دوره آموزشی
آموزش های یودمی
دوبله زبان فارسی

مدیریت داده مالی با پایتون و Pandas - مسترکلاس منحصر به فرد

مدیریت داده مالی با پایتون و Pandas - مسترکلاس منحصر به فرد

✅ سرفصل و جزئیات آموزش

در این دوره با تحلیل سهام ها با Pandas ،Numpy ،Seaborn و ChatGPT آشنا شده و ایجاد، تحلیل و بهینه سازی شاخص ها و پورتفولیوها (CAPM، آلفا، بتا) را درک می کنید.

آنچه یاد خواهید گرفت

  • وارد نقش تحلیلگر مالی می شوید و در مورد پورتفولیوی مالی مشتری (پروژه نهایی) مشاوره می دهید.
  • مجموعه داده های مالی بزرگ و قیمت های تاریخی را از منابع وب ایمپورت کرده و آن ها را تحلیل، تجمیع و مصورسازی کنید.
  • بازده ها، ریسک، همبستگی و آمار چرخشی را برای سهام ها، شاخص ها و پورتفولیوها محاسبه می کنید.
  • پورتفولیوهای مالی را ایجاد، تحلیل و بهینه سازی کرده و کاربرد نسبت شارپ را درک می کنید.
  • از تئوری پورتفولیوی مدرن (CAPM، بتا، آلفا، CML ،SML و متنوع سازی ریسک) با مثال‌ های داده واقعی، دانش شهودی کسب می کنید.
  • نمودارهای تعاملی قیمت را با اندیکاتورهای تکنیکال (حجم، OHLC، کندل استیک، SMA و غیره) ایجاد می کنید.
  • شاخص های مالی (قیمت، کل هم وزن و ارزش هم وزن) را ایجاد کرده و تفاوت بین بازده قیمت و بازده کل را درک می کنید.
  • به راحتی بین بازده روزانه، هفتگی، ماهانه و سالانه جابجا می شوید و مزایای بازده لگاریتمی را درک می کنید.
  • از صفر شروع کرده و تمام مبانی کتابخانه قدرتمند Pandas را می آموزید.

پیش نیازهای دوره

  • نیازی به دانش مالی خاصی نیست. این دوره به طور شهودی اصول اساسی امور مالی و تئوری پورتفولیو را بر اساس مثال های داده توضیح می دهد.
  • در حالت ایده آل، برخی مبانی Spreadsheet و مبانی برنامه نویسی (اجباری نیست، دوره شما را از طریق مبانی راهنمایی می کند.)
  • یک کامپیوتر رومیزی (ویندوز، مک یا لینوکس) که قادر به ذخیره و اجرای آناکوندا است. این دوره شما را با نصب این نرم افزار ضروری رایگان راهنمایی می کند.
  • اتصال به اینترنت با قابلیت استریمینگ ویدئوها
  • برخی مهارت های ریاضیات سطح دبیرستان عالی خواهد بود (اجباری نیست، اما کمک می کند.)

توضیحات دوره

صنعت مالی و سرمایه گذاری در حال تجربه یک تغییر چشمگیر است که ناشی از افزایش روزافزون قدرت پردازش، اتصال پذیری و معرفی ابزارهای قدرتمند یادگیری ماشین است. صنعت مالی و سرمایه گذاری بیش از پیش از یک کسب و کار مبتنی بر ریاضیات و فرمول به یک کسب و کار داده محوز تغییر کرده است.

برای حفظ سرعت چه کاری می توانید انجام دهید؟

مهم نیست که می خواهید عمیقا به یادگیری ماشین بپردازید یا می خواهید صرفا هنگام مدیریت داده مالی، بهره وری خود را در محل کار افزایش دهید، اولین و مهم ترین مرحله وجود دارد: اکسل را پشت سر بگذارید و داده مالی خود را با پایتون و Pandas مدیریت کنید.

Pandas، همان اکسل پایتون است و یادگیری Pandas از ابتدا تقریبا به آسانی یادگیری اکسل است. Pandas در نگاه اول پیچیده به نظر می رسند، زیرا به سادگی قابلیت های بسیار بیشتری را ارائه می دهد. گردش‌ کارهایی که با اکسل انجام می‌ دهید را می‌ توان با Pandas به صورت کارآمدتر انجام داد. Pandas، کتابخانه کدنویسی سطح بالا است که در آن همه موارد کدنویسی سخت با ده ها خط کدنویسی به طور خودکار در پس زمینه اجرا می شوند. عملیات های Pandas معمولا در یک خط کد انجام می شود. با این حال، یادگیری و تسلط به Pandas به گونه ای مهم است.

