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.iss.one/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.iss.one/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.iss.one/python4finance
🆔 ble.ir/python4finance