کار با داده ها به راحتی یک صفحه گسترده - 2
قبلا در این پست در خصوص ماژول D-Tale و امکاناتی که برای کار با داده ها در قالب یک صفحه گسترده فراهم می کرد صحبت کردیم.
این بار با ماژول دیگری به نام Mito آشنا می شویم. شعار این ماژول عبارت است از:
Do Python analyses 10x faster
که گویای هدف سازندگان آن است. توجه داشته باشید که این ماژول صرفا روی Jupyter Lab اجرا می شود.
بعد از نصب این ماژول می توانید با دو خط زیر Mito را فراخوانی کنید و کار با داده ها را در یک محیط بسیار کاربر پسند دنبال کنید.
import mitosheet
mitosheet.sheet()
برای اطلاعات بیشتر می توانید به صفحه این ماژول در این آدرس مراجعه نمایید.

#Data_table
#Data_farme
#pandas
#Mito
#DTale
#python

پایتون برای مالی در تلگرام
t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

دانلود اسلایدهای درس یادگیری ماشین با گراف ها (Machine Learning with Graphs) دانشگاه استفورد
یادگیری ماشین یکی از بحث های بسیار زیبا و کاربردی است که جای خود را تقریبا در تمام عرصه های دانش باز کرده است خصوصا زمانی که داده های زیاد و مدلهای اندکی داریم، این ابزار بسیار کاربردی است.
زمانی که داده های زیادی داریم که ارتباط های خاصی بین داده ها برقرار می شود می توان از مدلهای شبکه عصبی و یادگیری عمیق استفاده کرد. گراف یکی از مهمترین ابزارها در این مدل یادگیری است و روابط بین متغیرها را دقیق تر دنبال می کند. برای مثال یک شبکه اجتماعی مثل تلگرام را در نظر بگیرید. کاربران را می توان گره ها و یال ها را می توان پیام های ارسالی و دریافتی درنظر گرفت.
دوره یادگیری ماشین با گراف های دانشگاه استنفورد یکی از پر سابقه ترین دوره های این حوزه است. در صورتی که به این دوره علاقه داشتید می توانید از طریق این لینک اطلاعات دوره را دریافت کنید.

#اسلاید
#یادگیری_ماشین
#دانشگاه_استنفورد
#پایتون_مالی
#slide
#Machine_learning
#Stanford
#python_for_finance

پایتون برای مالی در تلگرام
t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

احتمالا همه شما گزارش سال 2021 Kaggle را در خصوص وضعیت علم داده و یادگیری ماشین مشاهده کرده اید. بر اساس این گزارش تحلیل بسیار خوبی می توان از وضعیت فعلی و آینده علم داده داشت.
یکی از نکاتی که نظر من را جلب کرد اندازه تیم های علم داده و نیز شرکت های پذیرای متخصصین علم داده است.
بر اساس این گزارش شرکت های استارت آپی و نوپا (کمتر از 50 نفر ) و شرکت های بزرگ (بالای 1000) نفر مشتریان اصلی جذب دانشمندان داده در دنیا هستند.
همچنین عموم تیم های علم داده و یادگیری ماشین یا با جمعیت های کوچک کمتر از 9 نفر و یا با تعداد بالای 20 نفر شکل می گیرند که موید داده بالاست.
جمع بندی من اینکه چه بخواهید خودتان کسب و کاری راه بیندازید و در یک استارت آپ مشغول شوید یا اینکه در یک شرکت قدرتمند و بزرگ مشغول شوید، علم داده و مهارت های مدلسازی با داده ها بسیار مسیر مناسبی برای شما خواهد بود.
🌐لینک کگل
🌐لینک مستقیم گزارش

#گزارش
#کگل
#علم_داده
#یادگیری_ماشین
#Report
#Machine_learning
#Kaggle
#Data_Science
#python_for_finance

پایتون برای مالی در تلگرام
t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

بررسی واریانس در Numpy با دقت بیشتر
همه شما احتمالا با مفهوم ریسک سیستماتیک و ضریب بتا آشنا هستید. معمولا برای محاسبه بتا از روش رگرسیون یا تقسیم کواریانس بر واریانس استفاده می شود. امشب یا یکی از گروه ها در حال حل مسئله ای بودیم که متوجه شدیم به صورت پیش فرض محاسبه var در Numpy بر اساس جامعه است نه نمونه در حالی که محاسبه واریانس در ماتریس واریانس کواریانس بر اساس نمونه است! و این موضوع باعث ایجاد تفاوت در محاسبات شده بود.
برای محاسبه واریانس نمونه کافی است درجه آزادی را برابر یک قرار دهید. ( ddof=1).
می توانید موضوع فوق را در مثال بالا مشاهده بفرمایید.

#واریانس
#کواریانس
#نمونه
#جامعه
#بتا
#درجه_آزادی
#Variance
#Covariance
#Sample
#Population
#Beta
#Degree_of_freedom
#python_for_finance

پایتون برای مالی در تلگرام
t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug