در این مطلب، ویدئو تشخیص موجودیت با نام بالینی در پایتون با Spacy 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: 00:29:59
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,240 –> 00:00:01,920
بسیار خوب پس دوباره خوش آمدید نام من
2
00:00:01,920 –> 00:00:03,760
جسی است و در این آموزش فوق العاده و
3
00:00:03,760 –> 00:00:05,600
هیجان انگیز ما سعی می کنیم ببینیم
4
00:00:05,600 –> 00:00:08,639
که چگونه می توان هویت نامگذاری شده
5
00:00:08,639 –> 00:00:10,639
هنرمندان بالینی و بیومدیکال را شناسایی کرد، بنابراین
6
00:00:10,639 –> 00:00:12,719
این قالبی از nlp بالینی است، بنابراین در این
7
00:00:12,719 –> 00:00:14,400
آموزش سعی می کنیم برای دیدن و کاوش
8
00:00:14,400 –> 00:00:16,480
چند کتابخانه که میتوانیم از آنها برای انجام
9
00:00:16,480 –> 00:00:18,640
درست nlp بالینی استفاده کنیم، مخصوصاً
10
00:00:18,640 –> 00:00:20,880
بهخصوص nintendogen،
11
00:00:20,880 –> 00:00:23,119
بنابراین یکی از آنها sci spacey right است که
12
00:00:23,119 –> 00:00:24,880
برای انجام
13
00:00:24,880 –> 00:00:27,680
nlp بالینی و همچنین nlp زیستپزشکی بسیار قدرتمند است،
14
00:00:27,680 –> 00:00:29,279
ما همچنین با هفت
15
00:00:29,279 –> 00:00:33,440
مورد ساخته شده هفت و سایز pco آشنا شدهایم.
16
00:00:33,440 –> 00:00:35,680
کتابخانههایی هستند که دقیقاً به گونهها بستگی
17
00:00:35,680 –> 00:00:36,800
دارند، بنابراین مدل از پیش آموزشدیدهای دارند
18
00:00:36,800 –> 00:00:39,120
که میتوانید به همراه
19
00:00:39,120 –> 00:00:41,040
Spark Spark
20
00:00:41,040 –> 00:00:43,120
21
00:00:43,120 –> 00:00:45,200
nlu استفاده کنید.
22
00:00:45,200 –> 00:00:47,520
یک
23
00:00:47,520 –> 00:00:49,120
کلید فعالسازی برای کار درست با شما،
24
00:00:49,120 –> 00:00:50,800
زیرا نرمافزاری است که باید درست بخرید،
25
00:00:50,800 –> 00:00:52,000
بسیار بسیار قدرتمند است، ما ویژگیهای بسیار
26
00:00:52,000 –> 00:00:53,280
جالبی داریم و میدانم که
27
00:00:53,280 –> 00:00:56,239
چرا آنها به شما نیاز دارند خرید کنید
28
00:00:56,239 –> 00:00:58,399
اما بسیار مفید است، بسیار قدرتمند است
29
00:00:58,399 –> 00:01:00,160
و همچنین خطاهای c نیز وجود دارد، بنابراین بیایید
30
00:01:00,160 –> 00:01:02,480
ببینیم چگونه از یک spacey ml7 استفاده کنیم سپس در
31
00:01:02,480 –> 00:01:03,760
آموزش دیگری نحوه استفاده از
32
00:01:03,760 –> 00:01:06,080
spark nlu نسخه بالینی را خواهید دید، بنابراین من می
33
00:01:06,080 –> 00:01:08,159
خواهم بسته های ایده خود را بارگذاری کنم و سپس
34
00:01:08,159 –> 00:01:10,080
کتابخانه شخصی من،
35
00:01:10,080 –> 00:01:11,520
سپس شما مجموعه داده های ما را بارگیری می کنید، بنابراین
36
00:01:11,520 –> 00:01:13,439
مجموعه داده ها با استفاده از مجموعه داده های پزشکی
37
00:01:13,439 –> 00:01:16,479
از اینجا هستند که شامل چندین
38
00:01:16,479 –> 00:01:18,799
تاریخچه پزشکی و تجزیه و تحلیل تحرک
39
00:01:18,799 –> 00:01:21,600
و تجزیه و تحلیل vt همراه با
40
00:01:21,600 –> 00:01:22,960
بیماری و سپس توضیحات است، بنابراین من می
41
00:01:22,960 –> 00:01:24,720
خواهم آن مجموعه داده را بارگیری کنیم، بنابراین بیایید داده ها را
42
00:01:24,720 –> 00:01:27,520
بارگیری کنیم
43
00:01:27,520 –> 00:01:31,600
df pdf read underscore csv
44
00:01:31,600 –> 00:01:33,360
my Medical
45
00:01:33,360 –> 00:01:34,479
data
46
00:01:34,479 –> 00:01:37,600
set.csv، پس بیایید این را باز کنیم و سپس
47
00:01:37,600 –> 00:01:40,799
بیایید این مجموعه داده خاص را کاوش کنیم، مجموعه
48
00:01:40,799 –> 00:01:42,320
داده بارگیری می شود و اکنون
49
00:01:42,320 –> 00:01:43,759
می توانیم آن را کاوش کنیم، پس بیایید بررسی کنیم
50
00:01:43,759 –> 00:01:46,479
