چالش اعداد اعشاری در پایتون!
یکی از مشکلاتی که در برخی زبان های برنامه نویسی از جمله پایتون با آن مواجه می شویم، چالش کار با اعداد اعشاری است. به دو عبارت زیر توجه کنید:

0.1 + 0.1 == 0.2 True 0.1 + 0.1 + 0.1 == 0.3 False

مساله از اینجا شروع می شود که پایتون برای محاسبات خود، اعداد را به باینری تبدیل می کند که این مسئله، محاسبات اعداد اعشاری را در برخی موارد دچار مشکل می کند.
برای حل این موضوع می توان از تابع isclose در ماژول math استفاده کرد.

math.isclose(0.1 + 0.1 + 0.1, 0.3) True

لازم است در تحلیل هایی که نیاز به بررسی اعداد اعشاری دارند، این مورد را حتما در نظر بگیرید.

پایتون برای مالی

? @python4finance

یک ماژول بسیار جالب و کاربردی برای رسم نمودارهای مالی
پیش از این چندین ماژول را برای رسم نمودارهای مالی و بازار سرمایه خدمت شما معرفی کرده بودم. امروز یکی دیگر از ماژول های بسیار جذاب و کاربردی را معرفی می کنم.
نام این ماژول کاربردی lightweight-charts است. به کمک این ماژول به راحتی می توانید نمودارهای کندل OHLC را رسم کنید. ویژگی مهم دیگر این ماژول قابلیت کار با داده های زنده است و می توانید داده ها را در لحظه آپدیت کنید. ویژگی دیگر این ماژول امکان دسترسی به ابزارهای تکمیلی و تعاملی مانند رسم خطوط حمایت و مقاومت است که به راحتی قابل انجام است.
اگر به این ماژول علاقه مند شدید سری به گیت هاب آن به این نشانی بزنید.
در این پست داده های نماد MSFT دریافت و رسم می شود.

\#code by @python4finance import yfinance as yf from lightweight\_charts import Chart df=yf.download("MSFT",start="2023\-01\-01") chart = Chart(toolbox=True) chart.legend(visible=True) chart.watermark('MSFT 1D Data', color='rgba(180, 180, 240, 0.7)') chart.set(df) chart.show(block=True)

#رسم_نمودار
#candle

پایتون برای مالی

? @python4finance

اصل گزارش بالا به پیوست تقدیم می شود.

#هوش_مصنوعی
#مکینزی
#Mckinsey
#AI

پایتون برای مالی

? t.me/python4finance
? ble.ir/python4finance

استخراج قیمت ماهیانه نات کوین (Notcoin)این روزها نات کوین برای کاربران بسیار محبوب و شناخته شده است. نات کوین (Notcoin) یک توکن مبتنی بر شبکه ارز دیجیتال تون کوین (Toncoin) و همین طور یک بازی یا مینی اپلیکیشن در پیام‌رسان تلگرام است. ایده این بازی در ابتدا و قبل از راه‌اندازی و عرضه توکن NOT به این شکل بود که کاربران با کلیک کردن روی یک سکه به‌طور مداوم، مقدار مشخصی نات کوین استخراج می‌کردند که به موجودی آنها در بازی اضافه می‌شد. یکی دیگر از راه‌های به دست آوردن نات کوین، شرکت در برنامه‌های تبلیغاتی درون این بازی بود که برخی مجموعه‌ها برای معرفی محصول خود در محیط اپلیکیشن تلگرامی نات کوین برای آن هزینه می‌کردند.
نات کوین با این ایده موفق شد در مجموع بیش از ۳۵ میلیون کاربر را درگیر کند.
در پست بالا قیمت 30 روز اخیر نات کوین با دوره تناوب 1 ساعت را با استفاده از api دریافت و رسم می کنیم.

#api
#NOTCOIN

پایتون برای مالی
? t.me/python4finance
? ble.ir/python4finance

استخراج قیمت ماهیانه نات کوین (Notcoin)

\#code by @python4finance import pandas as pd import requests import time import matplotlib.pyplot as plt plt.style.use("ggplot") url="https://www.kucoin.com/\_api/order\-book/candles?begin="+str(round(time.time())\-2592000 )+"&end="+str(round(time.time()))+"&lang=en\_US&symbol=NOT\-USDT&type=1hour" r = requests.get(url) df=r.json() df=pd.DataFrame(df["data"]).astype(float) df=df[::\-1].reset\_index() df[1].plot(figsize=(16,6))

