سن :۲۳
مجرد
دانشجوی لیسانس علوم کامپیوتر با اشتیاق به یادگیری ماشین و علم داده. دارای مهارت در برنامه نویسی Python و SQL. مهارت عالی کار گروهی و مدیریت زمان برای ارائه کار به موقع و با کیفیت بالا.
درحال تحصیل
آموزش مدیریت پروژه با تمرکز بر متدولوژی های Agile. استفاده از اصول چابک برای بهینه سازی گردش کار پروژه، تقویت همکاری و افزایش سازگاری با نیازهای در حال تغییر
دوره یادگیری ماشین با پایتون را گذرانده و بر کاربرد پایتون در یادگیری ماشین مسلط شده است. مهارت کسب شده: در مفاهیم اساسی، الگوریتم ها و برنامه های کاربردی دنیای واقعی، افزایش توانایی من در تجزیه و تحلیل و حل مسائل پیچیده
ثبت نام در یک دوره جامع یادگیری ماشین و علم داده برای ارتقای بیشتر مهارت ها و دانش خود در این زمینه های پویا. مشتاق به کنکاش در مفاهیم کلیدی، الگوریتمها و کاربردهای عملی، مشتاقم از این فرصت یادگیری برای تقویت تواناییهایم برای تجزیه و تحلیل و حل چالشهای دنیای واقعی استفاده کنم.
برگزاری کلاس های خصوصی آموزش زبان برنامه نویسی پایتون برای ورود به دنیای هوش مصنوعی و آنالیز دیتا
خلاصه:
در این پروژه، به تحلیل داده های مربوط به قیمت، حجم معاملات و نوسانات بازار ارزهای دیجیتال مختلف پرداختم. هدف از این کار شناسایی روندها، الگوها و فرصت های سرمایهگذاری بود.
مراحل تحلیل:
جمع آوری داده: داده ها را از صرافی های ارز دیجیتال و ارائه دهندگان داده های مختلف جمع آوری کردم.
پاکسازی داده: داده ها را از نظر ناهنجاری، مقادیر گمشده و ناسازگاری فرمت بررسی کردم.
تجزیه و تحلیل اکتشافی: داده ها را با استفاده از نمودارها، جداول و آمار توصیفی تجزیه و تحلیل کردم.
مدل سازی: از مدل های یادگیری ماشین مانند شبکه های عصبی مصنوعی و الگوریتم های یادگیری تقویتی برای پیش بینی قیمت و نوسانات ارزهای دیجیتال استفاده کردم.
تجزیه و تحلیل احساسات: از تکنیک های پردازش زبان طبیعی برای تجزیه و تحلیل احساسات عمومی در مورد بازار ارز دیجیتال از طریق رسانه های اجتماعی و اخبار استفاده کردم.
دستاوردها:
روندهای کلیدی بازار ارز دیجیتال مانند افزایش یا کاهش قیمت، حجم معاملات و نوسانات را شناسایی کردم.
با استفاده از مدل های یادگیری ماشین، قیمت و نوسانات ارزهای دیجیتال را با دقت قابل قبولی پیش بینی کردم.
عوامل موثر بر قیمت ارزهای دیجیتال مانند اخبار، رویدادهای بازار و احساسات عمومی را شناسایی کردم.
استراتژی های سرمایهگذاری مبتنی بر داده را برای ارزهای دیجیتال مختلف توسعه دادم.
مهارت های مورد استفاده:
جمع آوری و پاکسازی داده
تجزیه و تحلیل داده
یادگیری ماشین
پردازش زبان طبیعی
نمایش داده ها
گزارش دهی
این پروژه به من کمک کرد تا مهارت های خود را در زمینه تحلیل داده، یادگیری ماشین، پردازش زبان طبیعی و ارائه گزارش ارتقا دهم. همچنین به من آموختم که چگونه از داده ها برای درک بهتر بازار ارز دیجیتال و تصمیم
در این پروژه، به پیش پردازش قیمت لپ تاپ های مختلف از یک مجموعه داده بزرگ پرداختم. هدف از این کار آماده سازی داده ها برای استفاده در مدل های یادگیری ماشین برای وظایفی مانند پیش بینی قیمت، تجزیه و تحلیل بازار و تشخیص تقلب بود.
مراحل پیش پردازش:
جمع آوری داده: قیمت لپ تاپ ها را از یک مجموعه داده عمومی بزرگ جمع آوری کردم.
پاکسازی داده: داده ها را از نظر ناهنجاری، مقادیر گمشده و ناسازگاری فرمت بررسی کردم.
مدیریت مقادیر گمشده: مقادیر گمشده را با استفاده از تکنیک های مناسب مانند میانگین یا میانه پر کردم.
تبدیل واحد: قیمت ها را به یک واحد استاندارد (دلار آمریکا) تبدیل کردم.
استانداردسازی: قیمت ها را برای بهبود عملکرد مدل های یادگیری ماشین استانداردسازی کردم.
تأیید: کیفیت داده های پیش پردازش شده را با استفاده از نمودارها و آمار بررسی کردم.
در این پروژه، به تجزیه و تحلیل مجموعه داده "آب و هوای انگلستان" پرداختم. این مجموعه داده شامل اطلاعات مربوط به دمای هوا، بارندگی، فشار هوا و سایر متغیرهای آب و هوایی در مکان های مختلف انگلستان در طول چندین سال است.
اهداف:
شناسایی الگوها و روندهای موجود در داده های آب و هوایی
بررسی تاثیر متغیرهای مختلف آب و هوایی بر یکدیگر
پیش بینی آب و هوای آینده در مکان های مختلف انگلستان
روش شناسی:
از کتابخانه های Python مانند Pandas و Matplotlib برای پاکسازی و تجزیه و تحلیل داده ها استفاده کردم.
از مدل های یادگیری ماشین مانند رگرسیون خطی و درخت های تصمیم برای پیش بینی آب و هوای آینده استفاده کردم.
نتایج خود را با استفاده از نمودارها و جدول ها به صورت گرافیکی به نمایش گذاشتم.