#مسیر_یادگیری
#قسمت_دوم

📎 دوره IBM که برای ماشین لرنینگ گفتم اینه. کلا 6 تا کورس هست. به جز کورس 5 پیشنهاد میکنم بقیه رو حتما ببینید. خوبی این دوره های IBM در سایت کورسرا چند تا هست براتون:

اول اینکه خوب یاد میگیرید، خیلی بهتر از هر کلاسی که به زبان فارسی هست!

دوم اینکه میتونید یه درخواست کمک مالی بدید و مدرک دوره رو رایگان بگیرید (دیدن دوره رایگانه اگه مدرک بخوایید پولیه که اونم با یه درخواست حل میشه). اگه هر 6 تا کورس رو مدرک اش رو بگیرید کورسرا به شما مدرک Specialization میده در Machine Learning و یه credly Badge هم با عنوان Professional Certificate میدن بهتون. هم تک درس ها و هم مدرک حرفه ای و مدرک
Specialization
همه شون یه لینک به شما میدن که میتونید تو رزومه تون بزارید و ... طرف میتونه بره ببینه آنلاین مدرک دوره ای که گذروندید رو. این مدرک ها یه پاداش های کوچک برای تلاش شما در مسیر یادگیری هست.

خوبی سوم اش اینه که شما باید برای هر درس این مجموعه یه پروژه بدید که معیارهای ارزیابی اش مشخصه. پروژه رو خودتون تعریف میکنید و خودتون انجام میدید و گزارش اش رو آپلود میکنید تا بهتون نمره بدن. اینجا هم میتونید پروژه هایی رو که به کارتون مربوطه تعریف کنید و انجام بدید.

https://www.coursera.org/professional-certificates/ibm-machine-learning

#پایتون_مقدماتی
#نامپای


📎آشنایی با کتابخانه Numpy
تا امروز با مفاهیم مقدماتی اصلی پایتون تا حدودی آشنا شدیم . امروز می خواهیم با یکی از مهترین کتابخانه های پایتون به نام numpy آشنا بشویم. این کتابخانه که بخش های مختلفی از آن با C و ++C نوشته است، در مقایسه با پایتون خالص، سرعت عمکلرد بسیار بهتری برای کار با ماتریس ها و بردارها دارد.
از آنجایی که سری های زمانی یک بردار چند در یک هستند (داده های پنل هم ماتریس چند در چند هستند) استفاده از Numpy برای ما بسیار ضروری و مهم است.
هدف اصلی NumPy فراهم ساختن امکان کار با آرایه‌های چندبعدی همگن است. این آرایه‌ها جدولی از عناصر (معمولاً اعداد) هستند که همگی از یک نوع می‌باشند و با یک چندتایی، از اعداد صحیح مثبت اندیس‌گذاری می‌شوند.
توجه داریم که در پایتون آرایه ها به معنی سایر زبان های برنامه نویسی پشتیبانی نمی شوند و فقط لیست ها را داریم. به کمک Numpy امکان استفاده از آرایه ها و اعمال مرتبط با آن در پایتون فراهم می شود.


#numpy


@FinPy

#پایتون_مقدماتی
#نامپای

📎برای فراخوانی کتابخانه نامپای از دستور زیر استفاده می نماییم.

import numpy as np



#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی

📎 یک کتابچه حاوی خلاصه ای از دستورات ضروری پایتون شامل نحوه تعریف لیست ها، توابع، حلقه های تکرار، کلاس ها و غیره



@FinPy

#Igor_Halperin

Is deep learning a fool's errand of investment decision-making?

نظر سنجی ای که آقای Halperin گذاشته و 250 تا از کانکشن های ایشون شرکت کردند که اکثرا آدمهای سرشناسی تو این حوزه هستند. حدود 38% گفتن دیپ لرنینگ 1001 راه برای overfit شدن داره.
@FinPy

#پایتون_مقدماتی
#نامپای
#توابع_نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#برگه_تقلب
#numpy
Numpy Cheat Sheet

@FinPy

#پایتون_مقدماتی
#پانداس

📎یکی از مهم ترین کتابخانه های که برای کار با داده های مالی نیاز هست با آن آشنا بشوید ، کتابخانه پانداس است.
کتابخانه پانداس کار شما رو برای تحلیل داده ها بسیار راحت می‌کنه و کتابخانه ای متن باز، سریع و بسیار قدرتمند برای تحلیل و تغییر داده ( به عبارتی دستکاری داده ) در پایتون است و بر اساس نامپای نوشته شده و با آن سازگار است.
بنابراین استفاده همزمان این دو کتابخانه در علوم داده بسیار رایج است.

#pandas


@FinPy

#پایتون_مقدماتی
#پانداس

📎همان‌طور که دیدید، ابتدا یک دیکشنری به نام data تعریف می‌کنیم. سپس data را به عنوان ورودی pd.DataFrame می‌دهیم. DataFrame ساخته‌شده، سه ستون به نام‌های Age، Name و Gender دارید و چهار سطر.

#pandas

@FinPy

#پایتون_مقدماتی
#پانداس

📎در دستور اول، دو سطر اول DataFrame نشان داده می‌شود و در دستور دوم سه سطر آخر. اگر عدد تعداد سطر را مشخص نکنیم، به صورت پیش‌فرض پنج سطر اول یا آخر نشان داده می‌شود.

#pandas

@FinPy