مدل ترکیبی یادگیری ماشین با پایتون

0 دیدگاه

مدل ترکیبی یادگیری ماشین با پایتون

مدل‌ های ترکیبی یادگیری ماشین (Hybrid Machine Learning Models) با ترکیب الگوریتم‌های مختلف، از نقاط قوت منحصربه‌فرد هرکدام بهره می‌برند. این رویکرد منجر به افزایش دقت پیش‌ بینی و ارتقای پایداری مدل در شرایط مختلف داده‌ ای می‌شود. اگر علاقه‌ مند به ساخت چنین مدلی هستید، این مقاله راهنمای گام‌ به‌ گامی برای شما خواهد بود تا بیاموزید چگونه با بهره‌گیری از قدرت پیش‌بینی چند الگوریتم مختلف، یک مدل ترکیبی بسازید.

مدل ترکیبی یادگیری ماشین با پایتون

چه زمانی باید از مدل ترکیبی استفاده کرد؟

زمانی که پیچیدگی داده‌ ها با استفاده از یک الگوریتم قابل‌ مدیریت نباشد، به‌ کارگیری یک مدل ترکیبی توصیه می‌شود. در برخی سناریوها، انواع مختلف داده یا الگوهای متنوع درون داده‌ ها ایجاب می‌کنند که چند الگوریتم به‌ صورت ترکیبی به کار گرفته شوند.

برای مثال، اگر در داده‌ های خود با الگوهای متوالی و هم‌ زمان روند های بلندمدت مواجه هستید، می‌توانید از ترکیب LSTM برای تحلیل دنباله‌ها و رگرسیون خطی برای بررسی روند کلی استفاده کنید.

نیاز به مدل ترکیبی زمانی مشخص می‌شود که مدل‌ های منفرد در ارزیابی‌ های مبتنی بر معیارهای عملکردی (مثل دقت، یادآوری یا F1-score) عملکرد ضعیفی داشته باشند. ترکیب مدل‌ها می‌تواند مزایای منحصر به‌ فرد هرکدام را در مدل نهایی وارد کرده و کارایی کلی پیش‌بینی را بهبود بخشد.

حال در ادامه، به‌صورت گام‌به‌گام فرآیند ساخت یک مدل ترکیبی یادگیری ماشین را بررسی می‌کنیم. در این پروژه، قصد داریم با ترکیب قدرت پیش‌بینی دو الگوریتم متفاوت، مدلی ترکیبی بسازیم که عملکردی دقیق‌تر و پایدارتر نسبت به مدل‌های منفرد ارائه دهد. دیتاست مورد استفاده در این آموزش را می‌توانید از لینک مشخص‌ شده دانلود کنید.

اکنون بیایید وارد مرحله عملی شویم و با وارد کردن کتابخانه‌ های ضروری پایتون و بارگذاری داده‌ها، کار را آغاز کنیم:

import pandas as pd
data = pd.read_csv('/content/apple_stock_data.csv')
print(data.head())

import pandas as pd

data = pd.read_csv('/content/apple_stock_data.csv')

print(data.head())

<strong>                        Date   Adj Close       Close        High         Low  \
0  2023-11-02 00:00:00+00:00  176.665985  177.570007  177.779999  175.460007   
1  2023-11-03 00:00:00+00:00  175.750671  176.649994  176.820007  173.350006   
2  2023-11-06 00:00:00+00:00  178.317520  179.229996  179.429993  176.210007   
3  2023-11-07 00:00:00+00:00  180.894333  181.820007  182.440002  178.970001   
4  2023-11-08 00:00:00+00:00  181.958893  182.889999  183.449997  181.589996   

         Open    Volume  
0  175.520004  77334800  
1  174.240005  79763700  
2  176.380005  63841300  
3  179.179993  70530000  
4  182.350006  49340300  </strong>

