‌
✳️ ‌داده کاوی (Data Mining) و مفاهیم کلیدی آن — راهنمای جامع و ساده

در این مطلب، مفاهیم کلیدی «داده کاوی» (Data Mining) مورد بررسی قرار خواهد گرفت. این مفاهیم در کلیه مسائل این حوزه مشترک محسوب می‌شوند و یادگیری آن‌ها از الزامات یادگیری داده‌کاوی است. هدف از این نوشته پرداختن به هر یک از این مفاهیم همراه با جزئیات نیست، بلکه یک دید کلی از آن‌ها به منظور آماده‌سازی ذهن مخاطب ارائه خواهد شد و برای مطالعه همراه با جزئیات هر مبحث، لینک‌هایی در متن و انتهای این نوشته قرار گرفته است.

══ فهرست مطالب ══

○ مفاهیم مقدماتی
○ انواع ویژگی
○ جبر خطی و آمار
○ روش‌های داده‌کاوی
○ ارزیابی مدل
○ سایر مفاهیم
○ نتیجه‌گیری


🔸 مفاهیم مقدماتی

در ادامه برخی مفاهیم مقدماتی داده‌کاوی و علم داده مورد بررسی قرار می‌گیرند.

«نویز» (Noise | نوفه) از یک سو، در تعریف به نمادها و سمبل‌ها و یا داده‌های ایجاد شده به صورت تصادفی که فاقد معنای خاصی هستند گفته می‌شود. بر همین اساس، گاهی داده‌هایی که دارای خطا هستند نویزی (دارای نویز) نامیده می‌شوند. از جمله این داده‌ها می‌توان به «مقادیر ناموجود» (Missing Values) و مقادیر غلط (مانند عدد ۲۰۰۰ برای وزن یک انسان) اشاره کرد. از سوی دیگر، تفاوت بین یک مدل و پیش‌بینی‌های آن را نویز گویند.


🔸 انواع ویژگی

یک مجموعه داده از نمونه‌ها و ویژگی‌ها (خصیصه‌ها) تشکیل می‌شود. یک ویژگی، فیلد داده‌ای است که مشخصه‌های یک شی داده را ارائه می‌کند. واژگان بُعد و متغیر معمولا در ادبیات این حوزه با معنای مشابه به کار می‌روند. اصطلاح بُعد به طور معمول توسط کارشناسان انبار داده مورد استفاده قرار می‌گیرد. نوع یک ویژگی توسط مجموعه‌ای از مقادیر ممکن تعیین می‌شود. این انواع شامل «اسمی» (nominal) که به آن «دسته‌ای» (categorical) نیز گفته می‌شود، «دودویی» (binary) و «عددی» (numeric) می‌شوند.

«داده‌های پیوسته» (Continuous) می‌توانند هر مقداری را در یک بازه از اعداد حقیقی بپذیرند. این مقدار الزاما نباید صحیح باشد. داده‌های پیوسته متفاوت و به نوعی متضاد داده‌های گسسته (Discrete) یا دسته‌ای هستند.



مطالعه ادامه مطلب 👇👇

🔗 داده کاوی (Data Mining) و مفاهیم کلیدی آن — راهنمای جامع و ساده — کلیک کنید (+)

📌 کانال اختصاصی آموزشی علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇

@Fara_DS — مطالب و آموزش‌های علم داده فرادرس

‌
✳️ ‌تاپل در پایگاه داده چیست؟ – توضیح Tuple به زبان ساده

«تاپل» (Tuple) یکی از پر استفاده‌ترین اجزای «سیستم‌های مدیریت پایگاه داده» (DBMS) به حساب می‌آید. تاپل در پایگاه داده و در سیستم‌های مدیریت بانک اطلاعاتی اساساً سطری به حساب می‌آید که دارای داده‌های پیوندی راجع به یک موجودیت خاص است (می‌تواند هر نوع شیئی باشد). این اطلاعات در میان چندین ستون با ویژگی‌های مختلفی مثل نام، سن، جنسیت، علائم و سایر موارد پراکنده شده‌اند. سیستم‌های مدیریت پایگاه داده رابطه‌ای که به اختصار آن‌ها را RDBMS خطاب می‌کنند از «مدل رابطه‌ای» (Relational Model) بهره می‌برند. تاپل‌ها اساساً در سیستم‌های رابطه‌ای یا همان RDBMSها یعنی در قالب جدولی به کار برده می‌شوند. در ادامه این مطلب بیشتر و دقیق‌تر به این پرسش پاسخ داده شده است که تاپل در پایگاه داده چیست و سایر موضوع‌های مهم پیرامون آن نیز شرح داده شده‌اند.