  • شما می فهمید که کارها چگونه پیش می روند.
  • شما از مشکلات آگاه هستید. (نبایدها)
  • شما بهترین شیوه ها را می دانید. (بایدها)

مدیریت داده مالی با پایتون و Pandas به بهترین شکل شما را برای تسلط به چالش های جدید و پیشی گرفتن از همتایان، همکاران و رقبا آماده می کند. کدنویسی با پایتون و Pandas یکی از مهارت های مورد تقاضا در امور مالی است.

این دوره یکی از کاربردی ترین دوره های یودمی با 200 تمرین کدنویسی و یک پروژه نهایی است. شما در انتخاب سطح دشواری فردی خود آزاد هستید. اگر اصلا تجربه ای با Pandas ندارید، بخش 1 تمام موارد ضروری (از صفر تا صد) را به شما آموزش می دهد.

بخش 2 - هسته این دوره

  • ایمپورت داده مالی از منابع وب رایگان، فایل های اکسل و CSV 
  • محاسبه ریسک، بازده ها و همبستگی سهام ها، شاخص ها و پورتفولیوها
  • محاسبه بازده های ساده، بازده های لگاریتمی و بازده های سالانه و ریسک
  • ایجاد شاخص مالی سفارشی شده خود (قیمت هم وزن در مقابل کل هم وزن در مقابل ارزش هم وزن)
  • درک تفاوت بین بازده قیمت و بازده کل 
  • ایجاد، تحلیل و بهینه سازی پورتفولیوهای سهام
  • محاسبه نسبت شارپ، ریسک سیستماتیک، ریسک غیرسیستماتیک، بتا و آلفا برای سهام ها، شاخص ها و پورتفولیوها
  • درک تئوری پورتفولیوی مدرن، متنوع سازی ریسک و مدل قیمت گذاری دارایی های سرمایه ای (CAPM) 
  • بهینه سازی میانگین-واریانس آینده نگر (MVO) و مشکلات آن 
  • دریافت بینش انحصاری درباره نحوه استفاده واقعی از MVO (و چرا در بسیاری از موارد از آن استفاده نمی شود) -- فراتر رفتن از سطح سرمایه گذاری 101
  • محاسبه آمار چرخشی (به عنوان مثال میانگین های متحرک ساده) و تجمیع، مصورسازی و گزارش دهی عملکرد مالی
  • ایجاد نمودارهای تعاملی با اندیکاتورهای تکنیکال (SMA، کندل استیک، باندهای بولینگر و غیره)

بخش 3 - پروژه Capstone

  • وارد نقش تحلیلگر مالی و مشاور مالی شده و درباره پورتفولیوی مشتری (چالش نهایی پروژه) مشاوره می دهید.
  • اعمال و تسلط به آنچه قبلا آموخته اید.

بخش 4

برخی مباحث پیشرفته در مورد مدیریت داده سری های زمانی با Pandas

پیوست

آیا با برخی مفاهیم اولیه پایتون و Numpy در تقلا هستید؟ اگر در پایتون کاملا تازه کار هستید، در اینجا تمام آنچه باید بدانید وجود دارد.

این دوره برای چه کسانی مناسب است؟

  • متخصصان سرمایه گذاری و امور مالی که می خواهند از اکسل به پایتون منتقل شوند تا حرفه و کارایی خود را افزایش دهند.
  • دانشجویان و محققان (مالی) که نیاز به مدیریت مجموعه داده های بزرگ دارند و به محدودیت های اکسل رسیده اند.
  • دانشمندان داده‌ که می‌ خواهند مهارت‌ های خود در مدیریت داده و دستکاری داده‌ را بهبود بخشند. (به ویژه برای داده‌ سری های زمانی)
  • همه کسانی که می خواهند وارد علم داده (مالی) شوند. Pandas کلید همه این ها است.
  • افرادی که کنجکاو هستند بدانند چگونه عملکرد مالی اندازه گیری می شود و چگونه شاخص ها و پورتفولیوها (سهام) ایجاد، تحلیل، مصورسازی و بهینه سازی می شوند. این دوره ساده ترین راه برای درک این مفاهیم با مثال های داده به جای تئوری ها و فرمول ها است.

مدیریت داده مالی با پایتون و Pandas - مسترکلاس منحصر به فرد

  • بررسی دوره و نحوه به حداکثر رساندن موفقیت یادگیری 10:05
  • نکات - چطور بهترین استفاده ممکن را از این دوره داشته باشیم؟ (لطفا از آن رد نشوید) 05:27
  • آیا می دانستید که ...؟ 03:08
  • نصب آناکوندا 07:30
  • باز کردن Jupyter Notebook 12:24
  • چگونه از Jupyter Notebooks استفاده کنیم؟ 17:25
  • دانلودها (دریافت تمام مطالب دوره از اینجا) - UPD 24 نوامبر 05:04
  • مقدمه 03:22
  • دستیار کدنویسی برای کدنویسی Pandas با استفاده از GPT-3.5 و GPT-4o mini (رایگان) 04:45
  • تحلیل داده Pandas با استفاده از GPT-4 و GPT-4o (به علاوه سابسکریپشن) 03:28
  • ایجاد اولین دیتافریم Pandas (از csv) 06:58
  • بارگذاری فایل CSV در Pandas None
  • چگونه فایل‌ های CSV را از لوکیشن های دیگر بخوانیم؟ 03:36
  • گزینه های نمایش Pandas و متدهای ()head و ()tail 06:41
  • بررسی اولین داده 11:25
  • آمار خلاصه None
  • توابع داخلی، Attributes و متدها با Pandas 12:06
  • آسان سازی - تکمیل تب و Tooltip 08:57
  • مراحل اولیه None
  • بررسی مجموعه داده خود - کدنویسی Jupyter - تمرین 1 (مقدمه) 03:53
  • بررسی مجموعه داده خود - کدنویسی Jupyter - تمرین 1 (راه حل) 04:35
  • انتخاب ستون ها 06:05
  • انتخاب یک ستون با حاشیه نویسی نقطه ای 02:16
  • انتخاب ستون ها None
  • ایندکس گذاری مبتنی بر صفر و ایندکس گذاری منفی 03:04
  • انتخاب سطرها با iloc (ایندکس گذاری مبتنی بر پوزیشن) 10:07
  • اسلایس کردن سطرها و ستون ها با iloc (ایندکس گذاری مبتنی بر پوزیشن) 04:39
  • ایندکس گذاری مبتنی بر پوزیشن - بخش 1 None
  • ایندکس گذاری مبتنی بر پوزیشن - بخش 2 None
  • انتخاب سطرها با loc (ایندکس گذاری مبتنی بر برچسب) 03:14
  • اسلایس کردن سطرها و ستون ها با loc (ایندکس گذاری مبتنی بر برچسب) 10:21
  • ایندکس گذاری مبتنی بر برچسب - بخش 1 None
  • ایندکس گذاری مبتنی بر برچسب - بخش 2 None
  • ایندکس گذاری و اسلایس کردن با ()reindex 05:30
  • خلاصه، بهترین شیوه ها و چشم انداز 06:30
  • ایندکس گذاری و اسلایس کردن None
  • کدنویسی Jupyter - تمرین 2 - مقدمه 01:03
  • کدنویسی Jupyter - تمرین 2 - راه حل 06:31
  • جدید - تمرین های کدنویسی با ChatGPT 03:14
  • ایندکس گذاری و اسلایس کردن پیشرفته (اختیاری) 05:22
  • مقدمه 02:59
  • تست مهارت‌ های اشکال زدایی خود 10:40
  • دلایل اصلی خطاهای کدنویسی 01:12
  • خطاهای رایج در یک نگاه 05:37
  • حذف سلول‌ ها، تغییر دنباله و موارد دیگر 06:58
  • IndexErrors 04:49
  • خطای Indentation 03:18
  • سوء استفاده از نام‌ های تابع و کلیدواژه ها 02:32
  • TypeErrors و ValueErrors 03:41
  • جدید - اشکال زدایی خطاهای Pandas با ChatGPT 05:46
  • 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 و اشکال زدایی فلو‌چارت 07:15
  • جدید - اشکال زدایی فلو‌چارت با ChatGPT 01:24
  • اولین مراحل با سری های Pandas 03:53
  • تحلیل سری های عددی با ()unique و ()nunique و ()value_counts 13:50
  • حداکثر مقدار در یک ستون عددی None
  • رایج ترین مقدار در یک ستون عددی None
  • تحلیل سری های غیرعددی با ()unique و ()nunique و ()value_counts 07:17
  • مقادیر منحصر به فرد در یک ستون متنی None
  • رایج ترین مقدار در یک ستون متنی None
  • متد ()copy 03:57
  • مرتب سازی سری ها و آشنایی با inplace - پارامتر 08:59
  • مرتب سازی "inplace" None
  • سری‌ های Pandas None
  • تمرین کدنویسی - بخش 3 - مقدمه 01:30
  • تمرین کدنویسی - بخش 3 - راه حل 04:53
  • اولین مراحل با آبجکت های ایندکس Pandas 05:57
  • انتخاب برچسب های ستون یک دیتافریم None
  • تغییر ایندکس سطر با ()set_index و ()reset_index 10:07
  • ریست کردن یک ایندکس None
  • تغییر برچسب های ستون 03:20
  • تغییر نام ایندکس و برچسب های ستون با ()rename 03:51
  • تغییر نام برچسب های ستون None
  • آبجکت های ایندکس Pandas None
  • تمرین کدنویسی - بخش 4 - مقدمه 01:11
  • تمرین کدنویسی - بخش 4 - راه حل 03:42
  • مرتب سازی دیتافریم ها با ()sort_index و ()sort_values 09:09
  • ()nunique و ()nlargest و ()nsmallest با دیتافریم ها 05:30
  • فیلترینگ دیتافریم ها (یک شرط) 10:20
  • فیلترینگ با یک شرط None
  • فیلترینگ دیتافریم ها بر اساس چند شرط (AND) 04:45
  • فیلترینگ دیتافریم ها بر اساس چند شرط (OR) 05:04
  • فیلترینگ با چند شرط None
  • فیلترینگ پیشرفته با ()between و ()isin و ~ 08:35
  • فیلترینگ پیشرفته None
  • ()any و ()all 04:07
  • جستجو با ()any None
  • مرتب سازی و فیلترینگ None
  • تمرین کدنویسی - بخش 5 - مقدمه 01:19
  • تمرین کدنویسی - بخش 5 - راه حل 08:13
  • 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 انباشت ها 08:32
  • متد ()agg 04:22
  • تمرین کدنویسی - بخش 6 - مقدمه 01:50
  • تمرین کدنویسی - بخش 6 - راه حل 10:21
  • مصورسازی با Matplotlib - مقدمه 08:48
  • سفارشی سازی نمودارها 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
  • نمودارهای رگرسیون در Seaborn 12:21
  • نقشه های حرارتی در Seaborn 08:17
  • تمرین کدنویسی - بخش 7 - مقدمه 01:02
  • تمرین کدنویسی - بخش 7 - راه حل 07:30
  • حذف ستون ها 05:18
  • حذف سطرها 07:06
  • حذف ستون ها None
  • افزودن ستون های جدید به یک دیتافریم 03:27
  • عملیات های حسابی - بخش 1 11:59
  • عملیات های حسابی - بخش 2 10:55
  • ایجاد دیتافریم ها از ابتدا با ()pd.DataFrame 07:43
  • ایجاد دیتافریم های جدید None
  • افزودن سطرهای جدید (عملی) 04:16
  • افزودن سطرهای جدید به دیتافریم 13:51
  • دستکاری عناصر در یک دیتافریم 04:42
  • تمرین کدنویسی - بخش 8 - مقدمه 00:59
  • تمرین کدنویسی - بخش 8 - راه حل 06:11
  • آشنایی با عملیات های GroupBy 02:02
  • آشنایی با آبجکت GroupBy 08:05
  • تقسیم با کلیدهای زیاد 06:49
  • split-apply-combine 09:36
  • اعمال split-apply-combine 11:59
  • ایندکس گذاری سلسله مراتبی با GroupBy 06:18
  • ()stack و ()unstack 13:31
  • GroupBy None
  • تمرین کدنویسی - بخش 9 - مقدمه 00:56
  • تمرین کدنویسی - بخش 9 - راه حل 06:05
  • ایمپورت داده سری های زمانی از فایل های CSV 08:16
  • تبدیل رشته ها به آبجکت های تاریخ زمان با ()pd.to_datetime 08:53
  • تحلیل اولیه و مصورسازی سری های زمانی 05:41
  • ایندکس گذاری و اسلایس کردن سری های زمانی 07:25
  • ایجاد DatetimeIndex سفارشی با ()pd.date_range 15:33
  • بروزرسانی - رشته‌ های فرکانس جدید (Pandas 3.x) 02:26
  • اطلاعات بیشتر درباره ()pd.date_range 03:01
  • تمرین کدنویسی - بخش 10 - مقدمه 01:14
  • تمرین کدنویسی - بخش 10 - راه حل 05:25
  • Downsampling سری های زمانی با ()resample - بخش 1 06:35
  • Downsampling و PeriodIndex 05:37
  • ایندکس گذاری پیشرفته با ()reindex 08:48
  • تمرین کدنویسی - بخش 11 - مقدمه 01:12
  • تمرین کدنویسی - بخش 11 - راه حل 05:30
  • آماده سازی (نصب کتابخانه مورد نیاز) 02:42
  • ایمپورت داده قیمت سهام از Yahoo Finance (هنوز کار می کند!) 09:29
  • بررسی اولیه و مصورسازی 05:32
  • نرمال سازی سری های زمانی در یک مقدار پایه (100) 06:31
  • متد ()shift 06:51
  • متدهای ()diff و ()pct_change 06:41
  • ارزیابی عملکرد سهام با بازده های MEAN و STD بازده ها 08:49
  • سری های زمانی مالی - بازده و ریسک 08:30
  • بازده و ریسک None
  • سری های زمانی مالی - کوواریانس و همبستگی 04:32
  • تمرین کدنویسی - بخش 12 - مقدمه 02:30
  • تمرین کدنویسی - بخش 12 - راه حل 07:28
  • مقدمه 02:50
  • ایمپورت داده مالی از اکسل 11:25
  • میانگین متحرک ساده (SMA) با ()rolling 08:44
  • استراتژی های معاملات مومنتوم با SMAs 07:08
  • استراتژی‌ های معاملاتی None
  • گزارش دهی عملکرد S&P 500 - ریسک و بازده چرخشی 11:25
  • S&P 500 - افق سرمایه گذاری و عملکرد 09:42
  • بازده های ساده در مقابل بازده های لگاریتمی 09:18
  • بازده های ساده در مقابل بازده های لگاریتمی None
  • مثلث بازده S&P 500 - بخش 1 06:19
  • مثلث بازده S&P 500 - بخش 2 09:20
  • تفسیر مثلث بازده None
  • مثلث 500 دلاری S&P 04:08
  • "رادار آب و هوا" S&P 500 04:42
  • میانگین های متحرک با وزن نمایی (EWMA) 04:32
  • گسترش ویندوز 05:07
  • همبستگی چرخشی 07:11
  • ()rolling با افست های زمانی با اندازه ثابت 06:13
  • ادغام و ترازبندی سری های زمانی مالی - عملی 05:02
  • تمرین کدنویسی - بخش 13 - مقدمه 02:38
  • تمرین کدنویسی - بخش 13 - راه حل 12:31
  • شاخص های مالی - بررسی 09:13
  • شاخص های مالی None
  • دریافت داده 03:29
  • شاخص هم وزن قیمت (PWI) - تئوری 08:21
  • PWI None
  • ایجاد شاخص سهام هم وزن قیمت با پایتون 08:48
  • شاخص کل هم وزن (EWI) - تئوری 05:37
  • EWI None
  • ایجاد شاخص کل هم وزن سهام با پایتون 07:59
  • شاخص ارزش وزنی بازار ( VWI) - تئوری 08:41
  • VWI None
  • ایجاد شاخص ارزش وزنی سهام بازار با پایتون - بخش 1 08:00
  • ایجاد شاخص ارزش وزنی سهام بازار با پایتون - بخش 2 07:20
  • مقایسه متدهای وزن دهی 05:26
  • شاخص قیمت در مقابل شاخص عملکرد و یا بازده کل 06:13
  • تمرین کدنویسی - بخش 14 - مقدمه 01:34
  • تمرین کدنویسی - بخش 14 - راه حل 07:37
  • مقدمه 03:43
  • دریافت داده 02:07
  • ایجاد پورتفولیوی کل هم وزن 08:11
  • ایجاد پورتفولیوهای تصادفی بسیار با پایتون 12:09
  • نسبت شارپ و دارایی بدون ریسک چیست؟ 04:33
  • تحلیل پورتفولیو و نسبت شارپ با پایتون 07:51
  • نسبت شارپ و دارایی بدون ریسک None
  • یافتن پورتفولیوی بهینه 06:51
  • نسبت شارپ - مصورسازی و توضیح 05:07
  • پورتفولیوها None
  • تمرین کدنویسی - بخش 15 - مقدمه 02:45
  • تمرین کدنویسی - بخش 15 - راه حل 10:27
  • مقدمه 01:46
  • خط بازار سرمایه (CML) و قضیه دو صندوق 03:07
  • قضیه دو صندوق None
  • تاثیر متنوع سازی پورتفولیو 12:56
  • ریسک سیستماتیک در مقابل غیرسیستماتیک 12:22
  • متنوع سازی ریسک None
  • مدل قیمت گذاری دارایی سرمایه ای (CAPM) و خط بازار امنیت (SLM) 07:47
  • CAPM None
  • بتا و آلفا 07:21
  • بازتعریف پورتفولیوی بازار 07:32
  • سهام چرخه ای در مقابل غیرچرخه ای - یک شهود دیگر روی بتا 06:17
  • بتا و آلفا None
  • تمرین کدنویسی - بخش 16 - مقدمه 02:34
  • تمرین کدنویسی - بخش 16 - راه حل 09:01
  • مقدمه 04:38
  • بهینه سازی میانگین-واریانس (MVO) 08:51
  • به همین سادگی نیست - بخش 1 (سرمایه گذاری 101 در مقابل دنیای واقعی) 06:58
  • تغییر بازده مورد انتظار 06:25
  • به همین سادگی نیست - بخش 2 (سرمایه گذاری 101 در مقابل دنیای واقعی) 10:37
  • مقدمه 01:34
  • راه اندازی محیط Cufflinks 05:40
  • ایجاد نمودارهای آفلاین در Jupyter Notebooks 07:36
  • نمودارهای قیمت تعاملی با Plotly 05:07
  • سفارشی سازی نمودارهای Plotly 05:15
  • هیستوگرام های تعاملی با Plotly 06:02
  • نمودارهای کندل استیک و OHLC با Plotly 04:22
  • SMA و باندهای بولینگر با Plotly 06:05
  • دیگر اندیکاتورهای تکنیکال با Plotly (حجم، MACD و DMI) 01:53
  • چالش تحلیلگر مالی - مقدمه 01:22
  • چالش تحلیلگر مالی - دستورالعمل و نکات 03:26
  • چالش تحلیلگر مالی - راه حل بخش 1 02:00
  • چالش تحلیلگر مالی - راه حل بخش 2 07:07
  • چالش تحلیلگر مالی - راه حل بخش 3 06:08
  • چالش تحلیلگر مالی - راه حل بخش 4 04:53
  • چالش تحلیلگر مالی - راه حل بخش 5 04:53
  • چالش تحلیلگر مالی - راه حل بخش 6 07:31
  • چالش تحلیلگر مالی - راه حل بخش 7 07:36
  • Attributes و متدهای مفید DatetimeIndex 06:24
  • پر کردن مقادیر NA با bfill ،ffill و درون یابی 10:07
  • ()resample و ()agg 04:06
  • ()resample و ()OHLC 01:17
  • Upsampling با ()resample 06:10
  • مناطق زمانی و تبدیل - بخش 1 04:36
  • مناطق زمانی و تبدیل - بخش 2 04:48
  • تغییر تاریخ ها با ()pd.DateOffset 04:34
  • تغییر تاریخ پیشرفته 03:37
  • آبجکت دلتای زمان 07:27
  • مقدمه و بررسی 02:08
  • خلاصه مهم - گزینه های نمایش در Pandas (تغییر در نسخه 0.25) 05:38
  • متد ()Info - خروجی جدید و توسعه یافته 01:41
  • dtypes افزونه جدید (nullable dtypes) - چرا به آن ها نیاز داریم؟ 04:31
  • ایجاد dtypes افزونه جدید با ()convert_dtypes 03:56
  • مقدار pd.NA جدید برای مقادیر گمشده 06:08
  • nullable Int64Dtype جدید 03:32
  • StringDtype جدید 05:18
  • nullable BooleanDtype جدید 04:11
  • افزودن پارامتر ignore_index 03:55
  • حذف خرابی های نسخه قبلی 06:01
  • مقدمه 02:06
  • مراحل اولیه 08:57
  • متغیرها 08:22
  • تایپ های داده - اعداد صحیح و شناورها 08:05
  • تایپ های داده - رشته ها 09:59
  • تایپ های داده - لیست ها - بخش 1 08:04
  • تایپ های داده - لیست ها - بخش 2 18:24
  • تایپ های داده - تاپل ها 06:29
  • تایپ های داده - مجموعه ها 03:35
  • عملگرها و بولی ها 09:39
  • دستورات شرطی (else ،elif ،if و while) 12:01
  • حلقه‌‌ های For 09:12
  • کلیدواژه ها و دستورات pass و break و continue 05:31
  • تولید اعداد تصادفی 06:19
  • توابع تعریف شده توسط کاربر - بخش 1 09:21
  • توابع تعریف شده توسط کاربر - بخش 2 07:16
  • توابع تعریف شده توسط کاربر - بخش 3 08:17
  • مصورسازی با Matplotlib 15:20
  • مبانی پایتون None
  • راه حل آزمون 12:46
  • آشنایی با آرایه های Numpy 07:03
  • آرایه های Numpy - بردارسازی 08:49
  • آرایه های Numpy - ایندکس گذاری و اسلایس کردن 06:49
  • آرایه های Numpy - شکل و ابعاد 05:33
  • آرایه های Numpy - ایندکس گذاری و اسلایس کردن آرایه های چند بعدی 10:36
  • آرایه های Numpy - ایندکس گذاری بولی 05:36
  • تولید اعداد تصادفی 08:06
  • مسائل عملکرد 06:17
  • مطالعه موردی - Numpy در مقابل کتابخانه استاندارد پایتون 06:49
  • آمار خلاصه 06:38
  • مصورسازی و رگرسیون (خطی) 12:00
  • NumPy None
  • آزمون NumPy - راه حل 14:47
  • بررسی عمیق ChatGPT برای امور مالی - قدرت پرامپت ها 07:38
  • ChatGPT چیست و چگونه کار می کند؟ 03:56
  • ChatGPT در مقابل موتورهای جستجو 05:23
  • هوش مصنوعی در مقابل هوش انسانی 04:45
  • ایجاد حساب ChatGPT و شروع کار 07:44
  • بروزرسانی در جولای 2024 06:42
  • ویژگی‌ ها، گزینه‌ ها و محصولات پیرامون مدل‌ های GPT 06:57
  • ناوبری در وب سایت OpenAI 07:38
  • توکن چیست و اینکه چگونه کار می کنند؟ 07:33

11,652,500 2,330,500 تومان

مشخصات آموزش

مدیریت داده مالی با پایتون و Pandas - مسترکلاس منحصر به فرد

  • تاریخ به روز رسانی: 1404/06/14
  • سطح دوره:همه سطوح
  • تعداد درس:312
  • مدت زمان :29:30:43
  • حجم :7.32GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

The Great Courses
1,889,000 377,800 تومان
  • زمان: 04:47:39
  • تعداد درس: 30
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,659,500 531,900 تومان
  • زمان: 06:44:45
  • تعداد درس: 35
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,501,000 300,200 تومان
  • زمان: 03:48:11
  • تعداد درس: 47
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,300,500 1,460,100 تومان
  • زمان: 18:29:24
  • تعداد درس: 115
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,113,000 422,600 تومان
  • زمان: 05:21:41
  • تعداد درس: 51
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
9,269,000 1,853,800 تومان
  • زمان: 23:28:00
  • تعداد درس: 170
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
8,762,000 1,752,400 تومان
  • زمان: 22:11:23
  • تعداد درس: 140
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,896,500 579,300 تومان
  • زمان: 07:20:18
  • تعداد درس: 41
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,734,500 1,346,900 تومان
  • زمان: 17:03:28
  • تعداد درس: 45
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید