เล่นวิดีโออัตโนมัติ
จบบทเรียนอัตโนมัติ
บทเรียนก่อนหน้า
จบบทเรียนนี้
Real World Python โปรเจคเจ๋งในชีวิตจริง ที่ Python ทำได้
BAYES THEOREM ความสัมพันธ์ระหว่างเหตุการณ์ และความเป็นไปได้ พร้อมตัวอย่างใช้ค้นหาบุคคลสูญหาย
Introduction: เกี่ยวกับ Bayes Theorem คืออะไร ใช้ทำอะไรได้ (14:38)
เกี่ยวกับโปรเจค: Bayesian Search Theory การคำนวณสำหรับการค้นหาบุคคลสูญหาย (6:06)
สร้าง และจัดเก็บข้อมูลที่ใช้สร้างพื้นที่สำหรับการค้นหา (8:31)
สร้างส่วนการทำงานที่คอยเปลี่ยน Probablity เมื่อมีการค้นหาแต่ละรอบ (8:15)
สร้างส่วนการคำนวณ Probability ใหม่ เมื่อมีการค้นหา (13:10)
สร้างแผนที่ และทุกตำแหน่งบนแผนที่ เพื่อใช้วางตัวผู้สูญหาย และทำการค้นหา (22:34)
รวบรวมคำสั่งทั้งหมด และทดลองเล่นเกมค้นหาบุคคลสูญหาย (18:55)
เนื้อหาพิเศษของคอร์ส | สร้างแผนที่ประกอบเกมค้นหาผู้สูญหาย
การเปิดไฟล์ภาพสำหรับการใชัสร้างเป็นแผนที่ของเกมค้นหาคนหาย (11:21)
วาดกรอบพื้นที่การค้นหาลงบนแผนที่ (10:19)
สร้างชุดข้อมูลสำหรับการเก็บตำแหน่งของพื้นที่การค้นหา และใช้เพื่อวาตีกรอบลงบนแผนที่ (6:20)
เขียนระบุชื่อของส่วนการค้นหาลงบนแผนที่ตามตำแหน่งของแต่ละพื้นที่ (7:30)
วาด Scale แสดงขนาดพื้นที่จริงเทียบกับแผนที่ (7:19)
วาดจุดที่พบผู้สูญหายล่าสุด และจุดสำหรับระบุตำแหน่งผู้สูญหายบนแผนที่เมื่อหาเจอ (7:22)
สร้างคำสั่งในการสร้างแผนที่และเขียนรายละเอียด (6:58)
สร้างข้อมูลพื้นที่การค้นหา และใช้สร้างการสุ่มตำแหน่งคนหาย (4:39)
นำตำแหน่งคนหายที่สุ่มได้มาคำนวณเป็นตำแหน่งบนแผนที่เพื่อใช้แสดงตำแหน่งบนแผนที่ (9:21)
สร้างคำสั่งสำหรับการคำนวณ และวาดตำแหน่งผู้สูญหายลงบนแผนที่ (4:12)
รวมคำสั่งการสร้างแผนที่ และเขียนรายละเอียด ทดลองเล่นเกมเวอร์ชันที่มีแผนที่ (7:18)
CHI SQUARE วัดความแตกต่างด้วยสมการ ที่มาของ CHI SQUARED DISTRIBUTION และ p-value
Introduction: คลาสเรียน CHI SQUARE สิ่งที่จะได้เรียนรู้ และตัวอย่างในคลาส (2:02)
Chi Square คืออะไร และตัวอย่างการใช้เพื่อวัดผลลัพธ์ของแคมเปญโฆษณา (7:40)
เกี่ยวกับการทำงานในตัวอย่าง แบ่งขั้นตอน และสร้างข้อมูล observed outcome ผลลัพธ์ของแคมเปญโฆษณา (11:19)
คำนวณ expected outcome จาก assumption ที่ต้องการพิสูจน์ (แคมเปญเหล่านี้มีค่าเฉลี่ยของประสิทธิภาพเท่ากัน) (4:31)
คำนวณค่า Chi Squared จาก observed outcome และ expected outcome (2:43)
สร้างผลลัพธ์ของแคมเปญจำลองจากสมมติฐาน (12:16)
ทดลองสร้างผลลัพธ์ของแคมเปญจากสมมติฐานซ้ำๆ จำนวนหลายรอบ เพื่อใช้สังเกตเทียบกับข้อมูลจริงที่เจอ (10:29)
สร้างกราฟแสดง Chi Squared ที่คำนวณได้จากการทำซ้ำ 4,000 รอบ และคำนวณ p-value ของ เหตุการณ์ที่เกิดขึ้นจริง (6:30)
NLP เครื่องมือสำหรับใช้วิเคราะห์คำ พร้อมตัวอย่างวิเคราะห์หนังสือปริศนาว่าใกล้เคียงกับผู้เขียนท่านไหนด้วย CHI SQUARED
เกี่ยวกับการวิเคราะห์คำที่ใช้ในหนังสือปริศนา และการติดตั้ง nltk สำหรับการวิเคราะห์การใช้คำ (5:24)
เปิดไฟล์ที่เก็บหนังสือตัวอย่าง บันทึกข้อมูลในรูปแบบของ string (4:54)
ดึงข้อมูลหนังสือแต่ละเล่มบันทึกลง Dictionary (6:43)
ทำการตัดคำแต่ละคำออกจากกัน สำหรับหนังสือทุกเล่ม (13:46)
ทำการคำนวณความแตกต่างระหว่างการใช้งานคำของหนังสือปริศนา และหนังสือที่ทราบผู้แต่ง (16:03)
ทำการคำนวณความแตกต่างของการใช้คำทุกคำที่มี สำหรับทุกผู้เขียน (15:38)
นำผลลัพธ์ของความแตกต่างที่คำนวณได้จาก Chi Squared มาแสดงผล (4:15)
รวบรวมคำสั่งทั้งหมด และนำมาใช้วิเคราะห์ความแตกต่าง (4:39)
เนื้อหาพิเศษของคอร์ส | การวิเคราะห์การใช้คำด้วยเครื่องมือ nltk และการแสดงผลผ่านกราฟ
การรวมคำสั่งสำหรับการวิเคราะห์ CHI SQUARED ของหนังสือปริศนาเป็น MODULE (7:48)
เกี่ยวกับเนื้อหาส่วนพิเศษของ Lost Book ที่จะได้เรียนเพิ่มเติม (6:17)
การนำ MODULE คำสั่งมาใช้เพื่อสร้างข้อมูลสำหรับการวิเคราะห์ และ การสร้างข้อมูลสำหรับการวิเคราะห์คำที่ใช้ในหนังสือ (3:11)
ตัดคำให้เหลือจำนวนเท่ากัน เพื่อลด BIAS ในการนับจำนวนคำออกจากการคำนวณ (11:46)
นับจำนวนทที่ถูกใช้ของแต่ละคำจากแต่ละผู้เขียน (20:55)
ทำความคุ้นเคย และทดลองทำงานกับ ConditionalFreqDist (6:15)
แปลงข้อมูลให้อยู่ในรูปของ DataFrame สำหรับการใช้งานต่อ และการสร้างกราฟ (9:38)
สร้างกราฟ แสดงผลข้อมูลจาก DataFrame และปรับแต่งการแสดงผลให้ทำความเข้าใจได้ง่าย (13:59)
การวิเคราะห์คำฟุ่มเฟือยที่ถูกใช้ ผ่านการแสดงผลผ่านกราฟ (19:43)
วิเคราะห์ Part of Speech (ประเภทคำ) ที่ใช้ในหนังสือ เปรียบเทียบหนังสือปริศนากับผู้แต่งด้วยกราฟ (15:07)
ตรวจสอบความคล้ายของงานเขียนด้วย Jaccard Similarity (14:17)
การสรุปคำสั่งทั้งหมดเป็น MODULE และประเด็น DEPENDENCIES (10:44)
EXTRACTIVE SUMMARIZATION การย่องานเขียนด้วยการทำความเข้าใจการใช้คำ
แนะนำเกี่ยวกับการทำ SUMMARIZATION และแนะนำตัวอย่างที่จะได้ทำในคลาสนี้ (5:06)
นำข้อมูลบทปราศัยจากเวป มาใช้วิเคราะห์ เก็บข้อมูลด้วยเทคนิค WEB SCRAPING (28:25)
การนับคะแนนของแต่ละคำ (ความถี่ในการใช้คำแต่ละคำ) (23:02)
นับคะแนนของแต่ละประโยค คิดจากคะแนนของคำ หารด้วยจำนวนคำในประโยค (23:52)
เรียงลำดับประโยคใหม่ตามคะแนนของแต่ละประโยค (7:01)
สรุปการใช้คำด้วยการสร้าง Word Cloud (20:16)
คำนวณ expected outcome จาก assumption ที่ต้องการพิสูจน์ (แคมเปญเหล่านี้มีค่าเฉลี่ยของประสิทธิภาพเท่ากัน)
ยังไม่สามารถเรียนบทเรียนนี้ได้
หากคุณได้สมัครคอร์สเรียนนี้แล้ว
เข้าสู่ระบบเพื่อเข้าเรียน
.
สมัครเรียน / เข้าสู่ระบบเพื่อเข้าเรียน