صفر تا صد معاملات الگوریتمی با پایتون، یادگیری ماشینی و AWS
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ساخت ربات های تریدینگ خودکار با پایتون و وب سرویس آمازون (AWS)
- استراتژی های تریدینگ قدرتمند و منحصر به فرد را بر اساس شاخص های فنی و یادگیری ماشین / یادگیری عمیق ایجاد کنید.
- تست دقیق استراتژی ها: Backtesting ،Forward Testing و تست لایو با پول کاغذی.
- معامله گری های خود را در یک سرور مجازی در AWS Cloud کاملاً خودکار و زمانبندی کنید.
- تریدینگ و سرمایه گذاری کاملا داده محور
- کدنویسی پایتون و برنامه نویسی شی گرا (OOP) به گونه ای که همه آن را درک کنند.
- کدنویسی با Numpy ،Pandas ،Matplotlib ،scikit-learn ،Keras و Tensorflow.
- معاملات روزانه را از صفر تا صد درک کنید: Leverage (اهرم)، اسپرد (Spread)، پیپ ها (Pips)، مارجین (Margin)، Bid و Ask Price، انواع درخواست ها (Order Types)، نمودارها و موارد دیگر.
- تریدینگ روزانه با کارگزاران OANDA و FXCM.
- جریان داده با فرکانس بالا بلادرنگ.
- درک، تجزیه و تحلیل، کنترل و محدود کردن هزینه های تریدینگ.
- از Broker APIs قدرتمند استفاده کنید و با پایتون ارتباط برقرار کنید.
توضیحات دوره:
به جامع ترین دوره تریدینگ الگوریتمی خوش آمدید. این اولین دوره 100٪ تریدینگ مبتنی بر داده است!
برای مدرس به عنوان یک دانشمند داده و یک متخصص مالی با تجربه، این تعجب آور نیست. معامله گران روزانه معمولاً پنج قانون اساسی تریدینگ (روز) را نمی دانند یا از آن پیروی نمی کنند. این دوره همه آن ها را با جزئیات پوشش می دهد!
1. تجارت تریدینگ روزانه را بشناسید و درک کنید.
2. از استراتژی های تریدینگ قدرتمند و منحصر به فرد استفاده کنید.
3. قبل از اینکه پول واقعی سرمایه گذاری کنید، استراتژی های خود را تست کنید. (Backtesting یا Forward Testing)
4. هزینه های تریدینگ را در نظر بگیرید - همه چیز در مورد هزینه های تریدینگ است!
5. تریدینگ خود را خودکار کنید.
در نهایت... این چیزی بیش از یک دوره آموزشی در مورد تریدینگ روزانه خودکار است:
- تکنیک ها و چارچوب های تحت پوشش را می توان برای سرمایه گذاری بلندمدت نیز به کار برد.
- این یک دوره آموزشی عمیق پایتون است که فراتر از چیزی است که معمولاً در دورههای دیگر مشاهده میکنید. با پایتون نرم افزار ایجاد کنید و آن را به صورت بلادرنگ بر روی یک سرور مجازی (AWS) اجرا کنید!
- ما الگوریتمهای یادگیری ماشینی و یادگیری عمیق را با دادههای بلادرنگ تغذیه میکنیم و اقدامات مبتنی بر ML/DL را در بلادرنگ انجام میدهیم!
این دوره برای چه کسانی مناسب است؟
- تریدرها (روزانه) و سرمایه گذارانی که می خواهند تجارت خود را حرفه ای و خودکار کنند.
- تریدرها (روزانه) و سرمایه گذاران از اتکا به استراتژی های ساده، شانس و امید خسته شده اند.
- متخصصان امور مالی و سرمایه گذاری که می خواهند وارد امور مالی مبتنی بر داده و هوش مصنوعی شوند.
- دانشمندان داده و متخصصان یادگیری ماشینی.
