چگونه از یک اقتصاددان به یک دانشمند داده تبدیل شویم؟

در این ویدئوی بسیار جالب، فرآیند تبدیل شدن از یک اقتصاددان به دانشمند داده به زبان ساده تشریح شده است. (زبان ویدئو انگلیسی روان است)
#پایتون_مالی
#دانشمند_داده
#اقصاددان
#ویدئو
#video
#Data_Science
#Economist
@python4finance

اطلاعات جامع در خصوص علم داده

📌آیا علم داده برای من مناسب است؟
📌آینده شغلی علم داده چیست؟
📌برای کسب شغل در این حیطه چه استانداردهایی باید داشته باشم؟
📌چطور در حوزه علم داده شغل مورد نظر خود را پیدا کنم؟
📌چه سازمان هایی به دنبال متخصص علم داده هستند؟

پاسخ این سوالات را می توانید در فایل ضمیمه پست بعد پیدا کنید (زبان این فایل انگلیسی روان است.)

#علم_داده
#سوالات_متداول
#پایتون_مالی
#data_science
#faq

@python4finance

کار با داده ها به راحتی یک صفحه گسترده
حتما همه شما با اکسل کار کرده اید و لذت استفاده از یک صفحه گسترده را تجربه کرده اید. در پایتون ماژول Pandas شاید سلطان بلامنازع کار با داده ها باشد اما همواره استفاده از خروجی های آن علی الخصوص برای تازه وارد ها کمی سخت است.
یکی از کتابخانه های بسیار زیبا در این خصوص کتابخانه D-Tale است. این کتابخانه بیشتر امکانات رایج کار با داده ها را در یک رابط کاربری زیبا در اختیار شما می گذارد و لذت استفاده از پایتون رو دو چندان می کند.
اگر به این ماژول ارزشمند علاقه مند شدید سری به صفحه گیت هاب آن به نشانی بزنید.
در پست های آتی در خصوص این ماژول با هم بیشتر صحبت می کنیم.


#Data_table
#Data_farme
#pandas
#dtale
#python

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

استفاده از ماژول Dtale برای تحلیل داده ها
در پست قبل در خصوص ویژگی های ماژول Dtale صحبت کردیم. برای استفاده از امکانات این ماژول لازم است دیتافریم خود را با تابع show باز کنید.
در تصویر این پست داده های سهم اپل، از ابتدای سال 2021 با استفاده از ماژول Dtale باز شده است. برای استفاده از امکانات ماژول، کافی است بر روی علامت مثلث سمت چپ تصویر کلیک کنید تا کلیه امکانات تحلیلی ماژول برای شما باز شود.
با استفاده از این ماژول تقریبا بیشتر کارهای متداول نرم افزهای آماری مانند spss و eviews را می توانید انجام دهید.


#Data_table
#Data_farme
#pandas
#dtale
#python

پایتون برای مالی در تلگرام
t.me/python4finance

معرفی کتاب «دستور العمل تمیزکردن داده ها» به انگلیسی «Python Data Cleaning Cookbook»

داده مهمترین دارایی ما در دنیای اطلاعات است و دریافت داده و پاکسازی آن اولین قدم در مدلسازی و ارائه تحلیل است.
در این کتاب کلیه فرآیندهای تبدیل داده های کثیف به داده های قابل استفاده در مدلسازی را به زبان پایتون توضیح داده می شود.
دانستن موضوعات این کتاب برای همه علاقه مندان علم داده و نیز مدلسازی مالی ضروری است.

#معرفی_کتاب
#تمیز_کردن_داده_ها
#داده_های_کثیف
#پایتون_مالی

#Data_cleaning

t.me/python4finance

دانلود کتاب «دستور العمل تمیزکردن داده ها» به انگلیسی «Python Data Cleaning Cookbook»

#معرفی_کتاب
#تمیز_کردن_داده_ها
#داده_های_کثیف
#پایتون_مالی

#Data_cleaning

t.me/python4finance

کار با داده ها به راحتی یک صفحه گسترده - 2
قبلا در این پست در خصوص ماژول D-Tale و امکاناتی که برای کار با داده ها در قالب یک صفحه گسترده فراهم می کرد صحبت کردیم.
این بار با ماژول دیگری به نام Mito آشنا می شویم. شعار این ماژول عبارت است از:
Do Python analyses 10x faster
که گویای هدف سازندگان آن است. توجه داشته باشید که این ماژول صرفا روی Jupyter Lab اجرا می شود.
بعد از نصب این ماژول می توانید با دو خط زیر Mito را فراخوانی کنید و کار با داده ها را در یک محیط بسیار کاربر پسند دنبال کنید.
import mitosheet
mitosheet.sheet()
برای اطلاعات بیشتر می توانید به صفحه این ماژول در این آدرس مراجعه نمایید.

#Data_table
#Data_farme
#pandas
#Mito
#DTale
#python

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

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

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