<strong> Date Adj Close Close High Low \

0 2023-11-02 00:00:00+00:00 176.665985 177.570007 177.779999 175.460007

1 2023-11-03 00:00:00+00:00 175.750671 176.649994 176.820007 173.350006

2 2023-11-06 00:00:00+00:00 178.317520 179.229996 179.429993 176.210007

3 2023-11-07 00:00:00+00:00 180.894333 181.820007 182.440002 178.970001

4 2023-11-08 00:00:00+00:00 181.958893 182.889999 183.449997 181.589996

Open Volume

0 175.520004 77334800

1 174.240005 79763700

2 176.380005 63841300

3 179.179993 70530000

4 182.350006 49340300 </strong>

از آن‌جایی که این دیتاست بر پایه داده‌های بازار سهام است، ستون تاریخ را به نوع تاریخ-زمان (datetime) تبدیل می‌کنم، آن را به‌عنوان شاخص اصلی جدول تنظیم می‌کنم و تمرکز را بر روی قیمت پایانی (Close) معطوف می‌کنم.

data['Date'] = pd.to_datetime(data['Date'])
data.set_index('Date', inplace=True)
data = data[['Close']]

data['Date'] = pd.to_datetime(data['Date'])

data.set_index('Date', inplace=True)

data = data[['Close']]

انتخاب مدل‌های ترکیبی

در این پروژه از دو مدل LSTM (حافظه بلند-کوتاه‌مدت) و رگرسیون خطی (Linear Regression) استفاده خواهیم کرد. انتخاب LSTM به این دلیل است که این مدل توانایی بالایی در شناسایی وابستگی‌های دنباله‌دار و الگوهای زمانی دارد و برای تحلیل داده‌های سری‌زمانی مانند نوسانات قیمت سهام که تحت تأثیر روندهای تاریخی هستند، بسیار مناسب است.

دوره تخصصی پایتون : آموزش پروژه محور پایتون و جنگو

در مقابل، رگرسیون خطی مدلی ساده و کارآمد برای شناسایی روابط خطی و روندهای بلندمدت در داده‌هاست. ترکیب این دو مدل در یک رویکرد ترکیبی به ما این امکان را می‌دهد که از توانایی LSTM در مدل‌سازی الگوهای زمانی پیچیده و از قابلیت رگرسیون خطی در دنبال‌کردن روندهای کلی، به‌صورت همزمان بهره‌مند شویم. هدف از این ترکیب، ایجاد یک سیستم پیش‌ بینی متعادل‌تر و دقیق‌تر است.

بنابراین در ادامه، قیمت پایانی (Close) را با استفاده از ابزار MinMaxScaler بین 0 و 1 مقیاس‌بندی می‌کنیم تا داده‌ها برای مدل LSTM قابل استفاده باشند.

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
data['Close'] = scaler.fit_transform(data[['Close']])

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))

data['Close'] = scaler.fit_transform(data[['Close']])

اکنون داده‌ها را برای مدل LSTM آماده می‌کنیم. برای این منظور، دنباله‌هایی با طول مشخص (برای مثال ۶۰ روز) ایجاد می‌کنیم تا مدل بتواند قیمت روز بعد را پیش‌بینی کند.

import numpy as np
def create_sequences(data, seq_length=60):
    X, y = [], []
    for i in range(len(data) - seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length])
    return np.array(X), np.array(y)

seq_length = 60
X, y = create_sequences(data['Close'].values, seq_length)

import numpy as np

def create_sequences(data, seq_length=60):

X, y = [], []

for i in range(len(data) - seq_length):

X.append(data[i:i+seq_length])

y.append(data[i+seq_length])

return np.array(X), np.array(y)

seq_length = 60

X, y = create_sequences(data['Close'].values, seq_length)

در این مرحله، دنباله‌های ایجاد شده را به دو بخش آموزش و آزمون تقسیم می‌کنیم (برای مثال، ۸۰ درصد برای آموزش و ۲۰ درصد برای آزمون).

train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

train_size = int(len(X) * 0.8)

