –> 00:08:25,250
زیرا میتوانیم این کار را خیلی ساده انجام دهیم،
218
00:08:25,250 –> 00:08:26,390
میتوانیم ببینیم چه اتفاقی برای مجموعه دادههای ما میافتد.
219
00:08:26,390 –> 00:08:28,460
220
00:08:28,460 –> 00:08:31,580
221
00:08:31,580 –> 00:08:33,799
222
00:08:33,799 –> 00:08:36,469
تبدیل نمره تبدیل نمره نرمال
223
00:08:36,469 –> 00:08:38,770
انجام می شود، این تبدیل تخلخل است
224
00:08:38,770 –> 00:08:41,210
که آن را به یک توزیع نرمال استاندارد با
225
00:08:41,210 –> 00:08:44,810
واریانس صفر و
226
00:08:44,810 –> 00:08:48,290
انحراف استاندارد برابر با یک تبدیل می کند، اکنون ما
227
00:08:48,290 –> 00:08:49,970
این کار را به طور خاص انجام می دهیم زیرا
228
00:08:49,970 –> 00:08:51,440
اذعان می کنیم که این Vera Grahams
229
00:08:51,440 –> 00:08:51,900
230
00:08:51,900 –> 00:08:53,850
قرار است برای روشهای گاوسی مانند
231
00:08:53,850 –> 00:08:55,620
شبیهسازی گاوسی متوالی، بنابراین برای
232
00:08:55,620 –> 00:08:57,030
سازگاری باید با
233
00:08:57,030 –> 00:09:00,480
دادههای تبدیل شده به فضای گاوسی،
234
00:09:00,480 –> 00:09:03,600
تبدیل نمره عادی کار کنید. اکنون
235
00:09:03,600 –> 00:09:05,730
به موارد دورافتاده نیز کمک می کند و به
236
00:09:05,730 –> 00:09:08,280
طور کلی ظاهر تمیزتر ورا گراهام را ارائه می دهد، بنابراین
237
00:09:08,280 –> 00:09:09,960
ایده بدی نیست
238
00:09:09,960 –> 00:09:11,970
و به طور خاص بر اساس این تئوری است که
239
00:09:11,970 –> 00:09:14,580
باید آن را انجام دهیم، تبدیل نمره عادی
240
00:09:14,580 –> 00:09:17,760
در Geo step pie ساخته
241
00:09:17,760 –> 00:09:19,470
شده است.
242
00:09:19,470 –> 00:09:22,020
بسیار خوب عمل می کند و بنابراین من از
243
00:09:22,020 –> 00:09:23,880
آن به جای یک متدولوژی موجود
244
00:09:23,880 –> 00:09:27,210
از بسته دیگری استفاده می کنم، بنابراین ما ادامه می دهیم و
245
00:09:27,210 –> 00:09:28,680
می توانیم CD f اصلی را تجسم کنیم
246
00:09:28,680 –> 00:09:31,980
– تبدیل شده و جای
247
00:09:31,980 –> 00:09:34,710
تعجب ندارد، واقعاً این کار تقریباً یک
248
00:09:34,710 –> 00:09:37,050
توزیع گاوسی برای تخلخل بود، اما
249
00:09:37,050 –> 00:09:39,420
اکنون نگاه کنید در آن منحنی s زیبا
250
00:09:39,420 –> 00:09:42,120
منفی 3 به مثبت 3 به طور
251
00:09:42,120 –> 00:09:44,070
موثر توزیع نامحدود است، اما
252
00:09:44,070 –> 00:09:46,350
عملاً متوجه خواهیم شد که نمونه های
253
00:09:46,350 –> 00:09:49,080
ما احتمالاً در آنجا محدود می شوند و اگر
254
00:09:49,080 –> 00:09:50,670
به توزیع نفوذپذیری نگاه
255
00:09:50,670 –> 00:09:52,860
کنیم، از یک توزیع اریب مثبت بسیار قوی خارج
256
00:09:52,860 –> 00:09:55,650
شده ایم. احتمالاً
257
00:09:55,650 –> 00:09:58,260
به ثبت نرمال نزدیک شده ایم و به یک
258
00:09:58,260 –> 00:10:00,360
CDF گاوسی خوب رفته ایم، بنابراین
259
00:10:00,360 –> 00:10:03,450
اگر بخواهیم سعی کنیم آن را
260
00:10:03,450 –> 00:10:05,940
محاسبه و درک کنیم، اکنون تبدیل های خود را انجام داده ایم.
261
00:10:05,940 –> 00:10:08,190
جهت دهی پدیده فضایی خود
262
00:10:08,190 –> 00:10:10,320
به علاوه اگر سعی می کنیم بفهمیم چگونه
263
00:10:10,320 –> 00:10:12,510
آزمایشی خوب ورا
264
00:10:12,510 –> 00:10:15,120
گراهام را محاسبه کنیم، واقعاً باید نمودارهای داده را
265
00:10:15,120 –> 00:10:17,040
در فضا انجام دهیم تا بتوانیم
266
00:10:17,040 –> 00:10:19,890
انتخاب های خوبی در مورد جهت گیری تاخیرها و
267
00:10:19,890 –> 00:10:21,450
غیره داشته باشیم، ببینیم شاید حتی
268
00:10:21,450 –> 00:10:22,470
جهت را ببینید
269
00:10:22,470 –> 00:10:24,540
خوب است، پس بیایید به مجموعه داده ها نگاه کنیم
270
00:10:24,540 –> 00:10:26,340
که تبدیل امتیاز و
271
00:10:26,340 –> 00:10:28,950
تخلخل طبیعی است، بیایید روی تخلخل تمرکز کنیم،
272
00:10:28,950 –> 00:10:30,720
همانطور که
273
00:10:30,720 –> 00:10:32,310
می توانید با نمودار متقاطع مشاهده کنید، بنابراین باید
274
00:10:32,310 –> 00:10:35,070
انتظار ویژگی های فضایی مشابه را داشته باشیم، اما
275
00:10:35,070 –> 00:10:37,200
ما فقط برای این گردش کار روی تخلخل تمرکز کنید
276
00:10:37,200 –> 00:10:40,230
خوب مقادیر بالا رنگهای روشنتر هستند
277
00:10:40,230 –> 00:10:42,840
رنگهای تیرهتر مقادیر پایینتر
278
00:10:42,840 –> 00:10:45,450
در نمره عادی از 3 به
279
00:10:45,450 –> 00:10:48,150
منفی 3 میشوند و اگر به این hmm نگاه کنید
280
00:10:48,150 –> 00:10:50,670
آیا میبینید آیا میتوانید جهت را
281
00:10:50,670 –> 00:10:53,970
ببینید من کاملاً میتوانم
282
00:10:53,970 –> 00:10:56,370
جهت گیری درست همانجا است که شما
283
00:10:56,370 –> 00:10:59,010
می توانید ببینید که آیا این صفر صفر صفر
284
00:10:59,010 –> 00:11:01,170
در جهت Y است و آسم صفر
285
00:11:01,170 –> 00:11:02,440
نه صفر در
286
00:11:02,440 –> 00:11:04,480
اقدام اضافی می توانید به وضوح حدود صفر
287
00:11:04,480 –> 00:11:07,540
چهار یا پنج یک جهت اصلی
288
00:11:07,540 –> 00:11:11,470
تداوم است که شما این
289
00:11:11,470 –> 00:11:14,950
الگوی بالا و پایین بالا را دارید و بنابراین ما خوب است
290
00:11:14,950 –> 00:11:16,960
شک کنیم که صفر چهار یا پنج را خواهیم دید،
291
00:11:16,960 –> 00:11:19,030
بنابراین این رویکرد بازرسی چشمی ما
292
00:11:19,030 –> 00:11:21,280
برای تشخیص جهت است، بنابراین ما این
293
00:11:21,280 –> 00:11:23,230
کار را انجام داده ایم که می توانیم همچنین نقشههای Vera Graham را انجام دهید
294
00:11:23,230 –> 00:11:25,270
که فوقالعاده جالب هستند،
295
00:11:25,270 –> 00:11:27,670
چیزی که من هم کدنویسی کردهام و
296
00:11:27,670 –> 00:11:31,150
آن را به geo stamp pie اضافه میکنم و بنابراین فقط var
297
00:11:31,150 –> 00:11:33,520
map V را اضافه میکند که با دادههای معمولی کار میکند
298
00:11:33,520 –> 00:11:36,730
و میتوانیم قاب داده x و y را بارگذاری کنیم.
299
00:11:36,730 –> 00:11:39,820
مکانهایی که در آینده
300
00:11:39,820 –> 00:11:42,250
مورد علاقه هستند و تنها کاری که باید انجام دهیم این است
301
00:11:42,250 –> 00:11:45,550
که تعداد تاخیرهایی را که
302
00:11:45,550 –> 00:11:49,630
از مرکز به یک سمت میرود
303
00:11:49,630 –> 00:11:53,080
304
00:11:53,080 –> 00:11:56,680
305
00:11:56,680 –> 00:11:59,320
مشخص کنیم. وسط اینجا به اندازه
306
00:11:59,320 –> 00:12:03,160
50 و بنابراین ما 550 را به
307
00:12:03,160 –> 00:12:06,610
این سمت به اضافه 25 برای نیمی از فاصله
308
00:12:06,610 –> 00:12:08,740
آن سلول در وسط گسترش می دهیم،
309
00:12:08,740 –> 00:12:10,000
بنابراین یک سلول در وسط وجود دارد و سپس
310
00:12:10,000 –> 00:12:12,460
یازده سلول به این سمت می روند، یک مش است
311
00:12:12,460 –> 00:12:14,770
و سپس آنجا. خواهد بود 11 سلول به این
312
00:12:14,770 –> 00:12:17,440
سمت 11 سلول به بالا بنابراین ما
313
00:12:17,440 –> 00:12:23,790
از 0 تا 5 50 به اضافه 25 575 به
314
00:12:23,790 –> 00:12:26,740
منفی 575 می رویم و به همین ترتیب در
315
00:12:26,740 –> 00:12:29,020
جهت x ایجاد یک مش می کنیم، سپس کاری
316
00:12:29,020 –> 00:12:30,460
که انجام دادیم این است که
317
00:12:30,460 –> 00:12:32,860
بعد از ایجاد مش از برنامه کانتورینگ اولیه استفاده کرده ایم
318
00:12:32,860 –> 00:12:34,510
و مقادیر بسیار گرم را
319
00:12:34,510 –> 00:12:36,340
برای هر یک از آن آفست ها در
320
00:12:36,340 –> 00:12:39,580
مجموعه داده ها محاسبه کنید و ما آن را به نوعی کانتور کرده
321
00:12:39,580 –> 00:12:41,170
ایم، به همین دلیل است که برخی از
322
00:12:41,170 –> 00:12:43,660
این اشکال عجیب و غریب را می بینید، این اشکال
323
00:12:43,660 –> 00:12:46,030
فقط به این دلیل نیست که ما اطلاعات کمی
324
00:12:46,030 –> 00:12:49,060
داریم در اینجا ما 11 به علاوه 11 داریم. 22 بعلاوه 1
325
00:12:49,060 –> 00:12:51,910
ما یک شبکه 23 در 23 داریم و همین الان
326
00:12:51,910 –> 00:12:54,550
چند کانتورینگ ساده بین این
327
00:12:54,550 –> 00:12:56,830
مقادیر انجام دادیم، ایده خوبی است
328
00:12:56,830 –> 00:12:58,960
که به تعداد جفت های درگیر در
329
00:12:58,960 –> 00:13:00,820
هر یک از آن سلول ها نگاه کنید و
330
00:13:00,820 –> 00:13:03,100
به طور کلی می توانید ببینید که آیا ما سلولهای
331
00:13:03,100 –> 00:13:04,900
ناآگاهی داریم که به سمت لبهها میروند، در اینجا ما
332
00:13:04,900 –> 00:13:07,660
تعداد کمتری برای کار داریم، بنابراین
333
00:13:07,660 –> 00:13:09,040
