هوش مصنوعی را جدی بگیرید:
بر اساس آخرین اطلاعات سالانه Google Cloud، هوش مصنوعی به صورت محسوسی به رشد کسب و کارها کمک می کند:
• افزایش درآمد: ۵۶٪ سازمان‌ها رشد مستقیم درآمد با GenAI داشته‌اند؛ برخی تا بیش از ۱۰٪ افزایش سالانه.
• افزایش بهره‌وری: ۷۰٪ شرکت‌ها جهش چشمگیر بهره‌وری کارمندان را گزارش کرده‌اند؛ ۴۰٪ گفتند خروجی کارکنان حداقل دو برابر شده.
در گزارش دیگری می خواندم که در حال حاضر در مایکروسافت، حدود 30% از کدها توسط هوش مصنوعی نوشته می شود.

#AI

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

میلاد با سرسعادت قطب عالم امکان، خاتم پیامبران، حضرت محمد مصطفی (ص) و پرچم دار شاهراه ولایت علوى امام جعفر صادق (ع) مبارک باد.

@python4finance

برگه خلاصه مرور مقایسه مدلهای یادگیری ماشین

مطالعه این برگه، جهت یادآوری و مرور مطالب توصیه می شود.

#پایتون_مالی
#خلاصه
#برگه_تقلب
#یادگیری_ماشین
#سری_زمانی
#Machine_Learning


پایتون برای مالی

🆔 @python4finance

گزارش جهانی هوش مصنوعی ۲۰۲۵ منتشر شد
این گزارش بیانگر آن است که هوش مصنوعی به یکی از ارکان اساسی تحول دیجیتال و محرک اصلی رشد اقتصادی در سطح جهانی تبدیل شده است. بر اساس داده‌های این گزارش، ۸۷ درصد از سازمان‌ها هوش مصنوعی را در برنامه‌ریزی‌های راهبردی خود لحاظ کرده‌اند، ۷۶ درصد به‌طور فعال از این فناوری بهره‌برداری می‌کنند و ۶۹ درصد از نسخه‌های مولد آن استفاده می‌نمایند. هوش مصنوعی در حوزه‌هایی نظیر سلامت، تولید صنعتی، حمل‌ونقل، و خدمات مالی نقش‌آفرینی کرده و با فناوری‌های نوظهوری همچون اینترنت اشیاء، بلاک‌چین و رایانش کوانتومی هم‌افزایی یافته است. پیش‌بینی می‌شود ارزش بازار جهانی هوش مصنوعی تا سال ۲۰۳۰ از مرز یک تریلیون دلار فراتر رود. با وجود این رشد چشمگیر، چالش‌هایی از جمله مصرف بالای انرژی، آثار زیست‌محیطی، و دغدغه‌های اخلاقی و حقوقی نیز مطرح شده‌اند که نیازمند توجه جدی و سیاست‌گذاری‌های جامع در سطح بین‌المللی هستند

منبع : مؤسسه بین‌المللی توسعه زیرساخت‌های دیجیتال (IDCA)

@DigitalTransformation4all

یک ماژول بسیار خوب برای نمایش سریع داده ها در پایتون - pandasgui
برای عموم ما که بیشتر دنبال تحلیل داده ها هستیم، مشاهده سریع داده ها و بصری سازی آنها بسیار مهم است. قبلا در این پست (لینک) در خصوص ماژول Dtale یکی دیگر از ماژول های نمایش سریع داده ها صحبت کرده بودیم. ماژول pandasgui هم یکی از ماژول های بسیار خوب برای نمایش سریع داده ها و بصری سازی آنهاست. برای کاربران اکسل این ماژول بسیار جذاب است. به کمک این ماژول می توانید دیتافریم های خود را به راحتی بررسی کرده، فیلترهای خاص را در لحظه اعمال و مشاهده و نتیجه را رسم نمایید.

#pandasgui

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

یک کتابخانه بسیار سریع برای کار با داده ها-Polars
در پایتون برای مشاهده و دستکاری داده ها عموما از Pandas استفاده می کنیم. پانداس کتابخانه بسیار خوب و جامعی است اما وقتی تعداد داده ها بزرگ می شود کارایی پانداس رفته رفته کم می شود و سرعت پردازش هم پایین می آید. البته دلیل آن مشخص است. پانداس برای کار با Multithreading ساخته نشده است و در هر لحظه یک thread را پردازش می کند.
برای حل این موضوع از Polars استفاده می کنیم. Polars بر سرعت و کارایی تمرکز دارد. هنگام کار با میلیون‌ها ردیف، پانداس دچار مشکل می شود اما با Polars به راحتی اجرا می‌شوند.
یک ویژگی جالب دیگر Polars توانایی پردازش داده های با حجم بالاتر از RAM سیستم است.
کار با polars بسیار ساده است و توابع آن شبیه پانداس نوشته است.
اگر به این ماژول علاقه مند شدید سری به این آدرس بزنید.
در تصویر این پست، مقایسه چند ماژول متداول کار با داده ها برای کار با یک دیتافریم بزرگ نشان داده شده است.
#polars
#pandas
#dataframe


پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

بر اساس گزارش چشم‌انداز روندهای فناوری ۲۰۲۵ مکینزی، در حوزه توسعه ابزارهای هوش مصنوعی، دانشمند داده با اختلاف بالاترین شغل مورد تقاضا در سال های 2021 تا 2024 بوده است و تسلط به یادگیری ماشین و زبان پایتون از اصلی ترین نیازمندی‌ها بوده است.

🌐 لینک گزارش

#McKinsey
#data_science

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

کتابخانه pyspan — ابزار پاک‌سازی و پیش‌پردازش داده‌ها با پایتون
قبلا در خصوص نحوه کار با داده ها در کتابخانه پانداس (#pandas) مفصل صحبت کردیم. یکی دیگر از ابزارهایی که برای تحلیل گران داده توصیه می شود ماژول pyspan است.

🛠 ویژگی‌های کلیدی pyspan
شناسایی و پر کردن مقادیر گم‌شده،«ناقص» (NaN)، خطا یا ساختارهای ناهماهنگ
تشخیص نقاط پرت (Outliers) و امکان حذف یا اصلاح آن‌ها.
ثبت لاگ تغییرات: می‌دانیم چه عملیاتی روی داده انجام شده و با چه پارامترهایی.
امکان Undo: اگر تغییری منجر به مسأله شد، می‌توان به عقب برگشت.
پشتیبانی از ساختارهای داده‌ای متفاوت: دیتافریم‌های Pandas، لیست‌ها، دیکشنری‌ها و غیره.
فشرده سازی دیتافریم با هدف کاهش حجم دیتافریم های بزرگ


نکته جالب دیگر این است که این کتابخانه مستقل است و برای کار کردن نیازی به پانداس ندارد.

در پست بعد یک مثال برای این موضوع را با هم بررسی خواهیم کرد.

#pyspan
#pandas
#dataframe


پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

مثال کتابخانه pyspan — ابزار پاک‌سازی و پیش‌پردازش داده‌ها با پایتون

امکان ثبت لاگ تغییرات و Undo علی الخصوص در پروژه هایی که تغیییرات زیادی روی داده ها متصور است بسیار کمک کننده است. در واقع هر بار که یک عملیات پاک‌سازی انجام می‌دهید (مثل پر کردن مقادیر گم‌شده، حذف outlier، تغییر فرمت‌ها و …)، کتابخانه یک نسخه از وضعیت قبلی داده را ذخیره می‌کند، به همین دلیل اگر اشتباهی یک ستون را پاک کردید یا داده‌ای را به شکل نادرست تغییر دادید، می‌توانید به راحتی دیتافریم را به وضعیت قبلی برگردانید.

چرا Undo در پروژه‌های واقعی مخصوصاً در داده‌های مالی و اقتصادی مهم است؟

ممکن است یک روش پاک‌سازی مناسب نباشد
ممکن است یک روش outlier detection بیش‌ازحد سخت‌گیر باشد
یا بخواهید چند روش مختلف را مقایسه کنید
به جای این‌که دوباره دیتافریم را از اول بخوانید، با Undo فقط یک قدم به عقب می‌روید.
در واقع Undo مرحله‌به‌مرحله کار می‌کند (مانند stack).
تا زمانی که لاگ تغییرات فعال باشد، می‌توانید به عقب برگردید.

مثال

from pyspan import Cleaner
import pandas as pd

df = pd.DataFrame({'x': [1, 2, None, 100]})

cleaner = Cleaner(df)

cleaner.fill_missing(method='mean')   # مرحله ۱
cleaner.detect_outliers(column='x')   # مرحله ۲

cleaner.undo()   # برگشت به مرحله ۱
cleaner.undo()   # برگشت به دیتافریم اولیه

print(cleaner.result())

#pyspan
#pandas
#dataframe


پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «یادگیری ماشین با پایتون: اصول و تکنیک‌های کاربردی» به انگلیسی «Machine Learning with Python: Principles and Practical Techniques»

اگر به دنبال مسیری مشخص برای ورود به دنیای یادگیری ماشین با پایتون هستید، این کتاب یکی از بهترین انتخاب‌های اخیر است. نویسنده با نگاهی کاربردی، مفاهیم کلیدی ML را از سطح پایه تا مدل‌های پیشرفته توضیح می‌دهد و در هر بخش کدهای پایتون ارائه می‌کند. برخلاف بسیاری از منابع پراکنده، این کتاب یک نقشه راه منسجم دارد و دقیقاً می‌گوید برای ساخت مدل‌های هوشمند چه باید بدانید و چگونه باید آن‌ها را پیاده‌سازی کنید.

این کتاب طیف گسترده‌ای از روش‌های یادگیری ماشین را پوشش می‌دهد: از الگوریتم‌های کلاسیک نظیر رگرسیون و طبقه‌بندی تا روش‌های عمیق‌تر مانند شبکه‌های عصبی و یادگیری عمیق.
اگر می‌خواهید علاوه بر تحلیل داده‌های مالی، توانایی ساخت مدل‌های پیش‌بینی، سیستم‌های توصیه‌گر یا الگوریتم‌های تصمیم‌گیری هوشمند را کسب کنید، این کتاب می‌تواند نقطه شروع بسیار خوبی باشد.

#معرفی_کتاب
#یادگیری_ماشین
#Machine_learning

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «یادگیری ماشین با پایتون: اصول و تکنیک‌های کاربردی» به انگلیسی «Machine Learning with Python: Principles and Practical Techniques»

اگر به دنبال مسیری مشخص برای ورود به دنیای یادگیری ماشین با پایتون هستید، این کتاب یکی از بهترین انتخاب‌های اخیر است. نویسنده با نگاهی کاربردی، مفاهیم کلیدی ML را از سطح پایه تا مدل‌های پیشرفته توضیح می‌دهد و در هر بخش کدهای پایتون ارائه می‌کند. برخلاف بسیاری از منابع پراکنده، این کتاب یک نقشه راه منسجم دارد و دقیقاً می‌گوید برای ساخت مدل‌های هوشمند چه باید بدانید و چگونه باید آن‌ها را پیاده‌سازی کنید.

#دانلود_کتاب
#یادگیری_ماشین
#Machine_learning

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

مقایسه 10 کتابخانه اصلی پایتون برای کار با داده ها
در هنگام کار با پروژه های واقعی، فراخوانی داده ها بسیار حائز اهیمت است. در پست های قبلی مفصل در خصوص کتابخانه پانداس و کتابخانه های مشابه صحبت کرده بودم. ماژول های متداول برای کار با داده ها و کاربرد اصلی آنها به شرح زیر است:

ماژول pandas: پایه و استاندارد اکثر تحلیل‌های داده کوچک و متوسط.
ماژول NumPy: پایهٔ محاسبات عددی و الگوریتم‌های علمی.
ماژول Polars / Vaex: جایگزین سریع pandas برای داده‌های بزرگ.
ماژول Dask / Modin: برای داده‌های بزرگ و پردازش موازی یا توزیع‌شده.
ماژول DuckDB: کوئری های SQL تحلیلی و query روی فایل‌های بزرگ (Parquet, CSV).
ماژول SQLite: ذخیره‌سازی محلی و کارهای transactional کوچک.
ماژول PyArrow: تعامل ستون‌محور بین DataFrame‌ها و فایل‌های Parquet.
ماژول OpenPyXL / xlrd / xlwt: تعامل با Excel و داده‌های جدولی سنتی.

در جدول این پست مقایسه 10 تا از اصلی ترین کتابخانه های پایتون برای کار با داده ها و ویژگی های کلیدی هر کدام بررسی شده است.

#pandas
پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

طلا در 2026 به کجا خواهد رسید؟
در اوایل سال 2025 در این پست گفته بودم که سال 2025 سال کامودیتی ها است و علاوه بر طلا و نقره شاهد تحرکات زیادی در فلزات کاربردی مثل مس خواهیم بود. اگر بحث های بنیادی مانند جنگ اوکراین و جنگ ونزوئلا را کنار بگذاریم و فقط دید تکنیکال داشته باشیم پیش بینی قیمت طلای جهانی در قالب تصویر این پست نمایش داده می شود.

پی نوشت: مجددا یادآوری می کنم این پست صرفا با هدف آموزش انجام شده است و عزیزان در صورتی که قصد سرمایه گذاری در طلا را دارند باید خودشان تحلیل انجام دهند.

🆔 t.me/python4finance
🆔 ble.ir/python4finance

یک سایت هوش مصنوعی جالب برای تحلیل گران مالی
اگر به دنبال یک ابزار مبتنی بر هوش مصنوعی برای انجام پیش‌بینی‌های روزانه و کمک به سرمایه‌گذاران در ایجاد ثروت پایدار هستید، هوش مصنوعی stockinvest.us را به شما پیشنهاد می کنم.
به کمک این ابزار، انواع و اقسام تحلیل ها را روی یک نماد می توانید انجام دهید و جالب تر آنکه یک گزارش تحلیلی دقیق از هوش مصنوعی دریافت کنید.
برای برنامه‌نویس‌های حوزه فایننس و علاقه‌مندان به Python، این سایت می‌تونه منبع خوبی برای:
➖ ایده‌گرفتن برای ساخت سیستم‌های تحلیلی
➖ مقایسه خروجی الگوریتم‌های شخصی با تحلیل‌های آماده
➖ و بررسی منطق سیگنال‌دهی،
باشه.
البته توجه داریم که مثل همیشه، خروجی این ابزارها پیشنهاد سرمایه‌گذاری قطعی نیست و حتماً باید در کنار تحلیل شخصی و مدیریت ریسک استفاده شود.

🌐 لینک سایت : stockinvest.us
#AI


🆔 t.me/python4finance
🆔 ble.ir/python4finance

شب،
ستاره‌ها را به احترامش بیدار نگه داشته بود
و کعبه،
دلش را گشود
تا مردی متولد شود
که نامش
وزنِ عدالت داشت
و صدایش
پناهِ تمام بی‌پناهان بود…

امروز
جهان
با نام علی
دوباره متولد شد.

میلاد با سعادت مولی الموحدین، امیرالمومنین، حضرت علی‌بن ابی‌طالب (ع) مبارک باد.

#مناسبت

🆔 t.me/python4finance
🆔 ble.ir/python4finance

دوستان عزیزم سلام
ان شالله که حال همگی خوب باشه،
راستش برای ادامه فعالیت کانال می خواستم محتوا آماده کنم گفتم نظر شما رو بپرسم و متناسب با درخواست شما عزیزان محتوا آماده کنم. ممنون می شوم در نظر سنجی مشارکت داشته باشید.🌺
در ضمن امکان انتخاب چند گزینه هم وجود داره

آشنایی با مدل هوش مصنوعی Finance-Llama-8B
حتما همه شما تا الان با یکی از این چت بات های هوشمند که مبتنی بر مدل های هوش مصنوعی (LLM) هستند کار کرده اید. هوش مصنوعی هایی مانند chatgpt و deepseek و ... . این هوش مصنوعی ها بر پایه یک مدل هوش مصنوعی مدل زبانی بزرگ یا LLM ایجاد شده اند. یکی از این مدل ها؛ مدل Llama است که توسط شرکت Meta توسعه داده شده است. بر روی این مدل، با استفاده از داده های اقتصادی و مالی ، یک مدل دیگر به نام Finance-Llama-8B توسعه داده شده است که ویژگی های بسیار جالبی دارد، مثلا تحلیل صورت‌های مالی، بررسی گزارش‌های سالانه و 10-K، تحلیل بازار، ریسک و بازده و تحلیل مفاهیم اقتصاد کلان و مالی رفتاری.
می توانید صورت مالی یک شرکت را به مدل بدهید و به راحتی بخواهید که آن را تحلیل کند و نسب های مالی را استخراج کند.
دقت مدل به حدی است که در پاسخ گویی به سوالات آزمون CFA کاملا موفق عمل کرده است.
همچنین مدل در تشخیص زبان فارسی به نحو بسیار خوبی عمل می کند.
برای بررسی این مدل به صورت آنلاین می توانید از لینک زیر استفاده کنید یا مدل را روی رایانه خود نصب کنید.
🌐 بررسی آنلاین مدل Finance-Llama-8B
پی‌نوشت: بعدا ان شاء الله مطالب و آموزش هایی را در خصوص اصول کار LLM ها و راهنمای استفاده از مدلهای هوش مصنوعی روی رایانه های شخصی در کانال قرار می دهم. اگر علاقه مند بودید که آموزش این موضوع با اولویت در کانال منتشر شود، لطفا با ❤️ اعلام نمایید.

#AI

🆔 t.me/python4finance
🆔 ble.ir/python4finance

میلاد با سعادت منجی عالم بشریت، حضرت مهدی موعود (ع) مبارک باد.

#مناسبت

🆔 t.me/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «اقتصاد سنجی و علم داده» به انگلیسی «Econometrics and Data Science»
این کتاب با نگاهی حرفه‌ای و کاربردی، پلی میان اقتصادسنجی کلاسیک و علم داده و یادگیری ماشین ایجاد می‌کند و نشان می‌دهد چگونه می‌توان مسائل اقتصادی را با رویکردی مدرن و مبتنی بر داده حل‌وفصل کرد. نویسنده از مفاهیم پایه‌ای مانند واریانس، کوواریانس و رگرسیون حداقل مربعات شروع کرده و به ارزیابی مدل‌ها، تحلیل باقیمانده‌ها و تفسیر نتایج می‌پردازد. سپس با فاصله گرفتن از مدل‌های سنتی سری زمانی، مدل‌های جمع‌پذیر غیرخطی را معرفی می‌کند. کتاب همچنین به مدل‌سازی غیرخطی از طریق رگرسیون لجستیک، مدل‌های مارکوف پنهان و خوشه‌بندی K-Means می‌پردازد. در ادامه، کاربرد عملی یادگیری عمیق، شبیه‌سازی مونت‌کارلو و مدل‌یابی معادلات ساختاری برای تحلیل روابط علّی تشریح می‌شود. تمامی مباحث با استفاده از پایتون و کتابخانه‌های کلیدی مانند Scikit-Learn، Keras و Pandas پیاده‌سازی شده‌اند. این کتاب منبعی ارزشمند برای تحلیلگران مالی است که به‌دنبال ارتقای مهارت‌های تحلیلی خود با ابزارهای نوین داده‌محور هستند.
#معرفی_کتاب
#اقتصاد_سنجی
#یادگیری_ماشین

🆔 @python4finance

دانلود کتاب «اقتصاد سنجی و علم داده» به انگلیسی «Econometrics and Data Science»
این کتاب منبعی ارزشمند برای تحلیلگران مالی است که به‌دنبال ارتقای مهارت‌های تحلیلی خود با ابزارهای نوین داده‌محور هستند.

#دانلود_کتاب
#اقتصاد_سنجی
#یادگیری_ماشین

🆔 @python4finance