در این مطلب، ویدئو آموزش یادگیری ماشین پایتون (علم داده) 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: 00:49:43
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:01,599
[موسیقی]
2
00:00:01,599 –> 00:00:02,879
اگر به دنبال آموزش یادگیری ماشینی
3
00:00:02,879 –> 00:00:04,720
با نوت بوک پایتون و ژوپیتر هستید،
4
00:00:04,720 –> 00:00:05,440
5
00:00:05,440 –> 00:00:07,200
این آموزش برای شماست، می خواهید
6
00:00:07,200 –> 00:00:09,360
یاد بگیرید که چگونه یک مشکل دنیای واقعی را
7
00:00:09,360 –> 00:00:11,440
با استفاده از یادگیری ماشینی و پایتون حل کنید،
8
00:00:11,440 –> 00:00:12,559
ما با یک برنامه آموزشی شروع می کنیم.
9
00:00:12,559 –> 00:00:14,080
مقدمه ای کوتاه بر یادگیری ماشینی
10
00:00:14,080 –> 00:00:15,519
سپس در مورد ابزارهایی که شما نیاز دارید صحبت می کنیم
11
00:00:15,519 –> 00:00:17,119
و بعد از آن
12
00:00:17,119 –> 00:00:18,640
مستقیماً به مشکلی که می خواهیم حل کنیم می پردازیم،
13
00:00:18,640 –> 00:00:19,520
14
00:00:19,520 –> 00:00:21,439
شما یاد خواهید گرفت که چگونه مدلی بسازید که
15
00:00:21,439 –> 00:00:23,439
بتواند یاد بگیرد و پیش بینی کند. نوع موسیقی که
16
00:00:23,439 –> 00:00:24,640
مردم دوست
17
00:00:24,640 –> 00:00:26,640
دارند در پایان این آموزش یک ساعته،
18
00:00:26,640 –> 00:00:28,000
شما درک خوبی از
19
00:00:28,000 –> 00:00:29,359
اصول یادگیری ماشین
20
00:00:29,359 –> 00:00:30,880
خواهید داشت و می توانید
21
00:00:30,880 –> 00:00:33,120
مفاهیم سطح متوسط تا پیشرفته بیشتری را بیاموزید که
22
00:00:33,120 –> 00:00:34,399
ه دانش قبلی در یا
23
00:00:34,399 –> 00:00:35,920
گیری ماشین نیاز ندارید. اما اگر این کار را ندارید باید
24
00:00:35,920 –> 00:00:37,200
پایتون را به خوبی بشناسید،
25
00:00:37,200 –> 00:00:38,640
من چند
26
00:00:38,640 –> 00:00:40,399
آموزش برای شما در اینجا در کانال من دارم،
27
00:00:40,399 –> 00:00:42,079
لینک ها در زیر این ویدیو هستند،
28
00:00:42,079 –> 00:00:43,840
من فقط شرمنده هستم و بسیار هیجان
29
00:00:43,840 –> 00:00:45,840
زده هستم که مربی شما در این زمینه باشم. کانال
30
00:00:45,840 –> 00:00:47,600
من تعداد زیادی برنامه دارم آموزشهای ming
31
00:00:47,600 –> 00:00:48,879
که ممکن است برای شما مفید باشد،
32
00:00:48,879 –> 00:00:51,120
بنابراین حتماً مشترک شوید زیرا من
33
00:00:51,120 –> 00:00:52,399
هر
34
00:00:52,399 –> 00:00:59,840
هفته آموزشهای جدید را آپلود میکنم، بیایید وارد شویم و شروع کنیم
35
00:01:03,840 –> 00:01:04,959
در این بخش میخواهیم
36
00:01:04,959 –> 00:01:06,799
در مورد یادگیری ماشینی که زیرمجموعهای
37
00:01:06,799 –> 00:01:07,680
از ai است یا
38
00:01:07,680 –> 00:01:09,760
هوش مصنوعی که یکی از آنها است، بیاموزیم.
39
00:01:09,760 –> 00:01:11,840
موضوعات پرطرفدار در جهان این روزها
40
00:01:11,840 –> 00:01:13,119
و قرار است در آینده کاربردهای زیادی داشته
41
00:01:13,119 –> 00:01:14,560
باشد در
42
00:01:14,560 –> 00:01:16,720
اینجا یک مثال است تصور کنید من از شما می خواهم
43
00:01:16,720 –> 00:01:17,600
برنامه ای بنویسید
44
00:01:17,600 –> 00:01:20,320
تا یک تصویر را اسکن کنید و بگویید اگر می خواهید این تصویر را بسازید گربه است
45
00:01:20,320 –> 00:01:21,439
یا مدرک.
46
00:01:21,439 –> 00:01:22,960
برنامه ای که با استفاده از
47
00:01:22,960 –> 00:01:24,720
تکنیک های برنامه نویسی سنتی برنامه
48
00:01:24,720 –> 00:01:26,560
شما بسیار
49
00:01:26,560 –> 00:01:28,479
پیچیده می شود، باید
50
00:01:28,479 –> 00:01:30,320
قوانین زیادی را برای جستجوی
51
00:01:30,320 –> 00:01:31,040
52
00:01:31,040 –> 00:01:33,600
لبه های منحنی و رنگ های خاص در یک تصویر به وجود بیاورید تا متوجه شوید
53
00:01:33,600 –> 00:01:35,040
که گربه است یا سگ،
54
00:01:35,040 –> 00:01:36,479
اما اگر من به شما رنگ مشکی بدهم. و
55
00:01:36,479 –> 00:01:38,079
عکس سفید ممکن است قوانین شما کارساز نباشد
56
00:01:38,079 –> 00:01:39,520
، ممکن است شکسته شوند، سپس مجبور شوید
57
00:01:39,520 –> 00:01:41,360
آنها را بازنویسی کنید یا ممکن است
58
00:01:41,360 –> 00:01:42,720
تصویری از یک گربه یا سگ
59
00:01:42,720 –> 00:01:44,560
از زاویه دیگری به شما ارائه دهم که قبلاً پیش بینی نکرده بودید،
60
00:01:44,560 –> 00:01:45,759
61
00:01:45,759 –> 00:01:47,280
بنابراین این مشکل را با استفاده از t حل کنید.
62
00:01:47,280 –> 00:01:48,799
تکنیکهای برنامهنویسی افراطی در
63
00:01:48,799 –> 00:01:49,439
حال حاضر
64
00:01:49,439 –> 00:01:52,479
بسیار پیچیده یا گاهی
65
00:01:52,479 –> 00:01:54,399
غیرممکن میشوند تا موضوع بدتر شود، چه میشود اگر
66
00:01:54,399 –> 00:01:56,159
در آینده از شما بخواهم این برنامه را به گونهای گسترش دهید
67
00:01:56,159 –> 00:01:56,719
68
00:01:56,719 –> 00:01:58,560
که از سه نوع
69
00:01:58,560 –> 00:02:00,240
حیوان،
70
00:02:00,240 –> 00:02:02,560
گربهها و اسبها پشتیبانی کند، باید
71
00:02:02,560 –> 00:02:04,320
دوباره بنویسید. همه آن قوانینی
72
00:02:04,320 –> 00:02:06,320
که کار نمیکنند، بنابراین
73
00:02:06,320 –> 00:02:08,239
یادگیری ماشینی تکنیکی برای حل این
74
00:02:08,239 –> 00:02:09,199
نوع مشکلات است
75
00:02:09,199 –> 00:02:11,440
و این روش کار میکند، ما یک
76
00:02:11,440 –> 00:02:12,879
مدل یا موتور میسازیم
77
00:02:12,879 –> 00:02:15,280
و دادههای زیادی به آن
78
00:02:15,280 –> 00:02:16,239
میدهیم، مثلاً
79
00:02:16,239 –> 00:02:18,160
هزاران یا دهها هزار داده به شما میدهیم. از
80
00:02:18,160 –> 00:02:20,160
تصاویر گربهها و سگها،
81
00:02:20,160 –> 00:02:22,160
مدل ما الگوهایی را در دادههای ورودی پیدا میکند و یاد میگیرد
82
00:02:22,160 –> 00:02:24,080
83
00:02:24,080 –> 00:02:26,080
تا بتوانیم تصویر جدیدی از گربهای
84
00:02:26,080 –> 00:02:27,599
که قبلاً ندیده است به آن بدهیم
85
00:02:27,599 –> 00:02:29,520
و بپرسیم که گربه است یا سگ یا
86
00:02:29,520 –> 00:02:31,360
اسب و با سطح مشخصی از دقت به ما می گوید که هر
87
00:02:31,360 –> 00:02:32,800
88
00:02:32,800 –> 00:02:34,879
چه داده های ورودی بیشتری به آن
89
00:02:34,879 –> 00:02:36,000
بدهیم، مدل ما دقیق
90
00:02:36,000 –> 00:02:38,480
تر خواهد بود، بنابراین این یک مثال بسیار ابتدایی بود،
91
00:02:38,480 –> 00:02:39,200
92
00:02:39,200 –> 00:02:40,560
اما یادگیری ماشینی کاربردهای دیگری
93
00:02:40,560 –> 00:02:43,040
در زبان روباتیک ماشین های خودران
94
00:02:43,040 –> 00:02:45,920
دارد. پردازش چشم انداز پردازشی
95
00:02:45,920 –> 00:02:46,879
96
00:02:46,879 –> 00:02:48,879
پیش بینی چیزهایی مانند روندهای بازار سهام
97
00:02:48,879 –> 00:02:50,319
و بازی های آب و هوا
98
00:02:50,319 –> 00:02:52,800
و غیره، بنابراین این ایده اصلی
99
00:02:52,800 –> 00:02:54,080
در مورد یادگیری ماشین است
100
00:02:54,080 –> 00:02:55,599
، در ادامه به یادگیری ماشین در عمل نگاه
101
00:02:55,599 –> 00:02:58,000
102
00:03:02,159 –> 00:03:03,680
103
00:03:03,680 –> 00:03:06,000
104
00:03:06,000 –> 00:03:08,159
خواهیم کرد. داده هایی که اغلب به
105
00:03:08,159 –> 00:03:09,599
شکل یک فایل csv هستند،
106
00:03:09,599 –> 00:03:11,440
ممکن است یک پایگاه داده با داده های زیادی داشته باشید،
107
00:03:11,440 –> 00:03:13,840
ما می توانیم به سادگی آن داده ها را صادر
108
00:03:13,840 –> 00:03:15,760
کرده و در یک فایل csv برای
109
00:03:15,760 –> 00:03:18,000
پروژه یادگیری ماشینی خود ذخیره
110
00:03:18,000 –> 00:03:20,239
کنیم، بنابراین داده های خود را در مرحله بعد وارد می کنیم.