══ فهرست مطالب ══

○ نحوه کار سیستم مدیریت پایگاه داده رابطه ای چگونه است؟
○ تاپل در پایگاه داده چیست ؟
○ نحوه کار با تاپل در پایگاه داده به همراه مثال
○ تاپل جعلی چیست ؟
○ جمع‌بندی


🔸 نحوه کار سیستم مدیریت پایگاه داده رابطه ای چگونه است؟

در مدل رابطه‌ای، پایگاه داده یا همان بانک اطلاعاتی به عنوان مجموعه‌ای از رابطه‌ها نمایش داده می‌شود. از طرف دیگر، رابطه جدولی از مقادیر به حساب می‌آید که در آن هر سطر نماینده گروهی از مقادیر داده مرتبط است. برای مشخص کردن مفهوم مقادیر در هر سطر از جدول‌های دیتابیس، ستون‌ها و اسامی جدول‌ها بسیار مفید هستند. داده‌های مدل رابطه‌ای معمولاً در قالب جدول‌هایی نگهداری می‌شوند. اگرچه، این ذخیره‌سازی داده‌ها کاملاً مستقل از میزان ساختارمندی منطقی داده‌ها است.

پس از آن‌که درک مطلوبی نسبت به زبان «پُرسمان» (کوئری) مثل SQL و پایگاه داده‌های رابطه‌ای بوجود آمد، می‌توان به بحث چیستی تاپل در پایگاه داده پرداخت. تاپل در سیستم مدیریت پایگاه داده، رکورد یا همان سطری در بافت پایگاه داده‌های رابطه‌ای به حساب می‌آید.




مطالعه ادامه مطلب 👇👇

🔗 تاپل در پایگاه داده چیست؟ – توضیح Tuple به زبان ساده — کلیک کنید (+)

📌 کانال اختصاصی آموزشی علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇

@Fara_DS — مطالب و آموزش‌های علم داده فرادرس

✳️ ‌پایگاه داده توزیع شده چیست؟ – به زبان ساده

در این نوشته به این پرسش پاسخ داده شده است که «Distributed Database» یا همان پایگاه داده توزیع شده چیست و همچنین شرح داده‌ایم که چرا باید دیتابیس یا همان پایگاه داده یا بانک اطلاعاتی خود را توزیع کنیم و برخی از سایر مباحث مرتبط در حوزه پایگاه داده های توزیع شده را نیز بسط داده‌ایم.

══ فهرست مطالب ══

○ پایگاه داده توزیع شده چیست ؟
○ سیستم پایگاه داده توزیع شده چیست ؟
○ پایگاه داده توزیع شده همگن چیست ؟
○ پایگاه داده توزیع شده ناهمگن چیست ؟
○ علت نیاز به استفاده از دیتابیس توزیع شده چیست ؟
○ کاربرد پایگاه داده توزیع شده چیست ؟
○ پایگاه داده توزیع شده چه خصوصیت هایی باید داشته باشد؟
○ ذخیره سازی داده ها به صورت توزیع شده چگونه انجام می شود؟
○ اجرای پرسمان توزیع شده چیست ؟
○ مزیت امنیت در پایگاه داده توزیع شده چیست ؟
○ چرا مجتمع سازی و ادغام در پایگاه داده توزیع شده آسان تر است؟
○ چرا استفاده از پایگاه داده های توزیع شده مقرون به صرفه است ؟
○ جمع‌بندی


🔸 پایگاه داده توزیع شده چیست ؟

«توزیع» (Distribution) یا ادغام قابلیت‌های پردازشی چندین ماشین برای استفاده از کارایی آن‌ها به گونه‌ای که گویی همگی یک موجودیت واحد هستند، در دنیای امروزی محاسبات، بسیار رایج و مرسوم است. به احتمال زیاد، بسیاری از افراد تاکنون بدون اینکه مطلع باشند، با یک سیستم توزیع شده تعامل داشته‌اند.



