https://virgool.ir/MqpNLP/feedدوست داری پٰروژه های جذاب پردازش زبان طبیعی رو درست کنی؟ بیا تو این انتشارات و دنبالش کنfa2026-11-11 10:06:45https://files.virgool.ir/upload/publication/8fvesw6df2bd/kjehwm.pnghttps://virgool.ir/MqpNLPhttps://virgool.ir/MqpNLP/استخراج-کلمات-کلیدی-با-پردازش-زبان-طبیعی-ldsql07bvbu7به نام خداسلامامیدوارم حالتون خوب باشهدیدید بعد اینکه توی ویرگول یه پست مینویسی آخرش میگه کلمات کلیدی پستت رو بنویس(همون tag)ما با استفاده از پردازش زبان طبیعی و زبان برنامه نویسی پایتون همین کار رو میخوایم انجام بدیم، اما به صورت خودکار.keyword چیست؟کلمات کلیدی یا keywords به کلماتی گفته میشن که یه متن رو با همون کلمات معرفی کنه، یعنی چی؟مثلا ما یه جمله داریم که اینه:i saw an notebook in stationery yesterdayحالا میخوایم با چند تا کلمه این جمله رو معرفی کنیم:حرف های اضافه و فعل و فاعل رو حذف و اسم ها و تاریخ ها رو در نظر میگیریم:notebook , stationery , yesterdayالان یکم به این سه تا کلمه فکر کنید، با این سه تا کلمه میشه میشه اون جمله بالایی رو معرفی کرد؟کاربردش چیه؟یکی از کاربرد هاش گزینه ی سرچ گوگل هستش، شما وقتی یه جستجویی انجام میدید سایت هایی رو برای شما میاره که کلمات کلیدی جستجوی شما بهشون بخوره.یا یکی دیگش همین ویرگوله، که خودتون احتمالا میدونید.نصب کتابخانه و ماژول مورد نیاز:برای اینکه کد ها رو بنویسید نیاز به کتابخانه ی spacy و ماژول خودش رو نیاز داریدبرای این کار باید این کار رو انجام بدید:اگر مثل من از آناکوندا و ژوپیتر نوت بوک استفاده میکنید این دستور رو داخل آنکوندا پرامپت به ترتیب وارد کنید:conda install -c conda-forge spacyوpython -m spacy download en_core_web_smو اگر از IDE هایی مثل vscode و خود IDE پایتون استفاده میکنید این دستورات رو به ترتیب داخل CMD وارد کنید:pip install -U pip setuptools wheelpip install -U spacypython -m spacy download en_core_web_smکد نویسی مرحله به مرحله:ایمپورت کردن کتابخانه های مورد نیاز:import spacy from collections import Counter from string import punctuationحالا وقت لود کردن ماژوله:nlp = spacy.load('en_core_web_sm')حالا با استفاده از یه تابع معلوم میکنیم که چه اجزایی از جمله مهم تر از بقیه هستند:def keywords(text): result = [] pos_tag = ['ADJ', 'NOUN','DATE'] doc = nlp(text.lower()) for token in doc: if(token.text in nlp.Defaults.stop_words or token.text in punctuation): continue if(token.pos_ in pos_tag): result.append(token.text) return resultتوی این بخش از کاربر ورودی میگیریم:txt = keywords(input("pleas enter the text: "))چاپ کردن خروجی:tags = [('' + x[0]) for x in Counter(txt).most_common(5)] print(', '.join(tags))البته توی این بخش میتونید توی خط اولش اون 5 رو تغییر بدید اون نشان دهنده ی تعداد کلمات کلیدی ای هستش که قراره براتون چاپ کنه.کل کد ها:import spacy from collections import Counter from string import punctuation nlp = spacy.load('en_core_web_sm') def keywords(text): result = [] pos_tag = ['ADJ', 'NOUN','DATE'] doc = nlp(text.lower()) for token in doc: if(token.text in nlp.Defaults.stop_words or token.text in punctuation): continue if(token.pos_ in pos_tag): result.append(token.text) return result txt = keywords(input("pleas enter the text: ")) print("keywords:") tags = [('' + x[0]) for x in Counter(txt).most_common(5)] print(', '.join(tags))تست برنامه:ما برای تست خروجی همون متنی رو که اول توی بخش keywords چیست داده بودم رو به برنامه میدیم.pleas enter the text: i saw an notebook in stationery yesterdaykeywords:notebook, stationery, yesterdayهمینطور که میبینید برنامه ورودی رو گرفته و کلمات کلیدی رو پایینش چاپ کرده.