صفر تا صد معاملات الگوریتمی با پایتون، یادگیری ماشینی و AWS
-
معاملات الگوریتمی چیست / مرور دوره 04:54
-
چگونه بهترین بهره را از این دوره ببریم 10:22
-
آیا می دانستید؟ (آنچه داده می تواند درباره تریدینگ روزانه به ما بگوید) 04:41
-
اولین ترید ما 01:45
-
سرمایه گذاری بلند مدت در مقابل تریدینگ روزانه (به صورت الگوریتمی) 04:26
-
معاملات لحظهای در مقابل معاملات مشتقه (بخش 1) 08:24
-
معاملات لحظهای در مقابل معاملات مشتقه (بخش 2) 08:59
-
بررسی اجمالی و بروگرهای OANDA ،IBKR و FXCM 06:41
-
OANDA در نگاه اول 09:27
-
ایجاد یک حساب آزمایشی کاملاً کاربردی - در همه کشورها/مناطق! 00:33
-
FOREX / توضیح نرخ تبدیل ارز 08:33
-
معامله دوم ما - معامله به دلار/یورو در فارکس 04:24
-
نحوه محاسبه سود و زیان یک ترید 06:45
-
هزینه های تریدینگ و نسبت عملکرد 11:18
-
اهرم و مارجین 08:04
-
Margin Closeout و بیشتر 07:20
-
مقدمه ای بر ترسیم نمودار 04:50
-
صفر تا صد ترید سوم ما - فروش استقراضی دلار/یورو 07:03
-
Netting (نتینگ) درمقابل Hedging (هجینگ) 07:26
-
اوردرهای Market ،Limit و Stop 05:42
-
اوردرهای Take-Profit و Stop-Loss 03:28
-
یک مثال کلی تر 04:25
-
IBKR در نگاه اول 03:52
-
چگونه یک حساب (معاملات کاغذی) ایجاد کنیم؟ 04:05
-
چگونه IB Trader Workstation (TWS) را نصب کنیم؟ 03:15
-
TWS - مراحل اولیه 03:47
-
اولین معامله (خرید سهام) 05:50
-
ساعات تریدینگ 04:33
-
حساب نقدی در مقابل حساب مارجین 03:59
-
هزینههای معاملاتی (سهام) - کمیسیونها 09:18
-
هزینههای معاملاتی (سهام) - سایر هزینههای (پنهان) 06:33
-
معاملات فارکس: پول نقد در مقابل CFD 08:33
-
یک معامله کامل CFD فارکس 05:14
-
تحلیل معاملات CFD 03:11
-
FXCM در نگاه اول 06:55
-
نحوه ایجاد حساب کاربری 06:35
-
ترید مثال: خرید یورو/دلار 03:07
-
تحلیل معامله 03:44
-
چارتنگاری 01:16
-
Closing Positions درمقابل Hedging Positions 02:16
-
Order Types در یک نگاه 04:01
-
مقدمه 01:32
-
دانلود و نصب آناکوندا 07:30
-
چگونه Jupyter Notebooks را باز کنیم؟ 12:24
-
چگونه با Jupyter Notebooks کار کنیم؟ 17:25
-
ترفندهایی برای مبتدیان پایتون 01:11
-
مقدمه 02:59
-
تست مهارت های اشکال زدایی خود 10:40
-
دلایل اصلی بروز خطاهای کدنویسی 01:12
-
خطاهای رایج در یک نگاه 05:37
-
حذف سلول ها، تغییر دنباله و موارد دیگر 06:58
-
IndexErrors 04:50
-
خطای Indentation 03:18
-
استفاده نادرست از نام های تابع و کلیدواژه ها 02:32
-
TypeErrors و ValueErrors 03:41
-
دریافت کمک در StackOverflow.com 06:23
-
چگونه خطاهای پیچیده تر را ردیابی کنیم؟ 10:22
-
مشکلات نصب پایتون 06:15
-
عوامل خارجی و مسائل 04:13
-
خطاهای مرتبط با محتوای دوره ( خطاهای ترنسکریپشن) 04:11
-
خلاصه بخش و فلوچارت اشکال زدایی 07:15
-
بررسی 01:07
-
OANDA: نحوه نصب OANDA API Wrapper 04:41
-
OANDA: دریافت کلید API و دیگر آماده سازی ها 05:30
-
OANDA: اتصال به API/سرور 07:34
-
OANDA: نحوه بارگذاری داده قیمت تاریخی (بخش 1) 07:55
-
OANDA: نحوه بارگذاری داده قیمت تاریخی (بخش 2) 04:11
-
OANDA: استریم داده بلادرنگ با فرکانس بالا 03:46
-