مطالعه ادامه مطلب 👇👇

🔗 پایگاه داده توزیع شده چیست؟ – به زبان ساده — کلیک کنید (+)

📌 کانال اختصاصی آموزشی علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇

@Fara_DS — مطالب و آموزش‌های علم داده فرادرس

‌
✳️ ‌بوت استرپ در علم داده به زبان پایتون | راهنمای کاربردی

یکی از تکنیک‌های مهم و ناپارامتری برای برآورد خطای مدل‌ها و برآوردگرهای آماری، استفاده از نمونه‌گیری مجدد (بازنمونه‌گیری- Resampling) و محاسبه برآوردگر تحت نمونه‌های مختلف است. در این صورت واریانس یا انحراف معیار مقدار برآوردگرها حاصل از نمونه‌های مختلف، به عنوان خطای برآوردگر در نظر گرفته می‌شود. در حقیقت، چنین شیوه‌ای برای پیدا کردن خطای برآوردگر را «بوت استرپ» (Bootstrap) می‌نامند. از آنجایی که بوت استرپ در علم داده یک روش و تکنیک رایانه‌ای است، در این نوشتار به کمک زبان برنامه‌نویسی پایتون به پیاده سازی آن پرداخته‌ایم.

══ فهرست مطالب ══

○ بوت استرپ در علم داده به زبان پایتون
○ خلاصه و جمع‌بندی


🔸 بوت استرپ در علم داده به زبان پایتون

بوت استرپ در علم داده روشی قدرتمند و مبتنی بر رایانه برای استنباط آماری بدون تکیه بر فرضیه‌های زیاد است. این فقط جادویی است که از یک نمونه داده می‌توان یک توزیع نمونه برداری تولید کرد. برای استنباط آماری در بوت استرپ هیچ احتیاجی به اطلاع از توزیع آماری برآوردگرها نیست. به این ترتیب «بوت استرپ» (Bootstrap) برای ایجاد «فاصله اطمینان» (Confidence Interval)، «مدل رگرسیونی» (Regression Model)، حتی در زمینه «یادگیری ماشین» (Machine Learning) به طور گسترده‌ای به کار برده می‌شود.

در این متن ما در مورد دو موضوع وابسته به بوت استرپ در علم داده صحبت خواهیم کرد:


🔸 خلاصه و جمع‌بندی

در این نوشتار با توجه به شیوه باز نمونه‌گیری بوت استرپ در علم داده به محاسبه فاصله اطمینان و آزمون آماری پرداختیم و براساس مثالی از داده‌ها، در زبان پایتون به پیاده‌سازی تکنیک بوت استرپ اقدام کردیم. همانطور که دیده شد، نتایج حاصل از برآوردگرهای بدست آمده از تکنیک بوت استرپ در علم داده با مقدارهای حاصل از روش‌های آماری تفاوت چندانی ندارند و به طور تقریبی زمانی که از توزیع آماره‌های مورد نظر اطلاعی نداریم، نتایج رضایت بخشی از بوت استرپ بدست می‌آید.



مطالعه ادامه مطلب 👇👇

🔗 بوت استرپ در علم داده به زبان پایتون | راهنمای کاربردی — کلیک کنید (+)

📌 کانال اختصاصی آموزشی علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇

@Fara_DS — مطالب و آموزش‌های علم داده فرادرس

‌
💫 هدیه ۱۰۰ هزار تومانی، ویژه نصب اپلیکیشن فرادرس

😉 فرقی نمی‌کنه موبایل اندرویدی داری یا iOS؛ اپلیکیشن فرادرس برای هر دو سیستم عامل منتشر شده و در گوگل پلی و سیب اپ در دسترس شماست.

🎯 با نصب اپلیکیشن فرادرس، می‌توانید از اعتبار هدیه ۱۰۰ هزار تومانی آن استفاده کنید و به بیش از ۶,۸۰۰ عنوان آموزشی در موبایل دسترسی داشته باشید. 👇

🔗 دریافت اپلیکیشن فرادرس — [کلیک کنید]

🎁 کد هدیه ۱۰۰ هزار تومانی اپلیکیشن: FRAPP


📚 یادگیری، همیشه، همه‌جا؛ فرادرس

‌@FaraDars — فرادرس
‌‌

‌
✳️ ‌آموزش نرم افزار SPSS

🔖 در زمینه‌های مختلف مانند روان‌شناسی، اقتصاد، مدیریت، مهندسی، علوم اجتماعی و...، نیازمند تجزیه‌وتحلیل داده و ارائه گزارش‌های آماری هستیم. استفاده از نرم‌افزارها و بسته‌های محاسبات آماری، کار محاسبات را برای محققین این حوزه ساده‌تر می‌کند. SPSS یکی از عمومی‌ترین و محبوب‌ترین این نرم‌افزار هاست که دارای محیطی ساده و کارآمد برای کار با داده‌هاست و می‌توان به راحتی داده‌های خود را وارد کرده و آن‌ها پردازش کنید. همچنین، SPSS قابلیت تحلیل ویژگی‌های گروهی، رگرسیون، خوشه‌بندی، تحلیل عاملی، و دیگر روش‌های آماری را نیز داراست.

🎊 هم‌اکنون در «طرح ویژه آموختن» می‌توانید این آموزش و ۵۰۰ آموزش دیگر این طرح را فقط با ۴۹ هزار تومان به ازای هر آموزش دریافت کنید.

🎯 برای مشاهده و دریافت این آموزش روی لینک زیر بزنید:👇

🔗 آموزش نرم افزار SPSS — [کلیک کنید]


🟢 همچنین برای مشاهده سایر آموزش‌های طرح ویژه آموختن، وارد لینک زیر شوید:👇

🔗 طرح ویژه آموختن - [مشاهده ۱۰۰+۴۰۰ آموزش]


📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا

@FaraDars — فرادرس‌
‌

‌
✳️ هر آنچه باید درباره NLP بدانید

کسب و کارها غرق در داده‌های بدون ساختار هستند، برای آنها تحلیل و پردازش همه این داده‌ها و اطلاعات بدون کمک «پردازش زبان طبیعی» (Natural Language Processing | NLP) غیرممکن است. با مطالعه این مطلب به فراگیری اینکه NLP چیست می‌پردازیم و درمی‌یابیم که چطور ان ال پی می‌تواند باعث اثرگذاری بیشتر کسب و کارها شود و همچنین به محبوبیت تکنیک‌ها و مثال‌های NLP نیز پی خواهیم برد. در آخر نشان خواهیم داد که چطور می‌توان از ابزارهای NLP به راحتی استفاده و مسیر حرفه‌ای تحلیل داده‌های زبانی را آغاز کرد.

══ فهرست مطالب ══

○ ان ال پی چیست ؟
○ چرا NLP مهم است؟
○ چالش‌های NLP چیست؟
○ ان ال پی چگونه کار می کند؟
○ معرفی فیلم های آموزش داده کاوی و یادگیری ماشین
○ الگوریتم های NLP چیست ؟
○ نمونه هایی از تکنیک ها و روش های NLP
○ کاربرد های NLP چیست؟
○ برترین ابزار های NLP برای شروع چیست؟
○ تکامل NLP
○ نکات پایانی


🔸 ان ال پی چیست ؟

پردازش زبان طبیعی (NLP) زیرشاخه‌ای از «هوش مصنوعی» (AI) است و به ماشین‌ها در درک و پردازش زبان انسان‌ها کمک می‌کند، تا آن‌ها بتوانند به‌صورت خودکار وظایف تکراری را انجام دهند. به عنوان مثال این وظایف شامل «ترجمه ماشینی» (Machine Translation)، «خلاصه سازی» (Summarization)، «طبقه‌بندی» (Classification) و «تصحیح املا» (Spell Checker) می‌شوند.

همان‌طور که گفته شد، پردازش زبان طبیعی زیرمجموعه‌ای از هوش مصنوعی است که شامل وجه اشتراک‌ با حوزه‌های «یادگیری ماشین» (Machine Learning | ML) و «یادگیری عمیق» (Deep Learning | DL) می‌شود؛ به طوری که برای پیاده‌سازی و انجام پردازش زبان طبیعی، برخی مدل‌ها و الگوریتم‌های یادگیری ماشین و یادگیری عمیق مورد نیاز هستند.