البته چون جمله کوچیک بود برای من ۳ تا کلمه ی کلیدی استخراج کرد، اما ما توی خط یکی مونده به آخر برنامه حداکثر ۵ تا کلمه ی کلیدی برای تعیین کردیم، شما میتونید تغییرش بدید، مثلا اگر متنتون خیلی گنده بود میتونید حداکثر رو به ۱۰ تا تغییر بدید تا نوشتتون بهتر معرفی بشه.به پایان این مطلب رسیدیم.امیدوارم از این آموزش خوشتون اومده باشه و به دردتون خورده باشه.تا آموزش بعدی خدانگهدارپردازش زبان طبیعی(NLP)Sepehr MqpSat, 20 Aug 2022 11:40:47 +0430https://virgool.ir/MqpNLP/خلاصه-سازی-متن-با-پردازش-زبان-طبیعی-gaptoddcv2wfبه نام خداسلامامیدوارم حالتون خوب باشه به این آموزش خیلی خوش اومدید.توی این پست یه پروژه ای رو با هم مینویسیم که تقریبا نیاز همه است.خلاصه سازی متن با استفاده از پردازش زبان طبیعی.هدف پروژه ؟هدف ما از این پروژه اینه که یه متن بزرگ(مثلا ۴۰ خطی) رو بهش بدیم و اون برامون متن رو خلاصه کنه.این برنامه خروجیش کاملا باید معنی دار باشه و کلمه ها رو الکی کنار هم قرار نده.البته این برنامه برای متن های فارسی خیلی درست کار نمیکنه ، چون توکنایزری که ما ازش استفاده میکنیم برای زبان انگلیسی هستش. اما تا یه جایی میتونه متن های فارسی رو هم خلاصه کنه.نصب کتابخانه و ماژول های مورد نیاز:برای اینکه کد ها رو بنویسید نیاز به کتابخانه ی spacy و ماژول خودش رو نیاز داریدبرای این کار باید این کار رو انجام بدید:اگر مثل من از آناکوندا و ژوپیتر نوت بوک استفاده میکنید این دستور رو داخل آنکوندا پرامپت به ترتیب وارد کنید:conda install -c conda-forge spacyوpython -m spacy download en_core_web_smو اگر از IDE هایی مثل vscode و خود IDE پایتون استفاده میکنید این دستورات رو به ترتیب داخل CMD وارد کنید:pip install -U pip setuptools wheelpip install -U spacypython -m spacy download en_core_web_smبخش کد نویسی:توی این بخش تکه به تکه کد رو پیش میبریم و در‌ آخر کل کد ها رو به صورت یکجا براتون قرار میدمایمپورت کردن ماژول های مورد نیاز:import spacy from spacy.lang.en.stop_words import STOP_WORDS from string import punctuation from heapq import nlargestورودی گرفتن:text = input("pleas enter your text : ")جدا کردن متن ورودی و خلاصه شده(البته شما لازم نیست انجام بدید، من همینجوری اضافش کردم):print("-------------------------------------------------------------------------------------------------")جداسازی کلمات از هم و سازگاری دادن ورودی با ماژول:stopwords = list(STOP_WORDS) nlp = spacy.load('en_core_web_sm') doc = nlp(text) tokens = [token.text for token in doc]حذف کلمات اضافی از متن:word_frequencies = {} for word in doc: if word.text.lower() not in stopwords: if word.text.lower() not in punctuation: if word.text not in word_frequencies.keys(): word_frequencies[word.text] = 1 else: word_frequencies[word.text] +=1 max_frequcncy = max(word_frequencies.values())طبیعی کردن متن(نرمال کردن متن):for word in word_frequencies.keys(): word_frequencies[word] = word_frequencies[word]/max_frequcncy sentence_tokens = [sent for sent in doc.sents] sentence_scores = {} for sent in sentence_tokens: for word in sent: if word.text.lower() in word_frequencies.keys(): if sent not in sentence_scores.keys(): sentence_scores[sent] = word_frequencies[word.text.lower()] else: sentence_scores[sent] += word_frequencies[word.text.lower()]معلوم کردن حد برای خلاصه سازی متن:select_length = int(len(sentence_tokens)*0.1) summary = nlargest(select_length,sentence_scores , key = sentence_scores.get) final_summary = [word.text for word in summary] final_summaryکل کد ها به صورت یکجا:import spacy from spacy.lang.en.stop_words import STOP_WORDS from string import punctuation from heapq import nlargest text = input("pleas enter your text : ") print("-------------------------------------------------------------------------------------------------") stopwords = list(STOP_WORDS) nlp = spacy.load('en_core_web_sm') doc = nlp(text) tokens = [token.text for token in doc] word_frequencies = {} for word in doc: if word.text.lower() not in stopwords: if word.text.lower() not in punctuation: if word.text not in word_frequencies.keys(): word_frequencies[word.text] = 1 else: word_frequencies[word.text] +=1 max_frequcncy = max(word_frequencies.values()) for word in word_frequencies.keys(): word_frequencies[word] = word_frequencies[word]/max_frequcncy sentence_tokens = [sent for sent in doc.sents] sentence_scores = {} for sent in sentence_tokens: for word in sent: if word.text.lower() in word_frequencies.keys(): if sent not in sentence_scores.keys(): sentence_scores[sent] = word_frequencies[word.text.lower()] else: sentence_scores[sent] += word_frequencies[word.text.lower()] select_length = int(len(sentence_tokens)*0.1) summary = nlargest(select_length,sentence_scores , key = sentence_scores.get) final_summary = [word.text for word in summary] final_summaryنتیجه گیری:توی این مطلب یاد گرفتیم که یه متن رو چگونه با استفاده از پایتون خلاصه کنیماین کار با الگوریتم TextRank انجام میشه که سعی میکنم الگوریتمش رو داخل این وبلاگم قرار بدم.امیدوارم از این مطلب خوشتون اومده باشه.تا آموزش بعدی خدانگهدارپردازش زبان طبیعی(NLP)Sepehr MqpTue, 16 Aug 2022 23:23:25 +0430https://virgool.ir/MqpNLP/استخراج-اجزای-جمله-با-پردازش-زبان-طبیعی-qizgjjubhl7kبه نام خدا سلامامیدوارم حالتون خوب باشهبه سومین مطلب این انتشارات یا همون اولین پستی که توش میخوایم یه پروژه چک کنیم خوش آمدید.هدف پست:فرایند NLPتوی این پست میخوایم یه پروژه ی نسبتا ساده رو باهم چک کنیم که میشه گفت پایه ترین پروژه ی پردازش زبان طبیعی هستش:استخراج فعل، فاعل، اسم ها و تاریخ جمله از جمله های انگلیسیتوضیح کوتاه درباره ی اجزای جمله:همونطور که گفتم توی این پست میخوایم فعل ،فاعل،اسم ها و تاریخ جمله ها رو از جمله استخراج کنیم.حالا اینا چین؟(البته میدونم که همه میدونید ، اما گفتم یه توضیح کوتاهی دربارش بدم):فعل(Verb):فعل بخشی از جمله است که کار انجام شده یا اتفاقی که توی زمان خاصی افتاده رو نشون میده.فاعل(PRON):فاعل کسی یا چیزی است که کاری را انجام داده است.