اگر به سوال بالا جواب اشتباه دادید، حتما این ویدیو رو ببینید و‌ با دوستانتون هم به اشتراک بگذارید.

یکی از انتقادهایی که به پایتون میشه سرعت پایین اون در مقایسه با زبان‌های کامپایلری است.
توی این ویدیو با ابزاری آشنا می‌شیم که با همون سادگی پایتون سرعت اجرای کدها رو تا چندبرابر افزایش داد.
در این مثال ۱۴۲ برابر.
#ویدیو
#پایتون
#numba
https://youtu.be/x3eL3tTd6Fw

یکی از مهم‌ترین بخش‌های علوم‌داده تصویرسازی داده‌ها و انتقال پیغام پشت داده‌ها به سایر افراد است.
در این ویدئو مبانی استفاده از #matplotlib با api مشابه متلب و همینطور apiشی‌گرا معرفی می‌شود.

#ویدیو
#پایتون

https://youtu.be/91K_2p2ERv0

مهمترین کتابخانه پایتون برای کار با داده‌ها کتابخانه‌ #pandas است و تقریبا در همه پروژه‌ها مربوط به داده استفاده می‌شود.
در این دو ویدیو اکثر ویژگی‌های اصلی این کتابخانه را برای یادگیری و مرور معرفی می‌کنیم.
https://youtu.be/snAoaznn6TA

معرفی git bisect یکی از ویژگی‌های پنهان ولی مفید ابزار git!
https://youtu.be/YGTKtnmQuMo

کتابخانه scikit learn یکی از کتابخانه‌های معروف در زمینه یادگیری ماشین هست که با یک رابط کاربری ساده امکان دسترسی به مدل‌های مختلف یادگیری ماشین را به شما می‌ده. در این ویدیو ۶ کاربرد اصلی این کتابخانه رو معرفی می‌کنیم و بعد از آن در یک مثال واقعی خوش‌‌خیم یا بدخیم بودن غده‌های سرطانی را با این کتابخانه پیش‌بینی می‌کنیم.
https://youtu.be/qY-BT5_i-5U

وقتی از تحلیل‌داده صحبت می کنیم معمولا ذهن ما به تحلیل رفتار مشتری، میزان فروش و مواردی شبیه به این بره ولی تحلیل داده در همه جا می‌تونه کاربرد داشته باشه. یک از کاربردهای جذاب اون می‌تونه توی ورزش و به صورت خاص فوتبال باشه. توی این ویدیو یک دیتاست فوتبالی رو بررسی می‌کنیم و با استفاده از ابزارهایی که داریم سعی می‌کنیم ویژگی‌های پنهانی را از درون این دیتاست بیرون بکشیم.
https://youtu.be/R-PxUQn8ZP8

توی این قسمت از تحلیل داده فوتبالی سعی می‌کنم با استفاده از اطلاعاتی که از شوت‌های بازیکنان داریم، از یک مدل یادگیری ماشین کمک‌ می‌گیریم تا بتونیم احتمال گل‌شدن توپ رو دقیقا در لحظه شوت پیش‌بینی کنیم.
برای اینکار
- اول داده‌های خام رو بررسی می‌کنیم و ویژگی‌های اثرگذار را پیدا می‌کنیم
- بعد از اون ویژگی‌های جدیدی که ممکنه به پیش‌بینی بهتر کمک کنه رو از ویژگی‌های قبلی می‌سازیم.
- از بین مدل‌های مختلف سعی می‌کنیم مدلی که بهترین پیش‌بینی را برای داده‌‌ها داره انتخاب می‌کنیم.
ممنون می‌شم این ویدیو رو با دوستانتون با اشتراک بگذارید و اگر نکته‌ای دارید اینجا یا در یوتوب با من در میان بگذارید:
https://youtu.be/tp-nStjw5w8

معرفی کتابخانه #FastApi - قسمت اول
یکی از راه‌های ارائه خدمات، ارائه آن‌ها بر بستر Api‌ است. کتابخانه FastApi یک راه‌حل سریع برای تبدیل کدها به یک Api است.
در این ویدیو ویژگی‌های اصلی کتابخانه را معرفی می‌کنیم.
در قسمت‌های بعدی با جزئیات بیشتر در مورد کتابخانه صحبت می‌کنیم و یک Api برای تحلیل‌ سهام با استفاده از کتابخانه #pandas آماده می‌کنیم.

https://www.youtube.com/watch?v=iBKxv--kn8Y

قسمت دوم معرفی کتابخانه FastApi.
معرفی مفهوم REST
بررسی دقیق‌تر امکانات و مستندات خروجی FastApi

https://youtu.be/ai2O3egkhNM

قسمت سوم آموزش FastApi
ساخت یک کلاس برای تحلیل سهم‌ها از سایت tsetmc
و اتصال آن به api که در قسمت قبل درست کردیم.
با اینکار می‌تونیم یک سرویس آنلاین برای تحلیل سهام درست کنیم که با هر درخواست به صورت آنی سهم را تحلیل می‌کنه و خروجی را به صورت json در اختیار ما قرار میده.
https://www.youtube.com/watch?v=HfgBcDF_w_Q

توی ویدیوی پایانی آموزش FastApi از پایتون فاصله می‌گیریم و با استفاده از سرویس Heroku به راحتی سرویسی که در ویدیو‌های قبلی ساختیم در اختیار بقیه قرار بدیم.

#FastApi
#Heroku

https://www.youtube.com/watch?v=TFXoB7-g7Z4

لینک سرویس نهایی:

https://frozen-shore-83440.herokuapp.com/stock/35700344742885862

برای ساخت ویدیوی آموزش sql نیاز داشتم که یک دیتابیس مجزا برای اینکار آماده کنم. برای این موارد من معمولا از داکر استفاده می‌کنم. بنظرم رسید که بد نیست استفاده معمولی از این ابزار دوست‌داشتنی و نسبتا ترسناک رو آماده کنم.
امیدوارم که بدرد بخور باشه:
https://youtu.be/5LwSaz5EOAQ

یکی از انتقادهایی که به پایتون میشه سرعت پایین اون در مقایسه با زبان‌های کامپایلری است.
توی این ویدیو با ابزاری آشنا می‌شیم که با همون سادگی پایتون سرعت اجرای کدها رو تا چندبرابر افزایش داد.
در این مثال ۱۴۲ برابر.
#ویدیو
#پایتون
#numba
https://youtu.be/x3eL3tTd6Fw