احتمالا همه شما گزارش سال 2021 Kaggle را در خصوص وضعیت علم داده و یادگیری ماشین مشاهده کرده اید. بر اساس این گزارش تحلیل بسیار خوبی می توان از وضعیت فعلی و آینده علم داده داشت.
یکی از نکاتی که نظر من را جلب کرد اندازه تیم های علم داده و نیز شرکت های پذیرای متخصصین علم داده است.
بر اساس این گزارش شرکت های استارت آپی و نوپا (کمتر از 50 نفر ) و شرکت های بزرگ (بالای 1000) نفر مشتریان اصلی جذب دانشمندان داده در دنیا هستند.
همچنین عموم تیم های علم داده و یادگیری ماشین یا با جمعیت های کوچک کمتر از 9 نفر و یا با تعداد بالای 20 نفر شکل می گیرند که موید داده بالاست.
جمع بندی من اینکه چه بخواهید خودتان کسب و کاری راه بیندازید و در یک استارت آپ مشغول شوید یا اینکه در یک شرکت قدرتمند و بزرگ مشغول شوید، علم داده و مهارت های مدلسازی با داده ها بسیار مسیر مناسبی برای شما خواهد بود.
🌐لینک کگل
🌐لینک مستقیم گزارش

#گزارش
#کگل
#علم_داده
#یادگیری_ماشین
#Report
#Machine_learning
#Kaggle
#Data_Science
#python_for_finance

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

بررسی واریانس در Numpy با دقت بیشتر
همه شما احتمالا با مفهوم ریسک سیستماتیک و ضریب بتا آشنا هستید. معمولا برای محاسبه بتا از روش رگرسیون یا تقسیم کواریانس بر واریانس استفاده می شود. امشب یا یکی از گروه ها در حال حل مسئله ای بودیم که متوجه شدیم به صورت پیش فرض محاسبه var در Numpy بر اساس جامعه است نه نمونه در حالی که محاسبه واریانس در ماتریس واریانس کواریانس بر اساس نمونه است! و این موضوع باعث ایجاد تفاوت در محاسبات شده بود.
برای محاسبه واریانس نمونه کافی است درجه آزادی را برابر یک قرار دهید. ( ddof=1).
می توانید موضوع فوق را در مثال بالا مشاهده بفرمایید.

#واریانس
#کواریانس
#نمونه
#جامعه
#بتا
#درجه_آزادی
#Variance
#Covariance
#Sample
#Population
#Beta
#Degree_of_freedom
#python_for_finance

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

کشف روابط بین متغیرها با Pairplot
یکی از توانایی مهم یک مدلساز مالی و دانشمند داده توانایی استخراج نوع رابطه بین متغیر هاست. ترسیم شکل و مصورسازی داده ها از جمله توانمندی هایی است که به ما در استخراج ضمنی این روابط کمک شایانی می کند. کتابخانه Seaborn یکی از ابزارهای قدرتمند رسم شکل در پایتون است که البته از زیرساخت Matplotlib استفاده می کند.
در تصویر این پست، ابتدا داده های مربوط به سه سهم اپل، مایکروسافت و گوگل و نیز شاخص S&P500 دریافت می شود و به وسیله Pairplot در Seaborn رسم می شود.

#رسم_نمودار
#علم_داده

#Graph
#Data_scinece
#Seaborb
#python_for_finance

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

دستور جادویی pylab%
عموما در بیشتر کارها ماژول های Numpy و Matplotib را فراخوانی می کنیم. اگر می خواهید از import هر باره این ماژول ها خلاص شوید می توانید از دستور جادویی pylab% استفاده کنید. تقریبا این دستور معادل دستورات زیر است:
from numpy import *
from matplotlib import *
(البته توجه داریم این دستور را داخل notebook یا ipython باید اجرا کنیم)

#ژوپیتر
#دستور_جادویی

#Notebook
#Numpy
#Matplotlib
#python_for_finance

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

استفاده از پایتون در Eviews
نرم افزار Eviews یکی از بهترین بسته های نرم افزاری برای اجرای مدلهای اقتصاد سنجی است. اگرچه تقریبا تمام کارهایی که توسط این نرم افزار انجام می شود در پایتون قابل انجام است اما اینقدر این نرم افزار کاربر پسند است که نمی توان از آن صرف نظر کرد.
خوشبختانه از نسخه 11 ایویوز به بعد، امکان استفاده از پایتون در نرم افزار فراهم شده است و به راحتی می توان داده های داخل Eviews را به عنوان یک دیتافریم به پایتون فرستاد و از تمام امکانات پایتون در کنار ایویوز استفاده کرد.
در پست بعد، یک ویدئوی کوتاه را در این خصوص با شما به اشتراک خواهم گذاشت.

#ایویوز
#اقتصاد_سنجی
#پایتون
#پایتون_مالی
#Eviews
#Python_for_finance

✅عضویت در کانال پایتون برای مالی
t.me/joinchat/AAAAAFGMkouqbsb86Vfzug