آموزش Python 2-in-1 for Business and Finance Bootcamp را کامل کنید

سرفصل ها و درس ها

شروع شدن Getting Started

• نکات: چگونه از این دوره بیشترین بهره را ببرید (از آن صرف نظر نکنید!) Tips: How to get the most out of this Course (don´t skip!)

• سوالات متداول/سوالات شما پاسخ داده شد FAQ / Your Questions answered

• نحوه دانلود و نصب Anaconda برای کدنویسی پایتون How to download and install Anaconda for Python coding

• نوت بوک های Jupyter - بیایید شروع کنیم Jupyter Notebooks - let´s get started

• نحوه کار با نوت بوک های Jupyter How to work with Jupyter Notebooks

---- قسمت 1: مبانی پایتون، ارزش زمانی پول و بودجه بندی سرمایه ---- ---- PART 1: PYTHON BASICS, TIME VALUE OF MONEY AND CAPITAL BUDGETING ----

• بررسی اجمالی و دانلود مطالب دوره برای قسمت 1 Overview & Download of Course Materials for Part 1

• پروژه های کدگذاری قسمت 1 - بررسی اجمالی Coding Projects Part 1 - Overview

نحوه استفاده از پایتون به عنوان یک ماشین حساب برای مسائل اولیه ارزش زمانی پول How to use Python as a Calculator for basic Time Value of Money Problems

• مقدمه ای بر مفهوم ارزش زمانی پول (TVM) (تئوری) Intro to the Time Value of Money (TVM) Concept (Theory)

• محاسبه مقادیر آینده (FV) با Python/Compounding Calculate Future Values (FV) with Python / Compounding

• ***جدید*** Udemy Online Coding Exercis - Intro ***NEW*** Udemy Online Coding Exercises - Intro

• ارزش آینده Future Value

• محاسبه مقادیر فعلی (PV) با پایتون/تخفیف Calculate Present Values (PV) with Python / Discounting

• ارزش حاضر Present Value

• نرخ بهره و بازده (نظریه) Interest Rates and Returns (Theory)

• محاسبه نرخ بهره و بازده با پایتون Calculate Interest Rates and Returns with Python

• نرخ بهره Interest Rates

• مقدمه ای بر متغیرها Introduction to Variables

• متغیرها Variables

• Excursus: نحوه اضافه کردن نظرات درون خطی Excursus: How to add inline comments

• متغیرها و حافظه (نظریه) Variables and Memory (Theory)

• اطلاعات بیشتر در مورد متغیرها و حافظه More on Variables and Memory

• تکلیف اضافه Addition Assignment

• متغیرها - بایدها، نبایدها و قراردادها Variables - Dos, Don´ts and Conventions

• تابع print(). The print() Function

• چاپ() print()

• تمرین کدنویسی 1 Coding Exercise 1

نحوه استفاده از لیست ها و حلقه های For برای مشکلات TVM با بسیاری از جریان های نقدی How to use Lists and For Loops for TVM Problems with many Cashflows

• مشکلات TVM با بسیاری از جریان های نقدی TVM Problems with many Cashflows

• مقدمه ای بر لیست های پایتون Intro to Python Lists

• ایجاد لیست ها Creating Lists

• نمایه سازی مبتنی بر صفر و نمایه سازی منفی در پایتون (تئوری) Zero-based Indexing and negative Indexing in Python (Theory)

• فهرست های نمایه سازی Indexing Lists

• فهرست های نمایه سازی Indexing Lists

• برای حلقه ها - تکرار روی لیست ها For Loops - Iterating over Lists

• تکرار لیست List Iteration

• محدوده Object - Iterable دیگر The range Object - another Iterable

• تکرار اشیاء در محدوده Iterating over range objects

• FV و PV را برای بسیاری از جریان های نقدی محاسبه کنید Calculate FV and PV for many Cashflows

• ارزش فعلی خالص - NPV (تئوری) The Net Present Value - NPV (Theory)

• NPV یک پروژه سرمایه گذاری را محاسبه کنید Calculate an Investment Project´s NPV

• محاسبه NPV Calculating NPV

• تمرین کدنویسی 2 Coding Exercise 2

100% پایتون: اشیا، انواع داده ها، اپراتورها و برنامه نویسی تابعی 100% Python: Objects, Data Types, Operators & Functional Programming

• انواع داده در عمل Data Types in Action

• رشته های Strings

• سلسله مراتب نوع داده (نظریه) The Data Type Hierarchy (Theory)

• Excursus: تایپ پویا در پایتون Excursus: Dynamic Typing in Python

• توابع داخلی Build-in Functions

• کارکرد Functions

• اعداد صحیح Integers

• شناورها Floats

• نحوه گرد کردن شناورها (و اعداد صحیح) با round() How to round Floats (and Integers) with round()

• گرد کردن Rounding

• اطلاعات بیشتر در مورد لیست ها More on Lists

• لیست ها و عملیات عنصر عاقلانه Lists and Element-wise Operations

• عملیات عنصر عاقلانه Element-wise Operations

• برش لیست ها Slicing Lists

• برش ورق تقلب Slicing Cheat Sheet

• برش لیست ها Slicing Lists

• تغییر عناصر در لیست ها Changing Elements in Lists

• تغییر لیست ها Changing Lists

• مرتب سازی و معکوس کردن لیست ها Sorting and Reversing Lists

• مرتب سازی لیست ها Sorting Lists

• افزودن و حذف عناصر از/به لیست ها Adding and removing Elements from/to Lists

• افزودن و حذف عناصر Adding and Removing Elements

• قابل تغییر در مقابل اشیاء غیرقابل تغییر (قسمت 1) Mutable vs. immutable Objects (Part 1)

• قابل تغییر در مقابل اشیاء غیرقابل تغییر (قسمت 2) Mutable vs. immutable Objects (Part 2)

• تمرین کدنویسی 3 Coding Exercise 3

• تاپل ها Tuples

• لغت نامه ها Dictionaries

• فرهنگ لغت Dictionary

• معرفی رشته ها Intro to Strings

• رشته ها را با حروف بزرگ بنویسید Capitalize Strings

• جایگزینی رشته String Replacement

• جایگزینی رشته String Replacement

• بولین ها Booleans

• اپراتورها (نظریه) Operators (Theory)

• مقایسه، منطقی و عضویت اپراتورها در عمل Comparison, Logical and Membership Operators in Action

• بولی ها و اپراتورها Booleans and Operators

• تمرین کدنویسی 4 Coding Exercise 4

چگونه برای IRR و YTM با حلقه های while و بیانیه های شرطی حل کنیم How to solve for IRR & YTM with While Loops and Conditional Statements

• اظهارات مشروط Conditional Statements

• شرایط Conditionals

• کلمات کلیدی عبور، ادامه و شکستن Keywords pass, continue and break

• کلید واژه ها Keywords

• محاسبه دوره بازپرداخت پروژه Calculate a Project´s Payback Period

• در حالی که حلقه ها While Loops

• در حالی که حلقه While Loop

• نرخ بازده داخلی - IRR (نظریه) The Internal Rate of Return - IRR (Theory)

• حل IRR یک پروژه Solving for a Project´s IRR

• اوراق قرضه و بازده تا سررسید - YTM (نظریه) Bonds and the Yield to Maturity - YTM (Theory)

• حل بازده اوراق قرضه تا سررسید (YTM) Solving for a Bond´s Yield to Maturity (YTM)

• تمرین کدنویسی 5 Coding Exercise 5

نحوه ایجاد نمودارهای عالی با Matplotlib - Plotting NPV و IRR How to create great graphs with Matplotlib - Plotting NPV and IRR

• مقدمه Intro

• طرح های خطی Line Plots

• پلات های پراکنده Scatter Plots

• سفارشی کردن طرح ها (قسمت 1) Customizing Plots (Part 1)

• سفارشی کردن طرح ها (قسمت 2) Customizing Plots (Part 2)

• ترسیم NPV & IRR Plotting NPV & IRR

• تمرین کدنویسی 6 Coding Exercise 6

بسته Numpy: کار با اعداد آسان شده است! The Numpy Package: Working with numbers made easy!

• ماژول ها، بسته ها و کتابخانه ها - نیازی به اختراع مجدد چرخ نیست Modules, Packages and Libraries - No need to reinvent the Wheel

• آرایه‌های Numpy Numpy Arrays

• آرایه‌های Numpy Numpy Arrays

• نمایه‌سازی و برش آرایه‌های Numpy Indexing and Slicing Numpy Arrays

• نمایه سازی و برش Indexing and Slicing

• عملیات برداری با آرایه های Numpy Vectorized Operations with Numpy Arrays

• PV با کد Numpy بردار PV with vectorized Numpy Code

• تغییر عناصر در آرایه های Numpy و تغییرپذیری Changing Elements in Numpy Arrays & Mutability

• مشاهده در مقابل کپی - مشکلات احتمالی هنگام برش آرایه های Numpy View vs. copy - potential Pitfalls when slicing Numpy Arrays

• تغییر عناصر در آرایه ها (و کپی ها) Changing elements in Arrays (and Copies)

• روش ها و ویژگی های آرایه Numpy Numpy Array Methods and Attributes

• مواد و روش ها Methods

• توابع جهانی Numpy Numpy Universal Functions

• توابع جهانی Universal Functions

• آرایه های بولی و فیلتر شرطی Boolean Arrays and Conditional Filtering

• فیلتر کردن شرطی Conditional Filtering

• فیلترینگ پیشرفته و اپراتورهای بیتی Advanced Filtering & Bitwise Operators

• فیلترینگ پیشرفته Advanced Filtering

• تعیین دوره بازگشت پروژه با np.where() Determining a Project´s Payback Period with np.where()

• ایجاد آرایه های Numpy از ابتدا Creating Numpy Arrays from Scratch

• آرایه های Numpy از ابتدا Numpy Arrays from Scratch

• تمرین کدنویسی 7 Coding Exercise 7

نحوه حل مشکلات پیچیده TVM و بودجه بندی سرمایه با پایتون و Numpy How to solve complex TVM and Capital Budgeting problems with Python and Numpy

• ارزیابی سرمایه گذاری با npf.npv() و npf.irr() Evaluating Investments with npf.npv() and npf.irr()

• ارزیابی مستمری ها با npf.fv() - فاز تامین مالی Evaluating Annuities with npf.fv() - Funding Phase

• ارزیابی مستمری ها با npf.fv() - مرحله پرداخت Evaluating Annuities with npf.fv() - Payout Phase

• نحوه حل پرداخت های سالیانه با npf.pmt() How to solve for annuity payments with npf.pmt()

• نحوه حل تعداد پرداخت های دوره ای با npf.nper() How to solve for the number of periodic payments with npf.nper()

• نحوه محاسبه ارزش قرارداد مورد نیاز با npf.pv() How to calculate the required Contract Value with npf.pv()

• فراوانی ترکیب و نرخ بهره موثر سالانه Frequency of compounding and the effective annual interest rate

• نحوه ارزیابی برنامه بازنشستگی A-Z How to evaluate a Retirement Plan A-Z

• طرح بازنشستگی: تحلیل حساسیت Retirement Plan: Sensitivity Analysis

• تجزیه و تحلیل وام مسکن - اندازه بدهی Mortgage Loan Analysis - Debt Sizing

• تجزیه و تحلیل وام مسکن - برنامه پرداخت سود و استهلاک Mortgage Loan Analysis - Interest Payments and Amortization Schedule

• محاسبه PV اقساط مساوی با npf.pv() - Valuation of Bonds Calculate PV of equal installments with npf.pv() - Valuation of Bonds

• بودجه بندی سرمایه - پروژه های انحصاری متقابل (قسمت 1) Capital Budgeting - Mutually exclusive Projects (Part 1)

• بودجه بندی سرمایه - پروژه های متقابل منحصر به فرد (قسمت 2) Capital Budgeting - Mutually exclusive Projects (Part 2)

• بودجه بندی سرمایه - پروژه های انحصاری متقابل (قسمت 3) Capital Budgeting - Mutually exclusive Projects (Part 3)

• تمرین کدنویسی 8 Coding Exercise 8

--- بخش 2: آزمون آمار و فرضیه با پایتون، NUMPY و SCIPY --- --- PART 2: STATISTICS AND HYPOTHESIS TESTING WITH PYTHON, NUMPY AND SCIPY ---

• آمار - مرور کلی، اصطلاحات و واژگان Statistics - Overview, Terms and Vocabulary

• پروژه های کدگذاری قسمت 2 - بررسی اجمالی Coding Projects Part 2 - Overview

• دانلود مطالب درسی قسمت دوم Download of Part 2 Course Materials

نحوه انجام آمار توصیفی بر روی جمعیت ها و نمونه ها How to perform Descriptive Statistics on Populations and Samples

• جمعیت در مقابل نمونه Population vs. Sample

• تجسم توزیع فرکانس با ()plt.hist Visualizing Frequency Distributions with plt.hist()

• فرکانس های نسبی و تجمعی با ()plt.hist Relative and Cumulative Frequencies with plt.hist()

• معیارهای گرایش مرکزی (نظریه) Measures of Central Tendency (Theory)

• معیارهای کدگذاری گرایش مرکزی - میانگین و میانه Coding Measures of Central Tendency - Mean and Median

• معیارهای کدگذاری گرایش مرکزی - میانگین هندسی Coding Measures of Central Tendency - Geometric Mean

• Excursus: چرا Log Returns مفید است Excursus: Why Log Returns are useful

• تغییرپذیری حول گرایش مرکزی/پراکندگی (نظریه) Variability around the Central Tendency / Dispersion (Theory)

• حداقل، حداکثر و محدوده با Python/Numpy Minimum, Maximum and Range with Python/Numpy

• واریانس و انحراف استاندارد با Python/Numpy Variance and Standard Deviation with Python/Numpy

• صدک با پایتون/Numpy Percentiles with Python/Numpy

• انحراف و کورتوزیس (نظریه) Skew and Kurtosis (Theory)

• نحوه محاسبه Skew و Kurtosis با scipy.stats How to calculate Skew and Kurtosis with scipy.stats

• تمرین کدنویسی 1 Coding Exercise 1

توزیع‌های احتمالی رایج و نحوه ایجاد فاصله‌های اطمینان Common Probability Distributions and how to construct Confidence Intervals

• نحوه تولید اعداد تصادفی با Numpy How to generate Random Numbers with Numpy

• تکرارپذیری با np.random.seed() Reproducibility with np.random.seed()

• توزیع احتمالات - بررسی اجمالی Probability Distributions - Overview

• توزیع های یکنواخت گسسته Discrete Uniform Distributions

• توزیع های یکنواخت پیوسته Continuous Uniform Distributions

• توزیع نرمال (نظریه) The Normal Distribution (Theory)

• ایجاد یک متغیر تصادفی با توزیع معمولی Creating a normally distributed Random Variable

• توزیع عادی - تابع چگالی احتمال (pdf) با scipy.stats Normal Distribution - Probability Density Function (pdf) with scipy.stats

• توزیع عادی - تابع توزیع تجمعی (cdf) با scipy.stats Normal Distribution - Cumulative Distribution Function (cdf) with scipy.stats

• توزیع نرمال استاندارد و مقادیر Z The Standard Normal Distribution and Z-Values

• ویژگی های توزیع نرمال استاندارد (نظریه) Properties of the Standard Normal Distribution (Theory)

• احتمالات و Z-Values ​​با scipy.stats Probabilities and Z-Values with scipy.stats

• فواصل اطمینان با scipy.stats Confidence Intervals with scipy.stats

• تمرین کدنویسی 2 Coding Exercise 2

نحوه تخمین پارامترهای جمعیت با نمونه - نمونه برداری و تخمین How to estimate Population parameters with Samples - Sampling and Estimation

• آمار نمونه، خطای نمونه گیری و توزیع نمونه گیری (نظریه) Sample Statistic, Sampling Error and Sampling Distribution (Theory)

• نمونه برداری با np.random.choice() Sampling with np.random.choice()

• توزیع نمونه گیری Sampling Distribution

• خطای استاندارد Standard Error

• قضیه حد مرکزی (کدگذاری قسمت 1) Central Limit Theorem (Coding Part 1)

• قضیه حد مرکزی (کدگذاری قسمت 2) Central Limit Theorem (Coding Part 2)

• قضیه حد مرکزی (نظریه) Central Limit Theorem (Theory)

• تخمین نقطه در مقابل تخمین فاصله اطمینان (واریانس جمعیت شناخته شده) Point Estimates vs. Confidence Interval Estimates (known Population Variance)

• توزیع t Student: چیست و چرا/چه زمانی از آن استفاده می کنیم؟ The Student´s t-distribution: What is it and why/when do we use it?

• واریانس جمعیت ناشناخته - حالت استاندارد (مثال 1) Unknown Population Variance - the Standard Case (Example 1)

• واریانس جمعیت ناشناخته - مورد استاندارد (مثال 2) Unknown Population Variance - the Standard Case (Example 2)

• توزیع t دانش‌آموز در مقابل توزیع عادی با scipy.stats Student´s t-Distribution vs. Normal Distribution with scipy.stats

• بوت استرپ با پایتون: یک روش جایگزین بدون آمار Bootstrapping with Python: an alternative method without Statistics

• تمرین کدنویسی 3 Coding Exercise 3

نحوه انجام تست های فرضیه: Z-Tests، T-Tests، Bootstrapping و موارد دیگر How to perform Hypothesis Tests: Z-Tests, t-Tests, Bootstrapping & more

• آزمون فرضیه (نظریه) Hypothesis Testing (Theory)

• تست Z دو دنباله با واریانس جمعیت شناخته شده Two-tailed Z-Test with known Population Variance

• مقدار p چیست؟ (تئوری) What is the p-value? (Theory)

• محاسبه و تفسیر آمار z و p-value با scipy.stats Calculating and interpreting z-statistic and p-value with scipy.stats

• تست Z یک دم با واریانس جمعیت شناخته شده One-tailed Z-Test with known Population Variance

• آزمون t دو طرفه (واریانس جمعیت ناشناخته) Two-tailed t-Test (unknown Population Variance)

• آزمون t یک دم (واریانس جمعیت ناشناخته) One-tailed t-Test (unknown Population Variance)

• تست فرضیه با بوت استرپینگ Hypothesis Testing with Bootstrapping

• تست نرمال بودن بازده مالی با scipy.stats Testing for Normality of Financial Returns with scipy.stats

• تمرین کدنویسی 4 Coding Exercise 4

-- قسمت 3: شبیه سازی های پایتون پیشرفته، مونت کارلو و ارزش در معرض خطر (VAR) --- -- PART 3: ADVANCED PYTHON, MONTE CARLO SIMULATIONS AND VALUE AT RISK (VAR) ---

• *اعلان به روز رسانی (ژوئن 2021)* *Update Notice (June 2021)*

• بررسی اجمالی و دانلود مطالب دوره برای قسمت 3 Overview & Download of Course Materials for Part 3

• پروژه های کدگذاری قسمت 3 - بررسی اجمالی Coding Projects Part 3 - Overview

آرایه های Numpy n بعدی/نحوه کار با داده های جدولی عددی n-dimensional Numpy Arrays / How to work with numerical Tabular Data

• نحوه کار با لیست های تو در تو How to work with nested Lists

• آرایه های 2 بعدی Numpy 2-dimensional Numpy Arrays

• چگونه آرایه های Numpy 2 کم نور را برش دهیم (قسمت 1) How to slice 2-dim Numpy Arrays (Part 1)

• نحوه برش آرایه‌های Numpy 2 کم نور (قسمت 2) How to slice 2-dim Numpy Arrays (Part 2)

• خلاصه: تغییر عناصر در یک آرایه/برش Numpy Recap: Changing Elements in a Numpy Array / slice

• نحوه انجام عملیات بر اساس ردیف و ستون How to perform row-wise and column-wise Operations

• تغییر شکل و جابجایی آرایه‌های Numpy 2-Dm Reshaping and Transposing 2-dim Numpy Arrays

• ایجاد آرایه های Numpy 2 کم نور از ابتدا Creating 2-dim Numpy Arrays from Scratch

• عملیات محاسباتی و برداری با آرایه‌های Numpy 2-Dm Arithmetic & Vectorized Operations with 2-dim Numpy Arrays

• پارامتر keepdims The keepdims parameter

• افزودن و حذف عناصر Adding & Removing Elements

• ادغام و الحاق آرایه های Numpy Merging and Concatenating Numpy Arrays

• تمرین کدنویسی 1 Coding Exercise 1

چگونه توابع تعریف شده توسط کاربر خود را ایجاد کنید How to create your own user-defined Functions

• تعریف اولین تابع تعریف شده توسط کاربر Defining your first user-defined Function

• تفاوت بین آرگومان های موضعی در مقابل آرگومان های کلیدواژه چیست؟ What´s the difference between Positional Arguments vs. Keyword Arguments?

• نحوه کار با آرگومان های پیش فرض How to work with Default Arguments

• آرگومان پیش فرض هیچ کدام The Default Argument None

• چگونه Iterables را باز کنیم How to unpack Iterables

• دنباله ها به عنوان آرگومان و *args Sequences as arguments and *args

• چگونه بسیاری از نتایج را برگردانیم How to return many results

• دامنه - به راحتی توضیح داده شده است Scope - easily explained

• نحوه ایجاد توابع تو در تو How to create Nested Functions

• قرار دادن همه آن ها با هم - مطالعه موردی Putting it all together - Case Study

• تمرین کدنویسی 2 Coding Exercise 2

شبیه سازی مونت کارلو و ارزش در معرض خطر (VAR) با پایتون و Numpy Monte Carlo Simulations and Value-at-Risk (VAR) with Python and Numpy

• ارزش در معرض خطر (VaR) چیست؟ (تئوری) What is the Value-at-Risk (VaR)? (Theory)

• تجزیه و تحلیل داده ها/عملکرد گذشته Analyzing the Data / past Performance

• نحوه استفاده از روش پارامتریک برای محاسبه ارزش در معرض خطر (VaR) How to use the Parametric Method to calculate Value-at-Risk (VaR)

• نحوه استفاده از روش تاریخی برای محاسبه ارزش در معرض خطر (VaR) How to use the Historical Method to calculate Value-at-Risk (VaR)

• شبیه سازی مونت کارلو برای ارزش در معرض خطر - پارامتریک (قسمت 1) Monte Carlo Simulations for Value-at-Risk - Parametric (Part 1)

• شبیه سازی مونت کارلو برای ارزش در معرض خطر - پارامتریک (قسمت 2) Monte Carlo Simulations for Value-at-Risk - Parametric (Part 2)

• شبیه سازی مونت کارلو برای ارزش در معرض خطر - پارامتریک (قسمت 3) Monte Carlo Simulations for Value-at-Risk - Parametric (Part 3)

• شبیه سازی مونت کارلو برای ارزش در معرض خطر - بوت استرپ (قسمت 1) Monte Carlo Simulations for Value-at-Risk - Bootstrapping (Part 1)

• شبیه سازی مونت کارلو برای ارزش در معرض خطر - بوت استرپ (قسمت 2) Monte Carlo Simulations for Value-at-Risk - Bootstrapping (Part 2)

• ارزش در معرض خطر شرطی (CVaR) Conditional Value-at-Risk (CVaR)

• شبیه سازی های پویا و وابسته به مسیر (قسمت 1) Dynamic & path-dependent Simulations (Part 1)

• شبیه سازی های پویا و وابسته به مسیر (قسمت 2) Dynamic & path-dependent Simulations (Part 2)

• شبیه سازی های پویا و وابسته به مسیر (قسمت 3) Dynamic & path-dependent Simulations (Part 3)

• شبیه سازی های پویا و وابسته به مسیر (قسمت 4) Dynamic & path-dependent Simulations (Part 4)

• تمرین کدنویسی 3 Coding Exercise 3

--- قسمت 4: مدیریت داده ها (مالی) با پانداها: فراتر از اکسل --- --- PART 4: MANAGING (FINANCIAL) DATA WITH PANDAS: BEYOND EXCEL ---

• معرفی Introduction

• دانلود مطالب درسی قسمت چهارم Download of Part 4 Course Materials

• داده های جدولی و دیتا فریم های پاندا Tabular Data and Pandas DataFrames

اصول پانداها - شروع از صفر Pandas Basics - Starting from Zero

• مراحل اول (بازرسی داده ها، قسمت 1) First Steps (Inspection of Data, Part 1)

• مراحل اول (بازرسی داده ها، قسمت 2) First Steps (Inspection of Data, Part 2)

• توابع، ویژگی ها و روش های داخلی Built-in Functions, Attributes and Methods

• مجموعه داده های خود را کاوش کنید: تمرین کدگذاری 1 (مقدمه) Explore your own Dataset: Coding Exercise 1 (Intro)

• مجموعه داده های خود را کاوش کنید: تمرین کدگذاری 1 (راه حل) Explore your own Dataset: Coding Exercise 1 (Solution)

• انتخاب ستون ها Selecting Columns

• انتخاب ردیف هایی با براکت مربع (توصیه نمی شود) Selecting Rows with Square Brackets (not advisable)

• انتخاب ردیف‌ها با iloc (نمایه‌گذاری مبتنی بر موقعیت) Selecting Rows with iloc (position-based indexing)

• برش سطرها و ستون ها با iloc (نمایه گذاری مبتنی بر موقعیت) Slicing Rows and Columns with iloc (position-based indexing)

• برگه های تقلب نمایه سازی مبتنی بر موقعیت Position-based Indexing Cheat Sheets

• انتخاب ردیف‌هایی با loc (نمایه‌گذاری مبتنی بر برچسب) Selecting Rows with loc (label-based indexing)

• برش سطرها و ستون ها با loc (نمایه گذاری مبتنی بر برچسب) Slicing Rows and Columns with loc (label-based indexing)

• برگه های تقلب نمایه سازی مبتنی بر برچسب Label-based Indexing Cheat Sheets

• خلاصه و چشم انداز Summary and Outlook

• تمرین کدنویسی 2 (مقدمه) Coding Exercise 2 (Intro)

• تمرین کدنویسی 2 (راه حل) Coding Exercise 2 (Solution)

پانداهای متوسط Pandas Intermediate

• مقدمه Intro

• قدم های اول با سری پانداها First Steps with Pandas Series

• تجزیه و تحلیل سری های عددی با ()()unnique و value_counts() Analyzing Numerical Series with unique(), nunique() and value_counts()

• به روز رسانی Pandas نسخه 0.24.0 (ژانویه 2019) UPDATE Pandas Version 0.24.0 (Jan 2019)

• EXCURSUS: به روز رسانی پانداها/آناکوندا EXCURSUS: Updating Pandas / Anaconda

• تجزیه و تحلیل سری های غیر عددی با ()، nunique()، value_counts() Analyzing non-numerical Series with unique(), nunique(), value_counts()

• متد copy(). The copy() method

• مرتب سازی سری ها و مقدمه ای بر پارامتر - inplace Sorting of Series and Introduction to the inplace - parameter

• تمرین کدنویسی 3 (مقدمه) Coding Exercise 3 (Intro)

• تمرین کدنویسی 3 (راه حل) Coding Exercise 3 (Solution)

• اولین قدم ها با اشیاء شاخص پاندا First Steps with Pandas Index Objects

• تغییر فهرست ردیف با set_index() و reset_index() Changing Row Index with set_index() and reset_index()

• تغییر برچسب های ستون Changing Column Labels

• تغییر نام برچسب‌های فهرست و ستون با rename() Renaming Index & Column Labels with rename()

• تمرین کدنویسی 4 (مقدمه) Coding Exercise 4 (Intro)

• تمرین کدنویسی 4 (راه حل) Coding Exercise 4 (Solution)

• مرتب سازی DataFrame با sort_index() و sort_values() Sorting DataFrames with sort_index() and sort_values()

• nunique() و nlargest()/nsmallest() با DataFrames nunique() and nlargest() / nsmallest() with DataFrames

• فیلتر کردن DataFrames (یک شرط) Filtering DataFrames (one Condition)

• فیلتر کردن DataFrame بر اساس بسیاری از شرایط (AND) Filtering DataFrames by many Conditions (AND)

• فیلتر کردن DataFrame بر اساس بسیاری از شرایط (OR) Filtering DataFrames by many Conditions (OR)

• فیلترینگ پیشرفته با بین()، isin() و ~ Advanced Filtering with between(), isin() and ~

• any() و all() any() and all()

• تمرین کدنویسی 5 (مقدمه) Coding Exercise 5 (Intro)

• تمرین کدنویسی 5 (راه حل) Coding Exercise 5 (Solution)

• مقدمه ای بر ارزش های NA/ارزش های گمشده Intro to NA Values / missing Values

• مدیریت ارزش های NA/ارزش های گمشده Handling NA Values / missing Values

• صادر کردن DataFrames به csv Exporting DataFrames to csv

• خلاصه آمار و انباشت Summary Statistics and Accumulations

• متد agg(). The agg() method

• تمرین کدنویسی 6 (مقدمه) Coding Exercise 6 (Intro)

• تمرین کدنویسی 6 (راه حل) Coding Exercise 6 (Solution)

تجسم داده ها با پانداها، Matplotlib و Seaborn Data Visualization with Pandas, Matplotlib and Seaborn

• مقدمه Intro

• تجسم با Matplotlib (مقدمه) Visualization with Matplotlib (Intro)

• سفارشی سازی پلات ها Customization of Plots

• هیستوگرام (بخش 1) Histogramms (Part 1)

• هیستوگرام (بخش 2) Histogramms (Part 2)

• نمودارهای پراکنده Scatterplots

• قدم های اول با Seaborn First Steps with Seaborn

• توطئه های طبقه بندی شده در دریا Categorical Seaborn Plots

• نمودارهای رگرسیون دریایی Seaborn Regression Plots

• نقشه های حرارتی دریا Seaborn Heatmaps

• تمرین کدنویسی 7 (مقدمه) Coding Exercise 7 (Intro)

• تمرین کدنویسی 7 (راه حل) Coding Exercise 7 (Solution)

پانداهای پیشرفته Pandas Advanced

• مقدمه Intro

• حذف ستون ها Removing Columns

• حذف ردیف ها Removing Rows

• اضافه کردن ستون های جدید به DataFrame Adding new Columns to a DataFrame

• عملیات حسابی (قسمت 1) Arithmetic Operations (Part 1)

• عملیات حسابی (قسمت 2) Arithmetic Operations (Part 2)

• ایجاد DataFrame از ابتدا با pd.DataFrame() Creating DataFrames from Scratch with pd.DataFrame()

• افزودن ردیف های جدید (دستی) Adding new Rows (Hands-on)

• افزودن ردیف های جدید به DataFrame Adding new Rows to a DataFrame

• دستکاری عناصر در یک DataFrame Manipulating Elements in a DataFrame

• تمرین کدنویسی 8 (مقدمه) Coding Exercise 8 (Intro)

• تمرین کدنویسی 8 (راه حل) Coding Exercise 8 (Solution)

• مقدمه ای بر عملیات GroupBy Introduction to GroupBy Operations

• درک شی GroupBy Understanding the GroupBy Object

• تقسیم با کلیدهای زیادی Splitting with many Keys

• تقسیم - اعمال - ترکیب split-apply-combine

• split-apply-combine اعمال شد split-apply-combine applied

• نمایه سازی سلسله مراتبی با Groupby Hierarchical Indexing with Groupby

• stack() و unstack() stack() and unstack()

• تمرین کدنویسی 9 (مقدمه) Coding Exercise 9 (Intro)

• تمرین کدنویسی 9 (راه حل) Coding Exercise 9 (Solution)

مدیریت سری های زمانی و داده های مالی با پانداها Managing Time Series and Financial Data with Pandas

• وارد کردن داده‌های سری زمانی از فایل‌های csv Importing Time Series Data from csv-files

• تبدیل رشته ها به اشیاء datetime با ()pd.to_datetime Converting strings to datetime objects with pd.to_datetime()

• تجزیه و تحلیل اولیه/تجسم سری های زمانی Initial Analysis / Visualization of Time Series

• فهرست بندی و برش سری های زمانی Indexing and Slicing Time Series

• ایجاد یک DatetimeIndex سفارشی با pd.date_range() Creating a customized DatetimeIndex with pd.date_range()

• اطلاعات بیشتر در pd.date_range() More on pd.date_range()

• تمرین کدنویسی 10 (مقدمه) Coding Exercise 10 (intro)

• تمرین کدنویسی 10 (راه حل) Coding Exercise 10 (Solution)

• نمونه برداری از سری زمانی با resample() (قسمت 1) Downsampling Time Series with resample() (Part 1)

• نمونه برداری از سری زمانی با نمونه مجدد (قسمت 2) Downsampling Time Series with resample (Part 2)

• شی PeriodIndex The PeriodIndex object

• نمایه سازی پیشرفته با reindex() Advanced Indexing with reindex()

• تمرین کدنویسی 11 (مقدمه) Coding Exercise 11 (intro)

• تمرین کدنویسی 11 (راه حل) Coding Exercise 11 (Solution)

• آماده شدن (نصب کتابخانه مورد نیاز) Getting Ready (Installing required library)

• وارد کردن داده های قیمت سهام از Yahoo Finance (هنوز کار می کند!) Importing Stock Price Data from Yahoo Finance (it still works!)

• بازرسی اولیه و تجسم Initial Inspection and Visualization

• عادی سازی سری زمانی به مقدار پایه (100) Normalizing Time Series to a Base Value (100)

• متد ()shift The shift() method

• متدهای diff() و pct_change() The methods diff() and pct_change()

• اندازه گیری عملکرد سهام با بازده MEAN و STD از بازده Measuring Stock Performance with MEAN Returns and STD of Returns

• سری زمانی مالی - بازده و ریسک Financial Time Series - Return and Risk

• سری زمانی مالی - کوواریانس و همبستگی Financial Time Series - Covariance and Correlation

• وارد کردن داده های مالی از اکسل Importing Financial Data from Excel

• ادغام/همسویی سری زمانی مالی (به صورت عملی) Merging / Aligning Financial Time Series (hands-on)

• تمرین کدنویسی 12 (مقدمه) Coding Exercise 12 (intro)

• تمرین کدگذاری 12 (راه حل) Coding Exercise 12 (Solution)

ایجاد، تجزیه و تحلیل و بهینه سازی پورتفولیوهای مالی با پایتون Creating, analyzing and optimizing Financial Portfolios with Python

• مقدمه Intro

• دریافت داده ها Getting the Data

• ایجاد نمونه کارها با وزن یکسان Creating the equally-weighted Portfolio

• ایجاد بسیاری از نمونه کارها تصادفی با پایتون Creating many random Portfolios with Python

• نسبت شارپ و دارایی بدون ریسک چیست؟ What is the Sharpe Ratio and a Risk Free Asset?

• تجزیه و تحلیل پورتفولیو و نسبت شارپ با پایتون Portfolio Analysis and the Sharpe Ratio with Python

• یافتن نمونه کارها بهینه Finding the Optimal Portfolio

• Excursus: بهینه سازی نمونه کارها با scipy Excursus: Portfolio Optimization with scipy

• نسبت شارپ - تجسم و توضیح داده شده است Sharpe Ratio - visualized and explained

• تمرین کدنویسی 13 (مقدمه) Coding Exercise 13 (Intro)

• تمرین کدنویسی 13 (راه حل) Coding Exercise 13 (Solution)

• مقدمه CAPM Intro CAPM

• خط بازار سرمایه (CML) و قضیه دو صندوق Capital Market Line (CML) & Two-Fund-Theorem

• اثر تنوع پرتفولیو The Portfolio Diversification Effect

• ریسک سیستماتیک در مقابل غیر سیستماتیک Systematic vs. unsystematic Risk

• مدل قیمت گذاری دارایی سرمایه (CAPM) و خط بازار امنیت (SLM) Capital Asset Pricing Model (CAPM) & Security Market Line (SLM)

• بتا و آلفا Beta and Alpha

• بازتعریف پورتفولیوی بازار Redefining the Market Portfolio

• سهام چرخه ای در مقابل سهام غیر چرخه ای - شهود دیگری در بتا Cyclical vs. non-cyclical Stocks - another Intuition on Beta

• تمرین کدنویسی 14 (مقدمه) Coding Exercise 14 (Intro)

• تمرین کدنویسی 14 (راه حل) Coding Exercise 14 (Solution)

--- بخش 5: تجزیه و تحلیل رگرسیون (یکی از موارد ضروری برای یادگیری ماشینی) --- --- PART 5: REGRESSION ANALYSIS (A MUST-HAVE FOR MACHINE LEARNING) ---

• مقدمه ای بر تحلیل رگرسیون Introduction to Regression Analysis

• پروژه های کدگذاری قسمت 5 - بررسی اجمالی Coding Projects Part 5 - Overview

• دانلود مطالب درسی قسمت 5 Download of Part 5 Course Materials

همبستگی و رگرسیون Correlation and Regression

• تمیز کردن و آماده سازی پایگاه داده ها - فیلم ها (قسمت 1) Cleaning and preparing the Data - Movies Database (Part 1)

• تمیز کردن و آماده سازی پایگاه داده - فیلم ها (قسمت 2) Cleaning and preparing the Data - Movies Database (Part 2)

• کوواریانس و ضریب همبستگی (نظریه) Covariance and Correlation Coefficient (Theory)

• نحوه محاسبه کوواریانس و همبستگی در پایتون How to calculate Covariance and Correlation in Python

• همبستگی و پراکندگی - تفسیر بصری Correlation and Scatterplots – visual Interpretation

• ایجاد فاصله اطمینان برای ضریب همبستگی (Bootstrapping) Creating a Confidence Interval for the Correlation Coefficient (Bootstrapping)

• تست همبستگی (T-Test) Testing for Correlation (t-Test)

• رگرسیون خطی چیست؟ (تئوری) What is Linear Regression? (Theory)

• یک مدل رگرسیون خطی ساده با numpy و scipy A simple Linear Regression Model with numpy & Scipy

• نحوه تفسیر ضریب فاصله و شیب How to interpret Intercept and Slope Coefficient

• مطالعه موردی (قسمت 1): مدل بازار (مدل تک عاملی) Case Study (Part 1): The Market Model (Single Factor Model)

• مطالعه موردی (بخش 2): مدل بازار (مدل تک عاملی) Case Study (Part 2): The Market Model (Single Factor Model)

• تمرین کدنویسی 1 Coding Exercise 1

رگرسیون OLS، ANOVA و آزمون فرضیه OLS Regression, ANOVA and Hypothesis Testing

• OLS (کمترین مربعات معمولی) رگرسیون (نظریه) OLS (Ordinary Least Squares) Regression (Theory)

• رگرسیون OLS با مدل های آماری - مقدمه OLS Regression with statsmodels - Intro

• رگرسیون OLS - ANOVA (نظریه) OLS Regression - ANOVA (Theory)

• رگرسیون OLS با Statsmodels - ANOVA OLS Regression with Statsmodels - ANOVA

• ضریب تعیین (R مجذور) Coefficient of Determination (R squared)

• رگرسیون OLS با مدل های آماری و DataFrames OLS Regression with statsmodels and DataFrames

• فواصل اطمینان برای ضرایب رگرسیون - Bootstrapping Confidence Intervals for Regression Coefficients - Bootstrapping

• آزمون فرضیه ضرایب رگرسیون (نظریه) Hypothesis Testing of Regression Coefficients (Theory)

• آزمون فرضیه ضرایب رگرسیون با مدل های آماری Hypothesis Testing of Regression Coefficients with statsmodels

• تجزیه و تحلیل رگرسیون با مدل های آماری - جدول خلاصه Regression Analysis with statsmodels - the Summary Table

• مطالعه موردی (بخش 3): مدل بازار (مدل تک عاملی) Case Study (Part 3): The Market Model (Single Factor Model)

• تمرین کدنویسی 2 Coding Exercise 2

مدل های رگرسیون چندگانه Multiple Regression Models

• رگرسیون چندگانه (نظریه) Multiple Regression (Theory)

• مجموعه داده فیلم ها - آماده سازی داده ها Movies Dataset - Preparing the Data

• تجزیه و تحلیل رگرسیون چندگانه با مدل های آماری Multiple Regression Analysis with statsmodels

• ضریب تعیین (R تعدیل شده در مجذور) Coefficient of Determination (Adjusted R squared)

• ضرایب رگرسیون، آزمون فرضیه و مشخصات مدل Regression Coefficients, Hypothesis Testing & Model Specification

• نحوه آزمایش اهمیت مدل به عنوان یک کل (تست F) How to test the Significance of the Model as a whole (F-Test)

• ایجاد و کار با متغیرهای ساختگی (قسمت 1) Creating and working with Dummy Variables (Part 1)

• ایجاد و کار با متغیرهای ساختگی (قسمت 2) Creating and working with Dummy Variables (Part 2)

• تمرین کدنویسی 3 Coding Exercise 3

مطالعه موردی: مدل های چند عاملی (فاما-فرنچ) Case Study: Multi-Factor Models (Fama-French)

• فاما-فرانسه: مقدمه Fama-French: An Introduction

• مدل‌های تک فاکتوری با مجموعه فاما-فرنچ مارکت (قسمت اول) Single-Factor Models with the Fama-French Market Portfolio (Part 1)

• مدل‌های تک فاکتوری با مجموعه فاما-فرنچ مارکت (قسمت دوم) Single-Factor Models with the Fama-French Market Portfolio (Part 2)

• اندازه و ارزش عوامل The Factors Size & Value

• چگونه یک مدل سه عاملی فاما-فرنچ بسازیم How to create a Fama-French Three-Factor Model

• عوامل سودآوری و سرمایه گذاری The Factors Profitability and Investment

• چگونه یک مدل پنج عاملی فاما-فرنچ بسازیم How to create a Fama-French Five-Factor Model

• تمرین کدنویسی 4 Coding Exercise 4

مسائل مربوط به تحلیل رگرسیون خطی و رگرسیون لجستیک Issues in Linear Regression Analysis and Logistic Regression

• رگرسیون خطی - به همین راحتی نیست! Linear Regression - not that easy!

• شناسایی و مدیریت موارد پرت (قسمت 1) Detecting and Handling Outliers (Part 1)

• شناسایی و مدیریت موارد پرت (قسمت 2) Detecting and Handling Outliers (Part 2)

• روابط غیر خطی - تبدیل ویژگی Non-Linear Relationships - Feature Transformation

• تشخیص و مدیریت چند خطی Detecting and Handling Multicollinearity

• تشخیص و تصحیح ناهمگونی Detecting and Correcting Heteroskedasticity

• تشخیص و مدیریت همبستگی سریال (همبستگی خودکار) Detecting and Handling Serial Correlation (Autocorrelation)

• رگرسیون لجستیک (نظریه) Logistic Regression (Theory)

• رگرسیون لجستیک با مدل های آماری (قسمت 1) Logistic Regression with statsmodels (Part 1)

• رگرسیون لجستیک با مدل های آماری (قسمت 2) Logistic Regression with statsmodels (Part 2)

بخش اضافی: مقدمه ای بر برنامه نویسی شی گرا (OOP) Extra Section: Introduction to Object Oriented Programming (OOP)

• دانلود برای این بخش Downloads for this Section

• مقدمه ای بر OOP و مثال هایی برای کلاس ها Introduction to OOP and examples for Classes

• کلاس Financial Instrument زنده در عمل (قسمت 1) The FinancialInstrument Class live in action (Part 1)

• The Financial Instrument Class live in action (قسمت 2) The FinancialInstrument Class live in action (Part 2)

• روش خاص __init__() The special method __init__()

• متد get_data() The method get_data()

• متد log_returns() The method log_returns()

• نمایش رشته و روش خاص __repr__() String representation and the special method __repr__()

• متدهای plot_prices() و plot_returns() The methods plot_prices() and plot_returns()

• کپسوله سازی و ویژگی های محافظت شده Encapsulation and protected Attributes

• متد set_ticker() The method set_ticker()

• افزودن روش‌ها و معیارهای عملکرد بیشتر Adding more methods and performance metrics

• وراثت Inheritance

• وراثت و تابع () super Inheritance and the super() Function

• افزودن Docstrings معنی دار Adding meaningful Docstrings

• ایجاد و وارد کردن ماژول های پایتون (.py) Creating and Importing Python Modules (.py)

• تمرین کدنویسی: کلاس خود را ایجاد کنید Coding Exercise: Create your own Class

بعد چی؟ (چشم انداز و منابع اضافی) What´s next? (outlook and additional resources)

• سخنرانی پاداش Bonus Lecture