111
00:03:20,239 –> 00:03:22,080
آن را پاک کنید و این شامل کارهایی
112
00:03:22,080 –> 00:03:24,239
مانند حذف داده های تکراری است اگر داده های تکراری دارید
113
00:03:24,239 –> 00:03:25,519
،
114
00:03:25,519 –> 00:03:27,360
ما نمی خواهیم این را به مدل خود وارد کنیم
115
00:03:27,360 –> 00:03:29,120
زیرا در غیر این صورت مدل ما
116
00:03:29,120 –> 00:03:30,720
الگوهای بد را در داده ها یاد می گیرد و
117
00:03:30,720 –> 00:03:32,480
نتیجه اشتباه ایجاد می کند،
118
00:03:32,480 –> 00:03:34,000
بنابراین باید مطمئن شوید که دادههای ورودی ما
119
00:03:34,000 –> 00:03:36,080
در شکل خوب و تمیزی هستند،
120
00:03:36,080 –> 00:03:37,760
اگر دادههای نامربوط وجود دارد،
121
00:03:37,760 –> 00:03:39,120
اگر تکراری یا ناقص هستند باید آنها را حذف
122
00:03:39,120 –> 00:03:40,400
123
00:03:40,400 –> 00:03:43,200
کنیم، میتوانیم آنها را حذف یا
124
00:03:43,200 –> 00:03:44,879
اصلاح کنیم. a مبتنی بر متن است
125
00:03:44,879 –> 00:03:47,440
مانند نام کشورها یا ژانرهای
126
00:03:47,440 –> 00:03:47,920
موسیقی
127
00:03:47,920 –> 00:03:50,319
یا گربهها و سگها که باید آنها را به مقادیر عددی تبدیل کنیم،
128
00:03:50,319 –> 00:03:52,000
129
00:03:52,000 –> 00:03:53,840
بنابراین این مرحله واقعاً به
130
00:03:53,840 –> 00:03:55,519
نوع دادهای که با
131
00:03:55,519 –> 00:03:57,680
هر پروژه کار میکنیم بستگی دارد، حالا
132
00:03:57,680 –> 00:03:59,599
که یک مجموعه داده های تمیز باید
133
00:03:59,599 –> 00:04:00,080
آن را به دو بخش تقسیم کنیم،
134
00:04:00,080 –> 00:04:02,959
یکی برای آموزش مدل خود
135
00:04:02,959 –> 00:04:04,560
و دیگری برای آزمایش آن
136
00:04:04,560 –> 00:04:06,959
تا مطمئن شویم که مدل ما نتیجه درستی را تولید می کند،
137
00:04:06,959 –> 00:04:08,239
138
00:04:08,239 –> 00:04:09,760
به عنوان مثال اگر هزار
139
00:04:09,760 –> 00:04:11,280
عکس از گربه و سگ دارید،
140
00:04:11,280 –> 00:04:12,959
می توانیم هشتاد درصد را برای آن رزرو کنیم.
141
00:04:12,959 –> 00:04:14,879
آموزش و 20 مورد دیگر
142
00:04:14,879 –> 00:04:17,519
برای آزمایش مرحله بعدی ایجاد یک
143
00:04:17,519 –> 00:04:18,238
مدل است
144
00:04:18,238 –> 00:04:20,478
و این شامل انتخاب یک الگوریتم
145
00:04:20,478 –> 00:04:22,079
برای تجزیه و تحلیل داده ها است
146
00:04:22,079 –> 00:04:23,360
،
147
00:04:23,360 –> 00:04:25,120
الگوریتم های یادگیری ماشین بسیار زیادی وجود دارد مانند
148
00:04:25,120 –> 00:04:26,240
149
00:04:26,240 –> 00:04:28,720
شبکه های عصبی درخت تصمیم و غیره هر الگوریتم
150
00:04:28,720 –> 00:04:30,160
دارای مزایا و معایب است.
151
00:04:30,160 –> 00:04:32,560
از نظر دقت و عملکرد،
152
00:04:32,560 –> 00:04:33,840
بنابراین الگوریتمی که انتخاب میکنید
153
00:04:33,840 –> 00:04:35,440
به نوع مشکلی
154
00:04:35,440 –> 00:04:37,840
که میخواهید حل کنید و دادههای ورودی شما بستگی
155
00:04:37,840 –> 00:04:39,199
دارد، خبر خوب این است که ما نیازی
156
00:04:39,199 –> 00:04:41,120
به صراحت نداریم یک
157
00:04:41,120 –> 00:04:43,120
الگوریتم را برنامهریزی کنید، کتابخانههایی وجود دارند
158
00:04:43,120 –> 00:04:44,800
که این الگوریتمها را ارائه میکنند،
159
00:04:44,800 –> 00:04:46,479
یکی از محبوبترین الگوریتمهایی که
160
00:04:46,479 –> 00:04:48,080
در این آموزش میخواهیم به آن نگاه کنیم
161
00:04:48,080 –> 00:04:50,880
، Sicit-Learn است، بنابراین ما
162
00:04:50,880 –> 00:04:52,320
با استفاده از یک
163
00:04:52,320 –> 00:04:54,800
الگوریتم یک مدل میسازیم و سپس باید مدل خود را طوری آموزش دهیم که برازش کنیم.
164
00:04:54,800 –> 00:04:56,639
دادههای آموزشی
165
00:04:56,639 –> 00:04:58,000
ما مدل ما سپس به دنبال
166
00:04:58,000 –> 00:05:00,560
الگوهای موجود در دادهها میگردد، بنابراین در مرحله بعد میتوانیم از
167
00:05:00,560 –> 00:05:02,240
آن بخواهیم پیشبینیهایی
168
00:05:02,240 –> 00:05:04,000
را به مثال ما درباره گربهها و سگها انجام دهد،
169
00:05:04,000 –> 00:05:05,360
میتوانیم از مدل خود بپرسیم
170
00:05:05,360 –> 00:05:07,759
این یک گربه است یا یک سگ و مدل
171
00:05:07,759 –> 00:05:09,440
ما یک پیشبینی میکند.