اسم(Noun):اسم جزئی از جمله است که میتوانیم با استفاده از آن اشیا ، حیوانات و انسان ها رو نام گذاری کنیمالبته این تعریف کاملش نیست و اسم ها انواع مختلفی دارن، برای کسب اطلاعات بیشتر از اسم به این لینک بروید.تاریخ(Date):تاریخ یا زمان جمله یعنی جمله چه زمانی رخ داده، مثلا دیروز رخ داده یا امروز یا فردا قراره اتفاق بیافته.خروجی ای که من در نظر داریم:خروجی که من در نظر دارم اینطوری هستش:بعد از اینکه ورودی رو گرفت(همون جمله رو) بیاد زیرش اجزاش رو جدا سازی کنه و جلوش کلماتش رو بنویسهبه این صورت:pleas write a sentence: today we use python for NLPPron: ['we']Nouns: ['we', 'python', 'NLP']Verbs: ['use']Date: ['today']نصب کتابخانه و ماژول مورد نیاز:برای اینکه کد ها رو بنویسید نیاز به کتابخانه ی spacy و ماژول خودش رو نیاز داریدبرای این کار باید این کار رو انجام بدید:اگر مثل من از آناکوندا و ژوپیتر نوت بوک استفاده میکنید این دستور رو داخل آنکوندا پرامپت به ترتیب وارد کنید:conda install -c conda-forge spacyوpython -m spacy download en_core_web_sm و اگر از IDE هایی مثل vscode و خود IDE پایتون استفاده میکنید این دستورات رو به ترتیب داخل CMD وارد کنید:pip install -U pip setuptools wheelpip install -U spacypython -m spacy download en_core_web_smکد نویسی:ایمپورت کردن کتابخانه:import spacyلود کردن ماژول:nlp = spacy.load('en_core_web_wm')این ماژول توکنایزر زبان انگلیسی هست که کار مارو خیلی راحت میکنهگرفتن ورودی و سازگاری دادن اون با ماژول :text = nlp(input("pleas write a sentence: "))همینطور که میبینید ما ورودی رو گرفتیم و با ماژول سازگاریش دادیم، یعنی ورودی رو بر اساس ماژول گرفتیم.استخراج اجزای جمله:میرسیم به بخشی از کد ها که جمله رو آنالیز میکنه:برای فاعل:print("Pron:",[token.text for token in text if token.pos_ == "PRON"])که میبیند دستور for in رو داخل خود پرینت استفاده کردم و با دستور token.text کلمات رو جداسازی کردم و بقیه هم مربوط به پیدا کردن فاعل میشن.برای اسم ها:print("Nouns: ", [chunk.text for chunk in text.noun_chuks])برای فعل ها:print("Verbs: ", [token.lemma_ for token in text if token.pos_ == "VERB"])که از دستور _token.lemma استفاده کردم که فعل های گذشته هم بتونه تشخیص بدهبرای تاریخ جمله:print("Date: ", [entity.text for entity in text.ents])این دستور هم کاری میکنه که اگر کلمه ای درباره ی زمان جمله باشه رو نمایش بده.کل کد ها به صورت یکجا:#import the spacy import spacy #load the model nlp = spacy.load("en_core_web_sm") text = nlp(input("pleas write a sentence: ")) print("Pron:",[token.text for token in text if token.pos_ == "PRON"]) print("Nouns: ", [chunk.text for chunk in text.noun_chuks]) print("Verbs: ", [token.lemma_ for token in text if token.pos_ == "VERB"]) print("Date: ", [entity.text for entity in text.ents])خروجی:یه ورودی از شما میگیره و اون رو آنالیز میکنه، مثلا من این ورودی رو وارد کردم و این خروجی رو گرفتم:pleas write a sentence: today we use python for NLPPron: ['we']Nouns: ['we', 'python', 'NLP']Verbs: ['use']Date: ['today']نتیجه گیری از مطلب:توی این مطلب نحوه ی استخراج و شناسایی اجزای جمله رو با استفاده از پردازش زبان طبیعی آموختیم.اول یه توضیح کوچیکی درباره ی اجزای جمله گفتمبعد نحوه ی نصب کتابخانه و ماژول ها رو آموزش دادمو بعد کد ها رو نوشتیم و در آخر هم کد شسته رفته رو قرار دادمامیدوارم از این مطلب خوشتون اومده باشه و لذت کافی رو برده باشید.