X_train, X_test = X[:train_size], X[train_size:]

y_train, y_test = y[:train_size], y[train_size:]

اکنون یک مدل LSTM ترتیبی (Sequential) با لایه‌هایی طراحی می‌کنیم تا بتواند وابستگی‌های زمانی موجود در داده‌ها را شناسایی و تحلیل کند.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

lstm_model = Sequential()
lstm_model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
lstm_model.add(LSTM(units=50))
lstm_model.add(Dense(1))

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import LSTM, Dense

lstm_model = Sequential()

lstm_model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))

lstm_model.add(LSTM(units=50))

lstm_model.add(Dense(1))

اکنون مدل را با استفاده از یک بهینه‌ساز (optimizer) مناسب و تابع زیان (loss function) مناسب کامپایل کرده و آن را بر روی داده‌های آموزشی فیت می‌کنیم.

lstm_model.compile(optimizer='adam', loss='mean_squared_error')
lstm_model.fit(X_train, y_train, epochs=20, batch_size=32)

1 2	lstm_model.compile(optimizer='adam', loss='mean_squared_error') lstm_model.fit(X_train, y_train, epochs=20, batch_size=32)

Epoch 1/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 6s 64ms/step - loss: 0.2519
Epoch 2/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 59ms/step - loss: 0.0425
Epoch 3/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 59ms/step - loss: 0.0396
Epoch 4/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 57ms/step - loss: 0.0167
Epoch 5/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 52ms/step - loss: 0.0199
Epoch 6/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step - loss: 0.0152
Epoch 7/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step - loss: 0.0127
Epoch 8/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 75ms/step - loss: 0.0130
Epoch 9/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 60ms/step - loss: 0.0104
Epoch 10/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 81ms/step - loss: 0.0107
Epoch 11/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 64ms/step - loss: 0.0091
Epoch 12/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 65ms/step - loss: 0.0094
Epoch 13/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 62ms/step - loss: 0.0098
Epoch 14/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 62ms/step - loss: 0.0087
Epoch 15/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 62ms/step - loss: 0.0081
Epoch 16/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 56ms/step - loss: 0.0081
Epoch 17/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 64ms/step - loss: 0.0093
Epoch 18/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 61ms/step - loss: 0.0078
Epoch 19/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 57ms/step - loss: 0.0078
Epoch 20/20
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 66ms/step - loss: 0.0073

Epoch 1/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 6s 64ms/step - loss: 0.2519

Epoch 2/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 59ms/step - loss: 0.0425

Epoch 3/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 59ms/step - loss: 0.0396

Epoch 4/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 57ms/step - loss: 0.0167

Epoch 5/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 52ms/step - loss: 0.0199

Epoch 6/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step - loss: 0.0152

Epoch 7/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step - loss: 0.0127

Epoch 8/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 75ms/step - loss: 0.0130

Epoch 9/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 60ms/step - loss: 0.0104

Epoch 10/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 81ms/step - loss: 0.0107

Epoch 11/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 64ms/step - loss: 0.0091

Epoch 12/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 65ms/step - loss: 0.0094

Epoch 13/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 62ms/step - loss: 0.0098

Epoch 14/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 62ms/step - loss: 0.0087

Epoch 15/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 62ms/step - loss: 0.0081

Epoch 16/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 56ms/step - loss: 0.0081

Epoch 17/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 64ms/step - loss: 0.0093

Epoch 18/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 61ms/step - loss: 0.0078

Epoch 19/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 57ms/step - loss: 0.0078

Epoch 20/20

5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 66ms/step - loss: 0.0073

اکنون، به آموزش مدل دوم می‌پردازیم. ابتدا ویژگی‌های تأخیری را برای رگرسیون خطی تولید می‌کنم (برای مثال، استفاده از داده‌های ۳ روز گذشته به‌عنوان پیش‌بینی‌کننده‌ها).

data['Lag_1'] = data['Close'].shift(1)
data['Lag_2'] = data['Close'].shift(2)
data['Lag_3'] = data['Close'].shift(3)
data = data.dropna()

data['Lag_1'] = data['Close'].shift(1)

data['Lag_2'] = data['Close'].shift(2)

data['Lag_3'] = data['Close'].shift(3)

data = data.dropna()

اکنون داده‌ها را به‌طور مناسب برای آموزش و آزمون تقسیم می‌کنیم.

X_lin = data[['Lag_1', 'Lag_2', 'Lag_3']]
y_lin = data['Close']
X_train_lin, X_test_lin = X_lin[:train_size], X_lin[train_size:]
y_train_lin, y_test_lin = y_lin[:train_size], y_lin[train_size:]

X_lin = data[['Lag_1', 'Lag_2', 'Lag_3']]

y_lin = data['Close']

X_train_lin, X_test_lin = X_lin[:train_size], X_lin[train_size:]

y_train_lin, y_test_lin = y_lin[:train_size], y_lin[train_size:]

اکنون مدل رگرسیون خطی را آموزش می‌دهیم.

from sklearn.linear_model import LinearRegression
lin_model = LinearRegression()
lin_model.fit(X_train_lin, y_train_lin)

from sklearn.linear_model import LinearRegression

lin_model = LinearRegression()

lin_model.fit(X_train_lin, y_train_lin)

اکنون، این‌طور می‌توان پیش‌بینی‌ها را با استفاده از مدل LSTM بر روی مجموعه آزمون انجام داد و پیش‌بینی‌های مقیاس‌بندی شده را معکوس کرد.

X_test_lstm = X_test.reshape((X_test.shape[0], X_test.shape[1], 1))
lstm_predictions = lstm_model.predict(X_test_lstm)
lstm_predictions = scaler.inverse_transform(lstm_predictions)

X_test_lstm = X_test.reshape((X_test.shape[0], X_test.shape[1], 1))

lstm_predictions = lstm_model.predict(X_test_lstm)

lstm_predictions = scaler.inverse_transform(lstm_predictions)

این‌طور می‌توان پیش‌بینی‌ها را با استفاده از رگرسیون خطی تولید کرد و آن‌ها را معکوس‌ سازی کرد.

lin_predictions = lin_model.predict(X_test_lin)
lin_predictions = scaler.inverse_transform(lin_predictions.reshape(-1, 1))

1 2	lin_predictions = lin_model.predict(X_test_lin) lin_predictions = scaler.inverse_transform(lin_predictions.reshape(-1, 1))

و این‌طور می‌توان از میانگین وزنی برای ایجاد پیش‌بینی‌های ترکیبی استفاده کرد.

hybrid_predictions = (0.7 * lstm_predictions) + (0.3 * lin_predictions)

1	hybrid_predictions = (0.7 * lstm_predictions) + (0.3 * lin_predictions)

بیایید ببینیم چگونه می‌توان پیش‌بینی‌هایی برای ۱۰ روز آینده با استفاده از مدل ترکیبی خود انجام داد. این‌طور می‌توان پیش‌بینی ۱۰ روز آینده را با استفاده از LSTM انجام داد:

lstm_future_predictions = []
last_sequence = X[-1].reshape(1, seq_length, 1)
for _ in range(10):
    lstm_pred = lstm_model.predict(last_sequence)[0, 0]
    lstm_future_predictions.append(lstm_pred)
    lstm_pred_reshaped = np.array([[lstm_pred]]).reshape(1, 1, 1)
    last_sequence = np.append(last_sequence[:, 1:, :], lstm_pred_reshaped, axis=1)
lstm_future_predictions = scaler.inverse_transform(np.array(lstm_future_predictions).reshape(-1, 1))

lstm_future_predictions = []

last_sequence = X[-1].reshape(1, seq_length, 1)

for _ in range(10):

lstm_pred = lstm_model.predict(last_sequence)[0, 0]

lstm_future_predictions.append(lstm_pred)

lstm_pred_reshaped = np.array([[lstm_pred]]).reshape(1, 1, 1)

last_sequence = np.append(last_sequence[:, 1:, :], lstm_pred_reshaped, axis=1)

lstm_future_predictions = scaler.inverse_transform(np.array(lstm_future_predictions).reshape(-1, 1))

