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

دانلود دیتاست های سری زمانی مالی

یکی از دغدغه های اصلی دانشجویان و اساتید برای انجام کارهای پژوهشی و همچنین تحلیل گران اقتصادی و مالی دسترسی به اطلاعات داده های سری‌های زمانی است. اطلاعات مربوط به شاخص های مهم، کوین های دیجیتال، سهام شرکت های مهم بین المللی ، نفت و فلرات گرانبها به شرح زیر از تاریخ 2021-04-12 تا 2026-04-08 یعنی 5 سال قرار داده شده است.
- شاخص بورس های بین المللی
شاخص S&P500
شاخص DowJones
شاخص بورس اروپا
شاخص بورس ژاپن
شاخص بورس کره
- اطلاعات کوین های مهم
شامل BTC-USDETH-USDSOL-USDXRP-USDADA-USDBNB-USD
- اطلاعات 50 شرکت مهم بین المللی
- اطلاعات نفت و فلزات گرانبها

🌐 دانلود اطلاعات سری‌های زمانی مالی

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

دانلود 155 دیتاست آماده برای تمرین مدل‌های یادگیری ماشین و یادگیری عمیق

برای تمرین مدل‌های یادگیری ماشین و یادگیری عمیق می‌توانید از این دیتاست‌ها استفاده کنید. دیتاست‌ها از بخش های مختلف نظیر آب و هوا، مالی، پزشکی، زیست شناسی و ... تهیه شده است.

🌐 لینک دانلود دیتاست های آماده

پایتون برای مالی

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

راه اندازی سریع یک سرور پایتونی

خیلی از اوقات پیش میاد که می خواهیم یک تعداد فایل رو بین چندتا رایانه به اشتراک بگذاریم. معمولا یکی از این سه تا راه رو انتخاب می کنیم:
- استفاده از فلش و هارد اکسترنال - استفاده از شبکه های اجتماعی -فعال کردن قابلیت اشتراک فایل در سیستم عامل

اما اگر می خواهید خیلی سریع و بدون هیچ دانشی فایل هاتون رو در یک شبکه داخلی به اشتراک بگذارید می تونید از پایتون کمک بگیرید. کافیه که دستور زیر رو در خط فرمان سیستم عامل (همون CMD در ویندوز یا ترمینال لینوکس) وارد کنید:

python -m http.server 80 --directory %USERPROFILE%\Desktop\

اینطوری خیلی راحت فایل های داخل دستکاپتون رو با هر کسی که آی پی شما رو بتونه ببینه به اشتراک می گذارید. خودتون کافیه آدرس 127.0.0.1 رو برای اطمینان از بالا بودن سرور در مرورگر فراخوانی کنید.
امیدوارم کاربردی بوده باشه

پایتون برای مالی

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

دانلود python نسخه 3.14.4

چند روز پیش (18 فروردین) آپدیت 4 نسخه 3.14 منتشر شد. به این بهانه به بررسی ویژگی های جدید پایتون 3.13 نسبت به 3.14 که بهمن ماه منتشر شده می پردازیم.

1️⃣ تغییر بزرگ در type hints (PEP 649)
در 3.13: annotationها همان لحظه تعریف evaluate می‌شدند
در 3.14: به ‌صورت lazy (deferred) ارزیابی می‌شوند
2️⃣ معرفی نوع جدیدی از رشته‌ها Template Strings (t-strings)
3️⃣ استفاده از Subinterpreters در کتابخانه استاندارد و اجرای چند interpreter داخل یک process
4️⃣ دیباگ کردن بهتر ، امکان attach debugger به برنامه در حال اجرا و بدون نیاز به توقف برنامه
5️⃣ بهبود performance (چند تغییر مهم) حدود 3–5٪ سریع‌تر در برخی benchmarkها
6️⃣ بهبود REPL و تجربه کاربری ، syntax highlighting، autocomplete بهتر

🌐 لینک دانلود python 3.14.4

در پست‌های آتی به تشریح جزئی‌تر برخی از این به روزرسانی‌ها می پردازیم.
پایتون برای مالی

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

معرفی کتاب «یادگیری ماشین در مالیِ کسب‌وکار با استفاده از پایتون» به انگلیسی «Machine Learning in Business Finance using Python»

اگر می خواهید یادگیری ماشین در مالی را یاد بگیرید و همزمان کد نویسی آن در پایتون را تمرین کنید این کتاب راهنمای خوبی خواهد بود. مباحث آن شامل روش‌های پیش‌بینی مانند رگرسیون لجستیک، بیز ساده، نزدیک‌ترین همسایه (k-NN)، ماشین بردار پشتیبان، جنگل تصادفی، گرادیان بوستینگ و انواع مختلف شبکه‌های عصبی است. همچنین معیارهای ارزیابی عملکرد و سنجش اهمیت ویژگی‌ها توضیح داده شده‌اند. این کتاب شامل مثال‌های کاربردی با داده‌های واقعی نیز هست و کدهای پایتون به‌صورت گام‌به‌گام با استفاده از Jupyter Notebook توضیح داده شده‌اند تا خوانندگان بتوانند خودشان تمرین کنند.
همچنین ریاضیات پایه یادگیری ماشین هم در مباحث ارائه شده و علاقه مندان به مباحث ریاضی و پایه ای هم از این کتاب استفاده خواهند کرد.

این کتاب توسط انتشارات World Scientific منتشر شده و سال چاپ آن 2025 است.

#معرفی_کتاب
#یادگیری_ماشین
#Machine_learning

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

دانلود کتاب «یادگیری ماشین در مالیِ کسب‌وکار با استفاده از پایتون» به انگلیسی «Machine Learning in Business Finance using Python»

اگر می خواهید یادگیری ماشین در مالی را یاد بگیرید و همزمان کد نویسی آن در پایتون را تمرین کنید این کتاب راهنمای خوبی خواهد بود.
این کتاب توسط انتشارات World Scientific منتشر شده و سال چاپ آن 2025 است.

#دانلود_کتاب
#یادگیری_ماشین
#Machine_learning


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

دانلود کتاب «The World Bank's MFMod Framework in Python with Modelflow»

مدل‌ Macro-Fiscal Model (MFMod) مجموعه‌ای از مدل‌های ساختاری اقتصاد کلان است که بانک جهانی برای پیش‌بینی وضعیت اقتصاد کشورها و تحلیل اثرات سیاست‌های مختلف بر روی آنها طراحی کرده است . این مدل برای بیش از ۱۸۰ کشور جهان ساخته شده و به ابزاری استاندارد برای اقتصاددانان بانک جهانی تبدیل شده است .
این مدل قادر است اثر سیاست‌های پولی و مالی، تغییرات نرخ ارز یا شوک‌های قیمت کالاها را بر متغیرهایی مانند تولید ناخالص داخلی (GDP)، تورم، نرخ بیکاری، تراز تجاری و بدهی دولتی شبیه‌سازی کند .
فرض کنید دولت یک کشور در حال توسعه قصد دارد مالیات بر کربن را برای کاهش آلودگی وضع کند. اقتصاددان وزارت اقتصاد با استفاده از مدل MFMod می‌تواند سناریوهای مختلف را اجرا کند و به سوالات زیر پاسخ دهد:
۱- این مالیات چه اثری بر نرخ رشد اقتصادی در کوتاه‌مدت و بلندمدت خواهد داشت؟
۲- آیا باعث افزایش نرخ بیکاری در صنایع انرژی‌بر می‌شود؟
۳- درآمد حاصل از این مالیات چقدر است و چگونه می‌توان از آن برای کاهش سایر مالیات‌ها یا حمایت از خانوارهای کم درآمد استفاده کرد؟
۴- چه اثری بر میزان انتشار کربن و کیفیت هوای شهرها خواهد داشت؟

این کتاب توسط کارشناسان بانک جهانی نوشته شده و هدف آن آموزش نحوه کار با چارچوب مدل‌های اقتصاد کلان بانک جهانی (MFMod) با استفاده از زبان برنامه‌نویسی پایتون و کتابخانه تخصصی ModelFlow می‌باشد.

#دانلود_کتاب


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

دانلود کتاب «The World Bank's MFMod Framework in Python with Modelflow»


این کتاب توسط کارشناسان بانک جهانی نوشته شده و هدف آن آموزش نحوه کار با چارچوب مدل‌های اقتصاد کلان بانک جهانی (MFMod) با استفاده از زبان برنامه‌نویسی پایتون و کتابخانه تخصصی ModelFlow می‌باشد.

#دانلود_کتاب


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

گزارش شاخص های هوش مصنوعی (AI INDEX REPORT 2026) دانشگاه استنفورد منتشر شد.

این گزارش از جنبه های مختلف به هوش مصنوعی پرداخته است و حقایق جالبی را از اتفاقات این چند سال در خصوص هوش مصنوعی بیان می کند.
چند نکته که بسیار در این گزارش مشهود است:
➖ با وجود رشد بسیار خوب چین در تولید مدلهای هوش مصنوعی، آمریکا همچنان پرچم دار توسعه مدل های هوش مصنوعی است.
➖ در چند سال اخیر توسعه مدلهای هوش مصنوعی ، از حالت کتابخانه ای و تحقیقاتی (آکادمیک) به سمت صنعت میل کرده است.
➖ در خلال سال های اخیر حجم محتوای تولید شده توسط هوش مصنوعی با محتوای تولید شده توسط انسان تقریبا برابر شده است.
➖ آمریکا تقریبا به اندازه تمام دنیا زیرساخت پردازشی (دیتاسنتر) هوش مصنوعی در اختیار دارد.
➖ پذیرش هوش مصنوعی در جوامع به طور متوسط به 53% و در سازمان ها 88% رسیده است.

اگر علاقه مند به هوش مصنوعی هستید، مطالعه این گزارش ارزشمند را به شما توصیه می کنم.

پایتون برای مالی

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

مهارت های لازم در صنعت هوش مصنوعی – بخش اول


پایتون برای مالی

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

مهارت های لازم در صنعت هوش مصنوعی – بخش اول

یک سؤالی که خیلی از من می پرسن اینه که من می خواهم در صنعت هوش مصنوعی کار کنم، چه مهارت هایی را باید یاد بگیرم.
برای پاسخ به این سؤال اول باید مشخص کنید چه نقشی برای خودتون در نظر گرفتید؟ کاربر، تکنیسین یا مهندس
برای اینکه فرق اینا رو بیشتر متوجه بشیم بیایید با هم با یک مثال در مورد خودرو توضیحات را بررسی کنیم

