استاندارد سازی و نرمال سازی داده ها در پایتون بخش دوم
در قسمت قبل در خصوص استاندارد سازی و نرمال سازی صحبت کردیم. استاندارد سازی و نرمال سازی در مدلهای یادگیری ماشین هم بسیار حائز اهمیت است.
با استفاده از کتابخانه sklearn به راحتی می توانیم عملیات استاندارد سازی و نرمال سازی و برعکس را انجام دهیم.
در مثال این پست یک دیتاست فرضی از 1 تا 100 درست می شود. یکبار استاندارد سازی شده و یکبار نرمال می شود و سپس با استفاده از matplotlib رسم هر سه دیتاست انجام می شود.

#نرمال_سازی
#استاندارد_سازی
#پایتون_مالی
#Normalization
#Standardize
#python_for_finance

عضویت در کانال پایتون برای مالی👇👇👇
🆔 t.me/python4finance

کار با داده ها به راحتی یک صفحه گسترده - 2
قبلا در این پست در خصوص ماژول D-Tale و امکاناتی که برای کار با داده ها در قالب یک صفحه گسترده فراهم می کرد صحبت کردیم.
این بار با ماژول دیگری به نام Mito آشنا می شویم. شعار این ماژول عبارت است از:
Do Python analyses 10x faster
که گویای هدف سازندگان آن است. توجه داشته باشید که این ماژول صرفا روی Jupyter Lab اجرا می شود.
بعد از نصب این ماژول می توانید با دو خط زیر Mito را فراخوانی کنید و کار با داده ها را در یک محیط بسیار کاربر پسند دنبال کنید.
import mitosheet
mitosheet.sheet()
برای اطلاعات بیشتر می توانید به صفحه این ماژول در این آدرس مراجعه نمایید.

#Data_table
#Data_farme
#pandas
#Mito
#DTale
#python

پایتون برای مالی در تلگرام
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

دانلود اسلایدهای درس یادگیری ماشین با گراف ها (Machine Learning with Graphs) دانشگاه استفورد
یادگیری ماشین یکی از بحث های بسیار زیبا و کاربردی است که جای خود را تقریبا در تمام عرصه های دانش باز کرده است خصوصا زمانی که داده های زیاد و مدلهای اندکی داریم، این ابزار بسیار کاربردی است.
زمانی که داده های زیادی داریم که ارتباط های خاصی بین داده ها برقرار می شود می توان از مدلهای شبکه عصبی و یادگیری عمیق استفاده کرد. گراف یکی از مهمترین ابزارها در این مدل یادگیری است و روابط بین متغیرها را دقیق تر دنبال می کند. برای مثال یک شبکه اجتماعی مثل تلگرام را در نظر بگیرید. کاربران را می توان گره ها و یال ها را می توان پیام های ارسالی و دریافتی درنظر گرفت.
دوره یادگیری ماشین با گراف های دانشگاه استنفورد یکی از پر سابقه ترین دوره های این حوزه است. در صورتی که به این دوره علاقه داشتید می توانید از طریق این لینک اطلاعات دوره را دریافت کنید.

#اسلاید
#یادگیری_ماشین
#دانشگاه_استنفورد
#پایتون_مالی
#slide
#Machine_learning
#Stanford
#python_for_finance

پایتون برای مالی در تلگرام
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

احتمالا همه شما گزارش سال 2021 Kaggle را در خصوص وضعیت علم داده و یادگیری ماشین مشاهده کرده اید. بر اساس این گزارش تحلیل بسیار خوبی می توان از وضعیت فعلی و آینده علم داده داشت.
یکی از نکاتی که نظر من را جلب کرد اندازه تیم های علم داده و نیز شرکت های پذیرای متخصصین علم داده است.
بر اساس این گزارش شرکت های استارت آپی و نوپا (کمتر از 50 نفر ) و شرکت های بزرگ (بالای 1000) نفر مشتریان اصلی جذب دانشمندان داده در دنیا هستند.
همچنین عموم تیم های علم داده و یادگیری ماشین یا با جمعیت های کوچک کمتر از 9 نفر و یا با تعداد بالای 20 نفر شکل می گیرند که موید داده بالاست.
جمع بندی من اینکه چه بخواهید خودتان کسب و کاری راه بیندازید و در یک استارت آپ مشغول شوید یا اینکه در یک شرکت قدرتمند و بزرگ مشغول شوید، علم داده و مهارت های مدلسازی با داده ها بسیار مسیر مناسبی برای شما خواهد بود.
🌐لینک کگل
🌐لینک مستقیم گزارش

#گزارش
#کگل
#علم_داده
#یادگیری_ماشین
#Report
#Machine_learning
#Kaggle
#Data_Science
#python_for_finance

پایتون برای مالی در تلگرام
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

بررسی واریانس در Numpy با دقت بیشتر
همه شما احتمالا با مفهوم ریسک سیستماتیک و ضریب بتا آشنا هستید. معمولا برای محاسبه بتا از روش رگرسیون یا تقسیم کواریانس بر واریانس استفاده می شود. امشب یا یکی از گروه ها در حال حل مسئله ای بودیم که متوجه شدیم به صورت پیش فرض محاسبه var در Numpy بر اساس جامعه است نه نمونه در حالی که محاسبه واریانس در ماتریس واریانس کواریانس بر اساس نمونه است! و این موضوع باعث ایجاد تفاوت در محاسبات شده بود.
برای محاسبه واریانس نمونه کافی است درجه آزادی را برابر یک قرار دهید. ( ddof=1).
می توانید موضوع فوق را در مثال بالا مشاهده بفرمایید.

#واریانس
#کواریانس
#نمونه
#جامعه
#بتا
#درجه_آزادی
#Variance
#Covariance
#Sample
#Population
#Beta
#Degree_of_freedom
#python_for_finance

پایتون برای مالی در تلگرام
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

کشف روابط بین متغیرها با Pairplot
یکی از توانایی مهم یک مدلساز مالی و دانشمند داده توانایی استخراج نوع رابطه بین متغیر هاست. ترسیم شکل و مصورسازی داده ها از جمله توانمندی هایی است که به ما در استخراج ضمنی این روابط کمک شایانی می کند. کتابخانه Seaborn یکی از ابزارهای قدرتمند رسم شکل در پایتون است که البته از زیرساخت Matplotlib استفاده می کند.
در تصویر این پست، ابتدا داده های مربوط به سه سهم اپل، مایکروسافت و گوگل و نیز شاخص S&P500 دریافت می شود و به وسیله Pairplot در Seaborn رسم می شود.

#رسم_نمودار
#علم_داده

#Graph
#Data_scinece
#Seaborb
#python_for_finance

پایتون برای مالی در تلگرام
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

دستور جادویی pylab%
عموما در بیشتر کارها ماژول های Numpy و Matplotib را فراخوانی می کنیم. اگر می خواهید از import هر باره این ماژول ها خلاص شوید می توانید از دستور جادویی pylab% استفاده کنید. تقریبا این دستور معادل دستورات زیر است:
from numpy import *
from matplotlib import *
(البته توجه داریم این دستور را داخل notebook یا ipython باید اجرا کنیم)

#ژوپیتر
#دستور_جادویی

#Notebook
#Numpy
#Matplotlib
#python_for_finance

پایتون برای مالی در تلگرام
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

استفاده از پایتون در Eviews
نرم افزار Eviews یکی از بهترین بسته های نرم افزاری برای اجرای مدلهای اقتصاد سنجی است. اگرچه تقریبا تمام کارهایی که توسط این نرم افزار انجام می شود در پایتون قابل انجام است اما اینقدر این نرم افزار کاربر پسند است که نمی توان از آن صرف نظر کرد.
خوشبختانه از نسخه 11 ایویوز به بعد، امکان استفاده از پایتون در نرم افزار فراهم شده است و به راحتی می توان داده های داخل Eviews را به عنوان یک دیتافریم به پایتون فرستاد و از تمام امکانات پایتون در کنار ایویوز استفاده کرد.
در پست بعد، یک ویدئوی کوتاه را در این خصوص با شما به اشتراک خواهم گذاشت.

#ایویوز
#اقتصاد_سنجی
#پایتون
#پایتون_مالی
#Eviews
#Python_for_finance

✅عضویت در کانال پایتون برای مالی
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

استفاده از پایتون در Eviews
در این پست یک ویدئوی کوتاه را در خصوص استفاده از پایتون در Eviews با شما به اشتراک خواهم گذاشت. زبان ویدئو انگلیسی روان است.

#ایویوز
#اقتصاد_سنجی
#پایتون
#پایتون_مالی
#ویدئو
#Eviews
#Python_for_finance
#video

✅عضویت در کانال پایتون برای مالی
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

نمایش مقادیر متغیرها و توابع به صورت زنده بدون اجرای برنامه

قبلا در این پست در خصوص استفاده از vscode به عنوان یک IDE همه چیز تمام برای برنامه نویسی پایتون صحبت کرده بودیم.
شاید مهمترین مزیت vscode امکان استفاده از افزونه‎ها (extention) برای افزایش قابلیت های vscode است. یکی از این افزونه های جالب، افزونه Python Preview است. به کمک این افزونه می توانید بدون اجرای برنامه و در زمان کد نویسی مقادیر متغیرها و توابع را به صورت زنده مشاهده کنید.
کافیست در بخش افزونه ها عبارت Python Preview را جستجو و افزونه را نصب کنید. بعد از بالای صفحه سمت راست بر روی دکمه open preview کلیک کنید.

#پیش_نمایش_زنده
#پایتون
#پایتون_مالی
#IDE
#Vscode
#Python_Preview

@python4finance