172
00:05:09,440 –> 00:05:11,120
اکنون پیشبینی همیشه
173
00:05:11,120 –> 00:05:13,199
دقیق نیست، در واقع زمانی که شما شروع به کار میکنید
174
00:05:13,199 –> 00:05:14,880
، به احتمال زیاد
175
00:05:14,880 –> 00:05:17,039
پیشبینیهای شما نادرست است، بنابراین باید
176
00:05:17,039 –> 00:05:18,639
پیشبینیها را ارزیابی کنیم و
177
00:05:18,639 –> 00:05:20,960
دقت آنها را اندازهگیری کنیم، سپس باید به مدل خود برگردیم
178
00:05:20,960 –> 00:05:21,919
179
00:05:21,919 –> 00:05:24,160
و یا الگوریتم دیگری را انتخاب کنیم
180
00:05:24,160 –> 00:05:25,360
که در حال انجام است. برای ایجاد
181
00:05:25,360 –> 00:05:27,199
یک نتیجه دقیق تر برای نوع
182
00:05:27,199 –> 00:05:28,880
مشکلی که سعی می
183
00:05:28,880 –> 00:05:32,080
کنیم پارامترهای مدل خود را حل کنیم یا تنظیم دقیق کنیم
184
00:05:32,080 –> 00:05:34,000
تا هر الگوریتم دارای پارامترهایی باشد که
185
00:05:34,000 –> 00:05:37,199
می توانیم برای بهینه سازی دقت آنها را تغییر دهیم
186
00:05:37,199 –> 00:05:38,639
. o اینها مراحل سطح بالایی هستند
187
00:05:38,639 –> 00:05:41,039
که در پروژه یادگیری ماشین دنبال می کنید، در ادامه
188
00:05:41,039 –> 00:05:42,560
به کتابخانه ها و
189
00:05:42,560 –> 00:05:45,759
ابزارهای یادگیری ماشینی
190
00:05:50,160 –> 00:05:51,199
در این سخنرانی خواهیم پرداخت.
191
00:05:51,199 –> 00:05:53,520
192
00:05:53,520 –> 00:05:55,120
193
00:05:55,120 –> 00:05:57,199
اولی numpy است که یک آرایه چند بعدی را فراهم می کند که کتابخانه بسیار محبوبی را ارائه می دهد، دومی
194
00:05:57,199 –> 00:05:58,800
195
00:05:58,800 –> 00:06:01,520
196
00:06:01,520 –> 00:06:03,680
pandas است که یک کتابخانه تجزیه و تحلیل داده
197
00:06:03,680 –> 00:06:05,840
است که مفهومی به نام
198
00:06:05,840 –> 00:06:06,800
199
00:06:06,800 –> 00:06:08,880
چارچوب داده را ارائه
200
00:06:08,880 –> 00:06:10,639
201
00:06:10,639 –> 00:06:11,600
202
00:06:11,600 –> 00:06:13,600
می دهد. دارای سطرها و ستون هایی است که می
203
00:06:13,600 –> 00:06:15,759
توانیم داده ها را در یک سطر یا یک ستون
204
00:06:15,759 –> 00:06:18,319
یا محدوده ای از سطرها و ستون ها انتخاب کنیم که دوباره
205
00:06:18,319 –> 00:06:20,160
در پروژه های یادگیری ماشین و علم داده بسیار محبوب است.
206
00:06:20,160 –> 00:06:22,560
سومین
207
00:06:22,560 –> 00:06:23,199
208
00:06:23,199 –> 00:06:25,840
کتابخانه matplotlib است که یک کتابخانه رسم دو بعدی
209
00:06:25,840 –> 00:06:26,880
210
00:06:26,880 –> 00:06:29,280
برای ایجاد نمودارها و نمودارها است. کتابخانه بعدی
211
00:06:29,280 –> 00:06:31,199
scikit-learn است که یکی از
212
00:06:31,199 –> 00:06:32,800
محبوب ترین کتابخانه های یادگیری ماشینی است
213
00:06:32,800 –> 00:06:33,520
214
00:06:33,520 –> 00:06:35,039
که همه این
215
00:06:35,039 –> 00:06:37,120
الگوریتم های رایج مانند شبکه های عصبی درخت تصمیم را ارائه می دهد
216
00:06:37,120 –> 00:06:40,240
. و به همین ترتیب در حال حاضر هنگام
217
00:06:40,240 –> 00:06:41,919
کار با پروژه های یادگیری ماشینی
218
00:06:41,919 –> 00:06:43,840
از محیطی به نام ژوپیتر برای
219
00:06:43,840 –> 00:06:45,120
نوشتن کد خود از نظر
220
00:06:45,120 –> 00:06:46,960
فنی استفاده می کنیم، همچنان می توانیم در مقابل کد یا
221
00:06:46,960 –> 00:06:48,160
هر ویرایشگر کد دیگری استفاده کنیم،
222
00:06:48,160 –> 00:06:49,919
اما این ویرایشگرها برای
223
00:06:49,919 –> 00:06:51,199
پروژه های یادگیری ماشین ایده آل نیستند
224
00:06:51,199 –> 00:06:52,880
زیرا ما اغلب باید
225
00:06:52,880 –> 00:06:54,720
داده ها را بررسی کنیم. و
226
00:06:54,720 –> 00:06:56,479
227
00:06:56,479 –> 00:06:58,479
اگر با یک جدول 10 یا 20 ستونی کار می کنید، در محیط هایی مانند کد و ترمینال واقعاً سخت است،
228
00:06:58,479 –> 00:07:00,080
229
00:07:00,080 –> 00:07:01,759
تجسم این داده ها در یک
230
00:07:01,759 –> 00:07:03,440
پنجره ترمینال واقعاً دشوار و
231
00:07:03,440 –> 00:07:04,240
نامرتب است،
232
00:07:04,240 –> 00:07:06,319
به همین دلیل است که ما از Jupiter استفاده می کنیم و این کار را
233
00:07:06,319 –> 00:07:08,880
بسیار آسان می کند. اکنون داده های ما را بررسی
234
00:07:08,880 –> 00:07:10,400
کنید تا jupyter را نصب کنید، ما
235
00:07:10,400 –> 00:07:13,039
از پلتفرمی به نام آناکوندا استفاده می کنیم،
236
00:07:13,039 –> 00:07:16,400
بنابراین به سایت anaconda.com مراجعه
237
00:07:16,400 –> 00:07:18,720
کنید، دانلود در این صفحه می توانید
238
00:07:18,720 –> 00:07:20,720
توزیع anaconda را برای سیستم عامل خود دانلود کنید،
239
00:07:20,720 –> 00:07:21,520
240
00:07:21,520 –> 00:07:24,639
بنابراین ما توزیع هایی برای ویندوز مک
241
00:07:24,639 –> 00:07:28,160
و لینوکس داریم، پس بیایید ادامه دهیم. و
242
00:07:28,160 –> 00:07:32,400
آناکوندا را برای پایتون 3.7 نصب کنید و به
243
00:07:32,400 –> 00:07:34,960
244
00:07:36,560 –> 00:07:38,319
درستی دانلود کنید، بنابراین در اینجا آناکوندای بارگیری شده
245
00:07:38,319 –> 00:07:41,520
در دستگاه من است، اجازه
246
00:07:41,520 –> 00:07:42,720
دهید ابتدا روی آن دوبار کلیک کنیم و ابتدا آن را اجرا کنیم.
247
00:07:42,720 –> 00:07:44,479
برنامه ای برای تعیین اینکه آیا نرم افزار
248
00:07:44,479 –> 00:07:45,520
قابل نصب است یا
249
00:07:45,520 –> 00:07:48,240
نه، پس بیایید ادامه دهیم و یک بار دیگر
250
00:07:48,240 –> 00:07:49,199
ادامه دهیم
251
00:07:49,199 –> 00:07:51,680
بسیار آسان ادامه دهیم یک
252
00:07:51,680 –> 00:07:52,400
253
00:07:52,400 –> 00:07:55,840
بار دیگر با توافقنامه مجوز موافقم، بسیار خوب،
254
00:07:55,840 –> 00:07:57,440
شما می توانید از محل نصب پیش فرض استفاده کنید،
255
00:07:57,440 –> 00:07:59,280
بنابراین نگران نباشید،
256
00:07:59,280 –> 00:08:02,400
فقط روی install کلیک کنید و به آن اجازه دهید
257
00:08:02,400 –> 00:08:04,240
در حال حاضر چند ثانیه چیز زیبا در مورد آناکوندا
258
00:08:04,240 –> 00:08:06,080
این است که jupyter
259
00:08:06,080 –> 00:08:08,319
و همچنین تمام
260
00:08:08,319 –> 00:08:10,160
کتابخانههای معروف علم داده مانند
261
00:08:10,160 –> 00:08:11,919
پانداهای numpy و غیره را نصب میکند، بنابراین ما مجبور نیستیم این را به
262
00:08:11,919 –> 00:08:15,520
صورت دستی با استفاده از
263
00:08:16,160 –> 00:08:17,520
pip به عنوان بخشی از مرحله بعدی نصب کنیم.
264
00:08:17,520 –> 00:08:19,440
آناکوندا پیشنهاد میکند که
265
00:08:19,440 –> 00:08:21,520
مایکروسافت را در مقابل کد نصب کنید، ما قبلاً آن را
266
00:08:21,520 –> 00:08:22,479
روی دستگاه خود داریم، بنابراین
267
00:08:22,479 –> 00:08:24,160
نیازی به نصب آن نداریم، میتوانیم
268
00:08:24,160 –> 00:08:26,319
ادامه دهیم
269
00:08:26,319 –> 00:08:28,479
و نصب را ببندیم اکنون در نهایت
270
00:08:28,479 –> 00:08:30,240
میتوانیم آن را به سطل زباله منتقل کنیم زیرا
271
00:08:30,240 –> 00:08:33,599
به این نصب کننده نیازی نداریم. در آینده،
272
00:08:33,599 –> 00:08:35,760
در حال حاضر یک پنجره ترمینال باز کنید
273
00:08:35,760 –> 00:08:36,719
و
274
00:08:36,719 –> 00:08:40,719
jupyter را با یک
275
00:08:40,719 –> 00:08:43,440
نوت بوک فضایی y تایپ کنید، این کار سرور نوت بوک را
276
00:08:43,440 –> 00:08:44,640
روی دستگاه
277
00:08:44,640 –> 00:08:48,080
شما راه اندازی می کند، بنابراین وارد شوید و بروید، این کار شروع می شود
278
00:08:48,080 –> 00:08:49,600
سرور نوت بوک روی دستگاه خود
279
00:08:49,600 –> 00:08:51,440
می توانید این پیام های پیش فرض را اینجا ببینید
280
00:08:51,440 –> 00:08:53,120
نگران نباشید حالا به
281
00:08:53,120 –> 00:08:55,839
طور خودکار پنجره مرورگر را باز می کند که
282
00:08:55,839 –> 00:09:00,399
به پورت لوکال هاست 888 اشاره می کند
283
00:09:00,399 –> 00:09:02,800
این همان چیزی است که ما به آن داشبورد ژوپیتر می گوییم
284
00:09:02,800 –> 00:09:04,399
در این داشبورد ما چند تب داریم
285
00:09:04,399 –> 00:09:05,120
اولین
286
00:09:05,120 –> 00:09:07,600
تب تب فایلها و بهطور پیشفرض این
287
00:09:07,600 –> 00:09:09,519
به فهرست اصلی شما اشاره میکند،
288
00:09:09,519 –> 00:09:11,200
بنابراین هر کاربر در دستگاه شما یک فهرست اصلی دارد
289
00:09:11,200 –> 00:09:13,200
290
00:09:13,200 –> 00:09:13,600
291
00:09:13,600 –> 00:09:15,440
292
00:09:15,440 –> 00:09:17,200
293
00:09:17,200 –> 00:09:18,800
294
00:09:18,800 –> 00:09:20,480
. دوباره پوشههای مختلف را میبینید،
295
00:09:20,480 –> 00:09:21,760
بنابراین شخصی در دستگاه شما باید
296
00:09:21,760 –> 00:09:23,839
یک نوتبوک jupyter ایجاد کند،
297
00:09:23,839 –> 00:09:26,080
من میروم به دسکتاپ اینجا
298
00:09:26,080 –> 00:09:28,000
دسکتاپ من است، اینجا چیزی ندارم
299
00:09:28,000 –> 00:09:31,760
و سپس روی گزینه جدید کلیک کنید، میخواهم یک
300
00:09:31,760 –> 00:09:32,399
نوتبوک
301
00:09:32,399 –> 00:09:34,720
برای پایتون 3 ایجاد کنم. در این نوت بوک ما می توانیم
302
00:09:34,720 –> 00:09:35,839
کد پایتون را بنویسیم
303
00:09:35,839 –> 00:09:37,760
و آن را خط به خط اجرا کنیم و
304
00:09:37,760 –> 00:09:39,600
به راحتی می توانیم داده های خود را همانطور که
305
00:09:39,600 –> 00:09:41,519
در چند ویدیوی بعدی خواهید دید تجسم کنیم،
306
00:09:41,519 –> 00:09:44,880
بنابراین بیایید این کار را ادامه دهیم،
307
00:09:45,120 –> 00:09:47,200
اینجا اولین دفترچه یادداشت ما است که
308
00:09:47,200 –> 00:09:48,720
می توانید آن را ببینید. بهطور پیشفرض نام آن
309
00:09:48,720 –> 00:09:52,160
بدون عنوان است، اجازه دهید آن را به hello world تغییر دهیم،
310
00:09:52,160 –> 00:09:52,720
311
00:09:52,720 –> 00:09:54,320
بنابراین این دنیای سلام
312
00:09:54,320 –> 00:09:56,640
پروژه یادگیری ماشینی ما خواهد بود،
313
00:09:56,640 –> 00:09:59,519
بیایید اکنون نام آن را تغییر دهیم، اگر
314
00:09:59,519 –> 00:10:01,480
به دسکتاپ خود نگاه کنید، میتوانید این فایل را ببینید
315
00:10:01,480 –> 00:10:02,640
helloworld.i
316
00:10:02,640 –> 00:10:06,399
pi nb این یک نوت بوک مشتری
317
00:10:06,399 –> 00:10:08,240
است. نوعی شبیه به فایلهای pi ما است
318
00:10:08,240 –> 00:10:09,920
که در آن کد پایتون خود را مینویسیم،
319
00:10:09,920 –> 00:10:11,680
اما شامل دادههای اضافی است که
320
00:10:11,680 –> 00:10:15,040
مشتری برای اجرای کد ما استفاده میکند،
321
00:10:15,040 –> 00:10:18,079
بنابراین به نوتبوک خود بازگردیم، بیایید یک
322
00:10:18,079 –> 00:10:22,480
سلام جهان را چاپ کنیم و سپس
323
00:10:22,480 –> 00:10:25,600
روی دکمه اجرا کلیک کنید و
324
00:10:25,600 –> 00:10:28,160
در اینجا نتیجه چاپ شده در jupyter است. بنابراین
325
00:10:28,160 –> 00:10:29,839
ما مجبور نیستیم بین پنجره ترمینال به عقب و جلو حرکت
326
00:10:29,839 –> 00:10:31,360
327
00:10:31,360 –> 00:10:34,320
کنیم، میتوانیم تمام نتایج را دقیقاً در اینجا ببینیم، در
328
00:10:34,320 –> 00:10:36,000
ادامه به شما نشان میدهم که چگونه یک
329
00:10:36,000 –> 00:10:40,320
مجموعه داده را از یک فایل csv در jupyter بارگیری کنید،
330
00:10:44,800 –> 00:10:46,000
در این سخنرانی ما.
331
00:10:46,000 –> 00:10:48,320
دانلود یک مجموعه داده از یک
332
00:10:48,320 –> 00:10:49,480
وب سایت بسیار محبوب به نام
333
00:10:49,480 –> 00:10:52,160
kaggle.com gaggle اساساً مکانی
334
00:10:52,160 –> 00:10:54,000
برای انجام پروژه های علم داده است،
335
00:10:54,000 –> 00:10:55,360
بنابراین اولین کاری که باید انجام دهید این است که
336
00:10:55,360 –> 00:10:57,200
یک حساب کاربری ایجاد کنید که می توانید با
337
00:10:57,200 –> 00:10:59,760
فیس بوک گوگل یا با استفاده از آن ثبت نام کنید. یک ایمیل
338
00:10:59,760 –> 00:11:00,800
و رمز عبور سفارشی
339
00:11:00,800 –> 00:11:02,800
پس از ثبت نام و سپس به اینجا در kaggle.com برگردید
340
00:11:02,800 –> 00:11:04,000
341
00:11:04,000 –> 00:11:07,040
اینجا در نوار جستجو برای
342
00:11:07,040 –> 00:11:10,480
فروش بازی های ویدیویی جستجو کنید این نام
343
00:11:10,480 –> 00:11:12,160
مجموعه داده بسیار محبوبی است که ما
344
00:11:12,160 –> 00:11:13,600
در این سخنرانی از
345
00:11:13,600 –> 00:11:15,920
آن استفاده خواهیم کرد. در این لیست می توانید
346
00:11:15,920 –> 00:11:16,959
اولین آیتم را
347
00:11:16,959 –> 00:11:19,519
با این نوع نماد قرمز مایل به قرمز مشاهده کنید، پس بیایید ادامه دهیم
348
00:11:19,519 –> 00:11:21,120
349
00:11:21,120 –> 00:11:22,800
زیرا می بینید که این مجموعه داده شامل
350
00:11:22,800 –> 00:11:25,120
داده های فروش بیش از
351
00:11:25,120 –> 00:11:27,760
16000 بازی ویدیویی در این صفحه است، می
352
00:11:27,760 –> 00:11:28,720
توانید شرح
353
00:11:28,720 –> 00:11:30,640
ستون های مختلف را در این صفحه مشاهده کنید. مجموعه داده
354
00:11:30,640 –> 00:11:32,240
ما رتبه بندی
355
00:11:32,240 –> 00:11:35,600
سال پلت فرم نام داریم و به همین ترتیب
356
00:11:35,600 –> 00:11:38,279
منبع داده ما این است که یک فایل CSV به نام
357
00:11:38,279 –> 00:11:39,760
vgsales.csv است
358
00:11:39,760 –> 00:11:42,480
همانطور که می بینید بیش از 16000
359
00:11:42,480 –> 00:11:43,200
ردیف
360
00:11:43,200 –> 00:11:46,160
و 11 ستون در این مجموعه داده درست در
361
00:11:46,160 –> 00:11:47,760
زیر وجود دارد که می توانید چند مورد اول را مشاهده کنید.