1. کاربر (کاربر خودرو / راننده)
کاربر نهایی خودرو است که هدف اصلی‌اش استفاده از خودرو به عنوان وسیله نقلیه است.
• هدف: حرکت از نقطه A به B، حمل بار، مسافر، لذت بردن از رانندگی.
• دانش مورد نیاز: بلد بودن قوانین راهنمایی و رانندگی، آشنایی اولیه با اجزای داخلی خودرو (فرمان، پدال‌ها، دنده، راهنما، چراغ‌ها)، توانایی تشخیص خرابی‌های ساده (مثل چک کردن باد تایر، عوض کردن لامپ یا باطری).
• مسئولیت: رانندگی ایمن، انجام سرویس‌های دوره‌ای ساده (طبق دفترچه راهنما)، استفاده درست از خودرو و گزارش خرابی‌ها به تعمیرکار.
• مهارت کلیدی: رانندگی و تعمیر و نگهداری سطحی (شستشو، باد تایر).
2. تکنیسین (تعمیرکار خودرو / مکانیک)
تکنیسین فردی است که مهارت عملی بالایی در عیب‌یابی، تعمیر و نگهداری خودرو دارد. او دست به آچار است.
• هدف: تشخیص دقیق خرابی، تعمیر یا تعویض قطعات معیوب، انجام سرویس‌های دوره‌ای فنی (تعویض روغن، فیلترها، تسمه، لنت ترمز).
• دانش مورد نیاز: آشنایی کامل با سیستم‌های مختلف خودرو (موتور، گیربکس، ترمز، تعلیق، برق خودرو)، توانایی کار با ابزارهای تخصصی (دستگاه دیاگ، جک، آچارهای مخصوص)، خواندن نقشه‌های ساده مدارهای برقی.
• مسئولیت: انجام صحیح و اصولی تعمیرات، رعایت ایمنی و گشتاور استاندارد قطعات، تست خودرو پس از تعمیر. معمولاً طبق دستورالعملی که مهندس یا تکنسین ارشد (نقشه) داده عمل می‌کند.
• مهارت کلیدی: کار با دست و ابزار، عیب‌یابی عملی، چک کردن با دستگاه دیاگ.
3. مهندس (مهندس خودرو)
مهندس خودرو طراح، محاسب و توسعه‌دهنده سیستم‌ها و قطعات خودرو است. او در سطح نظری و کلان کار می‌کند.
• هدف: طراحی، شبیه‌سازی، محاسبه، تست و بهینه‌سازی اجزا و سیستم‌های خودرو (مثلاً طراحی یک موتور با راندمان بالاتر، سیستم تعلیق جدید، یا نرم‌افزار کنترل پایداری).
• دانش مورد نیاز: ریاضیات پیشرفته، فیزیک (ترمودینامیک، مکانیک سیالات، دینامیک)، علم مواد، اصول طراحی به کمک کامپیوتر (CAD/CAE)، نرم‌افزارهای تحلیل (متلب، آباکوس)، آشنایی با استانداردهای جهانی خودرو.
• مسئولیت: ارائه مشخصات فنی قطعات (مثل ابعاد، جنس، گشتاور، تحمل دما)، تدوین دفترچه راهنمای تعمیرات و سرویس، انجام تست‌های مخرب و غیرمخرب در محیط کارخانه، رفع نواقص طراحی در خودروهای جدید.
• مهارت کلیدی: تحلیل تئوری، شبیه‌سازی کامپیوتری، طراحی و حل مسئله در سطح سیستم.

با من همراه باشید تا در پست بعد، مثال خود را تکمیل تر کنیم

پایتون برای مالی

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

مهارت های لازم در صنعت هوش مصنوعی – بخش دوم

حالا بر اساس منطق پست قبل، به بررسی نقش های مختلف در هوش مصنوعی می پردازیم

• کاربر (Consumer): مدیر، بازاریاب، تحلیل‌گر کسب‌وکار یا هر فردی که از خروجی داده‌ها استفاده می‌کند.
• تکنیسین (Data Analyst / BI Developer): تحلیل‌گر داده، متخصص بیزینس اینتلیجنس (BI).
• مهندس (Data Scientist / Data Engineer): دانشمند داده، مهندس داده (کسی که مدل‌های پیش‌بینی‌کننده می‌سازد).

1. کاربر داده (Data Consumer / Business User)
این فرد به داده‌ها به عنوان یک ابزار تصمیم‌گیری نگاه می‌کند. او خودش داده‌ها را پردازش نمی‌کند، بلکه از گزارش‌ها و داشبوردهای آماده استفاده می‌نماید.
• هدف: پاسخ به سؤالات مشخص کسب‌وکاری (مثل "فروش ماه گذشته چقدر بود؟"، "کدام محصول بیشترین بازگشت کالا را داشته؟").
• دانش مورد نیاز: خواندن نمودارها و اعداد، آشنایی با مفاهیم پایه (میانگین، درصد، روند)، توانایی درخواست گزارش از تیم داده.
• مسئولیت: درخواست دقیق، تفسیر درست گزارش‌ها، اقدام عملی بر اساس داده‌ها (نه بر اساس احساس).
• مهارت کلیدی: پرسیدن سؤال درست، تشخیص دروغ‌های آماری ساده.
• ابزارها: اکسل (خواندن)، داشبوردهای تعاملی (Power BI, Tableau) فقط به صورت مشاهده‌گر (Viewer).
مثال: یک مدیر فروش می‌گوید "به من نشان بده کدام نمایندگی در سه ماه اخیر کمترین فروش را داشته است." و سپس تصمیم می‌گیرد به آن نماینده مشاور بفرستد.
2. تکنیسین داده (Data Analyst / BI Developer)
این فرد مهارت عملی در استخراج، پاکسازی و مصورسازی داده‌ها دارد. او دستش به کوئری‌ها و ابزارهای گزارش‌گیری آلوده است اما مدل پیش‌بینی‌ساز نمی‌سازد.
• هدف: پاسخ به سؤالات مشخص و شناخته شده با استفاده از داده‌های موجود، ساخت داشبوردهای خودکار، تهیه گزارش های ادواری.
• دانش مورد نیاز: SQL قوی، آشنایی با یک زبان اسکریپت‌نویسی (Python یا R در سطح کتابخانه‌های Pandas/ggplot)، ابزارهای BI (Power BI، Tableau، Looker)، پاکسازی داده (Data Cleaning).
• مسئولیت: اتصال به پایگاه داده، نوشتن کوئری، تبدیل داده خام به جدول و نمودار، اطمینان از صحت اعداد، پاسخ به سؤالات مکرر.
• مهارت کلیدی: پرس‌وجو (Querying)، مصورسازی، تشخیص ناهنجاری‌های واضح در داده.
• ابزارها: SQL، Excel پیشرفته (پیوت، فرمول‌ها)، Power BI/Tableau (ساخت داشبورد)، Python (Pandas, Matplotlib).
مثال: مدیر فروش می‌گوید "روند فروش ماهانه را به تفکیک استان نشان بده." تکنیسین یک کوئری SQL می‌نویسد، داده را از پایگاه فروش می‌کشد، تمیز می‌کند، یک نمودار خطی در Power BI می‌سازد و به مدیر تحویل می‌دهد.
3. مهندس / دانشمند داده (Data Scientist / Data Engineer)
این فرد طراح، معمار و حل‌کننده مسائل پیچیده است. او به سؤالاتی پاسخ می‌دهد که جواب مستقیم در داده وجود ندارد یا نیاز به پیش‌بینی دارد.
• هدف: ساختن مدل‌های پیش‌بینی‌کننده (Predictive Models) یا توصیه‌گر (Recommendation Systems)، طراحی معماری داده (Data Pipeline)، کشف الگوهای پنهان با روش‌های آماری و یادگیری ماشین.
• دانش مورد نیاز: آمار پیشرفته (رگرسیون، آزمون فرضیه)، یادگیری ماشین (Scikit-learn، TensorFlow، PyTorch)، بهینه‌سازی، دانش پایگاه داده (NoSQL، Data Warehouse)، الگوریتم‌ها و ساختمان داده، ریاضی (جبر خطی، حسابان).
• مسئولیت: طراحی راه‌حل برای یک مسئله باز ("چطور می‌توانیم تشخیص دهیم کدام مشتری ریزش می‌کند؟")، انتخاب ویژگی‌ها (Feature Engineering)، ارزیابی مدل، استقرار مدل (Deployment) با همکاری تیم IT.
• مهارت کلیدی: مدل‌سازی ریاضی، تفکر انتقادی، طراحی آزمایش (A/B Testing)، مهندسی ویژگی‌ها.
• ابزارها: Python (Preprocessed, Scikit-learn, TensorFlow, PySpark), R, SQL پیشرفته, Airflow, Docker, ابزارهای Cloud (AWS, GCP, Azure).
مثال: مدیر می‌پرسد "مطمئن نیستم کدام مشتری قرار است ماه آینده خرید نکند. می‌خواهم قبل از ریزش، به او تخفیف بدهم." دانشمند داده: داده‌های رفتار مشتری در ۱۲ ماه گذشته را تحلیل می‌کند، ۲۰ ویژگی استخراج می‌کند، سه مدل مختلف را آموزش می‌دهد (Logistic Regression، Random Forest، XGBoost)، بهترین مدل را انتخاب، ارزیابی و در نهایت API آن را برای تیم بازاریابی مستقر می‌کند.


پایتون برای مالی

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

مسیر تبدیل شدن به تحلیل گر داده (Data Analyst ) چیست؟

پایتون برای مالی

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

لایه های توسعه AI - مدل مفهومی

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

یادگیری ماشین به زبان خودمانی- قسمت 3


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