معرفی کتاب «پایتون با مثال» یادگیری برنامه نویسی با 150 چالش» به انگلیسی «Python by Example: Learning to Program in 150 Challenges»

همیشه یادگیری یک زبان برنامه نویسی، با حل مثال های مختلف و مقایسه پاسخ، با یک پاسخ استاندارد و صحیح بسیار جذاب و البته بسیار کاربردی است.
در این کتاب، مباحث پایه ای پایتون به زبان بسیار ساده و در قالب 150 مثال عملیاتی بیان می شود.
سطح کتاب: #مقدماتی

#معرفی_کتاب
#آموزش_پایتون

#Python

پایتون برای مالی در تلگرام
🆔 @python4finance

دانلود کتاب «پایتون با مثال» یادگیری برنامه نویسی با 150 چالش» به انگلیسی «Python by Example: Learning to Program in 150 Challenges»

در این کتاب، مباحث پایه ای پایتون به زبان بسیار ساده و در قالب 150 مثال عملیاتی بیان می شود.
سطح کتاب: #مقدماتی

#دانلود_کتاب
#آموزش_پایتون

#Python


پی نوشت: کانال چالش ها (لینک عضویت در کانال چالش ها)، یک منبع خوب برای مشاهده مثال های مختلف و راه حل های ابتکاری سایر برنامه نویسان است. اگر علاقه مند به یادگیری پایتون هستید، عضویت در کانال چالش ها را به شما توصیه می کنم.
پایتون برای مالی در تلگرام
🆔 @python4finance

پایتون و SQL دو مهارت برنامه نویسی مشترک در بین دانشمندان داده در سال 2022
بر اساس گزارش سال 2022 Kaggle ، پایتون و SQL دو زبان برنامه نویسی پرتقاضا در میان دانشمندان علم داده است. R و جاوا در رتبه های سوم و چهارم قرار دارند.
(روند صعودی پایتون و نزولی R طی چهارسال اخیر مشهود است)

#گزارش2022
#کگل
#علم_داده
#یادگیری_ماشین
#Report2022
#Machine_learning
#Kaggle
#Data_Science
#python_for_finance

پایتون برای مالی در تلگرام
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

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