ممکن است نگران کننده باشد که آن
334
00:13:09,040 –> 00:13:10,660
رنگ تیرهشده را میبینید، اما ما هنوز خیلی
335
00:13:10,660 –> 00:13:12,850
خوب هستیم، به نظر میرسد واقعاً به نظر میرسد
336
00:13:12,850 –> 00:13:15,570
که ما همیشه بالای 50 هستیم یا 100
337
00:13:15,570 –> 00:13:18,090
تا بتوانیم به ماتریس
338
00:13:18,090 –> 00:13:20,550
آرایه دو بعدی نگاه کنیم که از
339
00:13:20,550 –> 00:13:23,250
این نقشه گرم منصفانه که در
340
00:13:23,250 –> 00:13:25,800
نقشه پاریس شماره P قرار دارد بیرون آمد و می توانید به
341
00:13:25,800 –> 00:13:28,740
آرایه 23 در 23 نگاه کنید و می توانید
342
00:13:28,740 –> 00:13:30,570
مقادیر را بررسی کنید و انتخاب کنید
343
00:13:30,570 –> 00:13:32,010
شاید باید برخی از این
344
00:13:32,010 –> 00:13:34,260
مقادیر را با استفاده از عبارات شرطی حذف کنید،
345
00:13:34,260 –> 00:13:36,270
اما من حالا خیلی راحتم، بیایید
346
00:13:36,270 –> 00:13:38,310
جلوتر بنشینیم و به
347
00:13:38,310 –> 00:13:40,950
نقشه ورا گراهام نگاه کنیم، چه میبینیم
348
00:13:40,950 –> 00:13:43,950
اینجا چه خبر است، خوب خوب، به نظر شما چه
349
00:13:43,950 –> 00:13:46,110
ارزشهایی برای لورا گراهام دارد سلام ارزشهای ورا گراهام،
350
00:13:46,110 –> 00:13:47,790
سیلا به نوعی رنگ نارنجی است،
351
00:13:47,790 –> 00:13:50,550
بنابراین اگر من بکشم یک کانتور از
352
00:13:50,550 –> 00:13:53,360
سلول به جایی مانند اینجا می رود
353
00:13:53,360 –> 00:13:56,100
45 درجه که بازرسی چشمی
354
00:13:56,100 –> 00:13:58,080
کار می کند، نقشه گراهام آن را تایید می
355
00:13:58,080 –> 00:14:00,630
کند و محدوده اگر بخواهیم محدوده را انتخاب
356
00:14:00,630 –> 00:14:02,820
کنیم می توانم
357
00:14:02,820 –> 00:14:04,290
تا لبه آن بروم. نقشه ورا گراهام و
358
00:14:04,290 –> 00:14:05,820
من هنوز به آستانه
359
00:14:05,820 –> 00:14:08,190
نرسیدهام به گمان میکنم منطقهای در آن
360
00:14:08,190 –> 00:14:08,670
سمت منحرف
361
00:14:08,670 –> 00:14:11,820
شدهام، میتوانم بروم احتمالاً
362
00:14:11,820 –> 00:14:14,490
در حال حاضر 200 یا بیشتر به این سمت
363
00:14:14,490 –> 00:14:16,440
نگاه میکنم قبل از اینکه واقعاً به سلول اینجا برسم
364
00:14:16,440 –> 00:14:18,210
در حال حاضر حدس می زنم اما yo می دانید که
365
00:14:18,210 –> 00:14:19,740
خوب است که به ما اولین
366
00:14:19,740 –> 00:14:22,080
شواهدی می دهد تا با اوکی کار کنیم، بنابراین من گمان می کنم که
367
00:14:22,080 –> 00:14:24,540
Vera Graham دوبعدی
368
00:14:24,540 –> 00:14:27,450
ما یک جهت اصلی در آزموت 0 4 یا 5
369
00:14:27,450 –> 00:14:30,260
داشته باشد و من گمان می کنم که ما شاهد
370
00:14:30,260 –> 00:14:33,090
یک منطقه ای خواهیم بود. منحرف در آن
371
00:14:33,090 –> 00:14:35,970
جهت و متعامد
372
00:14:35,970 –> 00:14:40,350
ازموت 135 من گمان میکنم
373
00:14:40,350 –> 00:14:42,840
که در
374
00:14:42,840 –> 00:14:44,400
حال حاضر یک راه خوب دیگر برای تشخیص
375
00:14:44,400 –> 00:14:45,960
جهتگیری خواهیم دید و کاری که
376
00:14:45,960 –> 00:14:47,670
به هر حال باید انجام دهیم، زیرا سعی میکنیم از
377
00:14:47,670 –> 00:14:49,280
ورا گراهام مدل کنیم. باید محاسبه
378
00:14:49,280 –> 00:14:51,450
آزمایشی ورا گراهام اکنون
379
00:14:51,450 –> 00:14:53,700
به دادهها برگردد، میتوانید این را تأیید کنید،
380
00:14:53,700 –> 00:14:55,830
اما اگر به آن نگاه کنید، خواهید دید که
381
00:14:55,830 –> 00:14:58,050
فاصله صد متری و اجازه دهید به
382
00:14:58,050 –> 00:15:00,090
اینجا برگردیم فاصله ۱۰۰ متری
383
00:15:00,090 –> 00:15:02,220
قطعاً جفتهای زیادی را به دست میآورد که احتمالاً میتوانید
384
00:15:02,220 –> 00:15:05,490
بروید. تا 30 50 یا بیشتر، اما فکر
385
00:15:05,490 –> 00:15:07,020
میکنم متوجه شدم که کمی پر سر و صدا است، اگر میخواهید چیزی را امتحان کنید، بروید
386
00:15:07,020 –> 00:15:08,520
و خودتان با آن بازی
387
00:15:08,520 –> 00:15:10,440
کنید، اما من میخواهم
388
00:15:10,440 –> 00:15:12,270
بگویم فاصلهای در حدود صد
389
00:15:12,270 –> 00:15:15,030
متر نیمی از مجموعه داده ها اگر
390
00:15:15,030 –> 00:15:16,650
من calc هستم با تعیین جهت 45 درجه
391
00:15:16,650 –> 00:15:18,750
یا این جهات دیگر، می توانم بگویم که می
392
00:15:18,750 –> 00:15:20,880
توانم حدود 700 متر بروم زیرا حدود
393
00:15:20,880 –> 00:15:23,700
1400 متر عرض در مورب
394
00:15:23,700 –> 00:15:26,730
دارم و انتظار دارم بتوانم
395
00:15:26,730 –> 00:15:28,940
گروه های ورا قابل اعتماد عبدالبهاء را محاسبه کنم،
396
00:15:28,940 –> 00:15:31,430
بنابراین اجازه دهید بگوییم حدود 700 متر یا
397
00:15:31,430 –> 00:15:34,820
بیشتر، حالا میروم یا خوب میگیرم
398
00:15:34,820 –> 00:15:37,940
و علاوه بر آن میروم، میتوانم
399
00:15:37,940 –> 00:15:40,880
تلورانسهای تاخیر را 1/2 فاصله تأخیر تنظیم کنم،
400
00:15:40,880 –> 00:15:42,710
اما این لازم نیست،
401
00:15:42,710 –> 00:15:44,390
در واقع میتوانم آن را افزایش دهم و باعث
402
00:15:44,390 –> 00:15:46,670
همپوشانی بین سطلها و
403
00:15:46,670 –> 00:15:49,130
صاف کردن بیشتر برای نتیجه نرمتر، فکر میکنم
404
00:15:49,130 –> 00:15:51,170
این کار را انجام دادم زیرا نتایج را کمی بهبود بخشید،
405
00:15:51,170 –> 00:15:53,090
اما از شما استقبال میکنم که پیش بروید
406
00:15:53,090 –> 00:15:56,060
و تفاوتها را امتحان کنید، بنابراین من
407
00:15:56,060 –> 00:15:58,400
یک فاصله تاخیری 100 متری دارم،
408
00:15:58,400 –> 00:16:00,410
اکنون هفت مورد از آنها را محاسبه میکنم. با
409
00:16:00,410 –> 00:16:03,230
این برنامه صفر می شود دو سه
410
00:16:03,230 –> 00:16:06,710
چهار و پانصد و ششصد چرا جلو نمی رویم
411
00:16:06,710 –> 00:16:09,290
و فقط آن یک تاخیر بیشتر می
412
00:16:09,290 –> 00:16:12,080
کنیم تا در واقع به 700 برسیم اوکی سپس
413
00:16:12,080 –> 00:16:14,240
جلو می رویم و می گوییم پهنای باند ندارد
414
00:16:14,240 –> 00:16:17,420
چون من من واقعا نگران نیستم که می
415
00:16:17,420 –> 00:16:19,040
دانید از آن
416
00:16:19,040 –> 00:16:21,200
جهت دورتر است و من Asthma of
417
00:16:21,200 –> 00:16:22,700
Tolerance را کاملاً محدود میکنم، ما
418
00:16:22,700 –> 00:16:24,350
دادههای بسیار متراکمی داریم، بنابراین من میخواهم جهتگیری قوی خوبی داشته باشم،
419
00:16:24,350 –> 00:16:26,980
حالا یک چیز عالی با
420
00:16:26,980 –> 00:16:30,950
کار با پایتون این است که من یک Azamat
421
00:16:30,950 –> 00:16:32,600
درست میکنم که قرار است ساخته شود. لیستی از
422
00:16:32,600 –> 00:16:34,550
Asmusهای مختلف و من میتوانم برنامهام را به صورت
423
00:16:34,550 –> 00:16:36,320
حلقهای روی آنها اجرا کنم و
424
00:16:36,320 –> 00:16:37,910
تمام گرمهای بارو جهتدار
425
00:16:37,910 –> 00:16:45,650
را از صفر 22.5 45 درست در اینجا 67.5
426
00:16:45,650 –> 00:16:50,120
90 12.5 135 محاسبه میکنم و تمام راه را به عقب
427
00:16:50,120 –> 00:16:51,800
برمیگردانم، نیازی به انجام 180 نیست.
428
00:16:51,800 –> 00:16:54,110
این همان خواهد بود که صفر گرم به طور کلی
429
00:16:54,110 –> 00:16:56,120
متقارن خواهد بود، بنابراین ما
430
00:16:56,120 –> 00:16:58,220
زیاد نگران آن نیستیم، خوب است و اکنون
431
00:16:58,220 –> 00:17:01,790
نباید از داعش در برنامه محاسبه گرم نام ببرم،
432
00:17:01,790 –> 00:17:03,830
شما این
433
00:17:03,830 –> 00:17:06,589
گزینه را دارید که آن را محدود کنید.
434
00:17:06,589 –> 00:17:08,660
توزیع را استاندارد کنید دو نوع از یکی حالا
435
00:17:08,660 –> 00:17:10,130
ما تبدیل گاوسی