تا اگر من برو idf.head ما می بینیم که این
51
00:01:46,479 –> 00:01:48,799
مجموعه داده چندین ابزار دارد و چندین
52
00:01:48,799 –> 00:01:51,200
ویژگی دارد،
53
00:01:51,840 –> 00:01:53,759
بنابراین ما برچسب را داریم شما
54
00:01:53,759 –> 00:01:54,960
چندین
55
00:01:54,960 –> 00:01:56,560
طبقه بندی دارید می توانید از آن استفاده کنید شاید
56
00:01:56,560 –> 00:01:57,680
در آینده برای انجام یک
57
00:01:57,680 –> 00:01:59,360
طبقه بندی آزمایشی نیز
58
00:01:59,360 –> 00:02:02,079
شرح t را داشته باشیم. او تشخیص خاص دارد
59
00:02:02,079 –> 00:02:04,320
و ما آزمایشی را داریم
60
00:02:04,320 –> 00:02:06,079
که تاریخچه پزشکی است، بنابراین ما
61
00:02:06,079 –> 00:02:09,038
این مورد خاص را انتخاب می کنیم تا
62
00:02:09,038 –> 00:02:12,160
موجودیت های بالینی را از آن استخراج کنیم، بنابراین بیایید
63
00:02:12,160 –> 00:02:13,760
یک مثال ساده ببینیم، من فقط می خواهم یکی را انتخاب کنم،
64
00:02:13,760 –> 00:02:15,680
بنابراین با نقطه df
65
00:02:15,680 –> 00:02:18,959
نگاه می کنم و حالا بیایید بگوییم بیایید
66
00:02:18,959 –> 00:02:21,680
دو تا را درست انتخاب کنیم، سپس اگر ستون تست را انتخاب کردم،
67
00:02:21,680 –> 00:02:24,000
می توانید ببینید چه چیزی داریم، بنابراین بر اساس
68
00:02:24,000 –> 00:02:25,760
این داده های ساده که در اختیار داریم، ما
69
00:02:25,760 –> 00:02:27,680
چندین چیز در آنجا داریم، شما
70
00:02:27,680 –> 00:02:29,760
سابقه ارائه را روی ما دارید و من درست می گویم
71
00:02:29,760 –> 00:02:31,680
و سپس ما bmi را داریم،
72
00:02:31,680 –> 00:02:33,040
73
00:02:33,040 –> 00:02:35,440
اطلاعاتی در آنجا داریم، بنابراین
74
00:02:35,440 –> 00:02:37,519
میخواهیم بتوانیم اگر آنها پزشکی هستند یا
75
00:02:37,519 –> 00:02:38,640
76
00:02:38,640 –> 00:02:39,920
77
00:02:39,920 –> 00:02:41,920
موجودیتهایی با نام زیستپزشکی در داخل آنها هستند استخراج کنیم، بنابراین
78
00:02:41,920 –> 00:02:43,360
اگر به عقب برگردم و یکی از این موارد را انتخاب کنم یکی از آنهاست.
79
00:02:43,360 –> 00:02:46,080
برای دیدن
80
00:02:46,080 –> 00:02:47,599
یکی دیگر درست با چیزهای مختلف که
81
00:02:47,599 –> 00:02:49,280
میتوانیم از بین آنها انتخاب
82
00:02:49,280 –> 00:02:51,840
کنیم، بنابراین بیایید ببینیم چگونه با آن کار کنیم تا
83
00:02:51,840 –> 00:02:53,519
کسبوکار مشغول باشد، سپس بعداً از match هفت استفاده میکنم،
84
00:02:53,519 –> 00:02:55,680
بنابراین اول از همه در صورتی که
85
00:02:55,680 –> 00:02:57,920
گونه اندازه نداشته باشید، خواهید داشت. باید
86
00:02:57,920 –> 00:03:00,319
آن را نصب کنید و سپس اندازه اندازه s pecies
87
00:03:00,319 –> 00:03:01,680
به سرعت بستگی دارد، بنابراین شما باید اول از
88
00:03:01,680 –> 00:03:03,840
همه گونه ها را نصب کنید، بنابراین pip install
89
00:03:03,840 –> 00:03:07,440
spacey برای نصب اندازه گونه
90
00:03:07,440 –> 00:03:10,400
به عنوان اولین چیزی که به گونه نیاز دارید
91
00:03:10,400 –> 00:03:11,760
و سپس
92
00:03:11,760 –> 00:03:13,920
بعد از آن ما نیز باید
93
00:03:13,920 –> 00:03:16,159
sci-space را درست نصب کنیم، بنابراین اندازه ما اساساً
94
00:03:16,159 –> 00:03:17,519
چندین پیش را به شما می دهد. -مدل های آموزش دیده ای
95
00:03:17,519 –> 00:03:19,599
که از آنها استفاده می کنید، بنابراین با استفاده از cdr
96
00:03:19,599 –> 00:03:21,760
که مدل ارتباط بیماری های شیمیایی است،
97
00:03:21,760 –> 00:03:23,599
می توانید تمام مدل های مختلف را از
98
00:03:23,599 –> 00:03:26,480
اینجا تا سایز align
99
00:03:26,480 –> 00:03:29,599
size pc right ln ai dot github dot io
100
00:03:29,599 –> 00:03:31,360
size pc دریافت کنید و چندین مدل از قبل آموزش دیده دارید.
101
00:03:31,360 –> 00:03:33,599
مدلهای مختلفی
102
00:03:33,599 –> 00:03:35,040
وجود دارد، بنابراین باید آن را نصب کنید، این
103
00:03:35,040 –> 00:03:36,319
نحوه نصب آن است و سپس مدل را انتخاب میکنید،
104
00:03:36,319 –> 00:03:38,239
سپس آن را نصب میکنید، بنابراین من فقط با عرض
105
00:03:38,239 –> 00:03:41,280
پوزش به خاطر کوچک بودن آن
106
00:03:41,280 –> 00:03:42,400
عالی است،
107
00:03:42,400 –> 00:03:43,920
بنابراین این مدلهای
108
00:03:43,920 –> 00:03:46,000
مختلف بر روی دادههای مختلف آموزش داده شدهاند. من پایگاه داده رسانه مربوط به بیماریهای شیمیایی bc5
109
00:03:46,000 –> 00:03:48,400
biocreative cdr را انتخاب
110
00:03:48,400 –> 00:03:50,959
میکنم،
111
00:03:50,959 –> 00:03:52,720
112
00:03:52,720 –> 00:03:54,560
113
00:03:54,560 –> 00:03:57,360
بنابراین فقط روی آن کلیک میکنم
114
00:03:57,360 –> 00:03:59,519
و آدرس پیوند را
115
00:03:59,519 –> 00:04:01,040
کاملاً درست کپی میکنم، دوباره برمیگردم
116
00:04:01,040 –> 00:04:04,239
سپس آن را نصب میکنیم، بنابراین نصب
117
00:04:04,239 –> 00:04:06,400
آن بسیار ساده است
118
00:04:06,400 –> 00:04:08,480
. o فقط با اندازه pip install pc
119
00:04:08,480 –> 00:04:11,040
بروید سپس pip install a paste در
120
00:04:11,040 –> 00:04:13,040
url من درست کپی کردم اگر در url پیست
121
00:04:13,040 –> 00:04:14,959
کنم می بینید که همان URL است که
122
00:04:14,959 –> 00:04:17,680
ما درست داریم و این مدل خاصی
123
00:04:17,680 –> 00:04:19,120
است که از آن استفاده خواهیم کرد
124
00:04:19,120 –> 00:04:21,918
نام مدل درست است، بنابراین این همان چیزی است که شما استفاده می کنید،
125
00:04:21,918 –> 00:04:24,000
بنابراین بیایید این را روی سیستم خود نصب کنیم، بنابراین
126
00:04:24,000 –> 00:04:25,520
روی آن کلیک می کنم
127
00:04:25,520 –> 00:04:26,960
تا آن را نصب کنم،
128
00:04:26,960 –> 00:04:29,440
بنابراین نیاز قبلاً برآورده شده است،
129
00:04:29,440 –> 00:04:32,400
زیرا من قبلاً آن را نصب کرده ام قبل
130
00:04:32,400 –> 00:04:34,960
از جمع آوری آن از اینجا، بنابراین این
131
00:04:34,960 –> 00:04:36,160
کار به مدل از قبل آموزشدیده درست باشید،
132
00:04:36,160 –> 00:04:38,240
بنابراین چندین مدل وجود دارد که میتوانید از آنها
133
00:04:38,240 –> 00:04:41,759
برای انجام درست کارتان بر اساس تست کامل خود استفاده کنید،
134
00:04:41,759 –> 00:04:43,040
135
00:04:43,040 –> 00:04:44,400
حالا بیایید به عقب
136
00:04:44,400 –> 00:04:46,320
برگردیم و کارهایی را که میتوانید انجام دهید، ببینیم، بنابراین
137
00:04:46,320 –> 00:04:47,919
اول از همه، اجازه دهید
138
00:04:47,919 –> 00:04:49,680
بستهها را وارد کنیم، بنابراین بستهها را بارگیری کنید.
139
00:04:49,680 –> 00:04:51,600
140
00:04:51,600 –> 00:04:53,040
بنابراین ما در فضایی وارد میکنیم
141
00:04:53,040 –> 00:04:54,080
142
00:04:54,080 –> 00:04:56,800
و سپس شما گونهها را
143
00:04:56,800 –> 00:04:59,840
وارد میکنید
144
00:05:02,160 –> 00:05:03,759
و سپس در گونههای اندازه نقطه نیز وارد
145
00:05:03,759 –> 00:05:05,440
میکنید، بنابراین
146
00:05:05,440 –> 00:05:08,160
فاصلههای جانبی را درست قرار دهید اینها مواردی هستند که در توییتر مشاهده
147
00:05:08,160 –> 00:05:09,840
شدهاید، بنابراین اجازه دهید
148
00:05:09,840 –> 00:05:11,840
این دو
149
00:05:11,840 –> 00:05:13,520
محور را قرار دهم و حالا بیایید
150
00:05:13,520 –> 00:05:15,520
شی nlp خود را ایجاد کنیم و سپس ببینید چگونه
151
00:05:15,520 –> 00:05:19,600
برای انجام روی nlp یا
152
00:05:19,600 –> 00:05:22,160
تشخیص موجودیت با نام بالینی در مجموعه داده ما کلیک کنید، بنابراین برای
153
00:05:22,160 –> 00:05:24,160
کار با آن، کافی است یک شی nlp ایجاد
154
00:05:24,160 –> 00:05:26,720
155
00:05:30,479 –> 00:05:33,199
کنیم تا این psi
156
00:05:33,199 –> 00:05:34,560
nlp
157
00:05:34,560 –> 00:05:37,600
من باشد که بار نقطه گونه من است،
158
00:05:37,600 –> 00:05:39,520
اکنون به نام مدل درست است،
159
00:05:39,520 –> 00:05:40,720
بنابراین این نام مدلی
160
00:05:40,720 –> 00:05:42,560
است که همان نامی است که ما در اینجا داشتیم،
161
00:05:42,560 –> 00:05:44,560
این نام
162
00:05:44,560 –> 00:05:45,680
همان چیزی است که من انتخاب می کنم، بنابراین این
163
00:05:45,680 –> 00:05:47,039
نام خاص
164
00:05:47,039 –> 00:05:48,800
همان چیزی است که شما انتخاب
165
00:05:48,800 –> 00:05:50,479
166
00:05:50,479 –> 00:05:53,680
می کنید. در
167
00:05:53,680 –> 00:05:55,520
حال حاضر یک
168
00:05:55,520 –> 00:05:57,759
شی nlp با مدل از پیش آموزش داده شده ایجاد می کند
169
00:05:57,759 –> 00:05:59,600
نه انگلیسی پیش فرض معمولی که ما
170
00:05:59,600 –> 00:06:02,479
استفاده می کنیم، بلکه برای این مدل مشتری خاص،
171
00:06:02,479 –> 00:06:04,160
سپس اجازه دهید مؤلفه های مختلف
172
00:06:04,160 –> 00:06:05,680
این مدل را بررسی کنیم تا این
173
00:06:05,680 –> 00:06:07,280
جزء جزء باشد
174
00:06:07,280 –> 00:06:10,080
. شی nlp که باید
175
00:06:10,080 –> 00:06:11,759
انجام دهیم به این ترتیب که شما دو راه دارید که می توانید
176
00:06:11,759 –> 00:06:13,280
177
00:06:13,280 –> 00:06:14,240
178
00:06:14,240 –> 00:06:16,080
نام مؤلفه های نقطه nlp را
179
00:06:16,080 –> 00:06:19,120
درست ایجاد کنید که یک ویژگی کلاس است،
180
00:06:19,120 –> 00:06:20,479
بنابراین اکنون می توانیم همه مؤلفه های مختلف
181
00:06:20,479 –> 00:06:22,479
را ببینیم، بنابراین
182
00:06:22,479 –> 00:06:24,000
ما توکنایزر را داریم، اجازه دهید آن را
183
00:06:24,000 –> 00:06:26,080
کوچکتر
184
00:06:26,080 –> 00:06:28,000
کنیم. را توکنایزر درست است، ما
185
00:06:28,000 –> 00:06:29,840
برچسب را داریم، ما ویژگی و خط کش
186
00:06:29,840 –> 00:06:31,840
محدود کننده پاسور را داریم و سپس این
187
00:06:31,840 –> 00:06:33,360
مهم ترین چیز برای آزمایش ما
188
00:06:33,360 –> 00:06:34,400
در حال حاضر است،
189
00:06:34,400 –> 00:06:36,800
خوب است، بنابراین اجازه دهید قبل از هر چیز
190
00:06:36,800 –> 00:06:38,160
در صورتی که من نیز بخواهم همه موجودیت
191
00:06:38,160 –> 00:06:39,600
های مختلف
192
00:06:39,600 –> 00:06:40,960
این یکی را ببینم. همچنین می تواند به داخل
193
00:06:40,960 –> 00:06:44,639
بازگردد، بنابراین بیایید فقط این را تولید کنیم،
194
00:06:45,360 –> 00:06:48,639
و این همان نقطه nlp من خواهد بود که
195
00:06:48,639 –> 00:06:51,280
196
00:06:51,280 –> 00:06:54,400
لوله
197
00:06:57,440 –> 00:06:58,800
درست می شود و سپس ما
198
00:06:58,800 –> 00:07:00,080
این را در اینجا انتخاب می کنیم، این همان چیزی است که شما
199
00:07:00,080 –> 00:07:04,080
انتخاب می کنید بنابراین منطقه را حدس بزنید.
200
00:07:04,080 –> 00:07:06,000
اکنون میتوانم دوباره برچسبها را درست به آن بدهم و
201
00:07:06,000 –> 00:07:07,919
با این کار
202
00:07:07,919 –> 00:07:09,840
،
203
00:07:09,840 –> 00:07:11,280
موجودیتهای مختلف درون آنها را فهرست میکند تا شما فقط
204
00:07:11,280 –> 00:07:13,039
دو ماده شیمیایی مناسب داشته باشید و این به این دلیل است که
205
00:07:13,039 –> 00:07:15,680
این مدل همان رابطهی شیمیایی و
206
00:07:15,680 –> 00:07:16,880
بیماری bcdr است، بنابراین این همان چیزی است که شما میخواهید باشید.
207
00:07:16,880 –> 00:07:18,319
انتخاب کردن بنابراین فقط
208
00:07:18,319 –> 00:07:20,720
مواد شیمیایی که دارو و
209
00:07:20,720 –> 00:07:22,240
بیماری هستند را شناسایی می کند در صورتی که بیشتر بخواهید می توانید
210
00:07:22,240 –> 00:07:23,680
از یک جرقه استفاده کنید و یا می توانید از یک
211
00:07:23,680 –> 00:07:27,440
مدل از قبل آموزش دیده
212
00:07:27,440 –> 00:07:30,000
استفاده کنید.
213
00:07:30,000 –> 00:07:31,599
214
00:07:31,599 –> 00:07:33,360
یک تست ساده پس بیایید بریم o
215
00:07:33,360 –> 00:07:34,560
مثال یکی
216
00:07:34,560 –> 00:07:38,639
سپس df. من نگاه کنید بیایید یک مثال را انتخاب کنیم، بگوییم
217
00:07:38,639 –> 00:07:40,240
یک
218
00:07:40,240 –> 00:07:41,919
تست درست است، بنابراین من فقط یکی از آنها را انتخاب
219
00:07:41,919 –> 00:07:42,960
می کنم شما می خواهید بتوانید ببینید چه چیزی را
220
00:07:42,960 –> 00:07:44,720
می توانم برخی از تست ها را از آن تشخیص دهم،
221
00:07:44,720 –> 00:07:46,400
برخی از آنها را از این
222
00:07:46,400 –> 00:07:48,400
خوب، پس بیایید این را بررسی کنیم یکی از آنها، بنابراین اگر
223
00:07:48,400 –> 00:07:50,400
به عقب برگردم و آن را بررسی کنم،
224
00:07:50,400 –> 00:07:54,160
می توانید ببینید که برخی از داده ها در آنجا وجود دارد،
225
00:07:54,160 –> 00:07:55,520
بنابراین اینها همه داده ها هستند، بنابراین
226
00:07:55,520 –> 00:07:57,360
می خواهم ببینم آیا می توانم
227
00:07:57,360 –> 00:07:59,360
همه نام ها را انتخاب کنم و این دقیقاً همه
228
00:07:59,360 –> 00:08:02,160
اصطلاحات بالینی در آنها وجود دارد یا خیر. بنابراین بسیار
229
00:08:02,160 –> 00:08:04,479
ساده است، همانطور که ما همیشه این کار را انجام می
230
00:08:04,479 –> 00:08:06,479
دهیم، بنابراین اسناد خود را ایجاد کنید،
231
00:08:06,479 –> 00:08:08,400
بنابراین
232
00:08:08,400 –> 00:08:09,840
اسناد به سایت من
233
00:08:09,840 –> 00:08:12,720
nlp بروید و من x خود را به درستی پاس می دهم اگر
234
00:08:12,720 –> 00:08:14,400
با این گزینه استفاده کنم، اکنون می
235
00:08:14,400 –> 00:08:15,199
236
00:08:15,199 –> 00:08:17,440
خواهیم اشیاء خود را ایجاد کنیم و اکنون می توانیم
237
00:08:17,440 –> 00:08:18,960
موارد مختلف را دریافت کنیم. وجود دارد، بنابراین کارهای زیادی وجود دارد
238
00:08:18,960 –> 00:08:20,639
که می توانید انجام دهید، بنابراین می توانید در واقع
239
00:08:20,639 –> 00:08:22,800
همه موجودیت هایی را که به آنها نیاز داریم کاوش کرده و دریافت کنید،
240
00:08:22,800 –> 00:08:25,599
بنابراین اول از همه اجازه دهید
241
00:08:25,599 –> 00:08:28,160
موجودیت ها را استخراج کنیم تا
242
00:08:28,160 –> 00:08:29,840
همه موجودیت ها را استخراج
243
00:08:29,840 –> 00:08:31,680
کنیم تا بتوانیم فقط با این کار برویم، بنابراین برای
244
00:08:31,680 –> 00:08:32,719
موجودیت
245
00:08:32,719 –> 00:08:36,000
در من dot ents
246
00:08:36,000 –> 00:08:39,519
درست است، میخواهم تمام روز را چاپ
247
00:08:39,519 –> 00:08:42,159
کنید، ببینید چه کاری
248
00:08:42,240 –> 00:08:43,519
249
00:08:43,519 –> 00:08:46,080
انجام دادم در آزمایش آنها
250
00:08:46,080 –> 00:08:48,640
و سپس نهادی
251
00:08:48,640 –> 00:08:50,320
که آنها
252
00:08:50,320 –> 00:08:51,360
برچسب گذاری شده اند
253
00:08:51,360 –> 00:08:52,880
آنها را فراموش نکنید، مگر اینکه پس به آن
254
00:08:52,880 –> 00:08:54,320
255
00:08:54,320 –> 00:08:55,839
نشان دادن رشته ای گفته می شود که
256
00:08:55,839 –> 00:08:57,200
فقط حلقه نیست، می توانید ببینید که می
257
00:08:57,200 –> 00:08:58,480
تواند
258
00:08:58,480 –> 00:09:00,800
تمام بیماری های موجود در آزمایش ما را به درستی واکشی کند،
259
00:09:00,800 –> 00:09:02,959
بنابراین خروپف یک مشکل است. بیماری می تواند
260
00:09:02,959 –> 00:09:05,440
تشخیص دهد که حتی درد زانو اگرچه
261
00:09:05,440 –> 00:09:07,200
درست جدا شده است
262
00:09:07,200 –> 00:09:08,720
، هنوز هم نزدیک است شناسایی شود که کل این
263
00:09:08,720 –> 00:09:11,279
کارکنان اینجا یک بیماری است درست بسیار جالب
264
00:09:11,279 –> 00:09:12,800
است، همچنین قادر به شناسایی برخی از
265
00:09:12,800 –> 00:09:16,000
مواد شیمیایی کلسترول کامل حتی cva
266
00:09:16,000 –> 00:09:18,240
درست است،
267
00:09:19,120 –> 00:09:20,560
بنابراین این
268
00:09:20,560 –> 00:09:23,120
مخفف عضله copd مزمن
269
00:09:23,120 –> 00:09:26,160
بیماری انسدادی ریه درست
270
00:09:26,160 –> 00:09:28,160
است که هنوز هم می تواند آنها را شناسایی کند بسیار
271
00:09:28,160 –> 00:09:31,120
جالب است درست وای آمفیزم دیابت آپنه
272
00:09:31,120 –> 00:09:32,640
وای بنابراین همه این چیزها می توانند
273
00:09:32,640 –> 00:09:34,399
همه آنها را به عنوان بیماری شناسایی کنند
274
00:09:34,399 –> 00:09:36,080
از جمله کاهش وزن درست است که به این معنی است
275
00:09:36,080 –> 00:09:37,440
که کاهش وزن بسیار خوب است یک
276
00:09:37,440 –> 00:09:38,959
بیماری نیست که می تواند
277
00:09:38,959 –> 00:09:40,640
این یک نشانه است،
278
00:09:40,640 –> 00:09:42,160
اما بله، ما هنوز آن را تحت بیماری نگه می داریم،
279
00:09:42,160 –> 00:09:45,519
خوب است، بنابراین بیایید
280
00:09:45,519 –> 00:09:47,040
ببینیم چگونه
281
00:09:47,040 –> 00:09:49,360
روی آن درست کار کنیم، بنابراین بیایید ببینیم
282
00:09:49,360 –> 00:09:51,839
چگونه
283
00:09:52,080 –> 00:09:53,360
تجسم کنیم بنابراین لازم نیست
284
00:09:53,360 –> 00:09:54,720
کل موارد را تجسم کنید تا
285
00:09:54,720 –> 00:09:58,080
آسان شود، فقط از جابجایی ها استفاده کنید، بنابراین از
286
00:09:58,080 –> 00:09:59,360
وارد کردن گونه ها به درستی
287
00:09:59,360 –> 00:10:00,399
این
288
00:10:00,399 –> 00:10:02,839
اسپلش
289
00:10:02,839 –> 00:10:04,959
را وارد کنید و سپس از این
290
00:10:04,959 –> 00:10:07,680
مکان برای تجسم کل چیزها استفاده خواهید کرد،
291
00:10:07,680 –> 00:10:09,600
بنابراین ممکن است موضوع را تغییر دهم تا آن را آسان کنم.
292
00:10:09,600 –> 00:10:12,079
برای اینکه همه بررسی کنند که این
293
00:10:12,079 –> 00:10:14,959
مکان که اکنون رندر می شود
294
00:10:14,959 –> 00:10:17,360
در اسناد
295
00:10:17,360 –> 00:10:20,160
من بگذرد، سپس من از ستاره ای عبور می کنم که
296
00:10:20,160 –> 00:10:22,000
می خواهم به پایان برسد
297
00:10:22,000 –> 00:10:24,640
و سپس اجازه دهید مشخص کنیم که می خواهیم
298
00:10:24,640 –> 00:10:26,720
در داخل مشتری رسم کنیم تا مشتری
299
00:10:26,720 –> 00:10:28,320
درست باشد،
300
00:10:28,320 –> 00:10:30,399
پس بیایید اگر آن را اجرا کنم اکنون آن را اجرا می کنم، شما می
301
00:10:30,399 –> 00:10:33,600
خواهید
302
00:10:33,600 –> 00:10:35,839
وضعیت موجودیت را ببینید بسیار عالی است، فقط می توانید
303
00:10:35,839 –> 00:10:37,519
تمام بیماری های درون آنها را شناسایی کنید،
304
00:10:37,519 –> 00:10:38,720
بنابراین ما داریم
305
00:10:38,720 –> 00:10:41,200
اوه او کار کردن در آن دشوار بود او در
306
00:10:41,200 –> 00:10:43,600
راه رفتن دو بلوک آتش
307
00:10:43,600 –> 00:10:46,000
مشکل داشت. این خروپف است وای پس همه آنها
308
00:10:46,000 –> 00:10:48,480
فقط باید آنها را شناسایی کنند، از جمله
309
00:10:48,480 –> 00:10:49,760
برخی از بیماری ها، نیازی به
310
00:10:49,760 –> 00:10:51,519
شناسایی پنی سیلین نیست، شاید به دلیل
311
00:10:51,519 –> 00:10:53,600
املا و به دلیل تجدید نظر،
312
00:10:53,600 –> 00:10:55,360
اما توانسته است
313
00:10:55,360 –> 00:10:56,959
بسیاری از بیماری های درون آنها را درست
314
00:10:56,959 –> 00:10:58,240
همراه با
315
00:10:58,240 –> 00:11:01,519
s شناسایی کند. برخی از مواد شیمیایی درست است، بنابراین بیایید کامل را
316
00:11:01,519 –> 00:11:02,399
ببینیم،
317
00:11:02,399 –> 00:11:04,000
بنابراین یکی از کارهای بسیار جالبی
318
00:11:04,000 –> 00:11:05,279
است که می توانید انجام دهید
319
00:11:05,279 –> 00:11:06,880
، البته کارهای زیادی می توانید با آن
320
00:11:06,880 –> 00:11:08,880
انجام دهید، همچنین می توانید
321
00:11:08,880 –> 00:11:10,399
برای افراد وابسته و بقیه
322
00:11:10,399 –> 00:11:12,240
درست انجام دهید، اما این یک چیز بسیار جالب
323
00:11:12,240 –> 00:11:13,440
است. در این مدل شما فقط
324
00:11:13,440 –> 00:11:15,120
بیماری و مواد شیمیایی دارید، اما می توانید
325
00:11:15,120 –> 00:11:17,120
با مدل های دیگر کار کنید و از آن کامل بیشتر بهره ببرید،
326
00:11:17,120 –> 00:11:19,120
بیایید بسته دیگری را امتحان کنیم
327
00:11:19,120 –> 00:11:20,959
که قرار است هفت مورد را برآورده کند، بنابراین به همین ترتیب
328
00:11:20,959 –> 00:11:22,800
این بار در هفت به گونه های
329
00:11:22,800 –> 00:11:24,480
دو نقطه سه پنج بستگی دارد. کار شما
330
00:11:24,480 –> 00:11:26,800
فقط با pip install
331
00:11:26,800 –> 00:11:28,040
spacey به
332
00:11:28,040 –> 00:11:31,600
2.35 بروید و سپس ما از meth7 استفاده می کنیم
333
00:11:31,600 –> 00:11:34,160
که در hagenface.com به درستی یافت می شود، بنابراین
334
00:11:34,160 –> 00:11:35,279
شما فقط به این می روید
335
00:11:35,279 –> 00:11:37,279
که آدرس اینترنتی خواهد بود فراموش نکنید
336
00:11:37,279 –> 00:11:39,279
که داخل آن خواهد بود. نوتبوکها، بنابراین من هم میتوانم
337
00:11:39,279 –> 00:11:40,720
آن را بررسی کنم
338
00:11:40,720 –> 00:11:42,560
و سپس med 7 را شروع میکنیم تا
339
00:11:42,560 –> 00:11:45,920
همان کاری را که در بالا انجام دادیم، همین
340
00:11:46,800 –> 00:11:48,800
الان در حین نصب انجام دهیم، بیایید
341
00:11:48,800 –> 00:11:50,560
ببینیم چه کار میکنیم، بنابراین همچنان در حال نصب
342
00:11:50,560 –> 00:11:51,839
آنها است، به من میگوید
343
00:11:51,839 –> 00:11:54,560
که کل را دوباره راهاندازی کنم. چیزهای پس ما ستاره اما
344
00:11:54,560 –> 00:11:57,120
قبل از اینکه روی این کار کار کنیم،
345
00:11:57,120 –> 00:11:58,160
346
00:11:58,160 –> 00:11:59,279
میتوانیم برخی از
347
00:11:59,279 –> 00:12:01,440
توابع را ایجاد کنیم تا همه بیماری را
348
00:12:01,440 –> 00:12:04,320
از مجموعه دادههای خود استخراج کنیم،
349
00:12:04,320 –> 00:12:05,279
بنابراین بیایید ببینیم چگونه این کار را انجام دهیم، بنابراین
350
00:12:05,279 –> 00:12:06,240
بسیار ساده است، بنابراین این
351
00:12:06,240 –> 00:12:07,839
تابعی
352
00:12:07,839 –> 00:12:10,480
برای استخراج این خواهد بود. برای استخراج همه
353
00:12:10,480 –> 00:12:12,240
بیماری ها،
354
00:12:12,240 –> 00:12:13,680
بنابراین تابع بسیار ساده ای خواهد بود
355
00:12:13,680 –> 00:12:15,839
و شما یک تابع دیگر ایجاد می کنید تا
356
00:12:15,839 –> 00:12:18,000
آنها را رسم کنید، بنابراین تابع قرار است
357
00:12:18,000 –> 00:12:19,920
358
00:12:19,920 –> 00:12:21,120
359
00:12:21,120 –> 00:12:22,800
درست بیماری های بیماری را استخراج کنید و من در
360
00:12:22,800 –> 00:12:25,519
آزمایشی که می خواهم از آن استخراج کنم این را می گذرانم.
361
00:12:25,519 –> 00:12:28,399
قرار است نتایج من
362
00:12:28,399 –> 00:12:30,000
درست باشد، بنابراین اول از همه بیایید یک سند ایجاد کنیم
363
00:12:30,000 –> 00:12:32,160
364
00:12:32,160 –> 00:12:34,480
که در این مورد PSI
365
00:12:34,480 –> 00:12:38,000
nlp من است، من در آزمون خود قبول میشوم،
366
00:12:38,000 –> 00:12:39,839
سپس شما به نتیجه میرسید و سپس
367
00:12:39,839 –> 00:12:40,959
میگویید که خوب
368
00:12:40,959 –> 00:12:42,639
entity.test
369
00:12:42,639 –> 00:12:44,079
بیایید از درک ls استفاده کنیم،
370
00:12:44,079 –> 00:12:47,279
بنابراین
371
00:12:47,279 –> 00:12:51,600
آزمون موجود را به درستی انجام دهیم،
372
00:12:51,600 –> 00:12:55,120
همانطور که در بالا انجام دادیم، اگر
373
00:12:55,120 –> 00:12:57,200
374
00:12:57,200 –> 00:12:59,040
375
00:12:59,040 –> 00:13:00,639
برچسب nt برابر با
376
00:13:00,639 –> 00:13:02,399
بیماری باشد، اگر به سمت بیماری بروید،
377
00:13:02,399 –> 00:13:05,519
میخواهم شما آن را انتخاب کنید
378
00:13:05,519 –> 00:13:06,959
. برای به دست آوردن نتایج، بیایید
379
00:13:06,959 –> 00:13:09,680
نتایج آنها را برگردانیم
380
00:13:09,680 –> 00:13:12,320
یک تابع ساده که میتوانیم از آن برای استخراج معمولی استفاده کنیم،
381
00:13:12,320 –> 00:13:14,639
بنابراین اگر بخواهم
382
00:13:14,639 –> 00:13:16,639
مخاطبان را استخراج
383
00:13:16,639 –> 00:13:19,040
کنم، این کار را قبل از اجرای هفت
384
00:13:19,040 –> 00:13:20,880
انجام میدهیم تا کاری را که انجام دادهاید از دست ندهیم،
385
00:13:20,880 –> 00:13:22,480
سپس میتوانم دوباره به عقب برگردم،
386
00:13:22,480 –> 00:13:24,079
مدتی طول میکشد. درست است، بنابراین من فقط می
387
00:13:24,079 –> 00:13:28,079
توانم مجموعه داده های خود را انتخاب کنم، بنابراین بیایید به بیماری ها برویم،
388
00:13:28,079 –> 00:13:31,120
سپس df، ستون تست را انتخاب می کنم،
389
00:13:31,120 –> 00:13:33,680
نقطه اعمال می شود،
390
00:13:33,680 –> 00:13:36,399
سپس لامبدا را انتخاب می کنم
391
00:13:36,399 –> 00:13:38,800
تا
392
00:13:38,800 –> 00:13:41,440
همه بیماری ها را از آزمایش ما استخراج کنم،
393
00:13:41,440 –> 00:13:42,880
بنابراین این
394
00:13:42,880 –> 00:13:44,399
همه بیماری ها را از آزمایش های ما استخراج
395
00:13:44,399 –> 00:13:45,600
می کند. مدتی طول می کشد تا
396
00:13:45,600 –> 00:13:46,880
اجرا شود
397
00:13:46,880 –> 00:13:49,760
زیرا بیماری های زیادی وجود دارد
398
00:13:49,760 –> 00:13:50,880
و همانطور که می بینید این
399
00:13:50,880 –> 00:13:51,760
تغییر می کند زیرا اطلاعات بیشتری را
400
00:13:51,760 –> 00:13:52,800
صرف می کند،
401
00:13:52,800 –> 00:13:55,040
402
00:13:55,519 –> 00:13:56,639
403
00:13:56,639 –> 00:13:58,000
بنابراین وقتی این کار را انجام دادید، اجازه دهید
404
00:13:58,000 –> 00:13:59,360
یک تابع دیگر برای پردازش آنها ایجاد کنیم
405
00:13:59,360 –> 00:14:01,519
. من یک تابع ایجاد می کنم
406
00:14:01,519 –> 00:14:03,120
تا تابعی را
407
00:14:03,120 –> 00:14:03,920
برای
408
00:14:03,920 –> 00:14:04,959
409
00:14:04,959 –> 00:14:07,920
ترسیم بیماری درست
410
00:14:08,560 –> 00:14:10,480
برای طرح بیماری های شایع ایجاد کنم، بنابراین
411
00:14:10,480 –> 00:14:12,160
این کار از
412
00:14:12,160 –> 00:14:15,440
ابر کلمه استفاده می کند،
413
00:14:15,440 –> 00:14:16,720
414
00:14:16,720 –> 00:14:17,920
بنابراین اگر یک مربی ابر وب ندارید فقط برای اینکه این کار را انجام دهید مهم است.
415
00:14:17,920 –> 00:14:19,920
انتخاب کنید
416
00:14:19,920 –> 00:14:21,760
نصب
417
00:14:21,760 –> 00:14:25,279
کلمه cl oud درست است که نحوه نصب
418
00:14