WEBVTT

00:00:00.000 --> 00:00:02.610
Sonunda zamanı
verilerimizle oynayın.

00:00:02.610 --> 00:00:04.830
Ben tüm yerel bir CSV dosyası var

00:00:04.830 --> 00:00:08.235
verilerim ve ben emin olmak gerekir
Bulut'a doğru çıkıyor.

00:00:08.235 --> 00:00:10.740
Ayrıca, ben gerekir
verilerimi hazırlamak için.

00:00:10.740 --> 00:00:12.750
Yapmak istediğim şeyin.

00:00:12.750 --> 00:00:15.865
kaç bisiklet olacağını tahmin
belirli bir gün kiralanabilir.

00:00:15.865 --> 00:00:19.770
Bu da demek oluyor ki,
bir zaman serisi tahminleri için veri.

00:00:19.770 --> 00:00:22.790
Her zaman olduğu gibi, var
üzerinde ek belgeler

00:00:22.790 --> 00:00:26.350
ekran ve daha sonra bir açıklama
aşağıda. Hadi başlayalım.

00:00:26.350 --> 00:00:30.750
İlk olarak, emin olmak gerekir
veri kümeme erişilebilir.

00:00:31.600 --> 00:00:33.980
Ekleyeceğim.
aynı klasöre

00:00:33.980 --> 00:00:36.420
Jupyter defterimin içinde olduğunu.

00:00:36.880 --> 00:00:40.174
Bu veri kümesini yükleyeceğim.

00:00:40.174 --> 00:00:42.955
benim Makine Öğrenme için
Azure'da veri depolama.

00:00:42.955 --> 00:00:45.355
CSV dosyamı alacağım.

00:00:45.355 --> 00:00:47.825
dataset klasörüne yüklemek,

00:00:47.825 --> 00:00:50.900
herhangi bir veriyi üzerine yazmak
zaten var olan,

00:00:50.900 --> 00:00:53.000
ve ben ilerleme göstermek istiyorum

00:00:53.000 --> 00:00:56.045
içinde bu süreç
Görsel Stüdyo Kodu.

00:00:56.045 --> 00:00:58.640
Harika, işe yaramış gibi görünüyor.

00:00:58.640 --> 00:01:03.010
Sonra, oluşturmam gerekiyor
bir veri kümesi nesnesi,

00:01:03.010 --> 00:01:06.910
hangi bir sınıftır
azureml-core ve ben gerekir

00:01:06.910 --> 00:01:08.935
bir benim tarih biçimlendirmek
ben bunu yapacağım şekilde

00:01:08.935 --> 00:01:11.755
verilerimi sıralamam daha kolay.

00:01:11.755 --> 00:01:15.050
Bazı dersleri almam lazım.

00:01:15.250 --> 00:01:18.220
Şimdi çözmem gerek.
hangi sütuna gidiyorum

00:01:18.220 --> 00:01:21.295
diğer sütuntahmin etmek için kullanın.

00:01:21.295 --> 00:01:22.855
Buna karar vermeden önce,

00:01:22.855 --> 00:01:25.210
CSV dosyasını açacağım.

00:01:25.210 --> 00:01:27.970
ve bir göz atın
sahip olduğum veriler.

00:01:27.970 --> 00:01:30.685
Burada randevum olduğunu fark ettim.

00:01:30.685 --> 00:01:34.540
sezon, yıl, ay,
haftanın hangi günü,

00:01:34.540 --> 00:01:37.870
hava ne,
sıcaklık, nem,

00:01:37.870 --> 00:01:41.160
rüzgar hızı ve
Benim de sayacağım.

00:01:41.160 --> 00:01:43.805
hangi bisiklet sayısıdır
kiralanmış.

00:01:43.805 --> 00:01:49.650
Sanırım yapacağım şey.
sayımı tahmin etmek için tarihi kullanın.

00:01:50.000 --> 00:01:52.710
Bunu burada tanımlayalım.

00:01:52.710 --> 00:01:55.010
Şimdi zaman sütunumun adı var.

00:01:55.010 --> 00:01:58.520
hangi tahmin etmek için kullanılacak
hedef sütun adım.

00:01:58.520 --> 00:02:00.890
Sonra, ben yaratmak için gidiyorum

00:02:00.890 --> 00:02:03.650
adlı yerel bir değişken
tutacak veri kümesi

00:02:03.650 --> 00:02:05.570
verilerimi takip edin ve

00:02:05.570 --> 00:02:08.360
bu veri kümesini dönüştürme
Pandas DataFrame'e dönüştürül.

00:02:08.360 --> 00:02:11.060
5 al'ı aradığıma dikkat edin.

00:02:11.060 --> 00:02:14.630
hangi ilk yazdıracak
bu veri çerçevesinin beş satırı.

00:02:14.630 --> 00:02:17.150
Bunu doğrulayabiliriz.
bu satırlar doğrudur.

00:02:17.150 --> 00:02:19.920
1 Ocak 2011,

00:02:19.920 --> 00:02:23.605
sıcaklık 0,344167 oldu

00:02:23.605 --> 00:02:24.920
ve biz bir göz atabilirsiniz

00:02:24.920 --> 00:02:28.200
bizim CSV dosyası ve görmek
hala 1 Ocak oldu,

00:02:28.200 --> 00:02:36.440
2011 ve hava olduğunu
veya geçici sıcaklık 0.33344167 idi.

00:02:36.440 --> 00:02:39.620
Doğru görünüyor. Şimdi biz
verilerimiz arasında bir bağlantı var

00:02:39.620 --> 00:02:43.890
Azure'da ve yerel
Görsel Stüdyo Kodu ortamı.