مطالعه ادامه مطلب 👇👇

🔗 هر آنچه باید درباره NLP بدانید — کلیک کنید (+)


📌 کانال اختصاصی آموزشی علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇

@Fara_DS — مطالب و آموزش‌های علم داده فرادرس
‌

‌
✳️ ‌مسئله تانک آلمانی – آشنایی و پیاده سازی در پایتون

مسئله تانک آلمانی، مسئله‌ای معروف در نظریه احتمال است که نحوه تخمین اندازه کل جمعیت بر اساس نمونه‌های محدود را نمایش می‌دهد. در این مقاله از مجله فرادرس، به معرفی مسئله تانک آلمانی و آموزش نحوه پیاده‌سازی آن در پایتون به صورت گام به گام خواهیم پرداخت.

══ فهرست مطالب ══

○ تاریخچه مسئله تانک آلمانی
○ پیاده‌سازی مسئله تانک آلمانی در پایتون
○ جمع‌بندی


🔸 تاریخچه مسئله تانک آلمانی

در طول جنگ جهانی دوم، آلمان در حال تولید تانک‌هایی همچون پنتر (Panther) بودند که برای کشورهای متفقین مشکل‌ساز بود. کشورهای متّفق به دنبال راهی برای تخمین تعداد تانک‌های تولیدی توسط آلمان بودند.

آن‌ها از برترین ماموران اطلاعاتی به این منظور کمک می‌گرفتند اما در کنار این راه‌حل، از کارشناسان آمار (Statistician) نیز کمک خواستند. هر دو دسته با توجه به اطلاعاتی که به دست آورده بودند، پیش‌بینی‌هایی برای تعداد تانک‌های تولید شده در هر ماه ارائه کردند که به شرح زیر است:


🔸 پیاده‌سازی مسئله تانک آلمانی در پایتون

تمامی کدهای نوشته شده برای این مطلب در محیط برنامه‌نویسی پایتون، از طریق این لینک در دسترس است.

– برای دانلود فایل حاوی کدهای پایتون + اینجا کلیک کنید.

در ابتدا، برای بررسی دقت مدل‌های (Model) یادگیری ماشین (Machine Learning) و روش آماری آورده شده، به یک مجموعه داده (Dataset) نیاز داریم که به اندازه کافی بزرگ باشد. به این منظور یک مجموعه داده سنتز خواهیم کرد.

مطالعه ادامه مطلب 👇👇

🔗 مسئله تانک آلمانی – آشنایی و پیاده سازی در پایتون — کلیک کنید (+)


📌 کانال اختصاصی آموزشی علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇

@Fara_DS — مطالب و آموزش‌های علم داده فرادرس
‌

‌
📘 آموزش نرم افزار اورنج – داده کاوی و هوش تجاری بدون کدنویسی با Orange منتشر شد!

🔹 لینک آموزش – [کلیک کنید]

🔖 در این آموزش، مبانی و مباحث داده‌کاوی و یادگیری ماشین را با رویکرد هوش تجاری در کسب‌وکار و سازمان‌ها با یکدیگر فرا می‌گیریم. این فرادرس، ترکیبی از مبانی الگوریتم‌های داده‌کاوی به صورت ساده و پیاده‌سازی آن‌ها با استفاده از مجموعه داده‌های دنیای واقعی، در کسب‌وکارها خواهد بود. در این دوره، بدون کدنویسی و با استفاده از نرم‌افزار متن‌باز و رایگان Orange، مباحث را به صورت کاربردی همراه با مثال‌های متعدد تشریح خواهیم کرد.

🎯 مناسب برای: فعالان حوزه تجارت الکترونیک | محققان و پژوهشگران

💲 هزینه اصلی آموزش: ۷۹۸,۰۰۰ تومان

🎁 هزینه با احتساب هدیه ویژه انتشار: ۲۷۹,۳۰۰ تومان
‌(‌۶۵ درصد تخفیف)

👈 کد تخفیف: NWMJ45

❗️ اعتبار: تا پایان روز سه‌شنبه، ۹ آبان ۱۴۰۲

🔗 لینک آموزش – [کلیک کنید]

@FaraDars — فرادرس
@FDPub — تازه‌های نشر فرادرس
.

‌
📘 آموزش اصول فریلنسینگ و کسب درآمد از اینترنت منتشر شد!

🔹 لینک آموزش – [کلیک کنید]

🔖 این دوره آموزشی به عنوان راهنمایی در نظر گرفته شده است که بتوانید به تصمیمتان برای این که رئیس خود باشید نزدیک‌تر شوید و یک انتقال راحت به حرفه فریلنسینگ داشته باشید و فریلنسر موفقی باشید؛ بر همین اساس در این فرادرس، ابتدا به مزایا و معایب حرفه فریلنسینگ می‌پردازیم؛ سپس فریلنسینگ تمام‌وقت و نیمه‌وقت را مورد بررسی قرار می‌دهیم. در انتها، برنامه‌ریزی و تعیین هدف، ایجاد وب‌سایت برای برند و روش‌های فریلنسینگ در ایران را فرا خواهیم گرفت.

🎯 مناسب برای: عموم افراد

💲 هزینه اصلی آموزش: ۵۹۸,۰۰۰ تومان

🎁 هزینه با احتساب هدیه ویژه انتشار: ۲۰۹,۳۰۰ تومان
‌(‌۶۵ درصد تخفیف)

👈 کد تخفیف: NWGH53

❗️ اعتبار: تا پایان روز جمعه، ۱۹ آبان ۱۴۰۲

🔗 لینک آموزش – [کلیک کنید]

@FaraDars — فرادرس
@FDPub — تازه‌های نشر فرادرس
.

‌
📘 آموزش شبکه‌های عصبی گرافی با کتابخانه DGL در پایتون منتشر شد!

🔹 لینک آموزش – [کلیک کنید]

🔖 در این آموزش با پیاده‌سازی مثال‌هایی عملی، با نحوه ایجاد انواع گراف‌ها و مجموعه داده‌های گرافی آشنا می‌شویم و چگونگی انجام تغییرات در اجزای گراف را می‌آموزیم. در ادامه یاد می‌گیریم که چگونه مدل‌هایی را برای حل مسائل گرافی در سطح گره، یال و گراف پیاده‌سازی کنیم. همچنین با نحوه نمونه‌برداری از گره‌ها در گراف‌های بزرگ آشنا می‌شویم و در پایان، نحوه انتقال پیام در لایه‌های شبکه‌های عصبی گرافی پیاده‌سازی می‌شود.

🎯 مناسب برای: مهندسان کامپیوتر | علاقه‌مندان به هوش مصنوعی | علاقه‌مندان به داده‌کاوی

💲 هزینه اصلی آموزش: ۵۶۹,۰۰۰ تومان

🎁 هزینه با احتساب هدیه ویژه انتشار: ۱۹۹,۱۵۰ تومان
‌(‌۶۵ درصد تخفیف)

👈 کد تخفیف: NWMQ73

❗️ اعتبار: تا پایان روز چهارشنبه، ۲۴ آبان ۱۴۰۲

🔗 لینک آموزش – [کلیک کنید]

@FaraDars — فرادرس
@FDPub — تازه‌های نشر فرادرس
.

‌
📘 آموزش یادگیری ماشین در بازارهای مالی با پایتون منتشر شد!

🔹 لینک آموزش – [کلیک کنید]

🔖 در این فرادرس ابتدا به مفهوم Feture selection و مهندسی ویژگی‌ها و یک feature جذاب از wikipedia می‌پردازیم؛ سپس فراخوانی کتابخانه‌ها و آماده‌سازی داده‌های سهام، پیاده‌سازی مدل رگرسیون OLS با استفاده از features و تست قابل استفاده بودن feature‌ها را مورد بررسی قرار می‌دهیم. در انتها، مدل‌های Decision Tree برای پیش‌بینی قیمت سهام و آماده‌سازی داده‌ها برای ورود به شبکه عصبی را به شما مخاطبین عزیز یاد خواهیم داد.

🎯 مناسب برای: علاقه‌مندان به پایتون | علاقه‌مندان به یادگیری ماشین | علاقه‌مندان به بورس و بازارهای مالی

💲 هزینه اصلی آموزش: ۷۹۸,۰۰۰ تومان

🎁 هزینه با احتساب هدیه ویژه انتشار: ۲۷۹,۳۰۰ تومان
‌(‌۶۵ درصد تخفیف)

👈 کد تخفیف: NWWB24

❗️ اعتبار: تا پایان روز جمعه، ۲۶ آبان ۱۴۰۲

🔗 لینک آموزش – [کلیک کنید]

@FaraDars — فرادرس
@FDPub — تازه‌های نشر فرادرس
.