آموزش پایتون و یادگیری ماشین برای تجزیه و تحلیل مالی

Python & Machine Learning for Financial Analysis

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: اصول برنامه نویسی پایتون را مسلط کنید و از قدرت ML برای حل برنامه های کاربردی واقعی در امور مالی استفاده کنید. اصول برنامه نویسی استاد پایتون 3 برای علم داده و یادگیری ماشین با تمرکز بر امور مالی درک چگونگی استفاده از قدرت پایتون برای اعمال مفاهیم کلیدی مالی مانند محاسبه بازده روزانه پرتفوی، ریسک و نسبت شارپ. تئوری و شهود پشت مدل قیمت گذاری دارایی سرمایه (CAPM) را درک کنید. نحوه استفاده از نوت بوک های Jupyter برای توسعه، ارائه و به اشتراک گذاری پروژه های علم داده را بدانید. کتابخانه های کلیدی پایتون مانند NumPy برای محاسبات علمی، پانداها برای تجزیه و تحلیل داده ها، Matplotlib/Seaborn برای ترسیم داده ها/تجسم کتابخانه Master SciKit-Learn برای ساخت، آموزش و تنظیم مدل های یادگیری ماشین با استفاده از مجموعه داده های دنیای واقعی. استفاده از مدل‌های یادگیری ماشینی و عمیق برای حل مشکلات دنیای واقعی در بخش‌های بانکی و مالی. ) عملکرد طبقه‌بندی‌کننده‌های یادگیری ماشین آموزش‌دیده را با استفاده از KPI‌های مختلف مانند دقت، دقت، یادآوری و امتیاز F1 ارزیابی کنید. تئوری اساسی، شهود پشت شبکه‌های عصبی مصنوعی (ANN)، شبکه‌های عصبی تکراری (RNN) و شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM) را درک کنید. ANN ها را با استفاده از الگوریتم های انتشار پس و نزول گرادیان آموزش دهید. بهینه سازی پارامترهای فوق العاده شبکه های عصبی مصنوعی مانند تعداد لایه های پنهان و نورون ها برای افزایش عملکرد شبکه. در مهندسی ویژگی ها و استراتژی های پاکسازی داده ها برای کاربردهای یادگیری ماشین و علم داده مهارت کسب کنید. پیش نیازها: بدون نیاز به تجربه قبلی.

آیا آماده‌اید اصول برنامه‌نویسی پایتون را بیاموزید و مستقیماً آنها را برای حل برنامه‌های کاربردی دنیای واقعی در امور مالی و بانکی به کار ببرید؟

اگر پاسخ مثبت است، به دوره آموزشی "کامل پایتون و یادگیری ماشین برای تحلیل مالی" خوش آمدید که در آن همه چیزهایی را که برای توسعه برنامه های کاربردی مالی/بانکی در دنیای واقعی در پایتون نیاز دارید، یاد خواهید گرفت!

پس چرا پایتون؟

Python به عنوان زبان برنامه نویسی شماره یک برای یادگیری در سال 2020 رتبه بندی شده است، در اینجا 6 دلیل برای یادگیری Python در حال حاضر وجود دارد!

1. زبان شماره 1 برای یادگیری ماشینی هوش مصنوعی: پایتون زبان برنامه نویسی شماره 1 برای یادگیری ماشین و هوش مصنوعی است.

2. یادگیری آسان: پایتون یکی از ساده‌ترین زبان‌های برنامه‌نویسی برای یادگیری است، مخصوصاً از شما که در گذشته هیچ کدنویسی انجام نداده‌اید.

3. مشاغل: تقاضای بالا و عرضه کم توسعه دهندگان پایتون آن را به زبان برنامه نویسی ایده آل برای یادگیری در حال حاضر تبدیل کرده است.

4. حقوق بالا: میانگین حقوق برنامه نویسان پایتون در ایالات متحده حدود 116 هزار دلار در سال است.

5. مقیاس پذیری: Python بسیار قدرتمند و مقیاس پذیر است و بنابراین برنامه های دنیای واقعی مانند Google، Instagram، YouTube و Spotify همگی بر روی Python ساخته شده اند.

