| segment_id start_time end_time set text | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00000 7056 8885 train Heyrið þið eigum við þá að byrja, eða? | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00001 13635 18975 train Sem sagt í dag þá ætlum við að tala um tölfræði og líkindafræði | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00002 19960 29919 train sem eru bæði svona, já, svolítið undirstaða undir gagnagreiningu af því að í gagnagreiningu þá erum við náttúrulega að vinna með mikið af gögnum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00003 30847 37597 train Og það er hérna, akkúrat, sem sagt tölfræðin sem að maður notar þegar maður er að vinna með mikið af gögnum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00004 39430 45517 eval Og hún hefur náttúrulega hlotið svolítið svona nýtt líf seinustu ár eftir því sem gagnasöfnin yrðu stærri, urðu stærri og stærri. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00005 46052 53234 train Þá er þetta svona búið að breytast og tölfræðin núna er rosalega mikið að þróast með þessari nýju tækni sem er komin. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00006 54384 68888 train En samt í grunninn þá náttúrulega er þetta ennþá þetta það sama að safna gögnum, greina þau, túlka þau og setja þau fram á hátt sem fólk getur skilið, sem sagt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00007 69750 79034 train ekki bara að vera með einhvern lista af einhverjum tölum heldur kannski að setja þær upp á myndrænan hátt eða að reikna einhver, hérna, svona, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00008 80073 99903 eval gildi sem að taka saman einhverjar mikilvægar niðurstöður úr þessum gögnum, eins og til dæmis meðaltal eða dreifni. Og svo líka það að tengja saman kannski eina, sem sagt fleiri en eina breytu, að vera með kannski tvær og sjá sambandið á milli þeirra, hvort önnur breytan geti sem sagt spáð fyrir um hina eða hvort það | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00009 99921 103043 train séu bara, sem sagt, sé fylgni á milli þeirra. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00010 105346 115516 train Og, og hérna, þannig að það er mjög gott að vera, sem sagt, leikinn í því að, að vinna með gögn, sama hvort þið séuð að nota Python eða, eða eitthvað annað, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00011 116239 119951 train eitthvað annað gagnasafn, og þetta er það sem þið eruð búin að vera að sjá seinustu viku | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00012 120379 123879 dev er hérna í þessum, hérna, notebook-um sem hann | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00013 123893 128388 train Magnús er búinn að vera með, þá eru þið búin að vera alltaf með eitthvað gagnasafn og eruð að vinna með þessi gagnasöfn. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00014 133471 137643 dev Já, og þetta er kannski eitt svona mjög fundamental, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00015 138389 141689 train leið til þess að vinna með gögn er hérna, sem þið sjáið hér, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00016 142294 149062 train einhver sem var ekki giftur í gær. En svo er hún gift í dag. Og ef þú sem sagt extrapolate-ar þetta þá, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00017 150062 153301 train mun hún vera búin að eignast marga eiginmenn áður en langt um líður. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00018 156002 156450 train Ókei, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00019 156954 164121 train en sem sagt, þegar við erum að vinna með tölfræði þá eru nokkur grunnhugtök sem að við þurfum að hafa á hreinu. Annars vegar | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00020 165711 177770 train breyta, sem að, hérna er einhvers konar ástand sem að, hérna getur tekið mismunandi gildi, eins og til dæmis hæð eða þyngd eða litur eða kyn. Þetta er dæmi um breytu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00021 178956 193176 train Og við yfirleitt gerum greinarmun á tvenns konar breytum, annars vegar strjálum breytum og hins vegar samfelldum breytum þar sem strjálar breytur skiptast í einhvers konar flokka, eins og til dæmis einkunnir eða litur eða kyn, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00022 193822 200646 train á meðan að samfelldar breytur eru, bara sem sagt rauntölur raunverulega, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00023 200887 207861 train til dæmis eins og tími eða þyngd, eitthvað sem þú getur tekið, hvaða gildi sem er á einhverjum, hérna, bili. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00024 210881 211625 dev Og svo | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00025 212479 218118 dev erum við alltaf að mæla þessar breytur eða skrá þær, af því að við viljum | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00026 219367 224086 train draga einhverjar ályktanir um einhvern hóp, til dæmis alla Íslendinga, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00027 224406 227225 train eða alla í heiminum, eða bara hvað sem er. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00028 228492 235453 train Og þessi hópur, sem er þessi heild, kallast þýði eða population, og þá er þá verið að tala um alla | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00029 236242 240486 train í einhverjum skilningi, segjum til dæmis alla Íslendinga eða alla nemendur í HR. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00030 241584 251298 train En svo vill þannig til að það er ekkert alltaf hægt að mæla hæðina hjá öllum og hafa alla með í þínu, þinni, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00031 252180 257398 train tölfræðilegu greiningu og þess vegna tekur maður þýði, nei fyrirgefðu, maður tekur, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00032 259576 261884 train sample, sem er hérna úrtak. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00033 262880 268815 train Þú velur einhvern ákveðinn fjölda úr öllu þýðinu sem á að vera svona hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00034 269334 277254 train það sem kallast representative sample, þetta á að vera hluti af þýðinu sem að er, sem hegðar sér eins og allt þýðið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00035 279343 280752 train Þannig að þið getið ímyndað ykkur, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00036 281374 285319 train ef þið ætlið að, að hérna, fá úrtak sem að er | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00037 286136 301235 dev gott representation af öllum nemendum, nei fyrirgefðu, af öllum Íslendingum, þá er ekkert endilega mjög gott að fara bara í HR og spyrja nemendur þar, af því að nemendur í HR eru að einhverju leyti frábrugnir öllum Íslendingum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00038 302208 308879 train Þannig að þegar maður er að velja sér þetta úrtak þá þarf maður að passa það að það sé eins og þýðið. Það þarf að vera representative. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00039 312333 320365 train Og svo eru þessar breytur sem við erum að spá í. Það eru til nokkrar tegundir af breytum, og þá, sem sagt, skiptast þær yfirleitt í þessa fjóra flokka. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00040 320637 331988 train Við erum með sem sagt nominal scale, þar sem við erum með eitthvað sem er ekki raðað. Þá ertu bara með einhvern bara, sem sagt tilheyrirðu einhverjum ákveðnum flokki, eins og til dæmis litur | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00041 333850 342934 train eða kyn. Það myndi vera nominal scale, af því að það er engin röðun á milli þeirra, það er ekkert betra að vera blár eða rauður, til dæmis. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00042 344088 350117 train Það myndi vera sem sagt nomilal, nominal. Og svo ertu með ordinal scale, þar sem þú ert með einhvers konar röðun á milli flokkanna þinna. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00043 352716 355624 train En þú getur samt ekki sagt að sá sem er | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00044 356588 357362 train hérna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00045 357500 361999 train í efsta flokkinum sé endilega helmingi betri en sá sem er í öðrum flokkinum, til dæmis. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00046 362502 367197 train Eins þegar þú ert með svona kapphlaup eða, einhvers konar, já, kapphlaup, til dæmis hér, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00047 368000 368930 train svona hestaveðhlaup, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00048 370223 376257 dev þá er ekki endilega sá, þannig að sá sem er í fyrsta sæti sé helmingi betri en sá sem er í öðru sæti, hann er bara betri. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00049 376762 383031 train Það er bara svona einföld röðun án þess að þú gerir greinarmun á því hversu miklu, mikill munurinn er á milli þeirra. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00050 383872 389992 train Og svo í þriðja lagi ertu með það sem heitir interval scale, þar sem að þú ert með jafnt bil á milli alls staðar | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00051 390911 394872 train og það, um dæmi um það er til dæmis, hérna, hiti. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00052 396160 399425 eval Og þið getið ímyndað ykkur sem, sagt sem svo að, að hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00053 399915 404504 dev tuttugu stiga hiti er ekkert endilega tvöfalt heitara heldur en tíu stiga hiti. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00054 405225 412634 dev Þannig að það er, það er röðun. En það er ekkert absolute núll og þess vegna geturðu ekki sagt að eitthvað sé svona miklu betra en eitthvað annað | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00055 413439 419019 eval og svo sem sagt að fjórða leyti þá erum við með ratio scale þar sem við getum sagt að eitthvað sé helmingi betra en eitthvað annað, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00056 419495 421367 train eða helmingi stærra eða helmingi meira | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00057 421819 427190 train og það er allt sem við svona mælum, hérna, lengdir og þyngdir og, og svoleiðis. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00058 428781 434824 train Það myndi þá vera ratio scale. Og, og verð, þar sem við erum með eitthvað, sem sagt núll á skalanum okkar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00059 436762 444848 train Og hérna sjáið þið sem sagt yfirlit yfir þessa skala og svona grunneiginleika, og hvaða, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00060 446629 454199 train hvernig við getum borið saman hluti í þessum skölum. Þannig að þið sjáið til dæmis nominal scale þar sem við vorum með til dæmis liti eða einhvers konar flokka. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00061 456000 461492 train Þar, hérna, geturðu bara séð hvort þeir séu eins eða ekki eins, sem sagt bara jafnt og eða ekki jafnt og. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00062 462560 473803 train Og svo eftir því sem við förum niður þennan skala þá geturðu gert fleiri, sem sagt operations, þar til þú kemur í þennan seinasta ratio skala þar sem að þú getur | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00063 474302 480053 train borið saman hver er stærri og hver er minni, þú getur lagt og dregið, lagt saman og dregið frá og, og svo framvegis. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00064 483841 497298 train Tölfræði skiptist yfirleitt í það sem heitir descriptive og predictive statistics, þar sem að í fyrra, descriptive statistics, þá ertu að, bara taka gögn sem eru til og, og hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00065 497637 505149 dev raða þeim og taka þau saman á einhvern hátt til þess að lýsa því sem þú ert með í þínu, í þínu þýði eða þínu úrtaki. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00066 507168 513062 train Og þá ertu oft, sem sagt, að taka saman einhverjar töflur eða búa til einhverjar myndir eða eitthvað slíkt til þess að, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00067 513663 514306 train sem sagt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00068 514663 517657 train gera skiljanlegt það sem er í gögnunum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00069 519726 522907 eval Og þá er maður líka að nota sem sagt, svona stika, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00070 523702 526356 train til þess að taka saman kannski í eina tölu | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00071 527076 534979 train eitthvað, einhverja heila breytu, eins og til dæmis að taka meðaltal eða finna miðgildi, það eru stikar sem við getum reiknað út frá breytunum okkar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00072 539022 548316 eval Já, og sem sagt meðaltal, þið þekkið öll meðaltal, þar sem maður tekur öll gildin og finn, semsagt leggur öll saman og deilir með fjöldanum og þá ertu kominn með meðaltal. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00073 549798 555639 train Og þetta er sem sagt mjög einfaldur stiki sem þú getur reiknað fyrir einhverja breytuna í gagnasafninu þínu | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00074 556543 565092 train og þá veistu svona nokkurn veginn hvernig tölurnar liggja. Sem sagt ef ég myndi spyrja ykkur öll hvað þið eruð gömul. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00075 565260 570066 train Þá get ég reiknað meðaltalið til þess að fá meðalaldurinn í, í þessum, í þessum fyrirlestri. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00076 571788 582616 train Og svo það sem tengist mjög meðaltalinu, það sem heitir dreifni eða variance, þar sem við erum að mæla hversu dreifð gögnin eru, hversu langt út frá meðaltalinu eru þau. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00077 587712 606563 train Já, þannig að við hérna, drögum alltaf frá sem sagt, við tökum öll, hérna, gildin okkar og drögum meðaltalið frá, setjum það í annað veldi, og svo deilum við aftur með fjöldanum og þá vitum við svona nokkurn veginn hversu langt frá meðaltalinu gögnin liggja að jafnaði. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00078 608567 615226 train Og svo það sem er mjög algengt er að vinna með, það sem heitir staðalfrávik, þar sem þú tekur kvaðratrótina af, af þessari dreifni. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00079 618495 624724 train Já, og við sjáum á eftir hvernig við, hérna, reiknum þetta í Python. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00080 626225 639033 eval Og svo svona einfaldasta leiðin til þess að setja fram gögn á myndrænan hátt ef þú ert með, sem sagt eina breytu er histogram, þar sem að maður sem sagt telur einfaldlega tíðnina af hverju gildi | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00081 639871 649471 train fyrir sig og setur það upp sem sagt sem svona dálka eins og þið sjáið hér, þannig að hérna ertu með, hérna, já, þrýsting í, í dekkjum | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00082 650628 661261 train á einhverjum mótorhjólum, greinilega, og þá er búið að, sem sagt, telja saman hversu mörg dekk voru með þrýstinginn á milli | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00083 662220 670238 eval þrjátíu og fjögur komma fimm og þrjátíu fimm komma fimm, eða þarna, sem sagt um þrjátíu og fimm. Og þá sjáið þið það, það voru átta mótorhjól sem voru með með þá, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00084 672052 676980 train þann þrýsting. Og þá getum við séð svona hvernig þessi gögn dreifast. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00085 678149 683500 train Við sjáum það til dæmis hér að það er algengast að vera með þrýsting þarna í kringum þrjátíu og fjóra komma fimm, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00086 683943 693926 train en í báðum endunum þá er, eru eru færri sem sagt mótorhjól með þennan lág, annaðhvort mjög lága eða mjög háa þrýsting. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00087 694426 702163 train Og þetta er svona, eins og þið sjáið kannski, svona bjöllukúrfa, sem er mjög algengt, algeng, hérna, í tölfræði, þetta er svona normaldreift. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00088 703413 714350 train Og þá er þetta svona þessi, já, þessi bjöllukúrfa, það er sem sagt hár toppur í miðjunni sem svona, sem svona lækkar niður til beggja hliða og og teygist svona út, til sitthvorrar hliðarinnar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00089 719269 720566 eval Og svo til þess að, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00090 721335 723328 train sem sagt reikna og vinna með | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00091 724182 725160 train þessar breytur, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00092 727086 728663 train er gott að nota þessi | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00093 729460 736860 train föll sem að hérna, ég ætla að fara í gegnum núna. Í fyrsta lagi þá erum við með það sem heitir probability mass function, eða einfaldlega massa fagl, fall, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00094 738543 744453 eval og það sem sagt gefur manni líkurnar fyrir strjálar slembistærðir. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00095 746903 755094 train Og þið sjáið til dæmis hér að massafall er bara fall sem er bara líkurnar á að breytan þín taki eitthvað ákveðið gildi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00096 755967 757796 train Þegar þú ert með, sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00097 758998 760876 train strjála strembis, slembistærð. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00098 762240 765327 train Og þetta massafall hefur ákveðna eiginleika. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00099 766365 773534 dev Í fyrsta lagi þá þurfa, hérna, allar líkurnar að vera stærri eða jafnt og núll. Þú getur aldrei verið með neikvæðar líkur, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00100 774203 778839 train það er aldrei mínus tuttugu prósent líkur á því að eitthvað gerist. Það er alltaf núll eða stærra. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00101 779927 784635 dev Svo þegar maður leggur saman allar líkurnar þá er summan einn, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00102 786490 790809 train og til þess að finna líkurnar á ákveðnum atburði | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00103 791427 800198 train þá sem sagt summar maður upp allar líkurnar fyrir gildin sem eru í þessum atburði, þannig að þið ímyndið ykkur að maður sé að kasta tening, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00104 800571 804592 train það myndi vera dæmi um strjálan slembiatburð, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00105 805714 810873 train og þá er það sem getur komið upp á teningnum er einn, tveir, þrír, fjórir, fimm og sex. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00106 811977 814376 train Þannig það mundi vera sem sagt litla x-ið okkar hér, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00107 815360 827620 eval einn tveir, þrír, fjórir, fimm eða sex. Og x er þá þessi slembistærð sem að er þessi, þessi random event, af því að við vitum ekki áður en við köstum hvað mun koma upp. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00108 829398 840407 train Og þá myndu líkurnar á einstökum atburði vera einn á móti sex. Af því það er jafnlíklegt að hver hlið komi upp á teningnum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00109 842279 850577 train Og svo ef við myndum vilja vita hverjar eru líkurnar á því að við fáum slétta tölu þá vitum það að sléttu tölurnar eru, hvað, tveir, fjórir og sex. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00110 851187 856413 train Þá myndum við summa saman líkurnar á að fá tvo, líkurnar á að fá fjóra og líkurnar á að fá sex, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00111 857041 860037 train það eru sem sagt individual líkur, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00112 861076 866998 train og myndum þá fá út hálfan. Sem sagt líkurnar á því að fá upp slétta tölu er hálfur. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00113 868591 873601 train Og sem sagt, massafall er bara semsagt leið til þess að tákna, tákna þetta. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00114 874647 882590 train Og hérna sjáið þið annað dæmi. Við erum með einhverja slembistærð, strjála slembistærð x sem getur tekist þrjú gildi, einn, tvo eða þrjá, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00115 883320 887962 dev með jöfnum líkum, það er jafnlíklegt að hver þessara talna komi upp. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00116 888750 907373 eval Og þá er massafallið táknað á þennan hátt, þið sjáið líkurnar á því að, hérna, x sé jafnt og einn er einn þriðji, að x sé jafnt og tveir er einn þriðji líka og að x sé jafnt og þrír er líka einn þriðji, og annars er það bara núll, að það getur ekkert annað komið upp. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00117 907876 911068 train Og þá teiknum við þetta massa, táknum við þetta massafall á þennan hátt. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00118 914725 920009 train Og hérna, annað dæmi um massafall, að við erum með hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00119 920889 926948 eval sem sagt, þetta er slembistærð sem telur hversu oft við fáum upp, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00120 927744 930769 dev fiskana, þegar við hendum tíkalli þrisvar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00121 931658 934028 train Og sem sagt hérna, af því þetta er sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00122 935222 939832 train tíkall sem er, sem sagt, sanngjarn, það er jafnlíklegt að báðar hliðarnar komi upp. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00123 940291 945423 train Og þá verður þetta útkomumengið okkar ef við köstum þrisvar. Við getum fengið upp sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00124 945663 948575 train H H H, sem sagt alltaf heads, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00125 949111 954441 train við getum fengið fyrst heads, svo heads og svo tails, þá er þetta sem sagt útkoman, H H T, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00126 954900 957759 train og svo framvegis, þannig að þetta eru allir mögulegir, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00127 959261 968614 train allar mögulegar útkomur í útkomumenginu okkar, ef við köstum pening þrisvar sinnum. Átta mismunandi möguleikar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00128 970207 970778 train og | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00129 971820 974799 train og við viljum finna sem sagt massafallið, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00130 975522 978971 eval sem telur hversu oft kemur upp sem sagt heads. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00131 979255 984071 train Og þá sjáum við það, það er táknað á þennan hátt að líkurnar á að fá aldrei upp heads, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00132 984278 990027 train er einn á móti átta, af því það er einn atburðurinn, þarna, T T T, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00133 990652 991927 train í átta staka mengi, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00134 994597 1002157 dev líkurnar á því að fá sem sagt upp einu sinni heads eru þrír áttundu af því að í þessu mengi, sjáið, það eru þrír | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00135 1003124 1004990 train liðir þar sem er eitt H, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00136 1006184 1025953 train líkurnar á því að ég fái tvisvar sinnum heads eru eins, þrír áttundu, af því það eru þrír atburðir þar að sem eru tvö H, og að lokum líkurnar á því að fá sem sagt alltaf upp heads eru einn áttundu, af því að það er alveg eins, sem sagt einn atburður þarna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00137 1026626 1029631 train þar sem það kemur alltaf upp, alltaf upp heads. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00138 1031159 1034306 train En þið hafið væntanlega séð þetta áður, er það ekki? Þið kannist alveg við þetta. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00139 1037587 1040236 eval Þannig við bara sleppum þessu, þið getið kíkt á þetta. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00140 1042768 1050564 train Þessi dæmi sem ég tók núna, þau díla bara við mjög lítil útkomurúm, mjög lítil, hérna, mengi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00141 1051259 1053221 dev Eftir því sem að þetta, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00142 1053785 1059816 train sem sagt allt saman stækkar og það eru mun meiri möguleikar í boði, og það verður líka meira svona noise í gögnunum, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00143 1060915 1068266 train og, og sem sagt líkurnar á því að hver einstakur atburður gerist verður ólíklegri og ólíklegri. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00144 1070086 1076067 dev Og þannig að til þess að díla við það, þá er oft hjálplegt að binna gögnin, eða sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00145 1076223 1078372 train raða þeim saman í svona flokka, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00146 1079125 1083135 train eða að bara díla við þá sem, sem sagt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00147 1084512 1084984 train já, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00148 1085570 1086636 eval á meira svona | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00149 1087037 1090819 train samfelldan hátt með því að nota það sem heitir, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00150 1091250 1094490 train cumulative distribution function, sem er sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00151 1096269 1100615 train þar sem þú ert búinn að summa up eða sem sagt, já, leggja saman | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00152 1101500 1104009 train líkurnar á þessu öllu saman sem að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00153 1105617 1110507 train maður gerir með því raunverulega að maður vill reikna líkurnar á því að af, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00154 1113705 1121776 eval líkurnar sem sagt að það gerist ekki og þá notum við það sem, sem heitir percentile rank að þá er maður búinn að raða raunverulega upp öllum útkomunum bara í stærðarröð. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00155 1122859 1125538 train Og, þannig að, til dæmis, ef þú vilt vita | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00156 1128230 1132699 train hver, sem sagt, þú tekur eina manneskju og þú mælir hvað hún er há | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00157 1133191 1148238 dev og þú vilt vita hvar í röðinni af öllum, hennar hæð fellur. Sem sagt hversu margir, hversu mörg prósent af öllu þýðinu eru lægri en þessi manneskja, þannig það er pælingin á bak við svona percentile rank. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00158 1149096 1154876 train Og þetta sama á við um einkunnir, þið sjáið þetta í einkunnagjöfinni held ég, að maður fær sem sagt einhverja tölu sem svona rank, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00159 1155467 1161291 eval og þá veistu hversu mörg prósent af öllum voru með lægri einkunn heldur en þú, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00160 1162112 1173001 eval og það er pælingin á bakvið svona cumulative distribution function. Þú ert búinn að leggja saman allar líkurnar sem eru minni en það sem þú ert að skoða. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00161 1173887 1179076 train Búinn sem sagt að raða öllum upp og svo finnurðu hversu stór hluti er minni en einhver ákveðinn. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00162 1181286 1183865 train Og það er það sem heitir þetta cumulative distribution function, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00163 1185000 1192799 train og það er sem sagt fall sem að varpar gildum yfir í percentile rank, yfir í þennan rank yfir alla. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00164 1194176 1205788 train Og þá er það táknað það, sem sagt, á þennan hátt að, hérna, CDF-ið af einhverju gildi eru líkurnar á því að slembistærðin sé minni en eitthvað ákveðið gildi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00165 1206924 1215236 train Og í þessu einfalda dæmi hér, ef við erum með, hérna, úrtak með þessum, þessum fimm gildum, einn, tveir, tveir, þrír og fimm, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00166 1216548 1226087 train þá getum við reiknað út CDF-ið af þessu tiltekna dæmi á þennan hátt. Við munum, við röðum upp tölunum í stærðarröð, eins og er reyndar búið að gera hér, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00167 1227085 1239624 train þannig að CDF af núll er núll. Af því það er enginn sem er minni heldur en núll, CDF af einum er núll komma tveir eða tuttugu prósent, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00168 1240089 1245907 train af því að það er ein tala af þessum fimm sem er minni eða jöfn heldur en einn. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00169 1246847 1261568 train Þannig að tuttugu prósent af þessu mengi er minna eða jafnt og einn. Og á sama hátt, þá er CDF-inn af tveimur núll komma sex, af því að sextíu prósent af þessu mengi er minna eða jafnt og tveir. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00170 1261904 1269525 train Og svo framvegis, og þegar þau koma út í hinn endann, að CDF-inn af fimm er einn, af því allir eru minna eða jafnt og fimm. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00171 1272154 1274116 dev Og hérna sjáið þið sem sagt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00172 1274979 1278601 train hvað, hvernig er búið að gera þetta. Í fyrsta lagi erum við með massafallið, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00173 1278942 1283538 train það er þetta histogram, þar sem er búið að telja tíðnina á hverju gildi fyrir sig, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00174 1284352 1300569 train og svo varpar maður því yfir í CDF-ið, bara með því að leggja saman allt sem er fyrir neðan eitthvað ákveðið gildi, og þá fær maður þessa kúrfu sem að sýnir hversu ört, sem sagt líkurnar aukast. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00175 1305095 1318976 train Og þegar maður er kominn með CDF-ið þá er mjög auðvelt að reikna alls konar stika, eins og til dæmis miðgildið. Af því að miðgildið er gildið sem að er í miðjunni, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00176 1319538 1320798 eval af öllum gildunum ykkar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00177 1321463 1324218 train Þá þarf fyrst að vera búið að raða þeim í rétta röð, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00178 1324882 1330223 train frá minnsta til stærsta, og þá er, [mil], miðgildið einfaldlega gildið sem er akkúrat í miðjunni. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00179 1330785 1337407 train Og það myndi svara til CDF þar sem x er minna en, þar sem þetta er sem sagt jafnt og núll komma fimm. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00180 1337807 1340430 dev Þá viltu finna gildið sem er akkúrat í miðjunni, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00181 1341009 1343078 train og það sama á við um hérna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00182 1343519 1355144 train IQR eða interquartile range, sem er oft notað til þess að lýsa gögnum. Það er raunverulega sá massi gagnanna sem er á milli tuttugu og fimm prósent og sjötíu og fimm prósent | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00183 1356031 1357186 train af öllum gildunum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00184 1358334 1362428 train Og það er oft notað, til dæmis þegar maður er að reyna að finna svona hérna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00185 1362634 1367763 train útgildi, outliers, í gögnum. Þá er þetta IQR mjög gjarnan notað, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00186 1368898 1371788 train sem svona einhvers konar miðja | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00187 1372093 1383563 train í gögnunum, og allt sem fer eitthvað ákveðið langt út fyrir þetta IQR, það kallast þá sem sagt outlier og maður oft hreinsar þá bara í burtu þegar maður er að hreinsa gögnin sín í upphafi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00188 1386558 1389891 train Þetta sem við erum búin að tala um hingað til á við um strjálar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00189 1391798 1393089 train sem sagt, dreifingar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00190 1394559 1398756 train Þegar maður á, er að eiga við samfelldar, þá hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00191 1399435 1403827 train notar maður, hérna, bara samfelldan CDF. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00192 1406473 1423246 dev Og hér er eitt dæmi um sem sagt, samfellda líkindadreifingu, sem er sem sagt exponential líkindadreifingin, sem að lítur svona út. CDF-inn lítur svona út, þið sjáið hvernig hann vex svona svolítið hratt og svo, og svo hérna hægist aðeins á, á vextinum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00193 1423845 1425977 train Og þetta er, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00194 1426528 1432017 train líkindadreifing sem er oft notuð fyrir svona atburði sem að geta gert bara hvenær sem er, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00195 1433431 1438522 dev og það er bara, það er bara einn parameter til þess að lýsa þessari dreifingu og það er hérna lambda. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00196 1440806 1449849 eval Og lambda sem sagt ákvarðar það hvernig þetta lítur út, og eftir því sem lambda stækkar eða minnkar þá breytist aðeins lögunin á, á þessum ferli. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00197 1451030 1459834 dev Og svo er normaldreifingin, sem að er mest notaða líkindadreifingin. Það er allt, oft talað um það að hlutirnir séu normaldreifðir, þið hafið örugglega heyrt það, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00198 1461215 1473780 train og, og hérna, það sem sagt, CDF-inn fyrir normaldreifingu lítur svona út og þetta er sem sagt, ef þú myndir diffra þetta þá fengi maður út sem sagt þessa bjöllukúrfu sem ég talaði um áðan, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00199 1473991 1478700 eval þar sem að mesti massinn er í miðjunni og svona í hölunum, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00200 1479223 1484247 dev hérna, sem sagt lækkar gildin og teygist svona út. Þannig að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00201 1484608 1488119 train mestar líkurnar á því að eitthvað gerist er akkúrat, akkúrat í miðjunni. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00202 1489580 1492472 train Og þetta er sem sagt CDF-ið fyrir það. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00203 1493428 1505426 train Og, og hérna, og til þess að tákna normaldreifinguna þá þarf maður tvo parametra, annars vegar mu, sem er meðaltalið og hins vegar sigma sem að er staðalfrávikið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00204 1506532 1512756 train Og þegar maður hefur þessa tvo parametra þá getur maður sem sagt teiknað upp þessa kúrfu og og nýtt sér hana. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00205 1516493 1528656 train Til dæmis þá er sem sagt, fæðingarþyngd er, er normaldreifð og rosalega margt í daglegu lífi er normaldreift þegar maður fer að skoða, fer að skoða gögnin. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00206 1535612 1536810 train Já, og sem sagt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00207 1538814 1541542 train þegar þú ert með, sem sagt, samfellda líkindadreifingu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00208 1542380 1550538 train þá geturðu tekið afleiðuna af CDF-inu og þá færðu sem sagt þéttleikafallið eða PDF. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00209 1551518 1554923 train Og það er þá eins og ég var að tala um, það myndi vera normalkúrfan okkar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00210 1555500 1558898 train meðan að CDF-ið sýnir hvernig líkurnar aukast. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00211 1560128 1566909 eval Og, og þá er PDF sem að mælir líkurnar fyrir hvert gildi af X. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00212 1567988 1578643 train Og þá sjáum við hérna hvernig er hægt að tákna það ef við erum með, sem sagt líkurnar á því að slembistærðin X, stóra X, falli á milli mínus hálfs og hálfs. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00213 1579497 1600575 train Það er jafngilt því að heildar PDF-ið frá bilinu mínus hálfur upp í hálft, sem er það sama og að reikna CDF-ið í gildinu hálfur og draga svo frá, CDF-ið í gildinu mínus hálfur. Þannig að þú ert búinn að finna stofnfallið, af því að CDF er stofnfallið af PDF. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00214 1601207 1605824 train Þess vegna geturðu bara sett það inn og sett svo mörkin inn eins og maður heildar | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00215 1607257 1607616 eval föll. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00216 1613317 1617159 dev Já, og svo sem sagt, hafið þið séð central limit theorem | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00217 1619075 1622381 train í tölfræðigreiningu og stærðfræði, stærðfræðigreiningu og tölfræði? Nei. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00218 1622721 1624402 dev Sem sagt þetta er mjög gagnleg | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00219 1625692 1631794 eval regla eða setning sem hefur með, hérna, dreifingu gagna að gera, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00220 1632597 1652386 train sem segir bara það að ef að maður er með nógu stórt úrtak úr einhverju þýði þá er sem sagt meðaltalið á úrtakinu það sama og meðaltalið á þýðinu. Þetta er mikið notuð setning af því að hún sem sagt, já, hefur svona sterkar afleiðingar | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00221 1652557 1655089 eval fyrir, fyrir hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00222 1656377 1661644 train fyrir gögnin. Af því að um leið og maður veit að eitthvað er normaldreift þá er | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00223 1662477 1666605 eval rosalega margt sem maður getur gert við þau og til dæmis með svona tilgátuprófanir og svoleiðis. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00224 1667211 1672046 train Þannig að það að vera normaldreift er mjög sem sagt sterkur, sterkur eiginleiki. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00225 1676588 1683969 train Já, og hérna sjáið þið sem sagt hvernig þetta tengist allt saman sem ég er búin að vera tala um, sem sagt massafallið og dreififallið | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00226 1684471 1686744 eval og, hérna, líkindadreififallið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00227 1687380 1687739 train Að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00228 1688872 1690671 dev við byrjuðum á að vera með strjálar | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00229 1691647 1692247 train slembistærðir. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00230 1693633 1695117 train Og þá, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00231 1695118 1696844 train vorum við með hérna, massafallið, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00232 1698054 1701862 train að það sem sagt var bara raunverulega tíðniritið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00233 1704328 1712638 train Og svo getum við sum-að up eða sem sagt, lagt saman allar líkurnar, og þá fáum við þetta sem sagt CDF sem að vex svona upp. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00234 1713813 1715644 dev Og þetta var fyrir, þetta var fyrir | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00235 1716480 1720065 train strjálar strembistærðir. En svo eftir því sem að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00236 1721358 1723090 dev fjölda mögulegra gilda | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00237 1724031 1724631 train fjölgar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00238 1725397 1733607 train þá verður þetta svona allt miklu meira smooth, þá hættir þetta að vera bara, þú veist, í svona einhverjum bútum, og þetta verður bara allt saman mjög svona smooth og fallegt. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00239 1734282 1739087 train Og þá förum við yfir í sem sagt, samfelldar líkindadreifingar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00240 1740222 1742372 train og þá tölum við líka um sem sagt CDF. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00241 1743743 1753702 dev Og svo getum við diffrað CDF-ið til þess að fá þéttifallið, PDF, og eins á móti getum við heildað PDF-ið til þess að fá CDF-ið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00242 1755346 1757894 train Og svo þegar við erum með sem sagt PDF sem er | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00243 1759208 1760077 train þéttifallið, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00244 1760702 1764983 train ef við tökum öll gildin og svona klippum þau niður í bins, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00245 1765826 1768392 train þá fáum við aftur þetta, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00246 1770664 1774138 train þetta strjála massafall. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00247 1775659 1787180 dev Og þið getið kannski ímyndað ykkur þannig að við erum með eitthvað sem er samfellt, eins og til dæmis hæð fólks. Það er eitthvert dæmi um, um eitthvað sem að er | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00248 1787540 1793491 train er samfellt. Og þá er það kúrfa sem myndi kannski vera svona svolítið smooth. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00249 1794034 1812098 eval En svo myndum við ákveða að við vildum flokka alla svona niður og segja, allir sem er á bilinu einn og fimmtíu til einn, fimmtíu og fimm, svo einn fimmtíu og fimm til einn og sextíu, einn og sextíu til einn sextíu og fimm, þá erum við að flokka þetta niður í bins. Og þá förum við úr þessu samfellda og yfir í þetta strjála. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00250 1816542 1832789 train Og það er oft sem maður sér náttúrulega, þegar maður er með gögn og er að er að hérna, teikna histogram, að þá er þetta svona sett niður í bins og þá verða allar súlurnar svona allar kassalaga, og, og hérna, og þetta er svona sambandið þarna á milli. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00251 1834387 1837387 eval Og eins það að fara frá massafallinu | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00252 1838029 1839136 train yfir í | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00253 1841599 1850121 dev sem sagt CDF-ið, að maður er að, er að leggja saman alla, gildin sem eru fyrir neðan ákveðið gildi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00254 1851164 1853669 train Og þið sjáið það líka að, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00255 1854007 1859601 train að þessa samsvörun á milli þess sem er strjáls og þess sem er samfellds, að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00256 1860387 1869742 dev í strjála tilfellinu, þá erum við að leggja saman og draga frá, á meðan að í samfellda tilfellinu þá erum við að heilda og diffra. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00257 1869833 1872130 train Þetta eru svona sambærilegar aðgerðir. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00258 1875881 1882013 dev Ég er búin að tala um núna svolítið um, hérna, það sem heitir descriptive statistics, þegar við erum að lýsa gögnunum okkar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00259 1882711 1892698 train En svo er líka hægt að nota inferential statistics, þar sem maður er að draga einhverjar ályktanir, og maður er að nota gögnin til þess að, eins og ég segi, draga ályktanir, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00260 1893894 1905262 dev með því að nota úrtakið, um allt þýðið. Þannig að við segjum það, ókei, ef meðaltalið hérna í þessari stofu af, meðalaldurinn í þessari stofu er tuttugu og eins árs, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00261 1906444 1919614 train þá ætlum við að segja það að meðalaldur allra Íslendinga sé líka tuttugu og eins árs. Þetta er dæmi um það að við myndum draga einhverja ályktun, sem að í þessu tilfelli myndi örugglega ekki vera rétt, af því að þið eruð kannski ekkert voðalega gott úrtak af öllum Íslendingum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00262 1920304 1922130 train En þetta er svona dæmi, dæmi um það. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00263 1923671 1937934 eval Og þá oft þarf maður að nýta sér líkindafræði og líkindadreifingar þegar maður vill gera svona inferential statistics, af því að maður vill sem sagt geta sagt að úrtakið mitt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00264 1938513 1943195 train er til dæmis normaldreift, og þá getur maður notað normaldreifinguna til þess að draga ályktanir. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00265 1944521 1949568 dev Og það sem maður gerir líka í þessu tilfelli er að sem sagt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00266 1949575 1962040 train meta styrkleika, sem sagt, á milli tveggja breyta. Hversu mikil tengsl eru á milli breyta. Getum við notað eina breytu til þess að spá fyrir um gildi annarrar breytu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00267 1964029 1983680 dev Og það er, þetta er svona það sem við munum vera að gera svolítið mikið í, sem sagt, seinni hluta námskeiðsins, þegar þið byrjið að halda kynningar, að þið verðið að tala um þetta inferential statistics. Því að þessir algóriþmar og þessar aðferðir í machine learning sem að við erum að nota til þess að, til þess að læra frá gögnum, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00268 1984779 1992759 train þær, eins og ég segi, þær læra af gögnunum og maður notar þessar aðferðir til þess að spá fyrir um eitthvað sem er áður óséð. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00269 1993788 2002704 train Þannig að til dæmis bara með gagnasafn, og maður beitir á, það er einhver aðferð eins og til dæmis, hérna, svona, hvað heitir það, decision trees, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00270 2004507 2012046 train að maður vill svo nota módelið sem maður lærir á gögnunum til þess að spá fyrir um einhver áður óséð gögn. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00271 2012672 2020806 train Og það er það sem inferential statistics gerir líka, að það kennir manni hvernig maður á að spá fyrir um eitthvað sem maður hefur ekki séð áður. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00272 2021586 2030763 train Sem dæmi um þetta er líka til dæmis í, í tímaraðagreiningu, þar sem maður vill spá fyrir um eitthvað sem á að gerast á morgun út frá því sem þú veist um fortíðina. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00273 2031309 2033844 train Hvernig á veðrið að vera á morgun, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00274 2034570 2036736 train og þá notar maður oft sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00275 2037842 2039731 train historíuna sem maður veit, söguna. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00276 2041933 2045201 train Og, og hérna, það stendur hérna að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00277 2045990 2051889 train núna erum við búin að gefast inn, smá inngang af þessu sem heitir escriptive [HIK: st], descriptive statistics, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00278 2051914 2056648 train og þið munuð sjá það svo aftur í næstu viku þegar að við förum í, hérna, myndræna framsetningu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00279 2057701 2060413 dev Það hefur líka með svona, lýsandi tölfræði að gera. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00280 2061364 2069612 train En það sem við viljum vinna okkur að er þetta inferential statistics, þetta, það að geta spáð fyrir um, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00281 2070123 2073106 train og áður óséð, óséð gögn. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00282 2075289 2078777 train Ef við förum núna yfir í notebook-ið okkar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00283 2080418 2082115 train bamm bamm, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00284 2083335 2091695 train sem við vorum með hérna, það sem sagt eru tvö svona Jupyter notebook fyrir daginn í dag, annars vegar um tölfræði og hins vegar um líkindafræði. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00285 2092672 2095760 train Ég ætla að fara í líkindafræðina á eftir, við ætlum að byrja bara á tölfræðinni. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00286 2097547 2099827 dev Ef við byrjum hérna, sem sagt: þetta er bara | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00287 2101248 2104068 eval þessi pakki sem við byrjum alltaf á að vinna með. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00288 2105380 2110239 train Og svo erum við með, eins og ég talaði um áðan, það að, að kasta teningi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00289 2112710 2120190 train Teningur er náttúrulega bara strjál slembistærð sem getur tekið sex gildi: einn, tveir, þrír, fjórir, fimm og sex. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00290 2121215 2127969 train Og við gætum táknað það sem svona, með, í Python, ef við erum með þennan hérna, stats library. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00291 2129670 2146260 train Og þá er teningurinn okkar einfaldlega slembitala á bilinu einn upp í sex, sem sagt slembin, heil tala á bilinu einn upp í sex, og það stendur hérna sjö af því að það er sem sagt ekki tekið með. Það er allt upp að sjö. Einn, tveir, þrír, fjórir, fimm og sex. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00292 2147199 2151817 train Og svo, hérna, þetta RVS er raunverulega bara, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00293 2152800 2161619 train hending, að við getum sagt honum hérna með því að gera dice punktur RVS tíu þýðir raunverulega kastaðu teningnum tíu sinnum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00294 2163576 2184594 dev Og svo að lokum viljum við vita hvert er hæsta gildið og þá bara köstum við honum nógu oft til að fá örugglega upp hæsta gildið sem við vitum að er til sex, þannig að ef við myndum keyra þennan þá sjáum við hérna, við köstuðum honum tíu sinnum, fyrst komu upp fjórir, svo komu upp sex og svo tveir og svo fjórir og svo framvegis. Þannig að þetta eru öll köstin okkar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00295 2186211 2198753 train Og þegar við köstuðum honum tí, þúsund sinnum þá var stærsta gildið sex. Þannig að á þessum tening kom upp sex alla vega einu sinni þegar við köstuðum honum þúsund sinnum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00296 2201862 2208492 train Og svo viljum við reikna líkurnar á því að fá upp fjóra, til dæmis, þegar maður kastar tening. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00297 2209920 2214811 train Og þar notum við sem sagt þetta massafall sem heitir bara PMF. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00298 2215818 2222164 eval Og þá köllum við PMF á teninginn okkar sem, muniði, var bara þessi, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00299 2223139 2224309 train slembna hending. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00300 2225210 2232824 eval Og þá fáum við út einn sjötta, einn, líkurnar á því að fá fjóra þegar maður kastar tening er einn sjötti. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00301 2234829 2241309 train Og svo viljum við finna út, sem sagt líkurnar á því að fá fjóra eða minna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00302 2242304 2246833 train og þá notum við CDF-ið sem, muniði, var uppsöfnuðu líkurnar | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00303 2249309 2253389 train og segjum dice punktur CDF af fjórum, og þá er það sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00304 2254204 2257693 train fjórir eða minna, og fáum upp tvo þriðju. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00305 2259759 2265608 train Og svo líkurnar á því að fá gildi á milli tveggja og fjögurra. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00306 2267577 2278137 train Og þá þurfum við að taka þetta í sem sagt tvo hluta. Við þurfum að sem sagt finna líkurnar á því að fá fjóra og minna og draga svo frá líkurnar á því að fá einn og minna. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00307 2279188 2283630 train Sem er þá hérna, CDF af fjórum mínus CDF af einum, og þá fáum við út hálfa, hálfan. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00308 2287360 2289099 train Og svona sem sagt getið þið notað | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00309 2292150 2293889 train dreififöll og massaföll | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00310 2294813 2295833 eval í, í Python | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00311 2296545 2297512 train á einfaldan hátt. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00312 2301916 2304554 train Einhverjar spurningar um þetta? Nei. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00313 2305340 2305880 dev Ókei. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00314 2307737 2309117 train Þá erum við sem sagt komin í hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00315 2310228 2311217 train histogram. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00316 2312663 2314612 eval Ég held að, hafið þið ekki búin að sjá histogröm áður? | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00317 2315193 2321909 train Sem sagt, við bara byrjum á því að búa til fimmtíu slembitölur á bilinu núll og upp í einn. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00318 2324407 2327215 dev Þannig að við erum bara með hérna lista af tölum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00319 2329992 2333291 train Og svo getum við plottað histogramið | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00320 2333943 2338284 train og þá sjáið þið hérna að það er búið að binna þetta svona í, í hérna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00321 2338585 2344253 train nokkra flokka og, og sjáið hvernig þetta skiptist þannig að ef við myndum keyra þetta aftur | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00322 2344918 2349527 train þá myndum við fá annað histogram af því að tölurnar breytast, af því þetta er náttúrulega slembið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00323 2351184 2351632 train Ókei. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00324 2352384 2354003 train Svo erum við með hérna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00325 2355253 2359922 eval þrjú gagnasöfn sem að ég er búin að setja inn á Canvas, þið getið tékkað á þeim. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00326 2360719 2361512 train Þið kannski, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00327 2362248 2363152 train hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00328 2363960 2369659 train já, takið eftir því að þetta er sem sagt wheat, þetta er hveiti en ekki weed, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00329 2370431 2376644 train þó að það standi mjög gjarnan hérna í textanum fyrir neðan weed, þá á þetta að vera, sem sagt, wheat. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00330 2378380 2379311 train Ekki láta það rugla ykkur. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00331 2380438 2394507 train En þetta eru sem sagt gagnasöfn, þrjú gagnasöfn sem að lýsa verði á hveiti í Bandaríkjunum. Sem sagt hveiti sem er ræktað í mismunandi ríkjum, þannig að þú ert með sem sagt hversu mikið var ræktað og hvað, hvað verðið var. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00332 2395994 2398172 dev Ég ætla að byrja á því að keyra þessi hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00333 2398655 2399846 train lesa inn gögnin hérna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00334 2400559 2407516 dev og svo erum við með fyrsta gagnasafnið sem er bara verð og þá ertu með, hérna, mismunandi ríki. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00335 2408538 2418588 train Og hveitið skiptist í nokkra gæðaflokka. Þú ert með sem sagt mjög gott, eða sem sagt, high quality, medium quality og low quality hveiti, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00336 2419327 2420827 dev og þetta er sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00337 2422208 2427307 train verðið og þetta er bara fjöldinn sem var ræktaður. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00338 2428025 2432764 train Og svo ertu með líka nokkrar dagsetningar. Þetta nær alveg yfir nokkurra ára tímabil þetta gagnasafn | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00339 2433813 2437833 dev og þetta er sem sagt það sem var, já, selt þennan daginn, geri ég ráð fyrir. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00340 2439233 2447452 train Og þetta er sagt efstu línurnar í gagnasafninu og svo ertu með neðstu línurnar, þannig að þið sjáið að þetta eru eiginlega öll ríkin | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00341 2448405 2450655 train í Bandaríkjunum sem eru að rækta hveiti | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00342 2451456 2457273 train og þessi hérna eru sko í janúar tvö þúsund og fjórtán og hérna erum við komin í, í desember tvö þúsund og fjórtán. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00343 2459260 2462650 train Og svo erum við með annað gagnasafn sem heitir Demography, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00344 2463925 2466668 train sem að er raunverulega bara um ríkin sjálf. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00345 2467711 2473726 train Og eins þá erum við með öll ríkin í Bandaríkjunum, hver, hérna, hversu margir búa þar | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00346 2474418 2478172 train og skiptinguna á sem sagt, kynþáttum | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00347 2479125 2481751 train og já, sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00348 2481791 2488661 train meðalinnkomu og, og svona ýmislegt, ýmislegar upplýsingar. Og svo erum við með það sem heitir Population, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00349 2490048 2499800 eval þar sem að eru, fjöldi í hverju ríki og ef þið sjá, ef þið berið það saman þá eru þetta ekki sömu tölurnar, sem er kannski bara merki um að þetta var ekki tekið saman á sama tíma. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00350 2500250 2503398 train Þessar tölur eru ekki frá sama árinu, til dæmis. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00351 2509300 2514885 train En við munum ekki nota þetta Population, þið getið bara pælt í því sjálf ef þið viljið, við ætlum bara að nota hin tvö, held ég. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00352 2517833 2524539 train Þegar við kíkjum á þetta Prices gagnasafn sem er sem sagt verðið á, á hveitinu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00353 2525311 2538045 train og við skoðum hvaða týpur við erum með af, af breytum, þá sjáið þið það að við erum með sem sagt, hérna, quality gögn hérna, high og medium og low | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00354 2538063 2551568 eval er sem sagt bara float value, og svo erum við með þessar, þennan fjölda sem er alltaf bara integer value og svo erum við með eitthvað sem heitir date, sem date time, og svo er bara ríkið sjálft. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00355 2555117 2566817 train Og við ætlum að byrja á því að hreinsa gögnin og raða þeim þannig að fyrst hérna erum við með, ætlum við að raða þeim sem sagt eftir, fyrsta lagi, nafninu á ríkinu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00356 2567313 2570829 train og svo í öðru lagi eftir dagsetningu, þannig að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00357 2571612 2574230 train elsta verði efst og nýjast verði neðst. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00358 2575411 2578530 dev Og svo ef þið skoðið gögnin þá sjáið þið að það er svolítið af | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00359 2579280 2590887 dev N/A value-um í þessum gagnasöfnum, og við ætlum að fylla inn þessi N/A value með fill N/A fallinu, þar sem við notum f fill, hafið þið notað það? | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00360 2591923 2602753 train Þá tekur hann raunverulega bara, sem sagt gildið sem er fyrir ofan. Þannig að þú kemur að einhverju N/A gildi og þú fyllir inn í það með því að nota gildi sem er í röðinni fyrir ofan. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00361 2603789 2618248 train Og þetta er ein aðferð til að fylla inn N/A. Og, og hérna, og kannski aðferð sem er allt í lagi ef það eru ekkert voðalega mörg N/A, en þið, ímyndið ykkur ef að það er einhver breyta þar sem eru þú veist, áttatíu prósent gilda sem vantar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00362 2618532 2628525 train og maður fyllir bara alltaf inn það sem var í röðinni fyrir ofan, þá verða öll gildin bara eiginlega eins. Þannig að hérna, þetta er aðferð sem er ágætt að nota ef það eru bara fá sem vantar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00363 2628806 2629983 train En við notum það núna. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00364 2633152 2643773 train Og nú ætlum við að fókusa bara á Kaliforníu, við ætlum að reikna út sem sagt þessa lýsandi stika fyrir Kaliforníu. Byrjum á meðaltalinu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00365 2644302 2651268 train Þannig að við ætlum byrja á því að sem sagt finna bara út Kaliforníu í gögnunum okkar þannig við, við hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00366 2651519 2654849 train búum til nýtt, nýja töflu sem heitir bara Kalifornía, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00367 2656510 2657005 train PD, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00368 2657922 2662512 train og skoðum hana. Þannig að þið sjáið það, við erum komin með bara ríkið, Kaliforníu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00369 2662918 2665784 train og verðið á hveiti í Kaliforníu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00370 2668130 2676920 train Og til þess að reikna út meðaltalið þá, muniði, við þurfum að leggja saman öll gildin og deila með fjöldanum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00371 2677476 2683099 train Þannig að við bara byrjum á því að leggja saman öll high quality verðin í Kaliforníu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00372 2683545 2685672 train það myndi vera þessi, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00373 2686913 2689673 dev sem við köllum C A underscore sum, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00374 2691349 2692699 train þannig að við erum búin að leggja það allt saman saman. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00375 2693217 2694771 train Og svo viljum við vita | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00376 2696438 2697561 eval hversu | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00377 2699188 2709266 train mikið var, var selt í, í Kaliforníu þannig að við bara við teljum hversu margar línur raunverulega eru í þessu gagnasafni, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00378 2709976 2714766 train og það myndi þá vera C account, það er fjöldinn, og það er fjögur hundruð fjörutíu og níu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00379 2715519 2717920 train Og svo til þess að reikna meðaltalið þá tökum við | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00380 2719019 2720800 train summuna og deilum með fjöldanum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00381 2721358 2724550 train Þannig að C A mean myndi vera meðaltalið okkar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00382 2725833 2733661 train Og þá sjáið þið að meðalhveitiverðið í Kaliforníu er tvö hundruð fjörutíu og fimm. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00383 2736452 2744760 train Og svo ef við myndum vilja gera þetta fyrir einhvern ákveðinn, ákveðið ár, þá myndum við eins bara condition-a á árið sem við viljum, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00384 2746139 2759070 train eins og við gerum hér, og þá fáum við sem sagt að meðal verðið í Kaliforníu árið tvö þúsund og fimmtán var tvö hundruð fjörutíu og tveir, sem er aðeins lægra heldur en yfir öll árin. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00385 2762722 2770400 train Nú, svo viljum við finna miðgildið, munið að þá þurfum við að raða þeim í röð, frá minnsta til stærsta, sem sagt eftir verðinu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00386 2772088 2776284 train og við þurfum að finna gildið sem er í miðjunni. Og við vitum að það eru fjögur hundruð fjörutíu og níu | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00387 2777755 2780485 dev gildi í, í þessari töflu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00388 2781552 2785030 train og hérna ætlum við að raða þeim eftir verði. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00389 2786047 2791597 train Við verðum að, notum hérna sort values og veljum dálkinn sem við viljum að sé raðað eftir. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00390 2792409 2796898 train Þannig að ef við keyrum þetta þá sjáum við að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00391 2798958 2800157 train það, hérna, vex | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00392 2801250 2809664 eval verðið, þannig að þetta myndi vera lægsta verðið í, í þessari töflu og svo verða þau hærri og hærri eftir því sem við förum neðar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00393 2811472 2816675 train Og svo þyrftuð þið að finna miðgildið, þá einfaldlega finnum við gildið sem er í miðjunni. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00394 2817327 2825786 train En við vitum að hér erum við með oddatölufjölda af röðum. Ef við værum með sléttan fjölda af röðum hvað myndum við þá gera til að finna miðgildið? | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00395 2829903 2831282 train Ef það er engin tala í miðjunni. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00396 2834496 2835458 train Já, alveg rétt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00397 2837012 2838931 train alveg rétt. En við erum heppin núna. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00398 2840228 2849347 train Ókei, og svo er mode sem að ég nefndi ekki áðan, en mode er sem sagt tíðasta gildið, hvað kemur oftast fyrir í þessari breytu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00399 2851405 2852036 train Og | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00400 2854215 2864056 train hérna er hann að nota sem sagt bara count values eða value counts, þegar þú telur hversu oft hvert gildi kemur fyrir, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00401 2865023 2876333 train og svo er því bara automatically raðað í röð frá stærsta til minnsta. Þess vegna getum við tekið index núll til þess að finna raunverulega hvaða gildi er, er tíðast. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00402 2877148 2880005 train Og í þessu tilfelli þá er það tvö hundruð fjörutíu og fimm komma núll fimm. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00403 2883115 2885784 train Og svo til að reikna variance-inn, þá | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00404 2888405 2890474 train sem sagt þurfum við að nota þessa hérna formúlu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00405 2891601 2899101 train Við þurfum að byrja á því að taka alla, allar ræðurnar, draga frá meðaltalið, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00406 2899568 2905376 eval og setja það í annað veldi. Þannig að við búum raunverulega til hérna nýjan dálk í töflunni okkar, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00407 2906239 2915719 train þar sem við erum búin að taka gildið sjálft, draga frá meðaltalið og setja það allt saman í annað veldi. Þannig að við erum komin með hérna nýjan dálk í töfluna okkar. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00408 2922793 2933833 train Og, og hérna, og svo þegar við erum komin með þennan nýjan dálk hérna þá leggjum við saman öll gildi inn í dálkinum og deilum með n mínus einn og þá erum við komin með drefinina af, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00409 2934559 2939554 dev hérna, verðinu af quality hveiti í Kaliforníu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00410 2942025 2946985 train Sem þið sjáið sem sagt hérna, þannig að þetta myndi vera dreifnin á þessu, þessari breytu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00411 2948139 2956269 train En núna, hingað til þá erum við búin að nota hérna svolítið svona, hérna, basic aðferðir til þess að reikna þetta. Við erum bara búin að reikna þetta sjálf í höndunum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00412 2956784 2970594 train En auðvitað eru pandas með föll sem reikna þetta bara sjálfkrafa fyrir okkur. Við þurfum ekkert að fara að búa til nýja dálka og summa þetta upp eitthvað sjálf og svoleiðis, heldur getum við til dæmis notað þetta describe fall hér | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00413 2971760 2973619 train til þess einfaldlega að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00414 2974976 2980106 train fá allt þetta, öll þessi, sem sagt, alla þessa stika, bara út. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00415 2980746 2982297 train Þannig að við gerum Kalifornía punktur, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00416 2982786 2989371 train PD punktur describe. Þá fáum við hérna meðaltalið sem við reiknuðum áðan líka, við fáum | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00417 2991382 2999001 train staðalfrávikið, við fáum minnsta gildið og þessi quartiles hérna, tuttugu og fimm prósent, fimmtíu prósent og sjötíu og fimm prósent | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00418 2999293 3005864 train og þið munið það að fimmtíu, fimmtíu prósent quartile, það er miðgildið. Þannig að við erum með miðgildið hér | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00419 3006512 3008190 train og svo erum við líka með stærsta gildið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00420 3009215 3012235 train Og hérna, kannski takið eftir því að hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00421 3014034 3014934 train þetta gildi hér, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00422 3016025 3019985 train dreifnin sem við reiknuðum, er ekki sama og þetta gildi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00423 3021670 3026679 train Það er einfaldlega vegna þess að þetta er staðalfrávikið sem er gefið hér, þannig að til þess að fá þetta hér gildi | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00424 3027074 3029501 train þá tökum við kvaðratrótina af þessu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00425 3030728 3033130 train Bara ef þið farið eitthvað að velta fyrir ykkur af hverju þetta passar ekki saman. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00426 3033980 3039391 train Þá er það vegna þess að það þarf að taka kvaðratrótina til að fá staðalfrávikið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00427 3044510 3049460 train Já, og svo eins þá getum við notað einfaldlega fallið mode til þess að reikna út | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00428 3050367 3051447 train tíðasta gildið | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00429 3052976 3058737 train og þá fáum við út mode-ið. Og svo náttúrulega getum við líka að sjálfsögðu reiknað | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00430 3060726 3065856 train hvern stika fyrir sig. Til dæmis með því að kalla bara á mean, hérna, þá myndum við fá út | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00431 3067018 3067862 train meðaltalið, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00432 3068460 3071289 train eins ef við skrifum median þá myndum við fá út | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00433 3072730 3087088 train miðgildið og svo framvegis. Þannig að þið getið notað describe til þess að fá þetta fyrir alla töfluna, öll þessi mismunandi gildi, eða bara notað hvert fall fyrir sig til að finna hvern stika fyrir sig. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00434 3089686 3105219 train Nú, þetta eru allt saman sem sagt stikar fyrir einstakar breytur. Ef þú vilt fá meðaltal af hæð eða verði eða einhverju. En svo getur maður fundið samband á milli tveggja breyta, með því að reikna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00435 3106478 3108965 train covariance og | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00436 3110400 3111809 train correlation eða fylgni. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00437 3112831 3118590 dev Og þetta myndi vera sem sagt jafnan fyrir covariance, og hann sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00438 3120929 3125489 train reiknar út svona, já, sambandið á milli tveggja breyta, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00439 3127773 3132844 dev sem sagt hversu, hversu dreifnar þær eru og hversu mikið þær tengjast hvor annarri. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00440 3133824 3143992 train Og, þannig að í þessu tilfelli, ef við myndum vilja finna út covariance-inn á milli verðsins í Kaliforníu og New York, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00441 3144831 3154762 train við viljum vita hvort að verðin í þessum tveimur ríkjum fylgist að. Þannig að ef verðið á hveiti í New York hækkar, hækkar þá líka verðið á hveiti í Kaliforníu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00442 3155018 3159664 train Það er svona spurning sem að covariance getur hjálpa manni að, að svara. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00443 3161617 3170192 train Og hérna, sem sagt erum við að, bara í fyrsta lagi búa til nýja töflu sem er bara með verðinu í New York, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00444 3171146 3178346 dev og það er bara eins og við gerðum áðan með Kaliforníu nema núna í staðinn, þá sem sagt condition-um við á, á New York en ekki Kaliforníu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00445 3179179 3183822 eval Sem sagt veljum allar línur þar sem state er jafnt og New York. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00446 3184768 3187737 dev Setjum það inn í nýja töflu sem lítur þá svona út, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00447 3191128 3196809 dev og svo erum við bara, höfum við bara áhuga á þessum tveimur flokkum eða tveimur dálkum, sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00448 3198532 3205141 train fyrsta og sjöunda dálkinum, sem er sem sagt verðið og dagsetningin, og svo erum við bara nefna þá upp á nýtt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00449 3206465 3207603 train og þá lítur þetta svona út. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00450 3210206 3217478 train Hvað gerði ég nú? Já, hann er ekki til, svona, svona, ókei. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00451 3218230 3224284 train Og svo bara skoðum við töfluna okkar, þá erum við með hérna sem sagt verðið í New York | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00452 3226588 3228297 train og svo, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00453 3229184 3236628 train erum við sem sagt núna aftur að reikna raunverulega þennan covariance bara sjálf í höndunum með því að | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00454 3238179 3244599 train búa til hérna nýjan dálk sem heitir Kalifornía deviation og New York deviation, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00455 3245646 3251389 train og fáum þá út, sem sagt bara út frá þessari jöfnu hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00456 3251900 3257016 train fáum við út covariance-inn á milli þessara tveggja breyta. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00457 3258795 3261405 train En að sjálfsögðu þá getum við líka notað | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00458 3262362 3264369 eval innbyggt fall. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00459 3266121 3276380 dev Bíðið aðeins, ég ætla aðeins að fara að bakka, af því að ég gleymdi hérna að sem sagt, hér erum við að búa til nýja töflu þar sem við erum að merge-a tvær töflur. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00460 3277543 3288793 dev Og við erum að merge-a, þær á, sem sagt, dagsetningunni. Við viljum að verð í New York og Kaliforníu á hveiti, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00461 3289090 3293199 train sem sagt fyrsta janúar, komi í sömu línu og annan janúar í sömu línu. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00462 3293532 3306289 train Þannig að við erum að sameina þær á dagsetningunni. Og þá fáum við út töflu sem lítur svona. Þá erum við með sem sagt verðið í Kaliforníu og verðið í New York á þessum degi. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00463 3309480 3312083 train Tuttugasta og sjöunda desember árið tvö þúsund og þrettán | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00464 3312449 3315054 train þá kostaði hveiti í Kaliforníu þetta | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00465 3315967 3318307 train og þrjú hundruð fimmtíu og eina í New York. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00466 3319887 3321536 train Og við gerum það með þessu merge falli hérna. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00467 3324257 3329476 train Og þá getum við notað þetta innbyggða fall sem heitir covariance til þess að reikna | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00468 3330431 3336280 train covariance-inn í þessari töflu. Og þá sjáum við að á milli | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00469 3337005 3349708 train Kaliforníu og Kaliforníu er sem sagt tvö hundruð níutíu, tveir komma níutíu og átta og í New York, New York er tólf og svo fimm komma níu á milli Kaliforníu og New York. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00470 3350923 3358601 train En covariance er ekkert alltaf mjög auðvelt að, að túlka. Það er oft betra að nota það sem heitir correlation eða fylgni, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00471 3359668 3366748 train af því að þá ertu búinn að staðla þetta, og þá veistu það að fylgnin er alltaf tala á milli mínus eins og eins. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00472 3367552 3374601 train Þar sem að mínus einn þýðir að það er sem sagt fullkomin neikvæð fylgni, þannig að ef önnur talan stækkar þá minnkar hin, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00473 3375737 3383617 train og því lengra sem þú nálgast einn þá ertu með, sem sagt, jákvæða fylgni, sterka jákvæða fylgni, sem þýðir að ef önnur hækkar að þá hækkar hin líka. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00474 3384447 3392038 train Og svo ef þú ert með gildi sem er í kringum núll þá er engin fylgni, þannig að ef ein breytist á einn hátt þá getur hvað sem er gerst fyrir hina. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00475 3394440 3396974 train Og, hérna, við getum sem sagt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00476 3399809 3404309 train reiknað fylgnina með corr fallinu hérna í Python, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00477 3405333 3411333 train sem gefur okkur eins og þið sjáið hérna bara tölur á bilinu mínus einn og upp í einn. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00478 3412414 3420954 train Og nú er mjög auðvelt að sjá að það er mjög sterk jákvæð fylgni á milli verðsins í Kaliforníu og New York, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00479 3421463 3422835 train núll komma níutíu og sjö, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00480 3423184 3428175 train sem er mjög nálægt einum, sem þýðir að það er mjög sterk jákvæð fylgni | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00481 3429293 3429909 dev á milli þeirra. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00482 3434474 3438666 train Ókei, svo hérna, ætlum við að, að plotta | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00483 3443114 3452789 train verðin, og þið sjáið hérna dreifinguna á hveitiverði, þetta er sem sagt fyrir allt gagnasafnið. Við erum með hérna prices, allt gagnasafnið, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00484 3453418 3457054 train og þið sjáið hér að það er mjög mikill massi hérna í kringum þrjú hundruð og fimmtíu | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00485 3457920 3461706 train og svo er sums staðar mjög, hérna, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00486 3462291 3464601 train töluvert lægra verð með svona litlum toppum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00487 3468922 3470271 train Svo, sem sagt, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00488 3472815 3476594 train ætlum við að skoða, sem sagt, eftir mánuðum | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00489 3477632 3478740 train verð á hveiti, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00490 3479414 3482101 train og þá notum við svona lambda föll kannist þið lambda föll? | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00491 3483427 3488554 train Þetta er svona bara one line-erar til þess að gera einhverjar ákveðnar operation-ir, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00492 3490557 3492237 train geta verið mjög sniðugir, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00493 3493659 3500139 train og núna erum við að nota þá til að bæta við dálkum í töfluna okkar, annars vegar hvaða mánuð | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00494 3501559 3509117 train hveitið, úr mánuði þetta hveiti kemur, og hins vegar frá hvaða ári það kemur. Þannig að við bætum við hérna tveimur nýjum dálkum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00495 3512744 3513344 train Og, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00496 3516612 3524530 train og svo viljum við bara að finna þá sem voru ræktaðir, sem sagt, í janúar árið tvö þúsund og fimmtán. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00497 3527063 3530596 train Við viljum finna verð á hveiti í janúar tvö þúsund og fimmtán. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00498 3531753 3535425 train Það er það sem við erum að gera hér. Og þá sjáum við hérna þessa töflu, | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00499 3536146 3538815 dev Og þetta er verð á hveiti í janúar, tvö þúsund og fimmtán. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00500 3541601 3543161 train þá getum við á sama hátt | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00501 3544295 3546425 train plottað histogram-ið af því. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00502 3548322 3552880 train Og svo erum við búin að setja hérna yfir, sem sagt, þéttifallið. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00503 3561309 3561847 train Já. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00504 3564543 3573693 train Þannig að það er svona ýmislegt sem við getum séð út úr, út úr þessum gögnum, með því að skoða verðið á hveiti í Bandaríkjunum. | |
| 0b814869-58f0-4402-af97-d83c1bf958ba_00505 3575427 3579009 train Eigum við að taka fimm mínútna pásu? Já, ókei. | |