نوروز مبارک

نوروز مبارک

🔥 جشنواره نوروزی آموزش با ۷۰٪ تخفیف ویژه! 🎉

با آغاز سال نو، فرصتی استثنایی برای یادگیری فراهم شده است! 🌸

🚀 چرا نباید این فرصت را از دست داد؟
✅ دوره‌های متنوع و کاربردی
✅ تدریس توسط اساتید مجرب
✅ یادگیری در هر زمان و هر مکان

📌 همین حالا از این تخفیف فوق‌العاده بهره‌مند شوید! فرصت محدود است!

 

مشاهده دوره و ثبت نام
قیمت این دوره: 1,000,000 300,000 تومان
  • مدرس دوره : قائم تقی پور
  • تعداد ویدیوها : 93 ویدیو
  • مدت زمان دوره : 23:16:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1402/12/17
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع یادگیری ماشین و زیرشاخه ها در پایتون (با رویکرد مالی)

آموزش جامع یادگیری ماشین و زیرشاخه ها در پایتون (با رویکرد مالی)

توسعه هوش مصنوعی و گسترش کاربرد های آن، دانشجویان علاقه مند را دچار سردرگمی در انتخاب شاخه مناسب برای فعالیت در این حوزه و مسیر شروع یادگیری مباحث AI نموده است.

 یکی از شاخه های پرکاربرد در هوش مصنوعی در سال های اخیر، استفاده از الگوریتم های مبتنی بر هوش مصنوعی شاملِ یادگیری ماشین و زیرمجموعه های آن، مانند یادگیری عمیق و یادگیری تقویتی، در حوزه مالی بوده است. به همین علت، یکی از راه های مناسب برای ورودی به دنیای هوش مصنوعی و یادگیری این مباحث، استفاده از مسیر پیاده سازی پروژه های مالی است.

 سادگی درک مفاهیم مالی می تواند موجب تسریع در روند یادگیری مطالب مرتبط با هوش مصنوعی، با استفاده از پروژه های کاربردی گردد. به این ترتیب، علاوه بر کسب مهارت در پیاده سازی الگوریتم ها درجهت کاربرد های مالی، با یادگیری مباحث مهم هوش مصنوعی، امکان ورود سریع تر به دیگر حوزه های هوش مصنوعی نیز میسر می گردد.

در این دوره، در فصل اول کار با داده های مورد استفاده در پروژه ها آموزش داده می شود و در فصل دوم مباحث مرتبط با یادگیری نظارت شده (Supervised learning) شامل الگوریتم های مختلف رگرسیونی و دسته بندی و همچنین روش های مختلف بهینه سازی الگوریتم ها و انتخاب Hyperparameter های مناسب بررسی شده، و در فصل سوم به یادگیری بدون نظارت (Unsupervised learning) و الگوریتم های مربوطه پرداخته می شود . فصل چهارم شامل مباحث مرتبط با یادگیری تقویتی (Reinforcement Learning و Q-Learning ) بوده و در نهایت، در فصل پنجم به مباحث یادگیری عمیق (Deep Learning) و شبکه های عصبی مصنوعی (Artificial Neural Networks) می پردازیم. در این دوره، مباحث مذکور در قالب فصل های جداگانه و از سطح مقدماتی تا پیشرفته مورد بررسی قرارگرفته و پروژه های متعددی از هرکدام پیاده سازی خواهد شد.

جهت کسب اطلاعات بیشتر در رابطه با این دوره، لطفا جلسه ی معرفی دوره را مشاهده نمایید.

 

سرفصل های دوره:

1) مفاهیم مقدماتی و شروع کار با داده ها

2) یادگیری ماشین نظارت شده (Supervised Learning)

3) یادگیری بدون نظارت (Unsupervised Learning)

4) یادگیری تقویتی (Reinforcement Learning)

5) یادگیری عمیق (Deep Learning) و شبکه های عصبی مصنوعی (ANN)



پیش نیاز های دوره :

  1. آشنایی اولیه با کتابخانه های Pandas, NumPy, Matplotlib
  2. تسلط بر زبان برنامه نویسی پایتون
  3. آشنایی مقدماتی و علاقه مندی به یادگیری ریاضیات و آمار

فهرستـــ ویدیوها

مدت زمان دوره 23:16:00
00:00
00:00

  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1

  • معرفی دوره

00:14:50

معرفی دوره

2

  • نگاهی به نقشه راه دوره

00:09:13

نگاهی به نقشه راه دوره

3

  • فصل اول - کار با داده ها

00:05:33

فصل 1 - کار با داده ها

4

  • آشنایی با محیط برنامه نویسی

00:15:36

آشنایی با محیط برنامه نویسی

5

  • دریافت داده ها - 1

00:21:18

دریافت داده ها - 1

6

  • دریافت داده ها - 2

00:11:20

دریافت داده ها - 2 Pandas Data Reader

7

  • دریافت داده ها - 3 (بازار سهام)

00:16:28

دریافت داده ها - 3 (بازار سهام)

8

  • تجزیه و تحلیل داده های سری زمانی

00:22:26

تجزیه و تحلیل داده های سری زمانی

9

  • نگاهی بر مفهوم EDA

00:11:51

Exploratory data analysis

10

  • کار با Feature های دیتاست

00:10:06

کار با Feature های دیتاست

11

  • آشنایی با پیش پردازش داده ها

00:28:33

آشنایی با پیش پردازش داده ها

12

  • آشنایی با انواع مختلف بازده

00:20:00

انواع بازده

13

  • محاسبه انواع بازده در پایتون

00:32:21

محاسبه بازده در کد

14

  • توضیحاتی در رابطه با آماده سازی داده ها برای مدل های یادگیری ماشین

00:10:56

توضیحاتی در رابطه با آماده سازی داده ها برای ورود به مدل های یادگیری ماشین

15

  • فصل دوم - یادگیری ماشین نظارت شده

00:19:08

فصل دوم - یادگیری ماشین نظارت شده

16

  • یادگیری نظارت شده (Supervised Learning) و کاربردها

00:16:05

یادگیری نظارت شده (Supervised Learning) و کاربردها

17

  • آشنایی با برخی الگوریتم های یادگیری ماشین و نصب پیش نیازها

00:16:12

آشنایی با الگوریتم های یادگیری ماشین و نصب ابزارهای مربوطه و پیش نیازها

18

  • پیش پردازش داده ها برای استفاده در مدل های ماشین لرنینگ

00:30:51

پیش پردازش داده ها برای استفاده در مدل های ماشین لرنینگ

19

  • آشنایی با مفهوم train و تقسیم بندی داده ها در پایتون

00:21:41

آشنایی با مفهوم train و تقسیم بندی داده ها

20

  • داده های مفقود شده

00:22:04

داده های مفقود شده

21

  • الگوریتم رگرسیون خطی

00:13:46

الگوریتم رگرسیون خطی

22

  • پارامترهای ارزیابی مدل

00:09:54

پارامتر های ارزیابی

23

  • پیاده سازی الگوریتم رگرسیون خطی

00:21:12

پیاده سازی الگوریتم رگرسیون خطی

24

  • آشنایی با P-Value و VIF

00:15:23

آشنایی با P-Value و VIF

25

  • هایپرپارامترها و بهینه سازی مدل

00:13:16

هایپرپارامترها و بهینه سازی مدل

26

  • الگوریتم درخت تصمیم

00:14:57

الگوریتم درخت تصمیم

27

  • هایپرپارامترهای الگوریتم های مبتنی بر درخت

00:07:45

هایپرپارامترهای الگوریتم های مبتنی بر درخت تصمیم

28

  • پیاده سازی الگوریتم درخت تصمیم

00:09:28

یک مثال از الگوریتم درخت تصمیم

29

  • مشاهده تاثیر عمق مدل بر عملکرد درخت تصمیم

00:12:09

تاثیر عمق مدل بر عملکرد درخت تصمیم

30

  • مفهوم Feature Importance

00:11:06

مفهوم Feature Importance

31

  • استخراج میزان اهمیت ورودی های مدل در پایتون

00:15:10

استخراج میزان اهمیت ورودی های مدل در پایتون

32

  • الگوریتم جنگل تصادفی

00:06:56

الگوریتم جنگل تصادفی

33

  • پیاده سازی الگوریتم Random Forest

00:09:31

پیاده سازی الگوریتم رگرسیون Random Forest

34

  • الگوریتم رگرسیون XGBoost

00:06:36

الگوریتم رگرسیون XGBoost

35

  • کار با داده های Categorical در مسائل دسته بندی

00:19:09

کار با داده های Categorical در مسائل دسته بندی

36

  • حل مسائل دسته بندی با الگوریتم درخت تصمیم

00:21:22

حل مسائل دسته بندی با الگوریتم درخت تصمیم

37

  • کار با Scikit-Learn Pipeline

00:22:54

کار با Scikit-Learn Pipeline

38

  • کار با Scikit-Learn Pipeline - جلسه 2

00:16:02

کار با Scikit-Learn Pipeline - جلسه 2

39

  • استفاده از Cross Validation و Grid Search در بهینه سازی مدل های یادگیری ماشین

00:12:10

استفاده از Cross Validation و Grid Search در بهینه سازی مدل های یادگیری ماشین

40

  • پیاده سازی Cross Validation و Grid Search در مدل ماشین لرنینگ

00:14:34

پیاده سازی Cross Validation و Grid Search در مدل های ماشین لرنینگ

41

  • الگوریتم های تقویت گرادیان و LGBM

00:10:23

الگوریتم های تقویت گرادیان و LGBM

42

  • پیاده سازی الگوریتم های تقویت گرادیان و LGBM در پایتون

00:18:12

پیاده سازی الگوریتم های تقویت گرادیان و LGBM

43

  • تنظیم هایپرپارامتر ها در الگوریتم های Classification - جلسه 1

00:13:59

تنظیم هایپرپارامتر ها در الگوریتم های Classification

44

  • تنظیم هایپرپارامتر ها در الگوریتم های Classification - جلسه 2

00:12:16

تنظیم هایپرپارامتر ها در الگوریتم های Classification

45

  • بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 1

00:15:58

بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 1

46

  • بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 2

00:18:54

بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization)

47

  • بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 3

00:12:23

بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization)

48

  • فصل سوم - یادگیری ماشین بدون نظارت

00:15:55

فصل سوم - Unsupervised Machine Learning

49

  • تحلیل عاملی (Factor Analysis) در روش های آماری

00:14:03

Statistical Factor Models

50

  • تحلیل مؤلفه‌های اصلی با الگوریتم PCA - جلسه 1

00:12:18

Principal Component Analysis

51

  • تحلیل مؤلفه‌های اصلی با الگوریتم PCA - جلسه 2

00:11:54

تحلیل مؤلفه‌های اصلی با الگوریتم PCA

52

  • پیاده سازی الگوریتم PCA - جلسه 1

00:18:39

پیاده سازی الگوریتم PCA

53

  • پیاده سازی الگوریتم PCA - جلسه 2

00:17:34

پیاده سازی الگوریتم PCA

54

  • فصل چهارم - یادگیری تقویتی

00:12:58

فصل چهارم - یادگیری تقویتی

55

  • مولفه های یادگیری تقویتی - جلسه 1

00:09:56

مولفه های یادگیری تقویتی - Time and Dataset

56

  • مولفه های یادگیری تقویتی - جلسه 2

00:20:59

Agent /Env

57

  • مولفه های یادگیری تقویتی - جلسه 3

00:16:18

States, Actions, Rewards, Episode, Space

58

  • مفهوم سیاست (Policy) در یادگیری تقویتی

00:09:19

سیاست (Policy) در یادگیری تقویتی

59

  • فرایندهای تصمیم‌گیری مارکوف (MDPs)

00:11:42

Markov Decision Process (MDP)

60

  • مفهوم Return در یادگیری تقویتی

00:11:21

مفهوم Return در یادگیری تقویتی

61

  • تابع ارزش و معادله ی Bellman

00:15:33

تابع ارزش و معادله ی Bellman

62

  • مفهوم یادگیری در مسائل یادگیری تقویتی

00:15:22

مفهوم یادگیری در مسائل یادگیری تقویتی

63

  • حل معادله ی Bellman - جلسه 1

00:11:49

حل معادله ی Bellman - جلسه 1

64

  • حل معادله ی Bellman - جلسه 2

00:12:18

حل معادله ی Bellman

65

  • مفهوم Epsilon-Greedy

00:08:17

مفهوم Epsilon Greedy

66

  • آشنایی با Temporal Difference و Q-Learning

00:17:59

Temporal Difference و Q-Learning

67

  • توضیح پروژه مبتنی بر یادگیری تقویتی و Q-Learning

00:09:55

توضیح پروژه مبتنی بر یادگیری تقویتی و Q-Learning

68

  • پیاده سازی پروژه Q-Learning - جلسه 1

00:22:34

پیاده سازی پروژه Q-Learning

69

  • پیاده سازی پروژه Q-Learning - جلسه 2

00:22:19

پیاده سازی پروژه Q-Learning - جلسه 2

70

  • پیاده سازی پروژه Q-Learning - جلسه 3

00:15:13

پیاده سازی پروژه Q-Learning

71

  • فصل پنجم - یادگیری عمیق و شبکه های عصبی مصنوعی

00:10:17

فصل پنجم - یادگیری عمیق و شبکه های عصبی مصنوعی

72

  • مروری بر کاربردهای یادگیری عمیق

00:18:08

مروری بر کاربردهای یادگیری عمیق

73

  • مفهوم شبکه ی عصبی در یادگیری عمیق

00:14:35

مفهوم شبکه ی عصبی

74

  • شبکه های عصبی Feed Forward

00:08:30

شبکه های عصبی Feed Forward یا رو به جلو

75

  • تکنیک کاهش گرادیان در حل مسائل یادگیری عمیق

00:09:35

تکنیک کاهش گرادیان در حل مسائل یادگیری عمیق

76

  • شبکه های عصبی پس انتشار

00:11:51

Backpropagation

77

  • تابع ضرر در شبکه های عصبی

00:06:22

loss function

78

  • هایپرپارامترها در ساختار شبکه های عصبی

00:15:06

هایپرپارامترها در ساختار شبکه های عصبی

79

  • آماده سازی داده ها

00:17:24

آماده سازی داده ها

80

  • تعریف شبکه عصبی و لایه های مدل در کد

00:21:10

تعریف شبکه عصبی

81

  • مصور سازی مدل شبکه عصبی

00:10:37

مصور سازی مدل شبکه عصبی

82

  • آموزش مدل و ارزیابی عملکرد شبکه عصبی

00:12:39

آموزش مدل و ارزیابی عملکرد شبکه عصبی

83

  • تنظیم هایپرپارامترهای مدل یادگیری عمیق

00:28:55

تنظیم هایپرپارامترهای مدل یادگیری عمیق

84

  • خروجی گرفتن از مدل شبکه عصبی

00:14:58

خروجی گرفتن از مدل شبکه عصبی

85

  • آشنایی با شبکه های عصبی RNN و LSTM

00:10:00

آشنایی با شبکه های عصبی RNN و LSTM

86

  • پروژه LSTM - جلسه 1

00:19:09

پروژه LSTM

87

  • پروژه LSTM - جلسه 2

00:20:13

پروژه LSTM

88

  • پروژه LSTM - جلسه 3

00:14:52

پروژه LSTM

89

  • پروژه الگوریتم RNN - جلسه 1

00:13:31

پروژه الگوریتم RNN

90

  • پروژه الگوریتم RNN - جلسه 2

00:13:50

پروژه الگوریتم RNN

91

  • بروزرسانی: درک مفهم Overfitting و روش های Regularization

00:16:46

درک مفهم Overfitting و تکنیک های مقابله با آن

92

  • بروزرسانی: معرفی L1 و L2 و Early Stopping

00:13:12

معرفی L1 و L2 و Early Stopping

93

  • بروزرسانی: مفاهیم Dropout و Batch Normalization

00:08:09

مفاهیم Dropout و Batch Normalization

دوره های دیگر مدرس

مشاهده همه دوره ها
آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

تقی پور
13:34:00
آموزش پروژه محور یادگیری ماشین و یادگیری عمیق

آموزش پروژه محور یادگیری ماشین و یادگیری عمیق

تقی پور
13:12:00
آموزش معاملات الگوریتمی ارز دیجیتال در پایتون

آموزش معاملات الگوریتمی ارز دیجیتال در پایتون

تقی پور
16:39:00
آموزش جامع نگارش مقالات علمی در حوزه هوش مصنوعی

آموزش جامع نگارش مقالات علمی در حوزه هوش مصنوعی

تقی پور
4:54:00
آموزش مقدماتی مبانی عملیات یادگیری ماشین (MLOps)

آموزش مقدماتی مبانی عملیات یادگیری ماشین (MLOps)

تقی پور
7:6:00
ورود به دنیای هوش مصنوعی

ورود به دنیای هوش مصنوعی

تقی پور
2:45:00
آموزش جامع پردازش تصویر و بینایی ماشین در پایتون

آموزش جامع پردازش تصویر و بینایی ماشین در پایتون

تقی پور
18:51:00
آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری عمیق

آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری عمیق

تقی پور
8:29:00
راهنمای جامع آمادگی برای آزمون های مصاحبه‌ در حوزه هوش مصنوعی

راهنمای جامع آمادگی برای آزمون های مصاحبه‌ در حوزه هوش مصنوعی

تقی پور
6:10:00
آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

تقی پور
13:34:00
آموزش پروژه محور یادگیری ماشین و یادگیری عمیق

آموزش پروژه محور یادگیری ماشین و یادگیری عمیق

تقی پور
13:12:00
آموزش معاملات الگوریتمی ارز دیجیتال در پایتون

آموزش معاملات الگوریتمی ارز دیجیتال در پایتون

تقی پور
16:39:00
آموزش جامع نگارش مقالات علمی در حوزه هوش مصنوعی

آموزش جامع نگارش مقالات علمی در حوزه هوش مصنوعی

تقی پور
4:54:00
آموزش مقدماتی مبانی عملیات یادگیری ماشین (MLOps)

آموزش مقدماتی مبانی عملیات یادگیری ماشین (MLOps)

تقی پور
7:6:00
ورود به دنیای هوش مصنوعی

ورود به دنیای هوش مصنوعی

تقی پور
2:45:00
اینستاگرام
تلگرام

نظرات کاربران در رابطه با این دوره

لطفا سوالات خود را راجع به این آموزش در این بخش پرسش و پاسخ مطرح کنید به سوالات در قسمت نظرات پاسخ داده نخواهد شد و آن نظر حذف میشود.
جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .
aban es

aban es

ارسال شده در 1403/03/21

سلام 
وقت بخیر 
ممنون از اینکه تجربه خودتون رو ارایه کردین  و رفرنسی برای یادگیری باشه 
من تازه میخوام وارد حوزه مالی بشم و با پایتون آشنا هستم . 
میخواستم بدونم رود مپ یا مسیر یادگیری که شما مناسب میدونید رو کمی توضیح بدین . از چه دوره ای باید شروع کنم  چون دوره های زیادی در این مورد میبینم .
با تشکر 

aban es

قائم تقی پور (مدرس)

ارسال شده در 1403/03/21

سلام دوست عزیز
برای ورود به حوزه مالی در قدم اول بایستی مطالعه و شناخت نسبی در این حوزه داشته باشید. و در مرحله بعد، بعد از آشنایی با زبان پایتون میتونید وارد حوزه های تحلیل بنیادی و یا معاملات الگوریتمی بشید.
سرفصل های ارائه شده به ترتیب، در دوره آنالیز مالی و سپس، دوره معاملات الگوریتمی، برای این منظور مناسب هستند. 
سرفصل ها رو مورد بررسی قرار بدید و از منبعی که خودتون راحت تر هستید (دوره های بنده و یا سایر همکاران، کورس های زبان اصلی و یا حتی به صورت خود خوان) اون ها رو مطالعه کنید. 
همچنین دوره فعلی، به منظور آشنایی با مفاهیم یادگیری ماشین با نگاه و رویکرد امور مالی هست که میتونه به عنوان دوره ای تکمیلی، برای کار در این حوزه به شما کمک کنه. 
 

poyesh4

ارسال شده در 1402/10/28

سلام دوست عزیز من هم فعال در بازار فارکس هستم و برنامهنویس MQL و بسیار علاقه مند به پایتون و استفاده از هوش مصنوعی که متاسفانه هیچ سبک خاصی رونتونستم درست پیاده سازی کنم که هوش مصنوعی بتونه درست تشخیص بده خوشحال میشم با هم صحبتکنیم و همفکری داشته باشیم 

مسعود فتاحی

مسعود فتاحی

ارسال شده در 1402/08/09

با سلام خدمت استاد بزرگوار

من فعال حوزه ی فارکس هستم و تمام دوره های قبلی شما که در رابطه با بورس و موارد مالی بوده را مشاهده کردم و با توجه به اینکه در فصل یادگیری تقویتی هستیم و من قبلا نیز در این حوزه مطالعه داشتم خواهشمندم که مثال یا پروژه این فصل برای بازارهای دوطرفه مثل فارکس باشد به دلیل اینکه پیاده سازی یادگیری تقویتی در این بخش چالش های زیادی دارد ، از پیاده سازی محیط ، انتخاب اکشن مناسب و پاداش و سیاست های انتخابی و ... من با الگوریتم های زیادی مثل DQN و موارد مشابه کار کردم و مثال های زیادی در این حوزه در اینترنت هستن منتها اصلا کاربردی نیستند ، امیدوارم که در این فصل بتونیم در کنار شما یک پروژه کاربردی برای یادگیری تقویتی داشته باشیم.

ممنون از شما

مسعود فتاحی

قائم تقی پور (مدرس)

ارسال شده در 1402/08/09

سلام دوست عزیز 

ممنون بابت بیان نظر و پیشنهادتون 

جلسات این دوره از قبل ضبط شده و مواردی که دوستان پیشنهاد میدن رو سعی می‌کنم ان‌شاءالله در جلسات بروزرسانی که بعد از اتمام دوره منتشر میشن، حتما مد نظر قرار بدم. 

موفق باشید. 

مهرداد مرادی

مهرداد مرادی

ارسال شده در 1402/07/23

درود 

درپیرو صحبت دوست عزیزم من هم از شما خواهش دارم که مثال ودرس شما در راستا استفاده از هوش مصنوعی برای بازارهای مالی با دیتا واقعی به روز باشه

مهرداد مرادی

قائم تقی پور (مدرس)

ارسال شده در 1402/07/23

سلام 

هنوز نیمی از دوره باقی مونده و پاسخی که به دوست قبلی‌مون داده شده برای این کامنت هم صادق هست. 

موفق باشید. 

مسعود فتاحی

مسعود فتاحی

ارسال شده در 1402/07/14

با سلام خدمت استاد بزرگوار

در ابتدا تشکر میکنم از اینکه این دوره را برگزار کردید و اطلاعات مفیدی در اختیار ما قرار دادید ، 

با توجه به اینکه این دوره با رویکردی مالی هست اگر مثال هایی که میزنید و دیتا ست هایی که تهیه میکنید از داده های بازارهای مالی باشه خیلی بهتر هست من فعال در حوزه فارکس هستم که میبینم مثال ها اگر حتی خیلی ساده باشه امادر حوزه بازار مالی باشه خیلی مفید تر هست.

باز هم تشکر میکنم از شما

مسعود فتاحی

قائم تقی پور (مدرس)

ارسال شده در 1402/07/14

سلام دوست عزیز 

در دوره تا حد ممکن در مثال ها از دیتاست های واقعی استفاده شده. البته برای بررسی برخی مطالب ممکنه از دیتاست‌هایی غیر از داده‌های قیمتی استفاده شده باشه اما در حال حاضر هنوز بیشتر از نیمی از جلسات دوره باقی مونده که در اونها مثال های مرتبط تر رو خواهیم داشت.  ان‌شاءالله در چند جلسه دیگه هم در قالب بروزرسانی، پس از اتمام دوره، مثال های کاربردی از مطالب دوره حل میشه. 

موفق باشید.

محمدجواد قانع دستجردی

محمدجواد قانع دستجردی

ارسال شده در 1402/06/26

سلام

من تمام فیلم های آموزشی شما در حوزه های بازار های مالی رو مشاهده کردم. در ابتدا از شما متشکرم بابت اطلاعات کامل و جامعی که در ویدیو ها به اشتراک میگذارید و بهتون تبریک میگم که در این حوزه فعالیت دارید.

بنده فعال حوزه بازار فارکس هستم و در این زمینه نیز شرکت دانش بنیان دارم اما استاد بزرگوار به هیچ وجه رگرسیون خطی که در تمام آموزش های شما به آن اشاره میشود در بسیاری از بازار ها کاربردی نداره چون نمودار های قیمت همیشه یک روند ثابت نداشته و به عبارتی خطی نیستند. پس دلیل تدریس این روش در تمام آموزش های شما چیه؟

چرا تمرکز رو بر الگوریتم های کاربردی مانند LSTM یا Arima نمیگذارید تا بتوان پیش بینی های حرکت بازار را با دقت بهتری برآورد کرد؟

وب سایت بنده

محمدجواد قانع دستجردی

قائم تقی پور (مدرس)

ارسال شده در 1402/06/26

سلام دوست عزیز 

متشکرم بابت اینکه نظرتون رو با ما در میان گذاشتید. با توجه به اینکه دوره ی فعلی در واقع یک دوره ی آموزش یادگیری ماشین هست نه یک دوره ی مالی، و با در نظر داشتن اینکه الگوریتم های رگرسیونی یکی از الگوریتم های مهم و پایه در حوزه ماشین لرنینگ هستند که ورود به الگوریتم های پیشرفته تر رو آسان می‌کنند، لازم بود که این الگوریتم معرفی بشه و پروژه هایی از این الگوریتم پیاده سازی بشه. 

در باقی دوره های آموزشی هم این الگوریتم با توجه به توضیحات و ملاحضاتی که در جلسات مربوطه ارائه شده، تدریس شده و  در کنار اونها الگوریتم های مناسب تر برای داده های سری زمانی نیز در جلسات مربوط به خودش تدریس شده.

موفق باشید.