#پایتون_مقدماتی
#تابع_range


@FinPy

#پایتون_مقدماتی
#تابع_range
#مثال


@FinPy

#مسیر_یادگیری
#قسمت_اول

اگه بخوام با توجه به مسیری که در طول چند سال گذشته در دنیای کوانت ها و اونهایی که با مدل های ریاضی و ماشین لرنینگ سعی در پیش بینی بازارهای مالی و مسایل اقتصادی دارن، نقشه راهی به دوستان تازه کار پیشنهاد بدم، اون نقشه این طوری خواهد بود:

📎 اگه رشته تون مثل من ربطی به مالی و اقتصاد و بازار نداره، حتما شروع کنید به یادگیری در خصوص دینامیک بازار و اقتصاد. شما تا سیستمی رو نشناسید حتی اگه بتونید مدل های خوبی بسازید، چون ورودی خراب یا خیلی نویزی به مدل میدید، نمیتونید انتظار گرفتن خروجی خوبی رو داشته باشید. اصطلاحا به این مورد میگن Bussiness Knowledge که باید کسب کنید. ایده هایی که شما در آینده به کار خواهید بست بخش بزرگی اش از اینجا میاد. پس دست کم نگیریدش! این مورد، همیشه باید یه درصدی تو پورتفوی فعالیت های شما داشته باشه و هیچ وقت صفر نباشه.

📎 یه زبان برنامه نویسی یاد بگیرید. پیشنهاد من پایتونه به هزاران دلیل که میتونید بگردید و بخونید و آمارها رو ببینید و ... پایتون یه هسته اصلی داره و یه سری ماژول یا لایبرری. هسته اصلی پایتون چیزی هست که همه زبان های برنامه نویسی دارند اما ماژول های پایتون یه سری توابع و امکانات به شما میدن که میتونید کدهاتون رو راحت تر و سریع تر بنویسید. اینجا منظور من اینه که خود پایتون و ماژول های با کاربرد عمومی تر اش مثل pandas، numpy، matplotlib و ... رو یاد بگیرید. با اینا شما میتونید مثلا یه فایل اکسل بخونید نمودار رسم کنید، چه میدونم اندیکاتور و فرمول های مالی رو پیاده کنید و ...

📎 کم کم وقت یادگرفتن ماشین لرنینگ هست. کتابها و مراجعی که برای یادگیری ماشین لرنینگ در زمینه مالی هست برای شروع سنگین اند (حداقل برای من که اینطوری بود) بهتره برید سراغ یه مرجعی که یه تعادل خوبی بین بخش برنامه نویسی روش ها و آموزش مفاهیم و اندکی ریاضیات پشت مدل (نه اونقدر که گیج بشید) داشته باشه. پیشنهادی که براتون دارم (با فرض اینکه مشکلی در زبان انگلیسی ندارید) استفاده از آموزش های IBM هست. دنبال
Deep Learning و
Reinforcement Learning
هم نباشید فعلا!

📎 حالا شما در مرحله ای هستید که میتونید شروع به استفاده از روش های ماشین لرنینگ در مسایل مالی و اقتصادی کنید. میتونید برای شروع همین کتابی که در کانال معرفی کردیم رو یه نگاهی بندازید. اگر مراحل قبل رو خوب طی کرده باشید، خوندن این کتاب (یا هر کتاب مشابه دیگه) مثل اینه که شما الان دارید مثال هایی از ماشین لرنینگ در مسایل مالی و اقتصادی و بازاری رو مرور میکنید. اینم یه مرحله هست که لازمه طی بشه. این کتاب رو میگم:
https://t.iss.one/FinPy/175

📎 بعدش پیشنهاد میکنم کتاب های آقای Marcos Lopez Deprada رو بخونید و نکاتی که میگه رو تو مدل های قبلی تون و حتی پیش پردازش دیتایی که میخوایید استفاده کنید هم به کار ببندید. کتاب های ایشون رو ما نزاشتیم تو کانال چون به نظر ما یه کم پیشرفته هست و شروع از اونجا میتونه سرخورده بکنه آدم رو!

📎 بعدش اگه خواستید برید سراغ Deep Learning و Reinforcement Learning هر چند اگه همون روش های قبلی رو درست به کار ببرید به نظر من نیاز چندانی به اینها نخواهید داشت. ولی خوب بحث داغی هست این روزها این دو موضوع در دنیای مالی به ویژه Reinforcement Learning.

@FinPy

#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