362
00:11:47,760 –> 00:11:48,399
رکوردی
363
00:11:48,399 –> 00:11:50,399
از این مجموعه داده است، بنابراین در اینجا اولین رکورد ما است.
364
00:11:50,399 –> 00:11:53,040
رتبه بندی این بازی
365
00:11:53,040 –> 00:11:55,200
یکی از بازی های ورزشی wii برای ما به عنوان
366
00:11:55,200 –> 00:11:56,800
پلتفرم است و در سال 2006 منتشر شد،
367
00:11:56,800 –> 00:11:58,480
368
00:11:58,480 –> 00:12:01,279
اکنون آنچه می خواهم انجام دهید این است که ادامه دهید
369
00:12:01,279 –> 00:12:01,920
و
370
00:12:01,920 –> 00:12:04,240
این مجموعه داده را دانلود کنید. و همانطور که
371
00:12:04,240 –> 00:12:05,920
قبل از نیاز به شما گفتم برای ورود به سیستم قبل از اینکه
372
00:12:05,920 –> 00:12:07,600
بتوانید این را دانلود کنید،
373
00:12:07,600 –> 00:12:09,200
بنابراین یک فایل فشرده به شما
374
00:12:09,200 –> 00:12:10,800
می دهد، همانطور که می بینید
375
00:12:10,800 –> 00:12:13,279
اینجا فایل csv ما است، اکنون می
376
00:12:13,279 –> 00:12:14,000
خواهم آن را
377
00:12:14,000 –> 00:12:16,160
درست در کنار نوت بوک jupyter خود در
378
00:12:16,160 –> 00:12:18,079
دستگاه من که روی دسکتاپ
379
00:12:18,079 –> 00:12:20,079
من است قرار دهید، بنابراین من
380
00:12:20,079 –> 00:12:22,160
381
00:12:22,160 –> 00:12:24,399
حالا اگر به دسکتاپ نگاه کنید این را روی پوشه دسکتاپ بکشید و رها کنید، میتوانید
382
00:12:24,399 –> 00:12:25,440
ببینید که اینجا
383
00:12:25,440 –> 00:12:28,079
دفترچه یادداشت من jupyter hello world است و درست در
384
00:12:28,079 –> 00:12:30,200
کنار آن
385
00:12:30,200 –> 00:12:33,040
386
00:12:33,040 –> 00:12:35,360
ما vgsales.csv داریم و به نوتبوک jupyter برمیگردیم، اجازه دهید
387
00:12:35,360 –> 00:12:36,480
اولین مورد را حذف کنیم. خط
388
00:12:36,480 –> 00:12:40,079
و در عوض
389
00:12:40,079 –> 00:12:43,360
pandas را به صورت pd
390
00:12:43,360 –> 00:12:45,360
وارد می کنیم با این ماژول pandas را وارد می کنیم
391
00:12:45,360 –> 00:12:46,959
و نام آن را به pd تغییر می دهیم تا
392
00:12:46,959 –> 00:12:49,040
مجبور نباشیم pandas dot را
393
00:12:49,040 –> 00:12:51,279
چندین بار در این کد
394
00:12:51,279 –> 00:12:54,480
تایپ کنیم حالا بیایید تایپ کنیم pd dot read
395
00:12:54,480 –> 00:12:58,320
underline csv و نام csv خود را ارسال کنیم.
396
00:12:58,320 –> 00:12:59,519
فایلی
397
00:12:59,519 –> 00:13:03,040
که اکنون vg sales.csv است، زیرا این
398
00:13:03,040 –> 00:13:04,959
فایل csv در پوشه فعلی
399
00:13:04,959 –> 00:13:06,720
درست در کنار نوت بوک jupyter ما قرار دارد،
400
00:13:06,720 –> 00:13:08,320
می توانیم به راحتی آن را بارگذاری کنیم، در غیر این صورت
401
00:13:08,320 –> 00:13:11,200
باید مسیر کامل این فایل را ارائه دهیم،
402
00:13:11,200 –> 00:13:14,959
بنابراین یک شی قاب داده را برمی گرداند
403
00:13:14,959 –> 00:13:17,120
. مانند یک صفحه گسترده اکسل به
404
00:13:17,120 –> 00:13:18,800
من اجازه دهید به شما نشان میدهیم
405
00:13:18,800 –> 00:13:21,360
که آن را در اینجا ذخیره میکنیم و سپس میتوانیم به سادگی
406
00:13:21,360 –> 00:13:21,920
407
00:13:21,920 –> 00:13:24,959
df را تایپ کنیم تا آن را بررسی کنیم، بنابراین یک بار دیگر اجازه دهید
408
00:13:24,959 –> 00:13:26,639
این برنامه را اجرا کنیم
409
00:13:26,639 –> 00:13:28,240
در اینجا فریم داده ما با این ردیفها
410
00:13:28,240 –> 00:13:30,639
و ستونها است تا
411
00:13:30,639 –> 00:13:33,360
پلت فرم نام رتبهبندی داشته باشیم و به همین ترتیب اکنون این
412
00:13:33,360 –> 00:13:35,279
شی قاب داده مقدار زیادی دارد. از ویژگیها و
413
00:13:35,279 –> 00:13:35,839
روشهایی
414
00:13:35,839 –> 00:13:37,279
که در این
415
00:13:37,279 –> 00:13:38,959
آموزش به آنها نمیپردازیم که واقعاً فراتر از
416
00:13:38,959 –> 00:13:39,920
محدوده کاری است که میخواهیم انجام دهیم،
417
00:13:39,920 –> 00:13:41,440
بنابراین خواندن
418
00:13:41,440 –> 00:13:43,519
مستندات پاندا را به عهده شما میگذارم یا سایر
419
00:13:43,519 –> 00:13:45,440
آموزشها را دنبال میکنم تا در مورد دادههای پاندا بیاموزید.
420
00:13:45,440 –> 00:13:46,000
فریمها
421
00:13:46,000 –> 00:13:47,120
اما در این سخنرانی قصد
422
00:13:47,120 –> 00:13:49,120
دارم برخی از مفیدترین روشها
423
00:13:49,120 –> 00:13:52,399
و ویژگیها را به شما نشان دهم که اولین مورد شکل است، بنابراین
424
00:13:52,399 –> 00:13:55,120
shape اجازه دهید این را یک بار دیگر اجرا کنیم،
425
00:13:55,120 –> 00:13:56,959
بنابراین شکل این مجموعه دادهها
426
00:13:56,959 –> 00:14:00,399
ما بیش از 16000 رکورد و
427
00:14:00,399 –> 00:14:03,040
11 ستون داریم. از نظر فنی، این یک
428
00:14:03,040 –> 00:14:04,240
آرایه دو بعدی
429
00:14:04,240 –> 00:14:07,839
شانزده هزار و یازده است، خوب
430
00:14:07,839 –> 00:14:10,079
حالا میتوانید ببینید که ما یک
431
00:14:10,079 –> 00:14:11,600
بخش دیگر برای نوشتن کد داریم، بنابراین
432
00:14:11,600 –> 00:14:13,199
لازم نیست همه کدها را در بخش اول بنویسیم،
433
00:14:13,199 –> 00:14:14,079
434
00:14:14,079 –> 00:14:15,519
بنابراین اینجا در بخش دوم
435
00:14:15,519 –> 00:14:17,360
میتوانیم یکی را صدا کنیم. از روشهای قاب دادهای
436
00:14:17,360 –> 00:14:17,920
437
00:14:17,920 –> 00:14:22,079
که نقطه df است، اکنون توضیح میدهند
438
00:14:22,079 –> 00:14:25,360
که وقتی این برنامه را اجرا میکنیم،
439
00:14:25,360 –> 00:14:27,360
میتوانیم خروجی هر بخش را
440
00:14:27,360 –> 00:14:29,279
دقیقاً در کنار آن ببینیم، بنابراین اولین
441
00:14:29,279 –> 00:14:30,480
بخش ما در اینجا است که
442
00:14:30,480 –> 00:14:33,519
این سه خط را داریم و این
443
00:14:33,519 –> 00:14:36,160
خروجی آخرین خط زیر است. که ما
444
00:14:36,160 –> 00:14:37,040
بخش دوم خود را
445
00:14:37,040 –> 00:14:38,800
در اینجا داریم، روش توصیف را فراخوانی میکنیم
446
00:14:38,800 –> 00:14:40,320
و درست در زیر
447
00:14:40,320 –> 00:14:43,120
آن خروجی این بخش را داریم، بنابراین
448
00:14:43,120 –> 00:14:44,480
این زیبایی مشتری است
449
00:14:44,480 –> 00:14:46,959
که میتوانیم به راحتی دادههایمان را تجسم کنیم که انجام
450
00:14:46,959 –> 00:14:48,720
این کار با ویندوزهای کد و ترمینال
451
00:14:48,720 –> 00:14:50,800
واقعا خستهکننده است و
452
00:14:50,800 –> 00:14:52,240
بنابراین این روش توصیفی چیست که برمی
453
00:14:52,240 –> 00:14:54,240
گرداند اساساً برخی
454
00:14:54,240 –> 00:14:56,480
از اطلاعات اولیه در مورد هر ستون
455
00:14:56,480 –> 00:14:58,560
در این مجموعه داده را برمی گرداند، بنابراین همانطور که قبلاً دیدید
456
00:14:58,560 –> 00:15:00,399
ما ستون هایی مانند سال رتبه داریم
457
00:15:00,399 –> 00:15:02,880
و به همین ترتیب اینها ستون هایی
458
00:15:02,880 –> 00:15:04,399
با مقادیر عددی هستند که
459
00:15:04,399 –> 00:15:07,040
اکنون برای هر ستون تعداد آن ها را داریم.
460
00:15:07,040 –> 00:15:08,560
که تعداد رکوردهای آن
461
00:15:08,560 –> 00:15:09,120
ستون است،
462
00:15:09,120 –> 00:15:12,760
می توانید ببینید که ستون رتبه ما دارای
463
00:15:12,760 –> 00:15:16,240
16598 رکورد است در حالی که ستون سال دارای
464
00:15:16,240 –> 00:15:19,760
16327 رکورد است،
465
00:15:19,760 –> 00:15:21,600
بنابراین این نشان می دهد که برخی از رکوردهای
466
00:15:21,600 –> 00:15:24,320
ما دارای 16327 رکورد است. مقدار e برای ستون سال
467
00:15:24,320 –> 00:15:26,720
ما هیچ مقداری نداریم، بنابراین در یک پروژه علم داده واقعی
468
00:15:26,720 –> 00:15:27,360
یا
469
00:15:27,360 –> 00:15:28,800
یادگیری ماشین باید
470
00:15:28,800 –> 00:15:30,560
از تکنیکهایی برای پاکسازی مجموعه دادههایمان استفاده کنیم
471
00:15:30,560 –> 00:15:31,199
،
472
00:15:31,199 –> 00:15:33,279
یکی از گزینهها حذف رکوردهایی است که
473
00:15:33,279 –> 00:15:35,600
مقداری برای آن ندارند. ستون سال
474
00:15:35,600 –> 00:15:38,160
یا میتوانیم یک مقدار پیشفرض به آنها اختصاص دهیم
475
00:15:38,160 –> 00:15:40,240
که واقعاً به پروژه بستگی دارد،
476
00:15:40,240 –> 00:15:42,480
اکنون ویژگی دیگری برای هر ستون
477
00:15:42,480 –> 00:15:44,079
میانگین است، بنابراین این
478
00:15:44,079 –> 00:15:46,240
میانگین همه مقادیر است در حال حاضر در مورد
479
00:15:46,240 –> 00:15:48,240
ستون رتبه، این مقدار واقعاً
480
00:15:48,240 –> 00:15:48,800
مهم نیست،
481
00:15:48,800 –> 00:15:51,759
اما نگاه کنید. در این سال میانگین سال
482
00:15:51,759 –> 00:15:53,279
برای همه این بازیهای ویدیویی در مجموعه دادههای ما
483
00:15:53,279 –> 00:15:53,680
484
00:15:53,680 –> 00:15:56,000
سال 2006 است و این ممکن است
485
00:15:56,000 –> 00:15:57,839
در مشکلی که در تلاش برای حل
486
00:15:57,839 –> 00:16:00,639
آن هستیم مهم باشد، ما همچنین انحراف معیار داریم
487
00:16:00,639 –> 00:16:01,360
که معیاری
488
00:16:01,360 –> 00:16:03,759
برای کمیت کردن میزان تغییرات در
489
00:16:03,759 –> 00:16:05,199
مجموعه ما است. از مقادیر
490
00:16:05,199 –> 00:16:08,160
کمتر از آن ما به عنوان مثال
491
00:16:08,160 –> 00:16:10,160
حداقل مقدار برای ستون سال
492
00:16:10,160 –> 00:16:13,279
1980 است. بنابراین اغلب زمانی که
493
00:16:13,279 –> 00:16:14,399
با یک مجموعه داده جدید کار می
494
00:16:14,399 –> 00:16:16,480
کنیم، روش توصیف را فراخوانی می کنیم تا برخی
495
00:16:16,480 –> 00:16:18,959
از آمارهای اولیه در مورد داده های خود را بدست آوریم،
496
00:16:18,959 –> 00:16:21,279
اجازه دهید من یک مفید دیگر را به شما نشان دهم. attr ibute
497
00:16:21,279 –> 00:16:24,680
بنابراین در بخش بعدی بیایید
498
00:16:24,680 –> 00:16:28,399
df.values را تایپ کنیم، اجازه دهید این را اجرا کنیم زی
499
00:16:28,399 –> 00:16:29,839
ا می بینید که یک آر
500
00:16:29,839 –> 00:16:31,839
یه دو بعدی برمی گر
501
00:16:31,839 –> 00:16:32,880
502
00:16:32,880 –> 00:16:36,160
503
00:16:36,160 –> 00:16:38,639
504
00:16:38,639 –> 00:16:39,360
505
00:16:39,360 –> 00:16:42,800
اند. خود آرایه
506
00:16:42,800 –> 00:16:45,199
اینها مقادیر موجود در این آرایه هستند که
507
00:16:45,199 –> 00:16:47,120
اساساً نشان دهنده ردیف اول
508
00:16:47,120 –> 00:16:49,360
در مجموعه داده ما هستند، بنابراین بازی ویدیویی با
509
00:16:49,360 –> 00:16:50,320
رتبه 1
510
00:16:50,320 –> 00:16:53,279
که wii sports نامیده می شود، بنابراین این یک
511
00:16:53,279 –> 00:16:53,759
512
00:16:53,759 –> 00:16:56,160
نمای کلی از فریم های داده پاندو در
513
00:16:56,160 –> 00:16:57,519
سخنرانی بعدی بود که می خواهم بدانم. برخی
514
00:16:57,519 –> 00:17:05,839
از میانبرهای مفید ژوپیتر را
515
00:17:06,000 –> 00:17:07,199
در این سخنرانی به شما نشان می دهم من قصد دارم
516
00:17:07,199 –> 00:17:09,199
برخی از مفیدترین میانبرهای
517
00:17:09,199 –> 00:17:10,319
ژوپیتر را به شما نشان دهم
518
00:17:10,319 –> 00:17:11,599
اکنون اولین چیزی که می خواهم به آن
519
00:17:11,599 –> 00:17:13,679
توجه کنید این نوار سبز رنگ
520
00:17:13,679 –> 00:17:16,000
در سمت چپ است که نشان دهنده این است که این
521
00:17:16,000 –> 00:17:18,319
سلول در حال حاضر در حالت ویرایش است، بنابراین
522
00:17:18,319 –> 00:17:21,919
اگر کلید فرار را فشار دهیم، می توانیم کد را در اینجا بنویسیم
523
00:17:21,919 –> 00:17:25,199
، سبز به آبی تبدیل می شود و
524
00:17:25,199 –> 00:17:27,039
این بدان معناست که این سلول در حال حاضر در
525
00:17:27,039 –> 00:17:28,240
حالت فرمان است،
526
00:17:28,240 –> 00:17:30,559
بنابراین اساسا سلول فعال شده می
527
00:17:30,559 –> 00:17:32,400
تواند در ویرایش باشد. حالت یا
528
00:17:32,400 –> 00:17:34,720
حالت فرمان بسته به حالت
529
00:17:34,720 –> 00:17:36,640
، میانبرهای مختلفی داریم،
530
00:17:36,640 –> 00:17:38,080
بنابراین در اینجا ما در حال حاضر در حالت فرمان
531
00:17:38,080 –> 00:17:40,000
هستیم، اگر
532
00:17:40,000 –> 00:17:42,799
h را فشار دهیم، میتوانیم لیست تمام
533
00:17:42,799 –> 00:17:43,600
میانبرهای صفحه
534
00:17:43,600 –> 00:17:46,720
کلید را درست بالای این لیست
535
00:17:46,720 –> 00:17:48,000
ببینیم، میتوانید
536
00:17:48,000 –> 00:17:51,039
کلیدهای اصلاح کننده mac os را ببینید. کلیدهای اضافی
537
00:17:51,039 –> 00:17:53,200
که روی کیبورد مک
538
00:17:53,200 –> 00:17:54,799
داریم اگر کاربر ویندوز هستید
539
00:17:54,799 –> 00:17:57,440
این را نخواهید دید، به عنوان
540
00:17:57,440 –> 00:18:00,400
مثال شکل کلید فرمان این است
541
00:18:00,400 –> 00:18:01,520
کنترل این
542
00:18:01,520 –> 00:18:04,240
گزینه است و غیره با این دستورالعمل شما
543
00:18:04,240 –> 00:18:06,080
به راحتی می توانم میانبر
544
00:18:06,080 –> 00:18:07,679
مربوط به هر دستور را درک کنم،
545
00:18:07,679 –> 00:18:10,720
اجازه دهید من به شما نشان دهم، بنابراین در اینجا ما همه
546
00:18:10,720 –> 00:18:11,520
دستورات را داریم
547
00:18:11,520 –> 00:18:13,600
زمانی که یک سلول در حالت فرمان است، به
548
00:18:13,600 –> 00:18:15,679
عنوان مثال، ما این دستور را داریم
549
00:18:15,679 –> 00:18:18,240
که پالت فرمان را باز کنیم، این دقیقاً
550
00:18:18,240 –> 00:18:20,000
مانند پالت دستوری است که در
551
00:18:20,000 –> 00:18:21,120
vs داریم. کد
552
00:18:21,120 –> 00:18:23,200
در اینجا یک میانبر برای اجرای این
553
00:18:23,200 –> 00:18:24,640
دستور است که عبارت است از
554
00:18:24,640 –> 00:18:29,200
دستور shift و f okay، بنابراین در اینجا ما
555
00:18:29,200 –> 00:18:31,200
میانبرهای زیادی داریم البته شما قرار نیست
556
00:18:31,200 –> 00:18:32,880
همیشه از همه آنها استفاده کنید،
557
00:18:32,880 –> 00:18:34,320
اما خوب است که نگاهی گذرا به اینجا بیندازید
558
00:18:34,320 –> 00:18:36,160
تا ببینید چه چیزی وجود دارد. در دسترس است برای شما
559
00:18:36,160 –> 00:18:37,679
با این میانبرها می توانید خیلی سریعتر کد بنویسید،
560
00:18:37,679 –> 00:18:39,679
بنابراین اجازه دهید من برخی
561
00:18:39,679 –> 00:18:41,600
از مفیدترین
562
00:18:41,600 –> 00:18:44,799
آنها را به شما نشان دهم که اکنون می خواهم این را با
563
00:18:44,799 –> 00:18:45,840
اولین سلول خود
564
00:18:45,840 –> 00:18:49,360
در حالت فرمان ببندم، b را فشار می دهم و a را
565
00:18:49,360 –> 00:18:52,240
وارد می کنم. سلول جدید زیر این
566
00:18:52,240 –> 00:18:53,600
سلول،
567
00:18:53,600 –> 00:18:55,679
ما همچنین میتوانیم به اولین سلول خود برگردیم،
568
00:18:55,679 –> 00:18:57,200
569
00:18:57,200 –> 00:18:59,120
حالا سلول در حالت فرمان است،
570
00:18:59,120 –> 00:19:00,880
میتوانیم یک سلول خالی را در
571
00:19:00,880 –> 00:19:03,919
بالای این سلول با فشار دادن a وارد کنیم،
572
00:19:03,919 –> 00:19:06,960
بنابراین a یا b a برای بالا و b
573
00:19:06,960 –> 00:19:09,280
برای پایین، خوب حالا اگر شما این سلول را نمی خواهید
574
00:19:09,280 –> 00:19:10,400
می توانید
575
00:19:10,400 –> 00:19:14,320
d را دوبار فشار دهید تا آن را به این صورت حذف کنید
576
00:19:14,320 –> 00:19:15,840
اکنون در سلول من می خواهم یک پیام
577
00:19:15,840 –> 00:19:18,400
578
00:19:18,400 –> 00:19:22,000
hello world چاپ کنم بنابراین hello world را چاپ کنید
579
00:19:22,000 –> 00:19:24,080
تا کد را در این سلول اجرا کنید ما می توانیم
580
00:19:24,080 –> 00:19:27,200
روی دکمه run کلیک کنیم. در
581
00:19:27,200 –> 00:19:30,240
اینجا تابع چاپ ما است و درست در
582
00:19:30,240 –> 00:19:31,760
زیر آن می
583
00:19:31,760 –> 00:19:34,480
توانید خروجی این تابع را ببینید، اما توجه داشته باشید
584
00:19:34,480 –> 00:19:35,600
که وقتی سلولی
585
00:19:35,600 –> 00:19:38,400
را اجرا می کنید، این فقط کد را در آن
586
00:19:38,400 –> 00:19:38,960
سلول اجرا می کند،
587
00:19:38,960 –> 00:19:41,280
به عبارت دیگر، کد در سلول های دیگر
588
00:19:41,280 –> 00:19:43,200
اجرا نمی شود. شما
589
00:19:43,200 –> 00:19:44,000
منظور من چیست،
590
00:19:44,000 –> 00:19:46,320
بنابراین در سلول زیر این سلول، من قصد دارم آن را حذف کنم
591
00:19:46,320 –> 00:19:47,440
592
00:19:47,440 –> 00:19:50,160
به جای آن، روش توصیف را فراخوانی کنید،
593
00:19:50,160 –> 00:19:51,520
594
00:19:51,520 –> 00:19:55,679
اکنون می خواهم اقیانوس را چاپ کنم، مکان نما را
595
00:19:55,679 –> 00:19:57,919
دوباره در این سلول قرار می دهم که در آن پیام hello world را چاپ می کنیم
596
00:19:57,919 –> 00:19:59,360
597
00:19:59,360 –> 00:20:02,559
و این سلول را اجرا می کنیم تا بتوانید ببینید hello
598
00:20:02,559 –> 00:20:02,960
world
599
00:20:02,960 –> 00:20:05,600
در اینجا نمایش داده می شود اما سلول در زیر
600
00:20:05,600 –> 00:20:06,720
همچنان
601
00:20:06,720 –> 00:20:09,039
جدول شرح داده شده نمایش داده می شود، بنابراین ما
602
00:20:09,039 –> 00:20:10,559
تغییرات را در
603
00:20:10,559 –> 00:20:13,200
اینجا نمی بینیم تا این مشکل را حل کنیم، می توانیم
604
00:20:13,200 –> 00:20:14,799
به منوی سلول در بالا برویم
605
00:20:14,799 –> 00:20:18,159
و همه سلول ها را با هم اجرا کنیم،
606
00:20:18,159 –> 00:20:20,240
این می تواند برای پروژه های کوچک کار کند، اما
607
00:20:20,240 –> 00:20:21,760
گاهی اوقات شما در حال کار با یک
608
00:20:21,760 –> 00:20:22,480
مجموعه دادههای بزرگ،
609
00:20:22,480 –> 00:20:24,080
بنابراین اگر میخواهید همه این سلولها را
610
00:20:24,080 –> 00:20:25,840
با هم اجرا کنید، زمان زیادی طول
611
00:20:25,840 –> 00:20:26,400
میکشد
612
00:20:26,400 –> 00:20:28,880
، به همین دلیل است که مشتری
613
00:20:28,880 –> 00:20:30,480
خروجی خود را ذخیره میکند، بنابراین
614
00:20:30,480 –> 00:20:31,600
615
00:20:31,600 –> 00:20:34,240
اگر کد تغییر نکرده است، مجبور نیستیم آن کد را دوباره اجرا کنیم، بنابراین این نوتبوک
616
00:20:34,240 –> 00:20:35,600
فایلی که در اینجا
617
00:20:35,600 –> 00:20:38,080
داریم شامل کد منبع سازماندهی شده در
618
00:20:38,080 –> 00:20:38,720
سلول ها
619
00:20:38,720 –> 00:20:40,960
و همچنین خروجی برای هر سلول
620
00:20:40,960 –> 00:20:42,080
است، به همین دلیل
621
00:20:42,080 –> 00:20:44,400
با یک فایل pi معمولی که در اینجا
622
00:20:44,400 –> 00:20:46,320
فقط کد منبع را
623
00:20:46,320 –> 00:20:48,880
داریم، تکمیل خودکار و هوشمند نیز داریم
624
00:20:48,880 –> 00:20:49,919
،
625
00:20:49,919 –> 00:20:52,960
بنابراین در سلول بیایید فراخوانی کنیم.
626
00:20:52,960 –> 00:20:56,000
df datafra me dot
627
00:20:56,000 –> 00:20:58,400
now اگر tab را فشار دهید، میتوانیم تمام
628
00:20:58,400 –> 00:21:00,080
ویژگیها و متدها را
629
00:21:00,080 –> 00:21:03,280
در این شیء ببینیم، بنابراین بیایید
630
00:21:03,280 –> 00:21:05,919
اکنون با مکاننمای
631
00:21:05,919 –> 00:21:07,520
نام متد توصیف را فراخوانی کنیم، میتوانیم
632
00:21:07,520 –> 00:21:10,480
shift و tab را فشار دهیم تا این راهنمای ابزار را ببینیم که
633
00:21:10,480 –> 00:21:11,200
توضیح میدهد
634
00:21:11,200 –> 00:21:13,360
این متد چه کاری انجام میدهد و چه کار میکند. پارامتر
635
00:21:13,360 –> 00:21:15,360
طول می کشد بنابراین در اینجا در مقابل امضا
636
00:21:15,360 –> 00:21:16,240
می توانید
637
00:21:16,240 –> 00:21:18,400
روش توصیف را ببینید این
638
00:21:18,400 –> 00:21:19,280
پارامترها
639
00:21:19,280 –> 00:21:21,600
و مقدار پیش فرض آنها هستند و دقیقاً در زیر
640
00:21:21,600 –> 00:21:22,559
آن می
641
00:21:22,559 –> 00:21:25,120
توانید شرح کارهایی که این روش انجام می دهد را مشاهده کنید
642
00:21:25,120 –> 00:21:26,559
در این مورد آمار توصیفی ایجاد می کند
643
00:21:26,559 –> 00:21:28,799
که
644
00:21:28,799 –> 00:21:31,600
گرایش مرکزی را خلاصه می کند و بنابراین،
645
00:21:31,600 –> 00:21:33,600
مشابه کد در مقابل، میتوانیم
646
00:21:33,600 –> 00:21:34,880
647
00:21:34,880 –> 00:21:37,919
با فشار دادن دستور و اسلش در مک یا
648
00:21:37,919 –> 00:21:40,000
کنترل اسلش در ویندوز
649
00:21:40,000 –> 00:21:42,799
مانند این، یک خط را به نظر تبدیل کنیم.
650
00:21:42,799 –> 00:21:44,000
651
00:21:44,000 –> 00:21:47,200
652
00:21:47,200 –> 00:21:48,720
برخی از مفیدترین
653
00:21:48,720 –> 00:21:50,320
میانبرها در jupyter در
654
00:21:50,320 –> 00:21:51,679
حال حاضر در چند سخنرانی بعدی ما
655
00:21:51,679 –> 00:21:53,760
روی یک پروژه یادگیری ماشین واقعی کار خواهیم
656
00:21:53,760 –> 00:21:54,320
کرد،
657
00:21:54,320 –> 00:21:56,400
اما قبل از رسیدن به آنجا، اجازه دهید
658
00:21:56,400 –> 00:21:58,000
تمام سلول ها را حذف کنیم. در اینجا ما
659
00:21:58,000 –> 00:22:01,200
فقط با یک سلول خالی شروع می کنیم بنابراین اینجا در این
660
00:22:01,200 –> 00:22:01,600
سلول
661
00:22:01,600 –> 00:22:03,280
ابتدا دکمه فرار را فشار می دهم
662
00:22:03,280 –> 00:22:05,440
حالا سلول آبی است
663
00:22:05,440 –> 00:22:07,360
بنابراین در حالت فرمان هستیم و می توانیم
664
00:22:07,360 –> 00:22:09,120
با
665
00:22:09,120 –> 00:22:12,320
دو بار فشردن d سلول را حذف کنیم. حالا سلول بعدی
666
00:22:12,320 –> 00:22:14,000
فعال شده است و در حالت فرمان
667
00:22:14,000 –> 00:22:17,200
است، پس بیایید این را هم حذف
668
00:22:17,200 –> 00:22:19,200
کنیم، ما دو سلول دیگر برای حذف
669
00:22:19,200 –> 00:22:21,760
670
00:22:21,760 –> 00:22:24,159
داریم.
671
00:22:24,159 –> 00:22:27,600
672
00:22:27,600 –> 00:22:29,120
به شما اطلاع می
673
00:22:29,120 –> 00:22:31,080
دهم که من یک آموزشگاه برنامه نویسی آنلاین در
674
00:22:31,080 –> 00:22:32,799
cordwindmarch.com دارم که در آن می توانید
675
00:22:32,799 –> 00:22:34,559
دوره های زیادی در زمینه توسعه وب و موبایل پیدا کنید،
676
00:22:34,559 –> 00:22:35,280
677
00:22:35,280 –> 00:22:37,039
در واقع من یک دوره جامع پایتون دارم
678
00:22:37,039 –> 00:22:38,960
که همه چیز را در مورد
679
00:22:38,960 –> 00:22:41,039
پایتون از اصول اولیه تا مفاهیم پیشرفته تر به شما می آموزد.
680
00:22:41,039 –> 00:22:41,679
681
00:22:41,679 –> 00:22:43,600
اگر می
682
00:22:43,600 –> 00:22:45,039
خواهید بیشتر بیاموزید، این آموزش را تماشا کنید، ممکن است بخواهید به
683
00:22:45,039 –> 00:22:46,960
دوره پایتون من نگاهی بیندازید، همراه با 30
684
00:22:46,960 –> 00:22:48,159
روز ضمانت بازگشت وجه
685
00:22:48,159 –> 00:22:49,760
و گواهی اتمام است که می
686
00:22:49,760 –> 00:22:51,440
توانید در صورت علاقه مندی لینک زیر را به رزومه خود اضافه کنید.
687
00:22:51,440 –> 00:22:52,000
688
00:22:52,000 –> 00:22:55,840
این ویدیو
689
00:22:58,000 –> 00:22:59,280
را در چند سخنرانی بعدی
690
00:22:59,280 –> 00:23:01,039
روی یک پروژه یادگیری ماشین واقعی کار
691
00:23:01,039 –> 00:23:02,000
692
00:23:02,000 –> 00:23:04,559
خواهیم کرد تصور کنید ما یک فروشگاه آنلاین موسیقی
693
00:23:04,559 –> 00:23:06,799
داریم وقتی کاربران ما ثبت نام کردند سن و جنسیت آنها را می پرسیم
694
00:23:06,799 –> 00:23:09,520
و بر اساس نمایه
695
00:23:09,520 –> 00:23:10,240
696
00:23:10,240 –> 00:23:12,240
آنها آلبوم های موسیقی مختلفی را توصیه می کنیم. احتمال
697
00:23:12,240 –> 00:23:14,240
خرید وجود دارد بنابراین در این پروژه میخواهیم از
698
00:23:14,240 –> 00:23:15,360
یادگیری ماشینی برای
699
00:23:15,360 –> 00:23:17,840
افزایش فروش استفاده کنیم، بنابراین میخواهیم مدلی
700
00:23:17,840 –> 00:23:18,640
701
00:23:18,640 –> 00:23:21,039
بسازیم که این مدل را با دادههای نمونه
702
00:23:21,039 –> 00:23:23,280
بر اساس کاربران موجود تغذیه
703
00:23:23,280 –> 00:23:25,280
میکنیم، مدل ما الگوهای موجود در
704
00:23:25,280 –> 00:23:26,960
دادههای ما را یاد میگیرد تا بتوانیم بپرسیم. برای انجام
705
00:23:26,960 –> 00:23:28,000
پیش بینی
706
00:23:28,000 –> 00:23:30,240
زمانی که کاربر ثبت نام می کند به مدل خود می گوییم
707
00:23:30,240 –> 00:23:32,480
هی ما کاربر جدیدی با این پروفایل داریم
708
00:23:32,480 –> 00:23:34,320
که چه نوع موسیقی ای است که این کاربر
709
00:23:34,320 –> 00:23:35,600
به
710
00:23:35,600 –> 00:23:38,000
مدل ما علاقه دارد می گوید جاز یا هیپ هاپ یا
711
00:23:38,000 –> 00:23:38,720
هر چیز دیگری
712
00:23:38,720 –> 00:23:39,919
و بر اساس آن ما می توانیم
713
00:23:39,919 –> 00:23:42,240
پیشنهاداتی را به کاربر ارائه دهید، بنابراین این
714
00:23:42,240 –> 00:23:44,080
مشکلی است که ما اکنون می خواهیم حل
715
00:23:44,080 –> 00:23:45,520
کنیم به لیست مراحل یک
716
00:23:45,520 –> 00:23:47,120
پر