OANDA: نحوه ثبت اوردرها و اجرای تریدینگ 10:18
-
IBKR: نحوه دانلود و نصب API Wrapper و سایر آمادهسازیها 04:22
-
IBKR: اتصال به API 03:17
-
IBKR: قراردادها 05:11
-
IBKR: چگونه دادههای بازار را دریافت کنیم؟ 06:51
-
IBKR: استریمینگ داده برای چندین نماد معاملاتی 02:19
-
IBKR: قراردادها (پیشرفته) 05:38
-
IBKR: قراردادهای فارکس و CFD 02:47
-
IBKR: ایجاد اوردرها (معاملات سهام) 08:40
-
IBKR: ایجاد اوردرها (معاملات CFD) 01:23
-
IBKR: اطلاعات معاملات CFD 05:20
-
IBKR: موقعیتها و ارزش حسابها 03:49
-
IBKR: بارهای تاریخی 06:26
-
FXCM: نحوه نصب FXCM API Wrapper 03:24
-
FXCM: دریافت توکن دسترسی و دیگر آماده سازی ها 03:05
-
FXCM: اتصال به API/سرور 07:45
-
FXCM: نحوه بارگذاری داده قیمت تاریخی (بخش 1) 06:30
-
FXCM: نحوه بارگذاری داده قیمت تاریخی (بخش 2) 05:24
-
FXCM: استریم داده در زمان واقعی با فرکانس بالا 06:38
-
FXCM: نحوه ثبت اوردرها و انجام تریدها 07:26
-
نتیجهگیری و چشمانداز 00:44
-
مقدمه و دانلودها بخش 2 ***بهروزرسانی نوامبر 2024*** 02:56
-
ایمپورت داده سری زمانی از فایلهای csv 08:16
-
تبدیل رشته ها به آبجکت های datetime با ()pd.to_datetime 08:53
-
ایندکس گذاری و اسلایس کردن سری های زمانی 07:25
-
Downsampling سری های زمانی با ()resample 06:35
-
تمرین کدنویسی - بخش 1 05:10
-
مقدمه و بررسی 04:02
-
نصب و ایمپورت پکیج ها و کتابخانه های مورد نیاز 01:59
-
بارگذاری داده مالی از وب 12:41
-
بررسی اولیه و مصورسازی 12:22
-
نرمال سازی سری های زمانی در یک مقدار پایه (100) 06:35
-
چالش کدنویسی شماره 1 05:20
-
تغییرات قیمت و بازده های مالی 09:03
-
پاداش و ریسک ابزارهای مالی 05:57
-
سرمایه گذاری چندگانه و CAGR 06:49
-
بازده مرکب و بازده مبتنی بر میانگین هندسی 04:17
-
ترکیب گسسته 07:59
-
ترکیب پیوسته 05:53
-
بازده های لگاریتمی 02:21
-
بازده های ساده در مقابل بازده های لگاریتمی - بخش 1 06:04
-
بازده های ساده در مقابل بازده های لگاریتمی (بخش 2) 05:42
-
مقایسه عملکرد ابزارهای مالی 09:37
-
غیر عادی بودن بازده های مالی 12:35
-
ریسک و بازده سالانه 04:51
-
نمونه گیری مجدد و هموارسازی داده مالی 07:44
-
آمار متحرک 09:05
-
فروش استقراضی و بازده موقعیت شورت (بخش 1) 03:16
-
فروش استقراضی و بازده موقعیت شورت (بخش 2) 04:43
-
فروش استقراضی و بازده موقعیت شورت (بخش 3) 04:07
-
کوواریانس و همبستگی 07:09
-
بازده های پرتفوی و پرتفوی ها 03:57
-
مارجین تریدینگ و بازده های اهرمی (بخش 1) 04:56
-
مارجین تریدینگ و بازده های اهرمی (بخش 2) 08:52
-
ایمپورت داده مالی از اکسل 11:25
-
ادغام و ترازبندی سری های زمانی مالی ( بخش عملی) 05:02
-
Attributes و متدهای مفید DatetimeIndex 06:24
-
پر کردن مقادیر NA با bfill ،ffill و درون یابی 10:07
-
مناطق زمانی و تبدیل (بخش 1) 04:36
-
مناطق زمانی و تبدیل (بخش 2) 04:48
-
***بهروزرسانی: yfinance*** اقدام لازم! 00:06
-
کلاس تحلیل مالی در عمل به صورت زنده (بخش 1) 04:58
-
کلاس تحلیل مالی در عمل به صورت زنده (بخش 2) 03:42
-
متد خاص ()__init__ 08:28
-
متد ()get_data 09:47
-
متد ()log_returns 03:21
-
نمایش رشته و متد خاص ()__repr__ 03:41
-
متدهای ()plot_prices و ()plot_returns 05:21
-
کپسوله سازی و Attribute های محافظت شده 04:02
-
متد ()set_ticker 03:18
-
افزودن متدهای بیشتر و معیارهای عملکرد 05:51
-
وراثت 09:01
-
وراثت و تابع ()super 06:47
-
افزودن Docstrings معنادار 06:24
-
ایجاد و ایمپورت ماژول های پایتون (py.) 04:19
-
تمرین کدنویسی - بخش 3 - ایجاد کلاس خود 07:13
-
آشنایی با بخش 3 06:13
-
استراتژی های تریدینگ - مرور 06:43
-
دریافت داده 03:56
-
یک خرید و نگهداری ساده 05:20
-
متریکهای عملکرد 06:33
-
استراتژی های SMA Crossover - مرور 05:04
-
تعریف استراتژی SMA Crossover 07:03
-
بک تست استراتژی برداری 08:21
-
یافتن استراتژی SMA بهینه 11:52
-
جنرال سازی با OOP: یک کلاس بک تست SMA در عمل 10:24
-
ایجاد کلاس (بخش 1) 04:02
-
ایجاد کلاس (بخش 2) 09:06
-
ایجاد کلاس (بخش 3) 06:20
-
ایجاد کلاس (بخش 4) 04:58
-
ایجاد کلاس (بخش 5) 02:37
-
ایجاد کلاس (بخش 6) 04:54
-
ایجاد کلاس (بخش 7) 02:46
-
ایجاد کلاس (بخش 8) 04:19
-
استراتژی های ساده Contrarian/Momentum - مرور 03:45
-
دریافت داده 02:53
-
Excursus: پاسخ به سوالات متداول شما 05:03
-
تعریف یک استراتژی Contrarian ساده 03:27
-
بک تست استراتژی برداری 04:31
-
تغییر پارامتر Window 05:35
-
تریدها و هزینه های تریدینگ (بخش 1) 08:51
-
تریدها و هزینه های تریدینگ (بخش 2) 03:01
-
جنرال سازی با OOP: کلاس بک تست Contrarian در عمل 08:07
-
چالش OOP: ایجاد کلاس بک تست Contrarian (شامل راه حل) 05:04
-
استراتژی های Mean-Reversion - مرور 05:41
-
دریافت داده 02:00
-
تعریف استراتژی Bollinger Bands Mean-Reversion (بخش 1) 04:29
-
تعریف استراتژی Bollinger Bands Mean-Reversion (بخش 2) 09:22
-
بک تست استراتژی برداری 05:48
-
تعمیم با OOP: کلاس بک تست Bollinger Bands در عمل 07:20
-
چالش OOP: ایجاد کلاس بک تست Bollinger Bands (شامل راه حل) 04:12
-
یادگیری ماشین - بررسی 06:40
-
رگرسیون خطی با scikit-learn - مقدمه ساده 08:17
-
پیش بینی با رگرسیون خطی 03:11
-
Overfitting 06:23
-
Underfitting 04:05
-
دریافت داده 01:39
-
یک مدل خطی ساده برای پیش بینی بازده مالی (بخش 1) 03:08
-
یک مدل خطی ساده برای پیش بینی بازده مالی (بخش 2) 06:40
-
یک مدل رگرسیون چندگانه برای پیشبینی بازده مالی 05:36
-
بک تست In-Sample و Look-ahead-bias 03:48
-
Out-Sample Forward Testing 04:30
-
رگرسیون لجستیک با scikit-learn - مقدمه ساده (بخش 1) 05:22
-
رگرسیون لجستیک با scikit-learn - یک مقدمه ساده (بخش 2) 06:11
-
جمعآوری و آمادهسازی دادهها 04:21
-
پیش بینی جهت بازار با رگرسیون لجستیک 04:25
-
بک تست In-Sample و Look-ahead-bias 02:20
-
Out-Sample Forward Testing 05:13
-
تعمیم با OOP: کلاس Classification Backtesting در عمل 10:59
-
توضیحات کلاس Classification Backtesting (بخش 1) 06:59
-
توضیحات کلاس Classification Backtesting (بخش 2) 06:23
-
مقدمهای بر بکتست تکراری 04:18
-
بینش اولیه در مورد آزمون بک تست تکراری (بخش 1) 06:07
-
بینش اولیه در مورد آزمون بک تست تکراری (بخش 2) 05:06
-
ایجاد یک کلاس بر پایه تکرار (بخش 1) 04:27
-
