یادگیری ماشین در تجارت الگوریتمی

Machine Learning In Algorithmic Trading

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ترکیب معاملات الگوریتمی با یادگیری ماشین برای شاخص‌های بازار فارکس و بورس اصول یادگیری ماشینی و کاربردهای آن در تجارت الگوریتمی را درک کنید. یاد بگیرید که چگونه الگوریتم های یادگیری ماشینی را برای پیش بینی قیمت سهام و تصمیم گیری در مورد معاملات پیاده سازی کنید. تجربه عملی با داده‌های معاملاتی دنیای واقعی به دست آورید و یاد بگیرید که چگونه این داده‌ها را برای یادگیری ماشین پیش پردازش و تجزیه و تحلیل کنید. یاد بگیرید که چگونه عملکرد مدل های یادگیری ماشین را در زمینه تجارت الگوریتمی ارزیابی کنید. پیش نیازها: مبانی تجارت پایتون

دوره جامع "یادگیری ماشین در تجارت الگوریتمی". این دوره به منظور توانمندسازی شما با دانش و مهارت برای به کارگیری تکنیک های یادگیری ماشین در تجارت الگوریتمی طراحی شده است.

در دنیای مالی، یادگیری ماشین انقلابی در استراتژی‌های معاملاتی ایجاد کرده است. اتوماسیون، تشخیص الگو و توانایی مدیریت مجموعه داده های بزرگ و پیچیده را ارائه می دهد. با این حال، با چالش هایی مانند پیچیدگی مدل، خطر بیش از حد برازش، و نیاز به انطباق با شرایط پویای بازار نیز همراه است. هدف این دوره این است که شما را از طریق این چالش ها و پاداش ها راهنمایی کند و پایه ای محکم در یادگیری ماشین و کاربردهای آن در تجارت الگوریتمی به شما ارائه دهد.

این دوره با یک فرو رفتن عمیق در مبانی یادگیری ماشین شروع می شود و مفاهیم کلیدی و الگوریتم هایی را که برای تجارت الگوریتمی حیاتی هستند پوشش می دهد. شما یاد خواهید گرفت که چگونه از Python، یک زبان همه کاره و مبتدی، برای پیاده سازی الگوریتم های یادگیری ماشین برای تجارت استفاده کنید. با کتابخانه های قوی Python مانند Pandas و NumPy، می توانید مجموعه داده های مالی بزرگ و پیچیده را به طور موثر مدیریت و پردازش کنید.

با پیشرفت در دوره، نحوه استفاده از یادگیری ماشینی برای مدل‌سازی پیش‌بینی‌کننده را خواهید آموخت. این شامل مطالعه داده های تاریخی بازار برای آموزش یک مدل یادگیری ماشینی است که می تواند در مورد حرکات بازار آینده پیش بینی کند. سپس می‌توان از این پیش‌بینی‌ها برای اتخاذ تصمیمات تجاری آگاهانه‌تر استفاده کرد.

همچنین یاد خواهید گرفت که چگونه از یادگیری ماشین برای تشخیص الگو در داده های بازار استفاده کنید. الگوریتم‌های یادگیری ماشین در شناسایی الگوها و روابط پیچیده در مجموعه‌های داده بزرگ برتری دارند و امکان کشف سیگنال‌ها و الگوهای تجاری را می‌دهند که ممکن است برای معامله‌گران انسانی آشکار نباشد.

در پایان این دوره، درک جامعی از نحوه استفاده از یادگیری ماشینی در تجارت الگوریتمی خواهید داشت. از به دست آوردن و پیش پردازش داده ها تا ایجاد ابرپارامترها، تقسیم داده ها برای ارزیابی، بهینه سازی پارامترهای مدل، انجام پیش بینی ها و ارزیابی عملکرد، بینشی در مورد کل فرآیند به دست خواهید آورد. این دوره به گونه ای طراحی شده است که برای مبتدیان با درک اولیه از مفاهیم پایتون و یادگیری ماشین در دسترس باشد، و آن را به انتخابی عالی برای هر کسی که علاقه مند به یادگیری در مورد تجارت الگوریتمی و یادگیری ماشینی است تبدیل می کند.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • محتوای دوره Course Content

مقدمه یادگیری ماشین Machine Learning Introduction

  • یادگیری ماشین چیست What Is Machine Learning

  • درک اصول Understanding The Basics

  • انواع مدل های یادگیری ماشینی Types Of Machine Learning Models

  • بلوک های ساختمان و فرآیند یادگیری ماشینی Building Blocks And The Machine Learning Process

  • درباره برنامه های کاربردی با استفاده از یادگیری ماشین About Applications Using Machine Learning

یادگیری تحت نظارت Supervised Learning

  • یادگیری تحت نظارت Supervised Learning

  • مفاهیم کلیدی یادگیری تحت نظارت Supervised Learning Key Concepts

  • یادگیری تحت نظارت: رگرسیون بر اساس مثال Supervised Learning: Regression By Example

  • یادگیری تحت نظارت: طبقه بندی Supervised Learning: Classification

  • یادگیری تحت نظارت: فرآیند آموزشی Supervised Learning: Training Process

یادگیری بدون نظارت Unsupervised Learning

  • یادگیری بدون نظارت Unsupervised Learning

  • یادگیری بدون نظارت: مفاهیم کلیدی Unsupervised Learning: Key Concepts

  • یادگیری بدون نظارت: خط لوله فرآیند Unsupervised Learning: Process Pipeline

  • بحث یادگیری بدون نظارت: چالش ها و بهترین شیوه ها Unsupervised Learning: Challenges And Best Practices Discussion

  • یادگیری بدون نظارت: اهمیت و نکات پایانی Unsupervised Learning: Importance And Closing Notes

روش های تقسیم داده ها | Overfitting و Underfitting Data Splitting Methods | Overfitting And Underfitting

  • تقسیم داده ها برای یادگیری ماشینی Data Splitting For Machine Learning

  • تکنیک های تقسیم داده ها Data Splitting Techniques

  • Overfitting Underfitting And Generalization Overfitting Underfitting And Generalization

  • تقسیم کردن مثال های پایتون Splitting Python Examples

الگوریتم های طبقه بندی Classification Algorithms

  • مقدمه طبقه بندی کننده ها Classifiers Introduction

  • K نزدیکترین همسایه ها K Nearest Neighbors

  • K نزدیکترین همسایگان مثال پایتون K Nearest Neighbors Python Example

  • ک یعنی K means

  • K به معنای مثال پایتون است K means Python Example

  • درختان تصمیم Decision Trees

  • درخت تصمیم مثال پایتون Decision Trees Python Example

  • جنگل های تصادفی Random Forests

  • مثال پایتون جنگل های تصادفی Random Forests Python Example

  • رگرسیون لجستیک Logistic Regression

  • مثال توضیح داده شده رگرسیون لجستیک Logistic Regression Explained Example

  • مثال پایتون رگرسیون لجستیک Logistic Regression Python Example

  • طبقه بندی کننده ساده لوح بیز Naive Bayes Classifier

  • طبقه بندی کننده گاوسی ساده بیز Naive Bayes Gaussian Classifier

  • مثال ساده پایتون بیز Naive Bayes Python Example

  • ماشین های بردار پشتیبانی Support Vector Machines

  • ماشین‌های بردار پشتیبانی: هسته‌ها Support Vector Machines: Kernels

  • ماشین‌های بردار پشتیبانی: مثال پایتون Support Vector Machines: Python Example

ارزیابی طبقه بندی کننده ها Evaluating Classifiers

  • دقت، ماتریس سردرگمی و گزارش طبقه بندی Accuracy, Confusion Matrix And Classification Report

  • ROC-AUC و PR-AUC ROC-AUC And PR-AUC

  • مثال پایتون ماتریس سردرگمی Confusion Matrix Python Example

  • مثال ROC-AUC پایتون ROC-AUC Python Example

  • مثال پایتون PR-AUC PR-AUC Python Example

تجزیه و تحلیل داده ها و برچسب گذاری داده های مالی Data Analysis And Labelling Financial Data

  • درباره منابع داده و برچسب گذاری About Data Sources And Labeling

  • دانلود داده های تاریخی Downloading Historical Data

  • تجسم و بازرسی نشانگرها Visualizing And Inspecting Indicators

  • نمونه های تجسم Visualization Examples

  • برچسب گذاری داده ها Data Labeling

  • روش افق زمانی ثابت Fixed Time Horizon Method

  • افق زمانی ثابت: مثال پایتون Fixed Time Horizon: Python Example

  • روش افق زمانی بهبود یافته است Improved Time Horizon Method

  • نمونه Python Horizon بهبود یافته Improved Time Horizon Python Example

  • روش سد سه گانه Triple Barrier Method

  • مثال پایتون مانع سه گانه Triple Barrier Python Example

  • برچسب گذاری پویا خاص استراتژی Strategy Specific Dynamic Labeling

  • مثال پایتون برچسب گذاری پویا استراتژی خاص Strategy Specific Dynamic Labeling Python Example

  • بهینه سازی آستانه های استراتژی Strategy Thresholds Optimization

  • مثال استراتژی برای بهینه سازی Strategy Example For Optimization

  • بهینه سازی آستانه ها مثال پایتون Thresholds Optimization Python Example

مهندسی ویژگی Feature Engineering

  • شاخص های فنی پردازش Processing Technical Indicators

  • پردازش شاخص های فنی مثال های پایتون Processing Technical Indicators Python Examples

  • ویژگی های افزایش و کاهش ابعاد Features Enhancement And Dimensionality Reduction

  • ویژگی‌های بهبود و کاهش ابعاد مثال‌های پایتون Features Enhancement And Dimensionality Reduction Python Examples

  • عادی سازی استاندارد و یک رمزگذاری داغ Standardization Normalization And One Hot Encoding

  • عادی سازی استاندارد و مثال های پایتون کدگذاری داغ Standardization Normalization And One Hot Encoding Python Examples

آموزش مدل های یادگیری ماشین Training Machine Learning Models

  • برازش طبقه بندی کننده ها Fitting Classifiers

  • برازش طبقه بندی کننده ها بدون نشت داده ها Fitting Classifiers Without Data Leakage

  • XGBoost XGBoost

  • طبقه بندی شبکه های عصبی Neural Networks Classifier

  • XGBoost و شبکه های عصبی مثال پایتون XGBoost And Neural Networks Python Example

پشتیبان گیری مالی استراتژی های یادگیری ماشین در پایتون Financial Backtesting Of Machine Learning Strategies In Python

  • بک تست کردن شاخص های یادگیری ماشین در پایتون Backtesting Machine Learning Indicators In Python

  • جمع بندی سریع و افکار نهایی Quick Recap And Final Thoughts

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.

یادگیری ماشین در تجارت الگوریتمی
جزییات دوره
9 hours
73
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
715
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 Ziad Francis Dr Ziad Francis

دکتری، دانشمند داده