Telegram Group & Telegram Channel
یک مثال ساده از یادگیری ماشین در پایتون

همانطور که پیش از این گفته شد، یادگیری ماشین یکی از جذاب ترین های برنامه نویسی است. یعنی کامپیوتر از فرایندهایی که رخ می دهد یاد بگیرد و بهترین تصمیم را اتخاذ نماید، یعنی چیزی شبیه مغز ما البته با سرعت بیشتر و خطای کمتر . عالیه نه؟!
مثلا فرض کنید تصویر 100 مرد را به رایانه نشان دهیم و بعد از آن رایانه هر کسی را که مشاهده کرد، اگر مردی در آن وجود داشت نشان دهد. یا مثلا بتوان با مشاهده قیمت 100 سهم طی سه ماه، روند افزایشی یا کاهشی سهم ها را پیش بینی کرد.
خب بریم سراغ یک مثال عملی. یکی از بهترین کتابخانه های یادگیری ماشین scikit-learn است. ابتدا آن را نصب می کنیم:
pip install numpy scipy scikit-learn
(اگر دستور فوق را نمی شناسید به پست های اول مراجعه نمایید.)
یک مثال معروف در این رابطه مثال تشخیص نوع گل بر اساس سایز کاسبرگ آن است.(petal_sizeاندازه گلبرگ، flower_type نوع گل)
petal_size flower_type
1 a
2 b
1 a
2 b
3 c
4 d
3 c
2 b
5 a
حالا یک گل جدید با اندازه گلبرگ 2.5 به دست ما رسیده است. می خواهیم نوع آن را تشخیص دهیم. برای این موضوع اعداد نزدیک به 2.5 یعنی 2 و 3 را در نظر می گیریم. تعداد تکرار 2 و 3 به ترتیب 3 بار و 2 بار است، بنابرین احتمال زیاد نوع این گل باید از جنس b باشد.
در مثال زیر از دیتاست نمونه iris با حدود 50 داده فرضی استفاده شده است.
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.model_selection import train_test_split

iris_dataset=load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris_dataset["data"], iris_dataset["target"], random_state=0)

kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

x_new = np.array([[5, 2.9, 1, 0.2]])
prediction = kn.predict(x_new)

print("Predicted target value: {}\n".format(prediction))
print("Predicted feature name: {}\n".format
(iris_dataset["target_names"][prediction]))
print("Test score: {:.2f}".format(kn.score(X_test, y_test)))

از آنجایی که کدهای فوق گویا هستند، توضیح اضافه ای نمی دهم و با تست کردن کدهای فوق نتیجه را مشاهده نمایید.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://www.tg-me.com/joinchat-AAAAAFGMkouqbsb86Vfzug
1



tg-me.com/python4finance/113
Create:
Last Update:

یک مثال ساده از یادگیری ماشین در پایتون

همانطور که پیش از این گفته شد، یادگیری ماشین یکی از جذاب ترین های برنامه نویسی است. یعنی کامپیوتر از فرایندهایی که رخ می دهد یاد بگیرد و بهترین تصمیم را اتخاذ نماید، یعنی چیزی شبیه مغز ما البته با سرعت بیشتر و خطای کمتر . عالیه نه؟!
مثلا فرض کنید تصویر 100 مرد را به رایانه نشان دهیم و بعد از آن رایانه هر کسی را که مشاهده کرد، اگر مردی در آن وجود داشت نشان دهد. یا مثلا بتوان با مشاهده قیمت 100 سهم طی سه ماه، روند افزایشی یا کاهشی سهم ها را پیش بینی کرد.
خب بریم سراغ یک مثال عملی. یکی از بهترین کتابخانه های یادگیری ماشین scikit-learn است. ابتدا آن را نصب می کنیم:
pip install numpy scipy scikit-learn
(اگر دستور فوق را نمی شناسید به پست های اول مراجعه نمایید.)
یک مثال معروف در این رابطه مثال تشخیص نوع گل بر اساس سایز کاسبرگ آن است.(petal_sizeاندازه گلبرگ، flower_type نوع گل)
petal_size flower_type
1 a
2 b
1 a
2 b
3 c
4 d
3 c
2 b
5 a
حالا یک گل جدید با اندازه گلبرگ 2.5 به دست ما رسیده است. می خواهیم نوع آن را تشخیص دهیم. برای این موضوع اعداد نزدیک به 2.5 یعنی 2 و 3 را در نظر می گیریم. تعداد تکرار 2 و 3 به ترتیب 3 بار و 2 بار است، بنابرین احتمال زیاد نوع این گل باید از جنس b باشد.
در مثال زیر از دیتاست نمونه iris با حدود 50 داده فرضی استفاده شده است.
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.model_selection import train_test_split

iris_dataset=load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris_dataset["data"], iris_dataset["target"], random_state=0)

kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

x_new = np.array([[5, 2.9, 1, 0.2]])
prediction = kn.predict(x_new)

print("Predicted target value: {}\n".format(prediction))
print("Predicted feature name: {}\n".format
(iris_dataset["target_names"][prediction]))
print("Test score: {:.2f}".format(kn.score(X_test, y_test)))

از آنجایی که کدهای فوق گویا هستند، توضیح اضافه ای نمی دهم و با تست کردن کدهای فوق نتیجه را مشاهده نمایید.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://www.tg-me.com/joinchat-AAAAAFGMkouqbsb86Vfzug

BY Python4Finance


Warning: Undefined variable $i in /var/www/tg-me/post.php on line 283

Share with your friend now:
tg-me.com/python4finance/113

View MORE
Open in Telegram


Python4Finance Telegram | DID YOU KNOW?

Date: |

Telegram Be The Next Best SPAC

I have no inside knowledge of a potential stock listing of the popular anti-Whatsapp messaging app, Telegram. But I know this much, judging by most people I talk to, especially crypto investors, if Telegram ever went public, people would gobble it up. I know I would. I’m waiting for it. So is Sergei Sergienko, who claims he owns $800,000 of Telegram’s pre-initial coin offering (ICO) tokens. “If Telegram does a SPAC IPO, there would be demand for this issue. It would probably outstrip the interest we saw during the ICO. Why? Because as of right now Telegram looks like a liberal application that can accept anyone - right after WhatsApp and others have turn on the censorship,” he says.

Look for Channels Online

You guessed it – the internet is your friend. A good place to start looking for Telegram channels is Reddit. This is one of the biggest sites on the internet, with millions of communities, including those from Telegram.Then, you can search one of the many dedicated websites for Telegram channel searching. One of them is telegram-group.com. This website has many categories and a really simple user interface. Another great site is telegram channels.me. It has even more channels than the previous one, and an even better user experience.These are just some of the many available websites. You can look them up online if you’re not satisfied with these two. All of these sites list only public channels. If you want to join a private channel, you’ll have to ask one of its members to invite you.

Python4Finance from ca


Telegram Python4Finance
FROM USA