تا جلسه ی بعدی خدانگهدارپردازش زبان طبیعی(NLP)Sepehr MqpWed, 10 Aug 2022 17:28:30 +0430https://virgool.ir/MqpNLP/کتابخانه-های-مورد-نیاز-برای-nlp-ozrew2vocntqبه نام خداسلامخوبی؟امروز میخوام بهت چند تا کتابخانه رو برای فعالیت توی حوزه ی NLP معرفی کنم.راستی میدونی کتابخانه چیه؟کتابخانه یا Libraryاگر نمیدونی این تعریفی رو که این زیر برات مینویسم رو بخون:اگر با ++C کار کرده باشی بهتر این رو میفهمی.کتابخانه یا library کد های از قبل نوشته شده هستند که شما میتونید کد نویسیتون رو باهاش راحت تر کنیدمثلا وقتی شما اول برنامه کتابخانه تون رو ایمپورت میکنید تا انتهای برنامه ازش میتونید استفاده کنید.بیشتر کتابخانه ها با C ساخته میشن تقریبا هم میشه گفت کتابخانه ها تماما از نوشتن تابع ها به وجود اومدنآموزش ساخت کتابخانه رو توی اون یکی وبلاگم یعنی "جایی برای غرق شدن در برنامه نویسی" قرار میدم.حالا میرسیم به بخشی که میخوام کتابخانه هایی رو که توی NLP استفاده میشن رو به شما معرفی کنم.1_natural language toolkit(NLTK)این کتابخانه میشه گفت بهترین کتابخانه ای هست که میتونید ازش توی nlp استفاده کنیدبا این کتابخانه تقریبا تمام کار هایی که میشه توی NLP انجام داد رو میتونید انجام بدید ، مثل دسته بندی ، ریشه یابی، برچسب گذاری ، تجزیه و استدلال معناییاین لینک سایتشه.2_TextBlobtext blob برای کسانی مناسبه که تازه وارد این حوزه شدن ، به خاطر این برای یکی از بهترین کتابخانه هاست اما نمیشه گفت که همه ی کار ها رو میشه باهاش انجام داد.کار هایی که میتونید با این کتابخانه انجام دهید: تجزیه و تحلیل احساسات ، دسته بندی ، استخراج عبارات.از اینجا هم میتونید وارد سایتش بشید.3_CoreNLPاین کتابخونه توی دانشگاه استنفورد با زبان جاوا نوشته شده ، و اینکه خیلی ها از این کتابخانه استفاده میکنن.میدونید مزیت این کتابخانه نسبت به کتابخانه های دیگه چیه؟؟ این کتابخانه خیییییلی سریعه و میشه باهاش خیلی سریع تمام کار ها رو انجام داد.پیشنهاد میکنم از این کتابخانه هم حداقل یک بار استفاده کنید.از اینجا هم میتونید به سایتش یه نگاه بندازید.4_spaCyاین کتابخانه حتی از CoreNLP هم سریع تره، میدونی به خاطر چی؟به خاطر اینکه با Cython نوشته شده و مفسرش سریع تره.با این کتابخانه میتونید کار های جذابی انجام بدید ، منظورم اینه که میتونید مثلا متن ها رو خلاصه کنید، دسته بندی کنید، شباهت دو تا جمله رو به دست بیارید و خلاصه کلی کار های جذاب دیگه که همه ی این ها رو از پست بعدی شروع میکنم.این هم لینکشه : spacy.io5_GensimGensim کتابخانه ای هست که برای متن های طولانی استفاده میشهمنظورم اینه که برای کار های پر قدرت نیازش داریم.این کتابخانه همینطوری برای خودش کار نمیکنه و مثلا باید از Numpy هم کمک بگیریم برای هندل کردن این کتابخانه.لینک سایتنتیجه گیری:من خودم بیشتر از NLTK و spaCy استفاده میکنم و سعی میکنم بیشتر برنامه هام رو با spaCy بنویسم تا برای شما راحت تر باشه.از این پست به بعد پروژه های عملی رو کار میکنیم.به انتهای این مطلب رسیدیم، امیدوارم از این اموزش خوشت اومده باشه.تا جلسه بعدی خدانگهدار?پردازش زبان طبیعی(NLP)Sepehr MqpFri, 05 Aug 2022 10:32:25 +0430https://virgool.ir/MqpNLP/nlp-چیه-omjktvbi7xc5به نام خدا سلاااامخوبی؟به اولین پست پردازش زبان طبیعی من خیییلی خوش اومدی.توی این پست میخوام به شما بگم که NLP چیه و چی کارا میشه باهاش کرد و چه زبان هایی براش استفاده میشه.توی پست بعد هم میخوام درباره کتابخانه هایی که برای پردازش زبان طبیعی استفاده میشه رو معرفی کنم.این بهترین عکسی بود که میتونستم برای توصیف nlp استفاده کنمپردازش زبان طبیعی یا به انگلیسی natural language processing یا اگه مختصرش کنیم NLP یکی از شاخه های هوش مصنوعی و علوم کامپیوتره.که هدف اون درک زبان ، احساسات و خلاصه فهم و درک زبان انسانی هستاینجا "زبان" به معنی احساسات ، درک و فهم هم هست و فقط نمیشه به معنی زبان گفتاری و نوشتاری معنیش کرد.به این عکس بالا نگاه کنید ، بیشتر متوجه میشید اگر ببینید یه تفکراتی توی ذهن این انسان هست که با روش هایی به کامپیوتر فهمونده میشهمنظورم از "روش ها" همین nlp هست .ما به کمک NLP میتونیم به کامپیوتر چیزی رو آموزش بدیم، بهش بفهمونیم و خلاصه کلی کار های دیگه که توی پست های بعدی بیشتر متوجه میشید.میرسیم به بخش معرفی زبان هایی که میشه باهاشون توی حوزه پردازش زبان طبیعی و هوش مصنوعی فعالیت کرد.زبان شماره ۱: Pythonپایتون یکی از بهترین زبان های برنامه نویسی هست که تقریبا توی تمام حوزه ها میشه توش فعالیت کردبرای NLP و هوش مصنوعی بهترین زبان در حال حاضرهاما زبان های دیگه ای هم هستن که میشه باهاشون کار کردپایتون برای این بهترین هستش که میتونید توش خیلی راحت کدنویسی کنید و تقریبا میشه بیشتر مسائل ریاضی رو باهاش حل کرد، راستی! بگم که توی هوش مصنوعی خیلی به ریاضیات نیاز دارید.زبان شماره ۲: Javaجاوا هم یکی از زبان های برنامه نویسی هست که میشه باهاش توی حوزه هوش مصنوعی و NLP فعالیت کردمن خودم به شخصه زیاد با Java آشنایی ندارم ، اما میدونم یکی از بهترین زبان هاست.زبان شماره ۳: Juliaجولیا ، میشه گفت یه نسخه ی باحال پایتون هستش.چون خیلی شبیه به پایتون هستش و ویژگی برتری که داره سرعت بالاترشهتقریبا میشه گفت که شبیه به R هم هست.زبان شماره ۴: Rآر ، برای ریاضیات و محاسبه های پیچیده خیلی خوبه ، و اینکه زیاد هم کار کردن باهاش سخت نیست و یه جورایی شبیه به پایتونهخلاصه برای هوش مصنوعی و ماشین لرنینگ خیلی خوبهزبان شماره ۵: Haskellهسکل یه زبان برنامه نویسی تابع گرا(تابعی) هستش که خدای معادلات ریاضیهولی تا جایی که میدونم کار کردن باهاش یکمی سخته ، ولی اگه یادش بگیرید خیلی راحت میتونید معادلات رو حل کنیداین زبان خیلی امنه و همینطور سرعتش بالا هستش.زبان شماره ۶: ++Cاین زبان رو که بیشتریا میشناسن و تقریبا همه میگن که خیلی کار کردن باهاش سختهاما خوبی این زبان اینه که خییییلی سرعتش بالائه و به خاطر همین به درد بازی سازی و ساخت سیستم عامل میخوره.زبان شماره ۷: Scalaاسکالا ، یه زبان برنامه نویسی همه منظوره هستش، و اینکه شی گرا و تابعی هستاین زبان در سال 2004 جایگزینی برای کم و کاستی های جاوا بود ، البته یه نسخه ی آسون ترشاین زبان بیشتر به درد Data science میخوره و تقریبا میشه باهاش تمام الگوریتم های هوش مصنوعی و دیتا ساینس رو حل کرد.نتیجه گیری:میشه گفت که این ها رتبه بندی شدن ، ولی بستگی به سلیقه ی خودتون هم داره، مثلا یکی دوست داره از ++C استفاده کنهیا یکی دوست داره از Scala استفاده کنهاما پیشنهاد من برای شما اینه که از پایتون استفاده کنید.خب، به پایان این مطلب رسیدیمامیدوارم از این مطلب خوشتون اومده باشهاین یه پستی بود برای شروع وبلاگتوی پست های بعدی درباره کتابخانه هایی که برای NLP استفاده میشن رو به شما معرفی میکنماگه از این مطلب خوشت اومد هیچ کاری لازم نیست بکنی‌، همینکه خوشت اومده باشه برای من کافیه.تا آموزش بعدی خدانگهدارت باشه?پردازش زبان طبیعی(NLP)Sepehr MqpThu, 04 Aug 2022 23:00:35 +0430