این‌طور می‌توان پیش‌بینی ۱۰ روز آینده را با استفاده از رگرسیون خطی انجام داد:

recent_data = data['Close'].values[-3:]
lin_future_predictions = []
for _ in range(10):
    lin_pred = lin_model.predict(recent_data.reshape(1, -1))[0]
    lin_future_predictions.append(lin_pred)
    recent_data = np.append(recent_data[1:], lin_pred)
lin_future_predictions = scaler.inverse_transform(np.array(lin_future_predictions).reshape(-1, 1))

recent_data = data['Close'].values[-3:]

lin_future_predictions = []

for _ in range(10):

lin_pred = lin_model.predict(recent_data.reshape(1, -1))[0]

lin_future_predictions.append(lin_pred)

recent_data = np.append(recent_data[1:], lin_pred)

lin_future_predictions = scaler.inverse_transform(np.array(lin_future_predictions).reshape(-1, 1))

و این‌ طور می‌توان پیش‌ بینی هر دو مدل را ترکیب کرده و پیش‌بینی‌هایی برای ۱۰ روز آینده انجام داد:

hybrid_future_predictions = (0.7 * lstm_future_predictions) + (0.3 * lin_future_predictions)

1	hybrid_future_predictions = (0.7 * lstm_future_predictions) + (0.3 * lin_future_predictions)

این‌طور می‌توان دیتا فریم نهایی را ایجاد کرد تا پیش‌بینی‌ها را مشاهده کنیم:

future_dates = pd.date_range(start=data.index[-1] + pd.Timedelta(days=1), periods=10)
predictions_df = pd.DataFrame({
    'Date': future_dates,
    'LSTM Predictions': lstm_future_predictions.flatten(),
    'Linear Regression Predictions': lin_future_predictions.flatten(),
    'Hybrid Model Predictions': hybrid_future_predictions.flatten()
})
print(predictions_df)

future_dates = pd.date_range(start=data.index[-1] + pd.Timedelta(days=1), periods=10)

predictions_df = pd.DataFrame({

'Date': future_dates,

'LSTM Predictions': lstm_future_predictions.flatten(),

'Linear Regression Predictions': lin_future_predictions.flatten(),

'Hybrid Model Predictions': hybrid_future_predictions.flatten()

})

print(predictions_df)

                       Date  LSTM Predictions  Linear Regression Predictions  \
0 2024-11-02 00:00:00+00:00        232.222122                     230.355192   
1 2024-11-03 00:00:00+00:00        231.944504                     225.707291   
2 2024-11-04 00:00:00+00:00        231.732971                     222.703426   
3 2024-11-05 00:00:00+00:00        231.574249                     230.631535   
4 2024-11-06 00:00:00+00:00        231.456375                     225.486380   
5 2024-11-07 00:00:00+00:00        231.368454                     222.494588   
6 2024-11-08 00:00:00+00:00        231.301605                     230.930195   
7 2024-11-09 00:00:00+00:00        231.249008                     225.245599   
8 2024-11-10 00:00:00+00:00        231.205811                     222.284007   
9 2024-11-11 00:00:00+00:00        231.168671                     231.252375   

   Hybrid Model Predictions  
0                231.662038  
1                230.073332  
2                229.024102  
3                231.291435  
4                229.665369  
5                228.706293  
6                231.190176  
7                229.447978  
8                228.529273  
9                231.193782

Date LSTM Predictions Linear Regression Predictions \

0 2024-11-02 00:00:00+00:00 232.222122 230.355192

1 2024-11-03 00:00:00+00:00 231.944504 225.707291

2 2024-11-04 00:00:00+00:00 231.732971 222.703426

3 2024-11-05 00:00:00+00:00 231.574249 230.631535

4 2024-11-06 00:00:00+00:00 231.456375 225.486380

5 2024-11-07 00:00:00+00:00 231.368454 222.494588

6 2024-11-08 00:00:00+00:00 231.301605 230.930195

7 2024-11-09 00:00:00+00:00 231.249008 225.245599

8 2024-11-10 00:00:00+00:00 231.205811 222.284007

9 2024-11-11 00:00:00+00:00 231.168671 231.252375

Hybrid Model Predictions

0 231.662038

1 230.073332

2 229.024102

3 231.291435

4 229.665369

5 228.706293

6 231.190176

7 229.447978

8 228.529273

9 231.193782

جمع بندی

این‌طور بود که یک مدل ترکیبی یادگیری ماشین با استفاده از پایتون ساختیم. مدل ترکیبی یادگیری ماشین را زمانی بسازید که یک الگوریتم واحد نتواند پیچیدگی‌های داده‌ها را شبیه‌سازی کند یا زمانی که انواع مختلف داده‌ها یا الگوهای متنوع وجود داشته باشد. امیدوارم از این مقاله در مورد ساخت مدل ترکیبی یادگیری ماشین با پایتون لذت برده باشید. برای پرسیدن سوالات ارزشمند، می‌توانید در بخش نظرات پایین مقاله مطرح کنید. همچنین می‌توانید من را در اینستاگرام دنبال کنید تا منابع بیشتری دریافت کنید.

همچنین می توانید از بخش جدیدترین سورس برنامه نویسی پایتون دیدن فرمایید

5/5 - (3 امتیاز)

راستی! برای دریافت مطالب جدید در کانال تلگرام یا پیج اینستاگرام سورس باران عضو شوید.

نظرات

برچسب ها: آموزش پایتون, پروژه پایتون, تمرین برنامه نویسی پایتون, سورس پایتون

صابر بوستانی

داستان من با دنیای برنامه‌ نویسی آغاز شد، و در ادامه به عنوان یک توسعه‌ دهنده نرم‌ افزار، طراح وب سایت و متخصص سئو، مهارت ‌های تکنیکی و تحلیلی خودم رو پرورش دادم. علاقه م به دنیای مالی منو به سمت یادگیری ترید و معامله‌گری سوق داد. و در حال حاضر در برنامه نویسی و معامله گری ارز دیجیتال انجام میدم. از سال 96 سعی کردم معامله گری در کریپتو رو یاد بگیرم. ترید و معامله گری برام پر از چالش و شکست‌ های متعدد بود. اما هر شکست، درسی ارزشمند برام داشت و من رو به یک تریدر و معامله گر قوی‌ تر و هوشمندتر تبدیل کرد. با پشتکار و یادگیری مداوم، تونستم به موفقیت‌های قابل توجهی دست یابم و به معامله گری موفق تبدیل بشم. در اینجا بزرگترین تجربیات و مهمترین دانش خودم رو در اختیار شما قرار میدم تا در مدت زمان کوتاه تر و شکست های کمتر در این مسیر به موفقیت برسید.

دوره آموزش برنامه نویسی پایتون در 24 ساعت + ساخت ربات تلگرامی

انتشار: ۱۷ اردیبهشت ۱۴۰۴

مدل ترکیبی یادگیری ماشین با پایتون

مدل ترکیبی یادگیری ماشین با پایتون

چه زمانی باید از مدل ترکیبی استفاده کرد؟

انتخاب مدل‌های ترکیبی

دوره تخصصی پایتون : آموزش پروژه محور پایتون و جنگو

جمع بندی

صابر بوستانی

دسته بندی موضوعات

آخرین محصولات فروشگاه

نظرات

بازخوردهای خود را برای ما ارسال کنید

لغو پاسخ

مطالب مرتبط