ایجاد یک کلاس بر پایه تکرار (بخش 2) 02:35
-
ایجاد یک کلاس بر پایه تکرار (بخش 3) 02:14
-
ایجاد یک کلاس بر پایه تکرار (بخش 4) 07:30
-
ایجاد یک کلاس بر پایه تکرار (بخش 5) 05:42
-
ایجاد یک کلاس بر پایه تکرار (بخش 6) 04:15
-
ایجاد یک کلاس بر پایه تکرار (بخش 7) 06:36
-
ایجاد یک کلاس بر پایه تکرار (بخش 8) 06:49
-
افزودن کلاس تکراری Backtest Child برای SMA (بخش 1) 05:52
-
افزودن کلاس تکراری Backtest Child برای SMA (بخش 2) 08:56
-
استفاده از ماژول ها و افزودن Docstrings 05:05
-
چالش OOP: استراتژیهای Contrarian و Bollinger را اضافه کنید 07:25
-
مقدمه و بررسی 01:38
-
داده های تاریخی، داده ها و اوردرهای بلادرنگ (مرور) 09:19
-
یک کلاس معاملهگری به صورت زنده در عمل 05:05
-
نحوه جمع آوری و ذخیره داده های تیک بلادرنگ 05:35
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 1) 08:23
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 2) 05:48
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 3) 04:39
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 4) 08:57
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 5) 04:08
-
کار با داده های تاریخی و داده های تیک بلادرنگ (بخش 1) 10:38
-
کار با داده های تاریخی و داده های تیک بلادرنگ (بخش 2) 06:27
-
کار با داده های تاریخی و داده های تیک بلادرنگ (بخش 3) 03:44
-
تعریف یک استراتژی Contrarian ساده 06:01
-
ثبت اوردرها و انجام تریدرها 06:30
-
نظارت و گزارش معامله 09:09
-
معامله استراتژی های دیگر - چالش کدنویسی 01:48
-
پیاده سازی استراتژی متقاطع SMA (راه حل) 04:18
-
پیاده سازی استراتژی Bollinger Bands (راه حل) 03:15
-
استراتژی های یادگیری ماشینی (1) - Model Fitting 07:15
-
استراتژی های یادگیری ماشینی (1) - پیاده سازی 07:49
-
وارد کردن ماژول / کلاس معامله گر 02:56
-
شرح مختصر: چاپ تمام تیکها در خط فرمان/ترمینال 00:11
-
اجرای اسکریپت تریدر پایتون 07:02
-
استریمینگ داده تیک 08:49
-
استریمینگ دادههای تیک برای چندین نماد 05:04
-
استریمینگ دادههای میلهای 05:54
-
استریمینگ ایجاد نمودار کندل زنده 01:47
-
آمادهسازی دادهها برای معاملات روزانه 08:08
-
بهبود کارایی کد 03:27
-
تعریف یک استراتژی معاملاتی روزانه SMA 04:17
-
ایجاد اوردرها و اجرای معاملات 07:02
-
نظارت و گزارش معامله 10:39
-
چگونه یک جلسه معاملاتی را متوقف کنیم؟ 06:41
-
معامله استراتژی های دیگر - چالش کدنویسی 02:48
-
جدید: استراتژیهای یادگیری ماشین - پیادهسازی 04:11
-
اجرای اسکریپت تریدر پایتون 06:06
-
داده های تاریخی، داده ها و اوردرهای بلادرنگ (مرور) 09:31
-
کلاس معاملهگری به صورت زنده در عمل 06:14
-
جمع آوری و ذخیره داده های تیک بلادرنگ 06:50
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 1) 08:42
-
کلاس تریدر 05:41
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 2) 08:18
-
ذخیره و نمونهبرداری مجدد دادههای تیک بلادرنگ (بخش 3) 03:16
-
کار با داده های تاریخی و داده های تیک بلادرنگ (بخش 1) 06:07
-
کار با داده های تاریخی و داده های تیک بلادرنگ (بخش 2) 05:55
-
کار با داده های تاریخی و داده های تیک بلادرنگ (بخش 3) 03:46
-
تعریف یک استراتژی تریدینگ Contrarian ساده 04:47
-
ثبت اوردرها و انجام تریدرها 07:33
-
نظارت و گزارش معامله 06:31
-
معامله استراتژی های دیگر - چالش کدنویسی 01:57
-
SMA Crossover و Bollinger Bands (راه حل) 04:20
-
استراتژی های یادگیری ماشینی (1) - Model Fitting 05:26
-
استراتژی های یادگیری ماشینی (1) - پیاده سازی 05:54
-
اجرای اسکریپت پایتون 06:20
-
مقدمه و انگیزه 02:49
-
نمایش: AWS EC2 برای تریدینگ الگوریتمی به صورت زنده در عمل 07:26
-
وب سرویس آمازون (AWS) - مرور و نحوه ایجاد یک حساب آزمایشی رایگان 02:34
-
چگونه نمونه EC2 را ایجاد کنیم؟ 07:58
-
چگونه نمونه EC2 را اتصال دهیم؟ 04:20
-
آماده سازی نمونه برای تریدینگ الگوریتمی 07:00
-
نحوه اجرای اسکریپت های پایتون در خط فرمان ویندوز 04:05
-
نحوه شروع تریدینگ با فایل های دسته ای (.bat). 04:02
-
نحوه برنامه ریزی جلسات تریدینگ با Task Scheduler 04:58
-
نحوه توقف جلسات تریدینگ (OANDA) 06:36
-
نحوه توقف جلسات تریدینگ (FXCM) 02:19
-
معرفی و آماده سازی داده 04:57
-
بهترین زمان برای ترید (بخش 1) 03:25
-
بهترین زمان برای ترید (بخش 2) 03:20
-
Spreads حین ساعت های شلوغ 02:01
-
تاثیر Granularity 04:15
-
نتیجهگیریها 02:09
-
مقدمه 02:06
-
استراتژی 1: SMA 02:18
-
استراتژی 2: بازگشت به میانگین 02:26
-
ترکیب هر دو استراتژی - جایگزین 1 05:21
-
در نظر گرفتن ساعات کاری شلوغ 02:32
-
بک تست استراتژی 01:41
-
ترکیب هر دو استراتژی - جایگزین 2 02:48
-
بهینهسازی استراتژی 08:53
-
بررسی پروژه 05:31
-
نصب Tensorflow و Keras (بخش 1) 00:27
-
دریافت و آماده سازی داده 01:13
-
افزودن لیبل ها/ویژگی ها 05:36
-
افزودن lags 02:25
-
تقسیم به مجموعه Train و Test 02:00
-
مقیاس بندی/مهندسی ویژگی 03:17
-
ایجاد و تطبیق مدل DNN 08:00
-
پیشبینی و Out-Sample Forward Testing 07:02
-
ذخیره مدل و پارامترها 02:52
-
پیاده سازی (Oanda و FXCM) 12:25
-
جدید: اجرای IBKR 03:21
-
مقدمه 05:06
-
خطاهای پایتون (استثنا) 01:40
-
try و except 02:39
-
ضبط خطاهای خاص 01:30
-
کلاس استثنا 01:04
-
try و except و else 03:18
-
finally 03:28
-
دوباره امتحان کنید (تا زمانی که کار کند) 04:34
-
چگونه تعداد retries را محدود کنیم؟ 02:39
-
دوره های انتظار بین re-tries 04:01
-
پیادهسازی با Oanda: مشکلات اتصال V20 03:54
-
مدیریت خطا در Oanda (بخش 1) 05:53
-
مدیریت خطا در Oanda (بخش 2) 08:03
-
مدیریت خطا در Oanda (بخش 3) 03:19
-
پیادهسازی با IBKR: خطاها و مشکلات اتصال 06:25
-
مدیریت خطا در IBKR 05:23
-
پیادهسازی با FXCM: مشکلات API/سرور 02:42
-
مدیریت خطا در FXCM (بخش 1) 04:48
-
مدیریت خطا در FXCM (بخش 2) 04:56
-
مقدمه 02:48
-
اوردرهای حد ضرر - تئوری 07:46
-
تریلینگ استاپ اوردرهای حد ضرر (سفارش حد ضرر شناور ) - تئوری 00:52
-
SL و TP - موارد استفاده و نتیجهگیری 11:22
-
Oanda: کلاس مخالف بدون حد سود و حد ضرر (خلاصه) 01:22
-
Oanda: نحوه ایجاد اوردرهای حد ضرر و حد سود 08:36
-
Oanda: اوردرهای حد ضرر و حد سود - مشکلات 05:24
-
Oanda: تنظیم فاصله SL و قیمتهای حد سود در لحظه 05:31
-
Oanda: بررسی رویدادهای SL/TP 04:18
-
Oanda: اضافه کردن حد ضرر و حد سود 08:15
-
IBKR: کلاس مخالف بدون حد سود و حد ضرر (خلاصه) 01:54
-
IBKR: نحوه ایجاد اوردرهای حد ضرر و حد سود 11:29
-
IBKR: اوردرهای حد ضرر و حد سود - مشکلات 05:08
-
IBKR: اضافه کردن حد ضرر و حد سود 08:52
-
بررسی 01:30
-
آشنایی با مفهوم ارزش زمانی پول (TVM) (تئوری) 06:01
-
محاسبه مقادیر آینده (FV) با پایتون و Compounding 03:29
-
***جدید*** تمرینهای کدنویسی آنلاین یودمی - مقدمه 04:28
-
محاسبه مقادیر فعلی (FV) با پایتون و تخفیف گرفتن 02:38
-
نرخهای بهره و بازده (تئوری) 04:26
-
محاسبه نرخهای بهره و بازده با پایتون 03:47
-
آشنایی با متغیرها 05:04
-
Excursus - چگونه کامنت های درون خطی را اضافه کنیم؟ 02:50
-
متغیرها و حافظه (تئوری) 01:57
-
توضیحات بیشتر درباره متغیرها و حافظه 06:33
-
متغیرها - بایدها، نبایدها و کنوانسیونها 03:49
-
تابع ()print 04:09
-
تمرین کدنویسی - بخش 1 09:00
-
مسائل TVM با تعداد زیادی جریان نقدی 03:21
-
آشنایی با لیست ها در پایتون 02:22
-
ایندکسگذاری مبنای صفر و ایندکسگذاری منفی در پایتون (تئوری) 02:47
-
ایندکسگذاری لیستها 03:10
-
حلقه های For - مفهوم Iterating در لیست ها 07:48
-
آبجکت Range - معرفی Iterable دیگر 04:56
-
محاسبه FV و PV برای چندین جریان نقدی 07:35
-
ارزش خالص فعلی (NPV) - تئوری 07:47
-
محاسبه NPV پروژه سرمایهگذاری 03:02
-
تمرین کدنویسی - بخش 2 08:41
-
تایپهای داده در عمل 06:07
-
سلسله مراتب تایپهای داده (تئوری) 03:30
-
Excursus - تایپینگ پویا در پایتون 01:38
-
توابع داخلی 05:52
-
Integer ها 03:18
-
شناورها 05:58
-
چگونه اعداد شناور و اعداد صحیح را با ()round گرد کنیم؟ 05:10
-
اطلاعات بیشتر در مورد لیستها 05:15
-
لیستها و عملیاتهای Element-wise 04:19
-
اسلایس کردن لیستها 04:33
-
تغییر عناصر در لیستها 02:44
-
مرتبسازی و معکوس کردن لیستها 03:48
-
افزودن عناصر به لیست ها و حذف عناصر از لیست ها 09:33
-
مقایسه آبجکت های تغییرپذیر و تغییرناپذیر (بخش 1) 09:04
-
مقایسه آبجکت های تغییرپذیر و تغییرناپذیر (بخش 2) 05:12
-
تمرین کدنویسی - بخش 3 11:32
-
تاپلها 06:50
-
دیکشنریها 06:22
-
آشنایی با رشتهها 08:47
-
جایگزینی رشتهها 04:10
-
بولیها 02:23
-
اپراتورها (تئوری) 04:37
-
اپراتورهای مقایسه، منطقی و عضویت در عمل 08:21
-
تمرین کدنویسی - بخش 4 08:56
-
دستورات شرطی 09:04
-
کلیدواژه های continue ،pass و break 09:37
-
محاسبه دوره بازگشت سرمایه یک پروژه 04:35
-
آشنایی با حلقه های while 07:58
-
تعریف اولین تابع تعریف شده توسط کاربر 06:07
-
تفاوت بین آرگومان های پوزیشنال با آرگومان های کلیدواژه چیست؟ 05:35
-
چگونه با آرگومانهای پیشفرض کار کنیم؟ 05:27
-
Default Argument None 06:17
-
چگونه Iterables را آنپک کنیم؟ 04:40
-
دنباله ها به عنوان آرگومان و args* 05:05
-
چگونه بسیاری از نتایج را برگردانیم؟ 02:42
-
اسکوپ - توضیح ساده 08:16
-
ماژولها، پکیجها و کتابخانهها - نیازی به اختراع دوباره چرخ نیست 07:52
-
آرایههای Numpy 08:23
-
ایندکسگذاری و اسلایس کردن آرایههای Numpy 03:13
-
عملیاتهای برداری با آرایههای Numpy 03:56
-
تغییر عناصر در آرایههای Numpy و قابلیت تغییر 05:50
-
View در مقابل copy - مشکلات احتمالی هنگام اسلایس کردن آرایه های Numpy 04:45
-
متدها و Attribute های آرایه Numpy 05:13
-
توابع سراسری Numpy 03:59
-
آرایههای بولی و فیلترینگ شرطی 04:39
-
فیلترینگ پیشرفته و اپراتورهای Bitwise 06:11
-
تعیین دوره بازگشت سرمایه یک پروژه با ()np.where 04:50
-
ایجاد آرایه های Numpy از ابتدا 05:56
-
چگونه با لیستهای تودرتو کار کنیم؟ 04:21
-
آرایههای دو بعدی Numpy 03:51
-
چگونه آرایههای Numpy دو بعدی را اسلایس کنیم؟ - بخش 1 05:36
-
چگونه آرایههای Numpy دو بعدی را اسلایس کنیم؟ - بخش 2 02:03
-
جمعبندی - تغییر عناصر در آرایه و اسلایس Numpy 03:39
-
چگونه عملیاتهای سطری و ستونی را انجام دهیم؟ 04:33
-
آشنایی با داده جدولی و Pandas 04:19
-
ایجاد اولین دیتافریم در Pandas (از فایل CSV) 09:09
-
گزینههای نمایش Pandas و متدهای ()head و ()tail 06:41
-
بررسی اولیه داده 11:25
-
توابع داخلی، Attributes و متد با Pandas 12:06
-
آموزش آسان: TAB Completion و Tooltip 08:57
-
انتخاب ستونها 06:05
-
انتخاب یک ستون 02:16
-
ایندکسگذاری مبنای صفر و ایندکسگذاری منفی 03:04
-
انتخاب سطرها با iloc (ایندکسگذاری مبتنی بر پوزیشن) 10:07
-
اسلایس کردن سطرها و ستونها با iloc (ایندکسگذاری مبتنی بر پوزیشن) 04:39
-
انتخاب سطرها با loc (ایندکس گذاری مبتنی بر برچسب) 03:14
-
اسلایس کردن سطرها و ستونها با loc (ایندکسگذاری مبتنی بر برچسب) 10:21
-
خلاصه، بهترین شیوهها و Outlook 06:30
-
اولین گامها با سریهای Pandas 03:53
-
تحلیل سری های عددی با ()unique() ،nunique و ()value_counts 13:50
-
تحلیل سری های غیرعددی با ()unique() ،nunique و ()value_counts 07:17
-
متد ()copy 03:57
-
مرتب سازی سری ها و آشنایی با inplace - پارامتر 08:59
-
اولین مراحل با آبجکت های ایندکس Pandas 05:57
-
تغییر ایندکس سطر با ()set_index و ()reset_index 10:07
-
تغییر برچسب های ستون 03:20
-
تغییر نام ایندکس و برچسب ستون ها با ()rename 03:51
-
فیلترینگ دیتافریم ها (یک شرط) 10:20
-
فیلترینگ دیتافریم ها بر اساس چند شرط (AND) 04:45
-
فیلترینگ دیتافریم ها بر اساس چند شرط (OR) 05:04
-
فیلتر پیشرفته با ()between() ،isin و ~ 08:35
-
آشنایی با مقادیر NA و مقادیر گمشده 08:52
-
مدیریت مقادیر NA و مقادیر گمشده 10:51
-
اکسپورت دیتافریم ها به CSV 02:14
-
خلاصه آمار و انباشتگی ها 08:32
-
مصورسازی با Matplotlib (مقدمه) 08:48
-
سفارشی سازی پلات ها 12:56
-
هیستوگرام ها - بخش 1 04:34
-
هیستوگرام ها - بخش 2 06:28
-
نمودارهای پراکندگی 07:18
-
مراحل اولیه با Seaborn 05:24
-
نمودارهای دسته بندی شده در Seaborn 13:33
-
پلات های رگرسیون Seaborn 12:21
-
هیت مپ های Seaborn 08:17
-
حذف ستونها 05:18
-
آشنایی با عملیات های GroupBy 02:02
-
درک آبجکت GroupBy 08:05
-
تقسیم با کلیدهای زیاد 06:49
-
split-apply-combine 09:36
مشخصات آموزش
صفر تا صد معاملات الگوریتمی با پایتون، یادگیری ماشینی و AWS
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:None
- تعداد درس:462
- مدت زمان :44:46:00
- حجم :12.44GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy