آیا هوش مصنوعی جایگزین برنامه نویسان می شود؟
به عبارت دیگر آیا با وجود هوش مصنوعی لازم است یک زبان برنامه نویسی یاد بگیریم؟

پاسخ به این سوال را در ویدئوی زیر با هم بررسی می کنیم:

🌐 لینک ویدئو

پی نوشت: این ویدئو بخشی از دوره مدلسازی مالی مقدماتی با پایتون است. (لینک)
#ویدئو
#هوش_مصنوعی
#AI
#Video

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

ثبت نام سی و نهمین دوره مدلسازی مالی با python مقدماتی آغاز شد
📌 سرفصل:
➖آموزش مبانی برنامه نویسی به زبان پایتون
➖آموزش مبانی مدلسازی مالی
➖معادله نویسی در پایتون
➖مصورسازی داده ها
➖مبانی آمار توصیفی
➖ارزش زمانی پول
➖بهینه سازی
➖محاسبه بازده و ریسک سهم
➖دریافت داده های مالی بین المللی
➖بررسی موردی بازار سرمایه ایران

📌اطلاعات دوره :
➖مدرس: دکتر محمد صادق کریمی مهرآبادی
➖طول دوره :21 ساعت + رفع اشکال
➖از 28 فروردین ماه 1404 ، روزهای 5 شنبه

✅به پذیرفته شدگان در پایان دوره، گواهی مرکز آموزش های آزاد و مجازی دانشگاه خوارزمی اعطا خواهد شد.
✅ این دوره پیشنیاز ندارد و همه موارد لازم در دوره گفته می شود.
✅ این دوره برای علاقه مندان جهت یادگیری مفاهیم مالی و اقتصادی با پایتون توصیه می شود.
✅ این دوره پیشنیاز سایر دوره های پیشرفته مانند مدلسازی مالی پیشرفته، یادگیری ماشین و ... است. .

اطلاعات بیشتر و ثبت نام:
🌐 khu.zarsuntadbir.ir


#ثبت_نام
پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

هوش مصنوعی گوگل در خدمت برنامه نویسان

قبلا چند تا مطلب در خصوص #دستیار_هوش_مصنوعی برای برنامه نویسی گذاشته بودم. خوشبختانه گوگل، Gemini هوش مصنوعی خود را با Google Colab ترکیب کرده و در اختیار گذاشته است. (اگر Colab را نمی شناسید Colab یک ابزار رایگان است که در فضای Jupyter Notebook ابری، امکان برنامه نویسی پایتون را فراهم می کند.) البته امکان استفاده از این هوش مصنوعی در IDEهای معروف مثل VSCode و محصولات JetBrains هم وجود دارد.
خیلی راحت می توانید درخواست خود را با زبان ساده بیان کنید و هوش مصنوعی گوگل ادامه کار را انجام می دهد.
در فیلم این پست با امکانات اصلی این هوش مصنوعی آشنا می شوید.

#دستیار_هوش_مصنوعی
#هوش_مصنوعی
#برنامه_نویسی

#AI
#Colab
#Google_Colab

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

یادگیری ماشین خودکار (Automated Machine Learning)- بخش اول
یکی از دغدغه های اصلی ما در استفاده از مدلهای یادگیری ماشین، انتخاب مدلی است که بهترین شاخص های ارزیابی را داشته باشد. اگرچه با تجربه می توان مدلهای پیشنهادی را برای داده های بخصوص مشخص کرد اما در بیشتر اوقات ناگزیر هستیم چندین مدل را اجرا کنیم تا بتوانیم بهترین مدل را انتخاب کنیم.
یکی از راهکارها برای این موضوع AutoML است. AutoML یک حوزه نوپا است. در واقع با AutoML یک جریان کاری خودکار ایجاد می کنیم که بتواند داده‌های خام را به‌عنوان ورودی دریافت کرده و به‌طور خودکار یک پیش‌بینی تولید کند.

این جریان کاری باید به‌طور خودکار پیش‌پردازش داده‌ها، انتخاب مدل، تنظیم پارامترها، و تمامی مراحل دیگر فرایند یادگیری ماشین را انجام دهد. در واقع AutoML ابزار بسیار کاربردی برای دانشمندان داده می شود و می تواند سرعت تحلیل داده ها را تا حد زیادی افزایش دهد.
در پست های بعدی برخی از ابزارهای AutoML را با هم بررسی خواهیم کرد.

#یادگیری_ماشین_خودکار
#AutoML
#Automated_Machine_Learning

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

ابزارهای متداول یادگیری ماشین خودکار - بخش دوم
انواع مختلفی از فریم‌و‌رک‌های AutoML وجود دارد که هر کدام ویژگی های منحصر به فردی دارند. هر یک از آنها چند مرحله از یک گردش کار کامل یادگیری ماشین، از پیش پردازش تا توسعه مدل را خودکار کرده اند. در جدول این پست برخی از معروف ترین این فریم‌ورک ها بیان شده است.

#یادگیری_ماشین_خودکار
#AutoML
#Automated_Machine_Learning

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

بعضی سوالات متداول در خصوص دوره مدلسازی مالی با python :

1️⃣ من اصلا برنامه نویسی بلد نیستم، آیا شرکت در این دوره برای من مناسب است؟
در این دوره همه پیش نیازهای برنامه نویسی پایتون گفته می شود و نیاز به دانش مقدماتی نیست.
2️⃣ شروع کلاس ها از کی است؟
از ۲۸ فروردین روزهای ۵شنبه از ساعت ۹ تا ۱۲
3️⃣ آیا رفع اشکال هم وجود دارد؟
علاوه بر گروه هایی که در شبکه های اجتماعی برای این موضوع ایجاد می شود و پاسخگوی سوالات عزیزان است، جلساتی برای حل تمرین در نظر گرفته شده است و از اساتید حل تمرین برای این موضوع استفاده می شود.
4️⃣ آیا گواهینامه پایان دوره هم اعطا می شود؟
بله، در پایان دوره به عزیزانی که در جلسات حضور منظم داشته باشند و نیز در آزمون نهایی موفق شوند گواهینامه معتبر از دانشگاه خوارزمی اعطا می شود.
5️⃣ دوره های تخصصی مانند یادگیری ماشین یا معاملات الگوریتمی برگزار نمی کنید؟
از آنجایی که برای بهره مندی بهتر از مطالب دوره های تخصصی، داشتن پایه قبلی بسیار مهم است، عموما دوره های تخصصی به صورت خاص و برای دانشپذیران دوره های مقدماتی برگزار می شود.
همچنین با تکمیل فرم پیش ثبت نام (🌐 لینک) زمان کلاس ها به شما اطلاع رسانی می شود.

🟢 همچنین می توانید سوالات خود را در خصوص این دوره از طریق شبکه های اجتماعی (شماره 09203057420 ) با کارشناسان در میان بگذارید.

لینک ثبت نام در دوره:
🌐 Khu.zarsuntadbir.ir

ادامه دارد ...

یک ویدئوی کوتاه برای معرفی همه مدلهای یادگیری ماشین

در این ویدئوی کوتاه و جذاب، همه مدلهای یادگیری ماشین به اختصار و با بیانی ساده توضیح داده می شوند. اگر با یادگیری ماشین آشنا نیستید یا می خواهید نکات اصلی مدلها را یکبار مرور کنید این ویدئو می تواند برای شما مفید باشد.
زبان ویدئو انگلیسی روان است.

#یادگیری_ماشین
#هوش_مصنوعی
#ویدئو
#Machine_Learning
#Video

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

هوش مصنوعی تفسیر پذیر چیست؟

طی چند سال اخیر مدلهای هوش مصنوعی توسعه بسیاری پیدا کرده اند و در بسیاری از تصمیم گیری ها همراه ما هستند. از اینکه چه تبلیغی در هنگام وب گردی مشاهده کنیم، اینکه چه کالایی در فروشگاه آنلاین به ما نمایش داده شود تا اینکه حد اعتباری ما در بانک چقدر است و چقدر باید حق بیمه پرداخت کنیم. هر چقدر مدلها پیشرفته تر می شوند شیوه عملکرد آنها پیچیده تر می شود و کم کم به جعبه سیاه (Black Box) تصمیم گیری تبدیل می شوند که داده را دریافت و نتایج را اعلام می کنند. تا اینجای کار خیلی هیجان انگیز به نظر می رسد. اما فرض کنید در برابر هوش مصنوعی هستیم که میزان احتمال یک بیماری را اعلام می کند. اگر دلیل این تصمیمات مشخص نباشد، چگونه می‌توان به سیستم اعتماد کرد یا در صورت بروز اشتباه، آن را اصلاح نمود؟
هدف از هوش مصنوعی تفسیر پذیر، ایجاد مدلهایی است که دلایل تصمیم‌گیری آن‌ها برای انسان قابل درک باشد. این شفافیت نه‌تنها اعتماد کاربران را جلب می‌کند، بلکه شناسایی خطاها، کشف سوگیری‌های پنهان و رعایت مقررات حقوقی را نیز تسهیل می‌کند. به‌ویژه در حوزه‌هایی چون پزشکی، حقوق، حمل‌ونقل و مالی، نبود تفسیرپذیری می‌تواند پیامدهای فاجعه‌باری به‌دنبال داشته باشد.
برای تفسیر پذیر کردن هوش مصنوعی ابزارهای بسیار جالبی تولید شده است که در پست های آتی معرفی می شود.

#هوش_مصنوعی
#هوش_مصنوعی_تفسیرپذیر
#Machine_Learning
#Interpretable_Machine_Learning
#Explainable_Artificial_Intelligence

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «یادگیری ماشین تفسیرپذیر با پایتون: ساخت مدل‌های قابل توضیح، منصفانه و قوی با کارایی بالا» به انگلیسی «Interpretable Machine Learning with Python: Build explainable, fair and robust high-performance models»


این کتاب ضمن بررسی کاربردی یادگیری ماشین به معرفی ابزارهایی برای پیاده‌سازی هوش مصنوعی تفسیرپذیر با روش‌های کارآمد، مانند SHAP و LIME پرداخته و خواننده را با پیچیدگی مدل‌های ML و محدودیت‌های هوش مصنوعی تفسیرپذیر آشنا می‌کند.

#معرفی_کتاب
#هوش_مصنوعی
#هوش_مصنوعی_تفسیرپذیر
#Machine_Learning
#Interpretable_Machine_Learning
#Explainable_Artificial_Intelligence

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «یادگیری ماشین تفسیرپذیر با پایتون: ساخت مدل‌های قابل توضیح، منصفانه و قوی با کارایی بالا» به انگلیسی «Interpretable Machine Learning with Python: Build explainable, fair and robust high-performance models»



#دانلود_کتاب
#هوش_مصنوعی
#هوش_مصنوعی_تفسیرپذیر
#Machine_Learning
#Interpretable_Machine_Learning
#Explainable_Artificial_Intelligence


پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

آشنایی با کاربرد هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه
در این گزارش 29 صفحه ای که توسط بورس اوراق بهادار تهران تهیه شده است به معرفی کاربردهای هوش مصنوعی در بازارهای مالی به زبان ساده پرداخته می شود.
گزارش حاضر، از جنس گردآوری مطلب است و برای علاقه مندانی که جدیدا به این موضوع علاقه مند شده اند مفید خواهد بود.

#هوش_مصنوعی
#یادگیری_ماشینی
#معاملات_الگوریتمی

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

دانلود گزارش آشنایی با کاربرد هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه
کاری از شرکت بورس اوراق بهادار تهران

#هوش_مصنوعی
#یادگیری_ماشینی
#معاملات_الگوریتمی

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

عید سعید غدیر مبارک.
ان شاء الله به مدد عنایات امیرالمومنین (ع)، شاهد نابودی رژیم خبیت صهیونی باشیم.

فیلم دستگیری عامل موساد
جنگ بد است، اما دفاع، در هر مسلک و مذهبی، مقدس است. دفاع از عزت و شرف و مملکت، در مقابل بی همه چیز ترین دشمن، مقدس است.
تعجب می کنم از کسانی که به راحتی سر معامله وطن با رژیم غاصب کودک کش صحبت می کنند،

دست سربازان جان برکفی که در حال مبارزه با دشمن سفاک هستند را می بوسم.


پی نوشت: ان شاء الله روال آموزشی کانال بعد از عادی شدن شرایط ادامه پیدا خواهد کرد.

امام علي عليه السلام :اَلْحـَذَرَ مـِنْ عَدُوِّكَ بَعْدَ صُلْحِهِ، فَإِنَّ الْعَدُوَّ رُبَّما قارَبَ لِيَتَغَفَّلَ، فَخُذْ بِالْحَزْمِ وَاتَّهِمْ فى ذلِكَ حُسْنَ الظَّنِّ.
[مالك] از دشمن خود پس از آشتى بپرهيز چرا که دشمن [با وعده و وعید] خود را به تو نزدیک می کند تا غفلتى يابد ـ پس دور انديش باش! و به دشمن گمان خوب نبر.

قدردان زحمات نیروهای نظامی و انتظامی کشور هستیم.

ضمن تشکر از همه عزیزان، و با آرزوی ایرانی سربلند و آباد، ان شاء الله از امروز روند آموزشی کانال مجددا شروع می شود.

نمونه گیری در داده های سری زمانی
عموما در بازارهای مالی با داده های سری زمانی سر و کار داریم. قبلا در این پست (لینک) در خصوص انتخاب داده، نمونه گیری و بازنمونه گیری در یادگیری ماشین صحبت شد. در نمونه گیری های متقاطع رایج، نمونه ها به صورت تصادفی از هر بخش جامعه انتخاب می شدند. اما در داده های سری های زمانی، روش‌های اعتبارسنجی متقاطع (cross-validation) مناسب نیستند، چرا که منجر به آموزش روی داده‌های آینده و ارزیابی روی داده‌های گذشته می‌شوند. برای اطمینان از قابل‌مقایسه‌بودن معیارها در بین بخش‌ها (folds)، نمونه‌ها باید با فواصل زمانی مساوی انتخاب شوند. وقتی این شرط برقرار باشد، هر مجموعه آزمون بازه‌ی زمانی یکسانی را پوشش می‌دهد و اندازه مجموعه آموزش با انباشت داده‌ها از تقسیمات قبلی افزایش می‌یابد.
این نوع اعتبارسنجی متقاطع، نوعی تغییر یافته از KFold است. در تقسیم kام، k بخش اول را به‌عنوان مجموعه آموزش و بخش (k+1)ام را به‌عنوان مجموعه آزمون برمی‌گرداند.

#پایتون_مالی
#انتخاب_داده
#نمونه_گیری

#سری_زمانی
#Time_series
#Sampling


پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

نمونه‌گیری در داده های سری زمانی- بخش دوم
برای نمونه گیری از سری های زمانی در ماژول scikit-learn از تابع TimeSeriesSplit در کلاس model_selection استفاده می کنیم.
در مثال این پست، نمونه های مختلفی از جامعه برای آموزش و آزمون انتخاب می شود.

#code by @python4finance
import numpy as np
from sklearn.model_selection import TimeSeriesSplit
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4, 5, 6])
tscv = TimeSeriesSplit()
for i, (train_index, test_index) in enumerate(tscv.split(X)):
    print(f"Fold {i}:")
    print(f"  Train: index={train_index}")
    print(f"  Test:  index={test_index}")

#پایتون_مالی
#انتخاب_داده
#نمونه_گیری

#سری_زمانی
#Time_series
#Sampling


پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

منحنی یادگیری (Learning Curves)
در پست های قبل در خصوص بیش برازش صحبت کردیم. سوال مهمی که در یادگیری ماشین همیشه با آن مواجهیم این است که آیا متغیرهای (ویژگی ها) زیادتری را به مدل اضافه کنیم یا مدل را ساده کرده و از متغیرهای کمتری استفاده کنیم. استفاده از متغیرهای کمتر علاوه بر اینکه باعث صرفه جویی در منابع (مانند CPU و...) می شود سرعت رسیدن به نتیجه را افزایش می دهد اما باعث ایجاد اُریبی (Bias) می شود در حالی که استفاده از متغیرهای زیاد باعث بهبود عملکرد مدل در داده های آزمایشی می شود اما احتمال زیاد باعث بیش برازش (Over Fitting) می شود.
برای درک این منظور از منحنی های یادگیری استفاده می کنیم. منحنی یادگیری، یک نمودار است که نشان می‌دهد عملکرد مدل ما (مثلا دقت یا خطا) با افزایش تعداد داده‌های آموزشی چگونه تغییر می‌کند. این منحنی به ما کمک می کند تا مدلهای بهینه ای که همزمان هم اُریبی کمتری دارند و هم واریانس کمتری دارد را شناسایی کنیم.
در پست‌های آتی مثال عملی در این خصوص را بررسی خواهیم کرد.

#منحنی_یادگیری
#یادگیری_ماشین
#Learning_Curves


پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance

این حسین کیست که عالم همه دیوانه اوست

فرا رسیدن ماه محرم را به شما و تمام عاشقان حسینی، تسلیت عرض می‌نمایم.

پایتون برای مالی

🆔 hottg.com/python4finance
🆔 ble.ir/python4finance