6. تطبیق پذیری: Python همه کاره ترین زبان برنامه نویسی در جهان است، شما می توانید از آن برای علوم داده، تجزیه و تحلیل مالی، یادگیری ماشین، بینایی کامپیوتر، تجزیه و تحلیل و تجسم داده ها، توسعه وب، بازی و برنامه های روباتیک استفاده کنید.


این دوره از بسیاری جهات منحصر به فرد است:

1. این دوره به 3 بخش اصلی شامل اصول برنامه نویسی پایتون، تجزیه و تحلیل مالی در پایتون و کاربرد AI/ML در صنعت مالی/بانکی تقسیم می شود. نمای کلی دقیق در زیر نشان داده شده است:

a) قسمت شماره 1 - مبانی برنامه نویسی پایتون: مبانی برنامه نویسی پایتون مبتدی که مفاهیمی مانند: انواع داده ها، تخصیص متغیرها، حلقه ها، دستورات شرطی، توابع و عملیات فایل ها را پوشش می دهد. علاوه بر این، این بخش کتابخانه های کلیدی پایتون برای علم داده مانند Numpy و Pandas را پوشش می دهد. علاوه بر این، این بخش ابزارهای تجسم داده‌ها مانند Matplotlib، Seaborn، Plotly و Bokeh را پوشش می‌دهد.

ب) قسمت شماره 2 - تجزیه و تحلیل مالی در پایتون: این بخش پایتون را برای تجزیه و تحلیل مالی پوشش می دهد. ما مفاهیم کلیدی مالی مانند محاسبه بازده پرتفوی روزانه، ریسک و نسبت شارپ را پوشش خواهیم داد. علاوه بر این، مدل قیمت گذاری دارایی های سرمایه ای (CAPM)، بهینه سازی سبد سهام مارکوویتز و مرز کارآمد را پوشش خواهیم داد. ما همچنین استراتژی های معاملاتی مانند معاملات مبتنی بر حرکت و میانگین متحرک را پوشش خواهیم داد.

ج) قسمت شماره 3 - AI/Ml در امور مالی/بانکداری: این بخش پروژه های عملی در برنامه های کاربردی AI/ML در امور مالی را پوشش می دهد. ما کاربرد شبکه های عصبی عمیق مانند شبکه های حافظه کوتاه مدت بلند مدت (LSTM) را برای انجام پیش بینی قیمت سهام پوشش خواهیم داد. علاوه بر این، ما استراتژی‌های یادگیری ماشینی بدون نظارت مانند K-Means Clustering و Principal Components Analysis را پوشش می‌دهیم تا تقسیم‌بندی یا خوشه‌بندی مشتری پخت را انجام دهیم. علاوه بر این، ما اصول اولیه پردازش زبان طبیعی (NLP) را پوشش خواهیم داد و آن را برای انجام تجزیه و تحلیل احساسات سهام به کار خواهیم برد.

2. چندین چالش و تمرین کوچک در طول دوره وجود دارد و شما با انجام آن خواهید آموخت. این دوره تقریباً در هر ویدیو حاوی چالش‌های کوچک و تمرین‌های کدنویسی است، بنابراین شما به روشی کاربردی و آسان یاد خواهید گرفت.

3. رویکرد یادگیری مبتنی بر پروژه: شما بیش از 6 پروژه عملی کامل خواهید ساخت که می توانید آنها را به مجموعه پروژه های خود اضافه کنید تا کارفرمای آینده خود را در طول مصاحبه های شغلی به نمایش بگذارید.


پس این دوره برای چه کسانی است؟

این دوره برای موارد زیر طراحی شده است:

  • تحلیلگران مالی که می‌خواهند از قدرت علم داده و هوش مصنوعی برای بهینه‌سازی فرآیندهای تجاری، به حداکثر رساندن درآمد، کاهش هزینه‌ها استفاده کنند.

  • مبتدیان برنامه نویس پایتون و دانشمندان داده که می خواهند به درک اساسی از برنامه های پایتون و علوم داده در بخش های مالی/بانکی دست یابند.

  • بانک‌داران سرمایه‌گذاری و تحلیلگران مالی که می‌خواهند شغل خود را ارتقا دهند، سبد علم داده خود را بسازند و تجربه عملی در دنیای واقعی به دست آورند.

هیچ تجربه قبلی لازم نیست، حتی اگر قبلاً از پایتون یا هیچ زبان برنامه نویسی استفاده نکرده اید، نگران نباشید! برای هر یک از موضوعاتی که به آن خواهیم پرداخت، توضیح ویدیویی واضحی خواهید داشت. ما از اصول اولیه شروع می کنیم و به تدریج دانش شما را تقویت می کنیم.

در این دوره، (1) شما یک تجربه واقعی یادگیری مبتنی بر پروژه خواهید داشت، ما بیش از 6 پروژه را با هم خواهیم ساخت (2) شما به تمام کدها و اسلایدها دسترسی خواهید داشت، (3) دریافت خواهید کرد گواهی پایان کار که می توانید در پروفایل لینکدین خود پست کنید تا مهارت های خود را در برنامه نویسی پایتون به کارفرمایان نشان دهید. (4) همه اینها با 30 روز ضمانت بازگشت پول ارائه می شود تا بتوانید یک دوره را بدون ریسک امتحان کنید! ویدئوهای پیش‌نمایش و طرح کلی را بررسی کنید تا ایده‌ای از پروژه‌هایی که پوشش خواهیم داد به دست آورید.


امروز ثبت نام کنید و من مشتاقانه منتظر حضور شما هستم!


سرفصل ها و درس ها

معرفی دوره، نکات موفقیت و نتایج کلیدی یادگیری Course Introduction, Success Tips and Key Learning Outcomes

  • پیام خوش آمد Welcome Message

  • مقدمه، نکات موفقیت و بهترین شیوه ها و نتایج کلیدی یادگیری Introduction, Success Tips & Best Practices and Key Learning Outcomes

  • طرح کلی دوره و نتایج کلیدی یادگیری Course Outline and Key Learning Outcomes

  • راه اندازی محیط و مطالب دوره دانلود Environment Setup & Course Materials Download

  • Google Colab Walkthrough Google Colab Walkthrough

  • پایتون برای مسیر یادگیری علوم داده Python for Data Science Learning Path

  • نکات مطالعه برای موفقیت Study Tips For Success

معرفی دوره، نکات موفقیت و نتایج کلیدی یادگیری Course Introduction, Success Tips and Key Learning Outcomes

  • پیام خوش آمد Welcome Message

  • مقدمه، نکات موفقیت و بهترین شیوه ها و نتایج کلیدی یادگیری Introduction, Success Tips & Best Practices and Key Learning Outcomes

  • طرح کلی دوره و نتایج کلیدی یادگیری Course Outline and Key Learning Outcomes

  • راه اندازی محیط و مطالب دوره دانلود Environment Setup & Course Materials Download

  • Google Colab Walkthrough Google Colab Walkthrough

  • پایتون برای مسیر یادگیری علوم داده Python for Data Science Learning Path

  • نکات مطالعه برای موفقیت Study Tips For Success

**********بخش شماره 1: اصول برنامه نویسی پایتون*********** **********PART #1: PYTHON PROGRAMMING FUNDAMENTALS***********

  • مقدمه ای بر بخش شماره 1: مبانی برنامه نویسی پایتون Introduction to Part #1: Python Programming Fundamentals

**********بخش شماره 1: اصول برنامه نویسی پایتون*********** **********PART #1: PYTHON PROGRAMMING FUNDAMENTALS***********

  • مقدمه ای بر بخش شماره 1: مبانی برنامه نویسی پایتون Introduction to Part #1: Python Programming Fundamentals

پایتون 101: تعیین متغیرها، عملیات ریاضی، اولویت و چاپ/دریافت Python 101: Variables Assignment, Math Operation, Precedence and Print/Get

  • نوت بوک های Colab - تکلیف متغیرها، عملیات ریاضی، اولویت، و چاپ/دریافت Colab Notebooks - Variables Assignment, Math Ops, Precedence, and Print/Get

  • انتساب متغیر Variable assignment

  • عملیات ریاضی Math operations

  • تقدم Precedence

  • عملیات چاپ Print operation

  • دریافت ورودی کاربر Get User Input

پایتون 101: تعیین متغیرها، عملیات ریاضی، اولویت و چاپ/دریافت Python 101: Variables Assignment, Math Operation, Precedence and Print/Get

  • نوت بوک های Colab - تکلیف متغیرها، عملیات ریاضی، اولویت، و چاپ/دریافت Colab Notebooks - Variables Assignment, Math Ops, Precedence, and Print/Get

  • انتساب متغیر Variable assignment

  • عملیات ریاضی Math operations

  • تقدم Precedence

  • عملیات چاپ Print operation

  • دریافت ورودی کاربر Get User Input

پایتون 101: انواع داده Python 101: Data Types

  • نوت بوک های Colab - انواع داده ها Colab Notebooks - Data Types

  • بولین ها Booleans

  • فهرست کنید List

  • لغت نامه ها Dictionaries

  • رشته های Strings

  • تاپل ها Tuples

  • مجموعه ها Sets

پایتون 101: انواع داده Python 101: Data Types

  • نوت بوک های Colab - انواع داده ها Colab Notebooks - Data Types

  • بولین ها Booleans

  • فهرست کنید List

  • لغت نامه ها Dictionaries

  • رشته های Strings

  • تاپل ها Tuples

  • مجموعه ها Sets

پایتون 101: مقایسه عملگرها، عملگرهای منطقی و بیانیه های شرطی Python 101: Comparison Operators, Logical Operators, and Conditional Statements

  • نوت بوک های Colab - مقایسه عملگرها، عملگرهای منطقی و بیانیه های If Colab Notebooks - Comparison Operators, Logical Operators and If Statements

  • عملگرهای مقایسه Comparison operators

  • عملگرهای منطقی Logical operators

  • اظهارات مشروط - قسمت شماره 1 Conditional statements - Part #1

  • اظهارات مشروط - قسمت شماره 2 Conditional statements - Part #2

پایتون 101: مقایسه عملگرها، عملگرهای منطقی و بیانیه های شرطی Python 101: Comparison Operators, Logical Operators, and Conditional Statements

  • نوت بوک های Colab - مقایسه عملگرها، عملگرهای منطقی و بیانیه های If Colab Notebooks - Comparison Operators, Logical Operators and If Statements

  • عملگرهای مقایسه Comparison operators

  • عملگرهای منطقی Logical operators

  • اظهارات مشروط - قسمت شماره 1 Conditional statements - Part #1

  • اظهارات مشروط - قسمت شماره 2 Conditional statements - Part #2

پایتون 101: حلقه ها Python 101: Loops

  • نوت بوک های Colab - حلقه های For/While، محدوده، درک لیست Colab Notebooks - For/While Loops, Range, List Comprehension

  • برای حلقه ها For loops

  • دامنه Range

  • در حالی که حلقه ها While Loops

  • یک حلقه بشکن Break a loop

  • حلقه های تو در تو Nested loops

  • درک فهرست List comprehension

پایتون 101: حلقه ها Python 101: Loops

  • نوت بوک های Colab - حلقه های For/While، محدوده، درک لیست Colab Notebooks - For/While Loops, Range, List Comprehension

  • برای حلقه ها For loops

  • دامنه Range

  • در حالی که حلقه ها While Loops

  • یک حلقه بشکن Break a loop

  • حلقه های تو در تو Nested loops

  • درک فهرست List comprehension

پایتون 101: توابع Python 101: Functions

  • نوت بوک های Colab - توابع Colab Notebooks - Functions

  • توابع: توابع داخلی Functions: built-in functions

  • توابع سفارشی Custom functions

  • بیان لامبدا Lambda expression

  • نقشه Map

  • فیلتر کنید Filter

پایتون 101: توابع Python 101: Functions

  • نوت بوک های Colab - توابع Colab Notebooks - Functions

  • توابع: توابع داخلی Functions: built-in functions

  • توابع سفارشی Custom functions

  • بیان لامبدا Lambda expression

  • نقشه Map

  • فیلتر کنید Filter

Python 101: Files Operations Python 101: Files Operations

  • نوت بوک های Colab - عملیات فایل ها Colab Notebooks - Files Operations

  • خواندن و نوشتن فایل های متنی Reading & Writing Text Files

  • خواندن و نوشتن فایل‌های CSV Reading & Writing CSV Files

Python 101: Files Operations Python 101: Files Operations

  • نوت بوک های Colab - عملیات فایل ها Colab Notebooks - Files Operations

  • خواندن و نوشتن فایل های متنی Reading & Writing Text Files

  • خواندن و نوشتن فایل‌های CSV Reading & Writing CSV Files

پایتون 101: کتابخانه های پایتون علوم داده برای تجزیه و تحلیل داده ها (Numpy) Python 101: Data Science Python Libraries for Data Analysis (Numpy)

  • نوت بوک Colab - Numpy Colab Notebooks - Numpy

  • مبانی ناپیوسته Numpy basics

  • روش های داخلی Built-in methods

  • نوع طول شکل Shape Length Type

  • عملیات ریاضی Math operations

  • برش و نمایه سازی Slicing & indexing

  • انتخاب عناصر Elements Selection

پایتون 101: کتابخانه های پایتون علوم داده برای تجزیه و تحلیل داده ها (Numpy) Python 101: Data Science Python Libraries for Data Analysis (Numpy)

  • نوت بوک Colab - Numpy Colab Notebooks - Numpy

  • مبانی ناپیوسته Numpy basics

  • روش های داخلی Built-in methods

  • نوع طول شکل Shape Length Type

  • عملیات ریاضی Math operations

  • برش و نمایه سازی Slicing & indexing

  • انتخاب عناصر Elements Selection

پایتون 101: کتابخانه های پایتون علوم داده برای تجزیه و تحلیل داده ها (پاندا) Python 101: Data Science Python Libraries for Data Analysis (Pandas)

  • نوت بوک کولب - پانداها Colab Notebooks - Pandas

  • پانداها: مقدمه ای بر پانداها و دیتا فریم ها Pandas: Introduction to Pandas and DataFrames

  • خواندن داده های HTML و اعمال توابع و مرتب سازی Reading HTML data, and applying functions, and sorting

  • عملیات DataFrame DataFrame operations

  • پانداها با عملکرد Pandas with functions

  • سفارش و مرتب سازی Ordering and Sorting

  • ادغام/پیوستن/الحاق Merging/joining/concatenation

پایتون 101: کتابخانه های پایتون علوم داده برای تجزیه و تحلیل داده ها (پاندا) Python 101: Data Science Python Libraries for Data Analysis (Pandas)

  • نوت بوک کولب - پانداها Colab Notebooks - Pandas

  • پانداها: مقدمه ای بر پانداها و دیتا فریم ها Pandas: Introduction to Pandas and DataFrames

  • خواندن داده های HTML و اعمال توابع و مرتب سازی Reading HTML data, and applying functions, and sorting

  • عملیات DataFrame DataFrame operations

  • پانداها با عملکرد Pandas with functions

  • سفارش و مرتب سازی Ordering and Sorting

  • ادغام/پیوستن/الحاق Merging/joining/concatenation

پایتون 101: تجسم داده ها با Matplotlib Python 101: Data Visualization with Matplotlib

  • نوت بوک های Colab - تجسم داده ها با Matplotlib Colab Notebooks - Data Visualization with Matplotlib

  • طرح خط Line Plot

  • طرح پراکنده Scatterplot

  • نمودار دایره ای Pie Chart

  • هیستوگرام ها Histograms

  • چند قطعه Multiple Plots

  • طرح های فرعی Subplots

  • نقشه های سه بعدی 3D Plots

  • باکس پلات BoxPlot

پایتون 101: تجسم داده ها با Matplotlib Python 101: Data Visualization with Matplotlib

  • نوت بوک های Colab - تجسم داده ها با Matplotlib Colab Notebooks - Data Visualization with Matplotlib

  • طرح خط Line Plot

  • طرح پراکنده Scatterplot

  • نمودار دایره ای Pie Chart

  • هیستوگرام ها Histograms

  • چند قطعه Multiple Plots

  • طرح های فرعی Subplots

  • نقشه های سه بعدی 3D Plots

  • باکس پلات BoxPlot

پایتون 101: تجسم داده با Seaborn Python 101: Data Visualization with Seaborn

  • نوت بوک های Colab - تجسم داده ها با Seaborn Colab Notebooks - Data Visualization with Seaborn

  • تجسم داده ها با Seaborn - قسمت شماره 1 Data Visualization with Seaborn - Part #1

  • تجسم داده ها با Seaborn - قسمت شماره 2 Data Visualization with Seaborn - Part #2

پایتون 101: تجسم داده با Seaborn Python 101: Data Visualization with Seaborn

  • نوت بوک های Colab - تجسم داده ها با Seaborn Colab Notebooks - Data Visualization with Seaborn

  • تجسم داده ها با Seaborn - قسمت شماره 1 Data Visualization with Seaborn - Part #1

  • تجسم داده ها با Seaborn - قسمت شماره 2 Data Visualization with Seaborn - Part #2

********* قسمت شماره 2: پایتون برای تجزیه و تحلیل مالی******** ********* PART #2: PYTHON FOR FINANCIAL ANALYSIS*********

  • مقدمه ای بر بخش شماره 2: پایتون برای تجزیه و تحلیل مالی Introduction to Part #2: Python for Financial Analysis

********* قسمت شماره 2: پایتون برای تجزیه و تحلیل مالی******** ********* PART #2: PYTHON FOR FINANCIAL ANALYSIS*********

  • مقدمه ای بر بخش شماره 2: پایتون برای تجزیه و تحلیل مالی Introduction to Part #2: Python for Financial Analysis

تجزیه و تحلیل داده های سهام و تجسم در پایتون Stocks Data Analysis and Visualization in Python

  • نوت بوک های Colab - تجزیه و تحلیل داده های سهام و تجسم در پایتون Colab Notebooks - Stocks Data Analysis and Visualization in Python

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

تجزیه و تحلیل داده های سهام و تجسم در پایتون Stocks Data Analysis and Visualization in Python

  • نوت بوک های Colab - تجزیه و تحلیل داده های سهام و تجسم در پایتون Colab Notebooks - Stocks Data Analysis and Visualization in Python

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

تخصیص دارایی و تجزیه و تحلیل داده های آماری Asset Allocation and Statistical Data Analysis

  • نوت بوک های کولب - تخصیص دارایی و تجزیه و تحلیل داده های آماری Colab Notebooks - Asset Allocation and Statistical Data Analysis

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

تخصیص دارایی و تجزیه و تحلیل داده های آماری Asset Allocation and Statistical Data Analysis

  • نوت بوک های کولب - تخصیص دارایی و تجزیه و تحلیل داده های آماری Colab Notebooks - Asset Allocation and Statistical Data Analysis

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

مدل قیمت گذاری دارایی های سرمایه ای (CAPM) Capital Asset Pricing Model (CAPM)

  • نوت بوک های Colab - مدل قیمت گذاری دارایی های سرمایه ای (CAPM) Colab Notebooks - Capital Asset Pricing Model (CAPM)

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

مدل قیمت گذاری دارایی های سرمایه ای (CAPM) Capital Asset Pricing Model (CAPM)

  • نوت بوک های Colab - مدل قیمت گذاری دارایی های سرمایه ای (CAPM) Colab Notebooks - Capital Asset Pricing Model (CAPM)

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

******* قسمت سوم: ماشین و یادگیری عمیق در امور مالی ********* ******* PART #3: MACHINE AND DEEP LEARNING IN FINANCE *********

  • مقدمه قسمت سوم: یادگیری ماشینی و عمیق در امور مالی Introduction to Part #3: Machine and Deep Learning in Finance

******* قسمت سوم: ماشین و یادگیری عمیق در امور مالی ********* ******* PART #3: MACHINE AND DEEP LEARNING IN FINANCE *********

  • مقدمه قسمت سوم: یادگیری ماشینی و عمیق در امور مالی Introduction to Part #3: Machine and Deep Learning in Finance

پیش‌بینی قیمت‌های آتی سهام با استفاده از ماشین و یادگیری عمیق Predict Stocks Future Prices Using Machine and Deep Learning

  • نوت بوک های Colab - پیش بینی قیمت سهام آینده با استفاده از ماشین/یادگیری عمیق Colab Notebooks - Predict Future Stock Prices Using Machine/Deep Learning

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

  • وظیفه 9 Task 9

  • وظیفه 10 Task 10

  • وظیفه 11 Task 11

  • وظیفه 12 Task 12

پیش‌بینی قیمت‌های آتی سهام با استفاده از ماشین و یادگیری عمیق Predict Stocks Future Prices Using Machine and Deep Learning

  • نوت بوک های Colab - پیش بینی قیمت سهام آینده با استفاده از ماشین/یادگیری عمیق Colab Notebooks - Predict Future Stock Prices Using Machine/Deep Learning

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

  • وظیفه 9 Task 9

  • وظیفه 10 Task 10

  • وظیفه 11 Task 11

  • وظیفه 12 Task 12

تقسیم بندی بازار بانک را با استفاده از تکنیک های یادگیری ماشینی بدون نظارت انجام دهید Perform Bank Market Segmentation Using Unsupervised Machine Learning Techniques

  • نوت بوک های Colab - انجام تقسیم بندی مشتریان بانک Colab Notebooks - Perform Bank Customers Segmentation

  • بیان مشکل و پرونده تجاری Problem statement and business case

  • کتابخانه ها و مجموعه داده ها را وارد کنید Import libraries and datasets

  • تجسم داده ها Visualize data

  • الگوریتم K-means را درک کنید Understand K-means algorithm

  • K بهینه را بدست آورید Obtain optimal K

  • خوشه بندی K-means را اعمال کنید Apply K-means clustering

  • تجزیه و تحلیل مؤلفه های اصلی Principal component analysis

  • شهود رمزگذارهای خودکار Intuition of autoencoders

  • رمزگذار خودکار قطار Train autoencoder

  • رمزگذار خودکار را اعمال کنید Apply autoencoder

تقسیم بندی بازار بانک را با استفاده از تکنیک های یادگیری ماشینی بدون نظارت انجام دهید Perform Bank Market Segmentation Using Unsupervised Machine Learning Techniques

  • نوت بوک های Colab - انجام تقسیم بندی مشتریان بانک Colab Notebooks - Perform Bank Customers Segmentation

  • بیان مشکل و پرونده تجاری Problem statement and business case

  • کتابخانه ها و مجموعه داده ها را وارد کنید Import libraries and datasets

  • تجسم داده ها Visualize data

  • الگوریتم K-means را درک کنید Understand K-means algorithm

  • K بهینه را بدست آورید Obtain optimal K

  • خوشه بندی K-means را اعمال کنید Apply K-means clustering

  • تجزیه و تحلیل مؤلفه های اصلی Principal component analysis

  • شهود رمزگذارهای خودکار Intuition of autoencoders

  • رمزگذار خودکار قطار Train autoencoder

  • رمزگذار خودکار را اعمال کنید Apply autoencoder

انجام تجزیه و تحلیل احساسات بر روی داده های سهام با استفاده از پردازش زبان طبیعی Perform Sentiment Analysis On Stocks Data Using Natural Language Processing

  • نوت بوک های Colab - انجام تجزیه و تحلیل احساسات بر روی داده های سهام Colab Notebooks - Perform Sentiment Analysis on Stocks Data

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

  • وظیفه 9 Task 9

  • وظیفه 10 Task 10

انجام تجزیه و تحلیل احساسات بر روی داده های سهام با استفاده از پردازش زبان طبیعی Perform Sentiment Analysis On Stocks Data Using Natural Language Processing

  • نوت بوک های Colab - انجام تجزیه و تحلیل احساسات بر روی داده های سهام Colab Notebooks - Perform Sentiment Analysis on Stocks Data

  • وظیفه 1 Task 1

  • وظیفه 2 Task 2

  • وظیفه 3 Task 3

  • وظیفه 4 Task 4

  • وظیفه 5 Task 5

  • وظیفه 6 Task 6

  • وظیفه 7 Task 7

  • وظیفه 8 Task 8

  • وظیفه 9 Task 9

  • وظیفه 10 Task 10

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش پایتون و یادگیری ماشین برای تجزیه و تحلیل مالی
جزییات دوره
23 hours
131
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
97,066
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری