آشنایی با مدل هوش مصنوعی Finance-Llama-8B
حتما همه شما تا الان با یکی از این چت بات های هوشمند که مبتنی بر مدل های هوش مصنوعی (LLM) هستند کار کرده اید. هوش مصنوعی هایی مانند chatgpt و deepseek و ... . این هوش مصنوعی ها بر پایه یک مدل هوش مصنوعی مدل زبانی بزرگ یا LLM ایجاد شده اند. یکی از این مدل ها؛ مدل Llama است که توسط شرکت Meta توسعه داده شده است. بر روی این مدل، با استفاده از داده های اقتصادی و مالی ، یک مدل دیگر به نام Finance-Llama-8B توسعه داده شده است که ویژگی های بسیار جالبی دارد، مثلا تحلیل صورت‌های مالی، بررسی گزارش‌های سالانه و 10-K، تحلیل بازار، ریسک و بازده و تحلیل مفاهیم اقتصاد کلان و مالی رفتاری.
می توانید صورت مالی یک شرکت را به مدل بدهید و به راحتی بخواهید که آن را تحلیل کند و نسب های مالی را استخراج کند.
دقت مدل به حدی است که در پاسخ گویی به سوالات آزمون CFA کاملا موفق عمل کرده است.
همچنین مدل در تشخیص زبان فارسی به نحو بسیار خوبی عمل می کند.
برای بررسی این مدل به صورت آنلاین می توانید از لینک زیر استفاده کنید یا مدل را روی رایانه خود نصب کنید.
🌐 بررسی آنلاین مدل Finance-Llama-8B
پی‌نوشت: بعدا ان شاء الله مطالب و آموزش هایی را در خصوص اصول کار LLM ها و راهنمای استفاده از مدلهای هوش مصنوعی روی رایانه های شخصی در کانال قرار می دهم. اگر علاقه مند بودید که آموزش این موضوع با اولویت در کانال منتشر شود، لطفا با ❤️ اعلام نمایید.

#AI

🆔 t.me/python4finance
🆔 ble.ir/python4finance

میلاد با سعادت منجی عالم بشریت، حضرت مهدی موعود (ع) مبارک باد.

#مناسبت

🆔 t.me/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «اقتصاد سنجی و علم داده» به انگلیسی «Econometrics and Data Science»
این کتاب با نگاهی حرفه‌ای و کاربردی، پلی میان اقتصادسنجی کلاسیک و علم داده و یادگیری ماشین ایجاد می‌کند و نشان می‌دهد چگونه می‌توان مسائل اقتصادی را با رویکردی مدرن و مبتنی بر داده حل‌وفصل کرد. نویسنده از مفاهیم پایه‌ای مانند واریانس، کوواریانس و رگرسیون حداقل مربعات شروع کرده و به ارزیابی مدل‌ها، تحلیل باقیمانده‌ها و تفسیر نتایج می‌پردازد. سپس با فاصله گرفتن از مدل‌های سنتی سری زمانی، مدل‌های جمع‌پذیر غیرخطی را معرفی می‌کند. کتاب همچنین به مدل‌سازی غیرخطی از طریق رگرسیون لجستیک، مدل‌های مارکوف پنهان و خوشه‌بندی K-Means می‌پردازد. در ادامه، کاربرد عملی یادگیری عمیق، شبیه‌سازی مونت‌کارلو و مدل‌یابی معادلات ساختاری برای تحلیل روابط علّی تشریح می‌شود. تمامی مباحث با استفاده از پایتون و کتابخانه‌های کلیدی مانند Scikit-Learn، Keras و Pandas پیاده‌سازی شده‌اند. این کتاب منبعی ارزشمند برای تحلیلگران مالی است که به‌دنبال ارتقای مهارت‌های تحلیلی خود با ابزارهای نوین داده‌محور هستند.
#معرفی_کتاب
#اقتصاد_سنجی
#یادگیری_ماشین

🆔 @python4finance

دانلود کتاب «اقتصاد سنجی و علم داده» به انگلیسی «Econometrics and Data Science»
این کتاب منبعی ارزشمند برای تحلیلگران مالی است که به‌دنبال ارتقای مهارت‌های تحلیلی خود با ابزارهای نوین داده‌محور هستند.

#دانلود_کتاب
#اقتصاد_سنجی
#یادگیری_ماشین

🆔 @python4finance

معرفی ابزار Msty — تجربه‌ای متفاوت برای کار با LLMهای لوکال .بخش اول

معرفی ابزار Msty — تجربه‌ای متفاوت برای کار با LLMهای لوکال

اگر با ابزارهایی مثل Ollama کار کرده باشید، احتمالاً می‌دانید که اجرای مدل‌های زبانی به‌صورت لوکال دیگر مثل گذشته پیچیده نیست. اینکه با وجود اینهمه مدلهای آنلاین چرا نیاز به استفاده آفلاین از مدلها داریم ممکن است به دلایل زیر باشد:
1- عدم دسترسی دائمی به اینترنت
2- حجم بالای استفاده از مدل ها (مدلهای رایگان معمولا تعداد کمی درخواست را در روز پردازش می کنند)
3- امنیت اطلاعات یا داده های شخصی، خیلی از اوقات امنیت مطالبی که می خواهیم بررسی کنیم بسیار بالاست و نمی خواهم در اینترنت پخش شود.
4- افزایش دانش مدل در یک حوزه خاص (با Fine Tunning یا RAG و...)
5- توسعه پلت فرم شخصی

ابزارهای مختلفی برای استفاده آفلاین مدلهای LLM وجود دارد که برخی از معروف ترین آنها عبارتند از :
Ollama , LmStudio , Pinokio , MSTY , ...

ادامه در پست بعد ...

#AI
#LLM
#LocalAI
#Python

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

معرفی ابزار Msty — تجربه‌ای متفاوت برای کار با LLMهای لوکال . بخش دوم

... ادامه از پست قبل

در این پست به ابزاری به نام Msty می پردازیم. Msty تلاش کرده یک لایه بالاتر از صرفاً اجرای مدل‌ها ایجاد کند و محیطی یکپارچه برای کار روزمره با AI بسازد.
شعار Msty هم بسیار جالب است: Simple.Powerful.Priveate

به‌طور خلاصه، اگر Ollama را موتور اجرای مدل‌ها در نظر بگیریم، Msty بیشتر شبیه یک استودیو یا رابط کاربری کامل برای مدیریت پروژه‌های مبتنی بر هوش مصنوعی است.

برخی امکانات قابل توجه:
• اجرای مدل‌های مختلف به‌صورت محلی با تمرکز روی Privacy
• رابط کاربری گرافیکی برای مدیریت گفتگوها
• امکان اتصال به Ollama و سایر سرویس‌های مدل
• ساخت Knowledge Base و کار با فایل‌ها (RAG). خیلی خلاصه بخواهم عرض کنم به راحتی با این ابزار می توانید فایل های خود را به مدل بدهید و بعد سوالات خود را از مدل بر اساس اطلاعات فایل ها دریافت کنید 😳
• مقایسه خروجی چند مدل در یک محیط

چرا ممکن است برای فعالان حوزه دیتا و برنامه‌نویسی جالب باشد؟
چون به‌جای نوشتن اسکریپت‌های متعدد یا کار مستقیم با API، می‌توان سریع‌تر ایده‌ها را تست کرد و workflowهای تحلیلی ساخت.

اگر به سمت استفاده از مدل‌های متن‌باز و اجرای لوکال حرکت می‌کنید، بد نیست Msty را هم کنار ابزارهای فعلی خود بررسی کنید.

اگر به این ابزار علاقه مند بودید سری به سایت msty.ai بزنید و نسخه مورد نظر خود را دانلود کنید.
در پست های آتی در خصوص همه این موارد و البته شیوه به کارگیری آنها در فضای اقتصاد و مالی صحبت خواهم کرد ان شاء الله .


#AI
#LLM
#LocalAI
#Python

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

سلام خدمت همه دوستان
مشکل فرم ارتباط با من برطرف شد.
برای ثبت نظرات، پیشنهادات و درخواست ها می توانید از طریق فرم زیر با من در ارتباط باشید.

ارتباط با من
b2n.ir/y72935

معرفی Marimo یک ابزار جذاب جایگزین Jupyter Notebook
به عنوان یک ابزار عالی برای کار با کدهای پایتون (IDE) علی الخصوص برای کار با داده ها و تحلیل های اقتصادی و مالی حتما از Jupyter استفاده کرده اید. در این پست می خواهم یک ابزار عالی به عنوان جایگزین ژوپیتر را معرفی کنم.
در واقع اصلی ترین ویژگی Marimo این است که همزمان به عنوان داشبورد و محیط کدنویسی استفاده می شود! یعنی از اسلایدر، جداول، نمودارها و المان‌های UI می توان به صورت تعاملی استفاده کرد.
ویژگی دیگر Marimo ذخیره فایل ها با پسوند .py است که خواندن کدها را بسیار ساده تر می کند و برای استفاده از گیت هاب هم بسیار جذاب تر است.
در ژوپیتر اگر مقدار متغیری را در صفحه تغییر می دادید باید مجددا کدهای بعدی را اجرا می کردید که نتایج به روز باشد اما Marimo مثل یک صفحه گسترده هوشمند عمل می کند و هر تغییری بلافاصله در تمام صفحه اعمال می شود.
البته این فقط بخشی از ویژگی های این ماژول جذاب بود.
در ادامه بیشتر با Marimo آشنا می شویم.
لینک: marimo.io

#Marimo
#Jupyter_Notebook

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

ده گزاره که در جنگ تحمیلی اخیر غیر واقعی بودن آنها معلوم شد:

1- آمریکا با یک دکمه کل سیستم دفاعی کشور را از کار می اندازد.
2- در جنگ با آمریکا یکی از مقامات هم کشته نمی شود و فقط مردم قربانی خواهند بود.
3-قدرت نظامی ایران، در مقابل آمریکا چند روز هم دوام نمی آورد.
4- در اولین حمله مسئولین نظامی به خارج فرار می کنند.
5- مسئولین در پناهگاه ها 44 طبقه زیر زمین پناه گرفته اند.
6- سربازان در همان دقایق اول از پادگان ها فرار می کنند.
7- آمریکا و اسرائیل فقط نیروهای نظامی را هدف قرار می دهد و غیر نظامی ها آسیب نمی بینند.
8- آمریکا و اسرائیل به زیرساخت های کشور حمله نمی کنند.
9- مردم داخل، برای دفاع از کشور به خیابان ها نخواهند آمد.
10- ایران توانایی بستن تنگه هرمز را ندارد.

وَمَا النَّصْرُ إِلَّا مِنْ عِنْدِ اللَّهِ الْعَزِيزِ الْحَكِيمِ

لقمه ای بزرگتر از دهانتان برداشتید

سقوط بورس های جهانی ادامه دارد ...
نمودار از 20 روز پیش تا امروز برای سه شاخص اصلی ثبت شده است

یَا مُقَلِّبَ الْقُلُوبِ وَ الْأَبْصَارِ
یَا مُدَبِّرَ اللَّیْلِ وَ النَّهَارِ
یَا مُحَوِّلَ الْحَوْلِ وَ الْأَحْوَال
حَوِّلْ حَالَنَا إِلَی أَحْسَنِ الْحَال

ضمن گرامیداشت یاد و نام شهدای جنگ تحمیلی اخیر، فرارسیدن سال جدید و حلول عید سعید فطر را خدمت شما تبریک عرض می کنم.

نصب ماژول‌های اصلی پایتون
همانطور که احتمالا می دانید Python نسخه 3.14.3 اوایل بهمن ماه منتشر شد. ممکن است برخی از عزیزان برای کارهای خود نیاز به آخرین نسخه پایتون و ماژول های متداول آن داشته باشند. با توجه به اختلال اینترنت، با این دستورات می توانید ماژول های مورد نیاز خود را نصب نمایید.
🌐 نصب Python نسخه 3.14.3

برای نصب ماژولها، هر کدام از این خط ها را در CMD تایپ نمایید.

pip install --index-url https://python4finance.ir/pypi3.14/ numpy

pip install --index-url https://python4finance.ir/pypi3.14/ pandas

pip install --index-url https://python4finance.ir/pypi3.14/ scipy

pip install --index-url https://python4finance.ir/pypi3.14/ matplotlib

pip install --index-url https://python4finance.ir/pypi3.14/ scikit-learn

pip install --index-url https://python4finance.ir/pypi3.14/ statsmodels

pip install --index-url https://python4finance.ir/pypi3.14/ notebook

دقت داشته باشید این فایل ها صرفا برای پایتون نسخه 3.14 قابل استفاده هستند.

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

نصب ماژول‌های اصلی پایتون

با توجه به در خواست عزیزان برای اضافه شدن نسخه 3.13 ، این نسخه هم اضافه شد. برای نصب ماژول های متداول می توانید از این شیوه استفاده کنید: (هر کدام از این خط ها را در CMD تایپ نمایید.)

pip install --index-url https://www.python4finance.ir/pypi3.13/ numpy

pip install --index-url https://www.python4finance.ir/pypi3.13/ pandas

pip install --index-url https://www.python4finance.ir/pypi3.13/ scipy

pip install --index-url https://www.python4finance.ir/pypi3.13/ matplotlib

pip install --index-url https://www.python4finance.ir/pypi3.13/ scikit-learn

pip install --index-url https://www.python4finance.ir/pypi3.13/ statsmodels

pip install --index-url https://www.python4finance.ir/pypi3.13/ notebook

توضیح: با توجه به اختلال اینترنت، با این دستورات می توانید ماژول های مورد نیاز خود را نصب نمایید.در صورت نیاز به یک ماژول خاص یا مشکل در نصب ماژول ها می توانید از طریق فرم ارتباط با من به این آدرس اعلام نمایید.
پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

پی نوشت: با توجه به درخواست عزیزان، کتابخانه های زیر برای نسخه 3.14 اضافه شد:

pip install --index-url https://python4finance.ir/pypi3.14/ selenium
 
pip install --index-url https://python4finance.ir/pypi3.14/ plotly

pip install --index-url https://python4finance.ir/pypi3.14/ requests

pip install --index-url https://python4finance.ir/pypi3.14/ xgboost

pip install --index-url https://python4finance.ir/pypi3.14/ seaborn

pip install https://python4finance.ir/pypi3.14/PyQt5-5.15.11-cp38-abi3-win_amd64.whl

pip install https://python4finance.ir/pypi3.14/shap-0.51.0-cp314-cp314-win_amd64.whl

همچنین نسخه مینی کوندا هم به درخواست یکی از عزیزان اضافه شد.

🌐 لینک دانلود Miniconda3

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

نصب یک هوش مصنوعی (LLM) روی سیستم خودمان. بخش مقدمه
خیلی از اساتید، دانشجویان، پژوهشگران و شرکت‌ها برای کارهای خود نیازمند استفاده از هوش مصنوعی هستند. سوال اینه که آیا می تونیم خودمون یک LLM شخصی برای خودمون داشته باشیم که مجزا از دسترسی به شبکه همیشه بتونیم از اون استفاده کنیم؟
در پست بعدی در این خصوص توضیحاتی را عرض خواهم کرد.


پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

نصب یک هوش مصنوعی (LLM) روی سیستم خودمان. بخش اول
خیلی از اساتید، دانشجویان، پژوهشگران و شرکت‌ها برای کارهای خود نیازمند استفاده از هوش مصنوعی هستند. البته هوش مصنوعی دامنه بسیار زیادی از ابزارها رو شامل می شه که در اینجا با اغماض منضورمان همین مدلهای زبانی بزرگ یا LLM ها هستند. قبل از اینکه بریم وارد نصب بشیم سه تا سوال رو بررسی کنیم:

1️⃣ چرا اصلا یک مدل هوش مصنوعی را باید به صورت آفلاین نصب کنیم؟- بی نیازی از اینترنت برای استفاده از مدل ها. البته ابزارهای فارسی هستند که برای کسانی که امکان نصب آفلاین رو ندارند از اونها می شه استفاده کرد. ( در این پست معرفی کردم )- توسعه مدل برای اهداف تخصصی. بعضی وقت ها می خواهیم مدل را بسته به نیاز خود آموزش دهیم یا از RAG برای افزایش دانش مدل استفاده کنیم- محرمانگی، مثلا یک شرکت نمی خواهد اطلاعات تجاری خود را روی اینترنت منشتر کند یا محرمانگی در سوالات و ...- همراه داشتن همیشگی پرس و جوها و نتایج

2️⃣ آیا کیفیت مدلهای آفلاین مانند سیستم های آنلاین (علی الخصوص سیستم های خارجی مثل chatgpt و ...) است؟طبیعی است که مدلهای خارجی چون به روزتر هستند و همچنین حجم بالاتری داده در مدل ذخیره شده و از طرفی امکانات پردازشی بالاتری دارند کیفیت بهتری دارند. برای مثال مدل GPT5.4 که در اوایل سال 2026 معرفی شد، پیش بینی می شود حدود 4.0 تریلیون توکن و حجمی حدود 8 ترابایت داشته باشد. معمولا اجرای این مدلها روی چندین دیتاسنتر بزرگ انجام می شود.

3️⃣ آیا ابزارهای داخلی، به کیفیت ابزارهای خارجی هستند؟ تفاوت آنها با ابزارهای خارجی چیست؟ابزارهای داخلی هم دقیقا از روشی مشابه روشی که در ادامه عرض خواهم برای نصب یک مدل آفلاین استفاده می کنند. البته برخی ابزارهای فارسی از سایت های معروف خارجی API گرفته اند که آنها هم مشابه ابزارهای خارجی عمل می کنند اما خب در شرایط عدم دسترسی به اینترنت آنها هم از کار خواهند افتاد.
ادامه دارد ...

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

نصب یک هوش مصنوعی (LLM) روی سیستم خودمان. بخش دوم

برای اجرای یک مدل هوش مصنوعی (LLM) روی رایانه شخصی باید دو تا کار انجام بدهیم. اول اینکه یکی از پلت فرم های اجرای لوکال مدل های هوش مصنوعی رو روی سیستم خودمون نصب کنیم. ابزارهای متنوعی برای اینکار وجود داره که به برخی از اونها اشاره می کنم.

1- Ollama : محیط بسیار ساده مانند chatgpt و مناسب برای کاربران جدید، توانایی های بسیار گسترده برای توسعه دهندگان از طریق خط فرمان
2- LM Studio : مناسب برای کاربران جدید و توسعه دهندگانی که دنبال یک ابزار آسان می گردند.
3- GPT4ALL : مناسب برای کاربرانی که دنبال امنیت بالا هستند.
4- llamafile : اجرای مدل با یک کلیک. مربوط به بنیاد موزیلا
5- Jan: یک ابزار برای ترکیب چند مدل
6- pinokio : ابزاری بسیار ساده برای استفاده از مدلهای هوش مصنوعی
7- Msty Studio: بسیار ساده، قابلیت استفاده از مدلهای ollama . توانایی استفاده بسیار ساده ازفایل ها برای آموزش مدل

اگر بار اولی است که می خواهید از این مدلها به صورت آفلاین استفاده کنید توصیه می کنم از Ollama استفاده کنید. هم ساده است و هم مدلهای آن به راحتی در دسترس است.

می توانید از سایت های داخلی نسخه مورد نظر خود را انتخاب کنید.

همچنین می توانید از این لینک هم Ollama را دانلود کنید.


در پست های آتی در خصوص انتخاب مدل توضیح خواهم داد.

پی نوشت:
البته قبل از دانلود و نصب این ابزارها، به این موضوع توجه داشته باشید که برای استفاده مناسب از این ابزارها باید رایانه ای با حداقل 16 گیگ رم و CPU نسل 5 به بالا داشته باشید. اگر سیستم شما قدیمی است یا مشخصات سیستم شما پایین تر از موارد ذکر شده است در اجرای مدل های مناسب دچار مشکل خواهید شد. دلیل این موضوع رو هم بعدا عرض خواهم کرد.

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

برای دریافت سایر مطالب کانال لطفا در کانال بله عضو شوید.

ble.ir/python4finance