#api
#NOTCOIN

پایتون برای مالی
? t.me/python4finance
? ble.ir/python4finance

قانون هوش مصنوعی اروپا در یک نگاه

#AI_ACT
#AI
#قانون_هوش_مصنوعی
#هوش_مصنوعی

پایتون برای مالی
? t.me/python4finance
? ble.ir/python4finance

مروری بر قانون هوش مصنوعی اروپااین قانون در دسامبر 2023 و بعد از سه سال کار روی پیش نویس اولیه تصویب شده است. اخیرا دیدم که مجددا بحث در خصوص این قانون داغ شده است و تصمیم گرفتم ترجمه خلاصه ای از آن را در کانال ارائه کنم.
رویکرد ارائه شده در این قانون، رویکرد مبتنی بر ریسک است.
قانون هوش مصنوعی یک رویکرد مبتنی بر ریسک را برای دسته بندی برنامه های هوش مصنوعی بر اساس تأثیر بالقوه آنها بر حقوق بشر و ایمنی اتخاذ می کند. این رویکرد اجازه می دهد تا الزامات نظارتی متفاوتی وجود داشته باشد و اطمینان حاصل شود که برنامه های کاربردی با ریسک بالاتر تحت نظارت دقیق تری قرار دارند.
برنامه های غیرقابل قبول هوش مصنوعی
قانون هوش مصنوعی صراحتاً برخی از برنامه های کاربردی هوش مصنوعی را که به دلیل احتمال آسیب رساندن به افراد یا جامعه «غیرقابل قبول» تلقی می شوند، ممنوع می کند. این موارد عبارتند از:
- امتیازدهی اجتماعی: سیستم هایی که افراد را بر اساس رفتار یا ویژگی هایشان امتیاز می دهند، مشابه سیستم اعتبار اجتماعی مورد استفاده در برخی کشورها.
- پیش بینی رفتار مجرمانه: سیستم های هوش مصنوعی برای پیش بینی رفتار مجرمانه استفاده می شود که می تواند منجر به نتایج مغرضانه و ناعادلانه شود.
- شناخت عاطفی: به ویژه در محیط های حساس مانند محل کار و مدارس، جایی که چنین فناوری می تواند به حریم خصوصی نفوذ کند و منجر به تبعیض شود.

سیستم های هوش مصنوعی پرخطر

سیستم‌های هوش مصنوعی پرخطر آن‌هایی هستند که پیامدهای مهمی برای سلامت، ایمنی و حقوق اساسی دارند. این موارد عبارتند از:
- وسایل نقلیه خودران: سیستم‌های هوش مصنوعی مورد استفاده در خودروهای خودران که باید تحت ارزیابی‌های ایمنی دقیق قرار گیرند.
- ابزارهای پزشکی: کاربردهای هوش مصنوعی در مراقبت‌های بهداشتی که برای اطمینان از ایمنی بیمار نیاز به اعتبارسنجی دقیق دارند.
- امور مالی و آموزش: سیستم‌های هوش مصنوعی مورد استفاده در این بخش‌ها باید برای جلوگیری از سوگیری‌هایی که می‌توانند منجر به رفتار یا نتایج ناعادلانه شوند، ارزیابی شوند.

با دسته‌بندی برنامه‌های هوش مصنوعی به این شیوه، قانون هوش مصنوعی تضمین می‌کند که تلاش‌های نظارتی در جایی متمرکز می‌شوند که بیشتر مورد نیاز است، در نتیجه از افراد و جامعه در برابر آسیب‌های احتمالی محافظت می‌کند و در عین حال امکان نوآوری در مناطق کم‌خطر را فراهم می‌کند.

#AI_ACT
#AI
#قانون_هوش_مصنوعی
#هوش_مصنوعی

پایتون برای مالی
? t.me/python4finance
? ble.ir/python4finance

شهادت رئیس جمهور ، حضرت آیت الله سیّد ابراهیم رئیسی را به مردم شریف ایران تسلیت می‌گوییم.
@python4finance

دانلود کتاب «آموزش مقدماتی تشخیص ناهنجاری با استفاده از یادگیری عمیق مبتنی بر پایتون» به انگلیسی «Beginning Anomaly Detection Using Python-Based Deep Learning»
#دانلود_کتاب
#یادگیری_عمیق
#یادگیری_ماشین
#تشخیص_ناهنجاری

#Deep_Learning
#Anomaly_Detection پایتون برای مالی
? t.me/python4finance
? ble.ir/python4finance

معرفی کتاب «آموزش مقدماتی تشخیص ناهنجاری با استفاده از یادگیری عمیق مبتنی بر پایتون» به انگلیسی «Beginning Anomaly Detection Using Python-Based Deep Learning»تشخیص ناهنجاری (Anomaly Detection) یکی از مفاهیم اصلی آمار برای درک صحیح جامعه و تفاوت اعضای آن است. کتاب حاضر که با ادبیاتی بسیار ساده و مقدماتی نوشته است کمک می‌کند تا با یادگیری تکنیک‌های یادگیری ماشینی و یادگیری عمیق، تشخیص ناهنجاری را آموخته و آنها را در کارهای روزمره خود پیاده کنید. نگارش دوم این کتاب به یادگیری نظارت شده، نیمه نظارت شده و بدون نظارت برای تشخیص ناهنجاری تمرکز دارد. در طول این کتاب، نحوه استفاده از Keras و PyTorch را به صورت عملی فرا خواهید گرفت.
این کتاب ابتدا با ارائه مفهومی دقیق از ناهنجاری و روش های شناخت آن آغاز می شود و سپس با استفاده از روش های یادگیری ماشین به استراتژی های کشف آنها می پردازد.

#معرفی_کتاب
#یادگیری_عمیق
#یادگیری_ماشین
#تشخیص_ناهنجاری

#Deep_Learning
#Anomaly_Detection پایتون برای مالی
? t.me/python4finance
? ble.ir/python4finance