در این مطلب، ویدئو ناآ¯و Bayes com 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.
مدت زمان فیلم: 00:19:25
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,179 –> 00:00:03,060
سلام به این کلاس که خواهیم داد خوش آمدید
2
00:00:03,060 –> 00:00:05,660
شروع به اجرای عملی
3
00:00:05,660 –> 00:00:08,880
با استفاده از قوانین الگوریتم کالاهایی که
4
00:00:08,880 –> 00:00:12,060
تو کلاس های تئوری یاد گرفتی بیا بریم
5
00:00:12,060 –> 00:00:14,760
ابتدا سه آزمایش انجام دهید
6
00:00:14,760 –> 00:00:17,370
بیایید از آن پایگاه داده ریسک استفاده کنیم
7
00:00:17,370 –> 00:00:19,619
اعتباری که ما حتی در آن استفاده می کنیم
8
00:00:19,619 –> 00:00:23,460
کلاس های تئوری پس از پایه گذاری Creed
9
00:00:23,460 –> 00:00:26,220
lay down و همچنین پایگاه داده از
10
00:00:26,220 –> 00:00:29,070
سرشماری این اولین پایگاه داده خواهد بود
11
00:00:29,070 –> 00:00:31,080
فقط برای ما استفاده می شود که یک
12
00:00:31,080 –> 00:00:34,110
نمای کلی الگوریتم باز کردن الف
13
00:00:34,110 –> 00:00:37,260
سلول کد جدید بیایید ایجاد کنیم
14
00:00:37,260 –> 00:00:41,750
متغیری به نام ریسک اعتباری پایه
15
00:00:41,750 –> 00:00:44,940
P وارداتی را که ما داشتیم دریافت می کند
16
00:00:44,940 –> 00:00:49,550
برای باندها انجام می شود و تابع را فراخوانی می کنیم
17
00:00:49,550 –> 00:00:52,129
read.csv حالا ما نیاز داریم
18
00:00:52,129 –> 00:00:54,750
وارد محیط زیست شود
19
00:00:54,750 –> 00:00:59,180
گوگل فایل ریسک اعتباری را با هم همکاری می کند.
20
00:00:59,180 –> 00:01:00,190
csv
21
00:01:00,190 –> 00:01:02,649
می توانید روی دکمه دانلود کلیک کنید
22
00:01:02,649 –> 00:01:06,570
و من این فایل ریسک را انتخاب خواهم کرد
23
00:01:06,570 –> 00:01:09,790
اعتبار. Csv و به یاد داشته باشید که دارید
24
00:01:09,790 –> 00:01:13,390
دسترسی به این فایل ها در مواد
25
00:01:13,390 –> 00:01:16,240
برای دانلود این دوره کلیک کنید
26
00:01:16,240 –> 00:01:20,759
در Hopi pass برای کپی کردن مسیر
27
00:01:20,759 –> 00:01:24,000
از مسیر این فایل می گذریم
28
00:01:24,000 –> 00:01:27,100
ما اجرا کردیم هیچ خطایی برگردانده نشد
29
00:01:27,100 –> 00:01:28,690
یعنی فایل بود
30
00:01:28,690 –> 00:01:32,100
به درستی بارگذاری شد اجازه دهید تایپ کنیم
31
00:01:32,100 –> 00:01:35,380
مبنای و ریسک اعتباری را برای ما رعایت کنیم
32
00:01:35,380 –> 00:01:39,399
در سوابق و ما آن 14 را داریم
33
00:01:39,399 –> 00:01:42,700
رکوردهایی با تاریخچه ویژگی های the
34
00:01:42,700 –> 00:01:47,890
تضمین بدهی اعتباری به درآمد و
35
00:01:47,890 –> 00:01:52,090
ریسک بالا متوسط یا کم است
36
00:01:52,090 –> 00:01:54,670
در این صفات پیش بینی در این
37
00:01:54,670 –> 00:01:57,220
چهار ویژگی هدف ما است
38
00:01:57,220 –> 00:02:00,200
خطر اعطا را پیش بینی کنید
39
00:02:00,200 –> 00:02:03,140
و برای یک مشتری خاص اما اکنون
40
00:02:03,140 –> 00:02:05,229
باید مقداری درست کنیم
41
00:02:05,229 –> 00:02:08,419
پردازش در این پایگاه داده و
42
00:02:08,419 –> 00:02:11,330
اولین آنها مال ماست که آنها را جدا کنیم
43
00:02:11,330 –> 00:02:14,450
متغیرهایی که یک متغیر ذخیره می کند
44
00:02:14,450 –> 00:02:17,360
فقط ویژگی های پیش بینی کننده که
45
00:02:17,360 –> 00:02:21,290
متغیر x در حالی که متغیر Y می رود
46
00:02:21,290 –> 00:02:24,920
ذهن خود را ذخیره کنید کلاس بیایید ایجاد کنیم
47
00:02:24,920 –> 00:02:30,220
متغیری که اعتبار ریسک دریافت می کنید
48
00:02:30,220 –> 00:02:34,489
مبنای ریسک اعتباری لوکی برای ما وجود دارد
49
00:02:34,489 –> 00:02:37,700
ما رکوردها را انتخاب می کنیم بیایید جستجو کنیم
50
00:02:37,700 –> 00:02:41,720
تمام خطوط از ویژگی 0 تا
51
00:02:41,720 –> 00:02:45,079
چهار نقطه را برای ما نسبت دهید
52
00:02:45,079 –> 00:02:47,420
تبدیل به فرمت پدرم است
53
00:02:47,420 –> 00:02:53,510
king ما ویژگی 01 یا 2 یا 3 یا 4 E را داریم
54
00:02:53,510 –> 00:02:55,340
به یاد داشته باشید که وقتی یک را قرار می دهیم
55
00:02:55,340 –> 00:02:59,060
دامنه آخرین شاخص بازگردانده نمی شود
56
00:02:59,060 –> 00:03:00,620
این نشان می دهد که او خواهد شد
57
00:03:00,620 –> 00:03:05,579
10 به صفت 13 بیایید نگاه کنیم
58
00:03:05,579 –> 00:03:08,280
مقادیر توجه کنید که ما آن را داریم
59
00:03:08,280 –> 00:03:11,819
ویژگی ها به جز کلاس let’s
60
00:03:11,819 –> 00:03:16,409
اکنون متغیر بعدی Y را ایجاد کنید
61
00:03:16,409 –> 00:03:22,969
اعتبار ریسک پایه اعتباری چقدر ilok
62
00:03:22,969 –> 00:03:27,450
تمام سطرها فقط ستون چهار.
63
00:03:27,450 –> 00:03:31,200
چندین بیایید مقادیر را رعایت کنیم و
64
00:03:31,200 –> 00:03:35,939
ریسک اعتباری پایه در سایر متغیرها
65
00:03:35,939 –> 00:03:39,590
ما فقط پاسخ های مورد انتظار را داریم
66
00:03:39,590 –> 00:03:43,560
و همانطور که قبلاً در آن بحث کردیم
67
00:03:43,560 –> 00:03:46,189
کلاس های دیگر ما این ویژگی ها را داریم
68
00:03:46,189 –> 00:03:49,709
دسته بندی ها از نوع رشته و گره
69
00:03:49,709 –> 00:03:51,659
باید تبدیل کنیم به
70
00:03:51,659 –> 00:03:55,200
ویژگی های عددی در غیر این صورت هر دو
71
00:03:55,200 –> 00:03:57,540
سایر الگوریتم های قانون تخفیف
72
00:03:57,540 –> 00:04:00,190
الگوریتم هایی که قرار است آنها را آزمایش کنیم، خواهند بود
73
00:04:00,190 –> 00:04:04,120
خطاهای مربوط به این مورد را اعمال می کنیم
74
00:04:04,120 –> 00:04:06,310
رمزگذار برچسبی که در آن یاد گرفتید
75
00:04:06,310 –> 00:04:09,420
ماژول گذشته بیایید وارد کردن را انجام دهیم
76
00:04:09,420 –> 00:04:15,870
از نقطه حرارت S تا واردات بعدی
77
00:04:15,870 –> 00:04:20,048
برخوردهای برچسب بیایید ابتدا ایجاد کنیم
78
00:04:20,048 –> 00:04:26,700
تاریخچه رمزگذار برچسب متغیر دریافت می کند
79
00:04:26,700 –> 00:04:29,920
ما در حال نمونه سازی آن هستیم
80
00:04:29,920 –> 00:04:33,250
شیء این کلاس بیایید بیشتر Paste کنیم
81
00:04:33,250 –> 00:04:36,160
سه بار چون به یکی نیاز داریم
82
00:04:36,160 –> 00:04:38,410
رمزگذار برچسب برای هر یک از ویژگی ها
83
00:04:38,410 –> 00:04:43,620
مقوله بعدی برابر با بدهی است
84
00:04:43,620 –> 00:04:48,850
تضمین می کند و در نهایت برای درآمدی که ما ایجاد می کنیم
85
00:04:48,850 –> 00:04:52,060
این متغیرها را اضافه می کنیم
86
00:04:52,060 –> 00:04:55,390
سلول کد و بیایید آن را اعمال کنیم
87
00:04:55,390 –> 00:04:56,770
در حال پردازش
88
00:04:56,770 –> 00:05:00,539
تمام سوابق ریسک اعتباری
89
00:05:00,539 –> 00:05:05,560
ستون صفر رمزگذار layman را دریافت خواهد کرد
90
00:05:05,560 –> 00:05:07,870
تاریخ اعتبار که اولین است
91
00:05:07,870 –> 00:05:12,610
تبدیل های ویژگی فیات که از آنها عبور کردیم
92
00:05:12,610 –> 00:05:17,259
دوباره x ریسک اعتباری همه
93
00:05:17,259 –> 00:05:20,409
رکوردهای موقعیت صفر حالا برویم
94
00:05:20,409 –> 00:05:23,889
چهار بار و تنها جا کپی و پیست کنید
95
00:05:23,889 –> 00:05:27,879
ایندکس هایی که ما به یک شاخص یک یا دسترسی داریم
96
00:05:27,879 –> 00:05:31,960
دو و سه در اینجا ما نیز به تغییر
97
00:05:31,960 –> 00:05:36,370
یکی دو تا سه و بیایید با آن کار کنیم
98
00:05:36,370 –> 00:05:39,420
متغیرهای دیگر در اینجا خواهد بود
99
00:05:39,420 –> 00:05:44,630
رمزگذار برچسب بدهی والیبال
100
00:05:44,630 –> 00:05:50,330
گارانتی و در نهایت درآمد Label Encoder
101
00:05:50,330 –> 00:05:53,940
اجرا کنید تا نتیجه را ببینیم
102
00:05:53,940 –> 00:05:58,800
این متغیر x ریسک اعتباری توجه داشته باشید که
103
00:05:58,800 –> 00:06:01,200
اکنون ما فقط صفات داریم
104
00:06:01,200 –> 00:06:03,990
عددی ما از تبدیل می کنیم
105
00:06:03,990 –> 00:06:06,660
مقوله ای تا عددی و مانند این
106
00:06:06,660 –> 00:06:09,630
پایگاه داده ما خیلی کوچک است
107
00:06:09,630 –> 00:06:12,510
ما اپلیکیشن سال داغ را انجام نخواهیم داد
108
00:06:12,510 –> 00:06:15,810
رمزگذار برای این واقعیت است که ما خواهیم داشت
109
00:06:15,810 –> 00:06:18,780
برای اضافه کردن چندین ستون دیگر به این
110
00:06:18,780 –> 00:06:21,570
پایگاه داده بسیار بزرگتر خواهد بود و برای
111
00:06:21,570 –> 00:06:24,450
آزمایش الگوریتم هایی که ما انجام خواهیم داد
112
00:06:24,450 –> 00:06:27,030
از جمله کار متعاقبا با
113
00:06:27,030 –> 00:06:29,820
تجسم نتیجه که برخی
114
00:06:29,820 –> 00:06:32,280
الگوریتم های تولید شده بسیار بیشتر خواهند شد
115
00:06:32,280 –> 00:06:35,010
برای ما آسان است که فقط با آن کار کنیم
116
00:06:35,010 –> 00:06:38,420
رمزگذار ساده برای این پایگاه داده در
117
00:06:38,420 –> 00:06:39,430
خاص
118
00:06:39,430 –> 00:06:42,340
و تست به طور یکسان ما اجازه می دهیم
119
00:06:42,340 –> 00:06:45,250
فقط با Label Encoder می توانیم
120
00:06:45,250 –> 00:06:49,480
این فایل را دو متغیر ذخیره کنید
121
00:06:49,480 –> 00:06:52,210
بنابراین لازم نیست همه را اجرا کنیم
122
00:06:52,210 –> 00:06:55,060
این پردازش را دوباره انجام خواهیم داد
123
00:06:55,060 –> 00:06:59,160
وارد کردن به pico با Open
124
00:06:59,160 –> 00:07:04,080
بیایید نام این فایل ریسک را تعریف کنیم
125
00:07:04,080 –> 00:07:09,010
اعتبار. Pkl بیایید این را ذخیره یا ضبط کنیم
126
00:07:09,010 –> 00:07:11,470
متغیر بنابراین ما این را قرار می دهیم
127
00:07:11,470 –> 00:07:19,480
ویژگی WB SF باقی ماند. خیلی زیاد و بیا بریم
128
00:07:19,480 –> 00:07:24,780
از متغیرهای x ریسک اعتباری و y عبور کنید
129
00:07:24,780 –> 00:07:28,240
ریسک اعتباری در نهایت ما را خرج کردیم
130
00:07:28,240 –> 00:07:31,710
پارامتر F این سلول را اجرا می کنیم
131
00:07:31,710 –> 00:07:34,630
توجه کنید که این فایل تولید شده است
132
00:07:34,630 –> 00:07:38,500
ریسک اعتباری pkl دفعه بعد
133
00:07:38,500 –> 00:07:39,409
ما استفاده می کنیم
134
00:07:39,409 –> 00:07:43,089
پایه بیایید با این فایل کار کنیم
135
00:07:43,089 –> 00:07:47,119
حالا بیایید الگوریتم Neide را ایجاد کنیم
136
00:07:47,119 –> 00:07:49,759
ببوس تا اولین کار را انجام دهیم
137
00:07:49,759 –> 00:07:52,429
آزمایش من یک متغیر ایجاد خواهم کرد
138
00:07:52,429 –> 00:07:57,769
تماس بگیرید و نه اعتبار ریسک که خواهد شد
139
00:07:57,769 –> 00:08:03,289
دریافت شی از کلاس ها باعث NP می شود
140
00:08:03,289 –> 00:08:06,489
که حتی نیاز به انجام واردات دارد
141
00:08:06,489 –> 00:08:11,539
اینجا، فقط برای ما دسترسی داریم
142
00:08:11,539 –> 00:08:16,579
الگوریتم بیایید از skylane تایپ کنیم که
143
00:08:16,579 –> 00:08:18,679
بسته یا کتابخانه برای ما است
144
00:08:18,679 –> 00:08:20,959
کار با الگوریتم ها
145
00:08:20,959 –> 00:08:23,899
یادگیری ماشینی در پایتون داریم
146
00:08:23,899 –> 00:08:27,019
این بسته را یک بار در آن قرار دهید و اجازه دهید این کار را انجام دهیم
147
00:08:27,019 –> 00:08:30,550
وارد کردن به این کلاس به نام
148
00:08:30,550 –> 00:08:34,159
Gaussian NB Galzerano نام a
149
00:08:34,159 –> 00:08:37,339
توزیع آماری که حتی
150
00:08:37,339 –> 00:08:39,419
توزیع نرمال نامیده می شود
151
00:08:39,419 –> 00:08:42,929
و بیشتر داده هایی که آنها در داخل هستند
152
00:08:42,929 –> 00:08:45,600
از این توزیع آماری است
153
00:08:45,600 –> 00:08:48,600
که از این الگوریتم استفاده می کنیم باعث MB می شود
154
00:08:48,600 –> 00:08:51,720
بیشتر برای مشکلات بیشتر استفاده می شود
155
00:08:51,720 –> 00:08:55,050
ژنریک اجازه دهید به عقب برگردیم
156
00:08:55,050 –> 00:08:59,550
پیاده سازی اما ما این شی را ایجاد می کنیم
157
00:08:59,550 –> 00:09:03,380
در واقع الگوریتم بارداری چیست؟
158
00:09:03,380 –> 00:09:05,850
اکنون باید یک را بسازیم
159
00:09:05,850 –> 00:09:08,579
آموزش الگوریتم به عنوان شما
160
00:09:08,579 –> 00:09:11,399
در کلاس های تئوری یاد گرفته اند یا
161
00:09:11,399 –> 00:09:13,320
آموزش این الگوریتم در
162
00:09:13,320 –> 00:09:17,240
خاص تولید یک جدول از است
163
00:09:17,240 –> 00:09:20,790
احتمالات ما برای تولید این
164
00:09:20,790 –> 00:09:23,790
جدول احتمال ما تماس خواهیم گرفت
165
00:09:23,790 –> 00:09:27,360
این تابعی که انجام دادم به معنای مناسب است
166
00:09:27,360 –> 00:09:30,209
ترجمه از انگلیسی به پرتغالی یا
167
00:09:30,209 –> 00:09:33,480
آیا الگوریتم برازش خواهد شد
168
00:09:33,480 –> 00:09:36,690
بر روی این داده یا ب