در این مطلب، ویدئو کوپولا و پیاده سازی آن در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:16:18
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,260 –> 00:00:03,049
این بار قصد دارم در مورد
2
00:00:03,049 –> 00:00:06,600
کوپلرها و پیاده سازی آن در
3
00:00:06,600 –> 00:00:13,559
پایتون در مدیریت ریسک صحبت
4
00:00:13,559 –> 00:00:17,820
5
00:00:17,820 –> 00:00:23,210
کنم،
6
00:00:23,390 –> 00:00:26,279
زمانی که ساختار وابستگی
7
00:00:26,279 –> 00:00:30,660
بین ریسک ها را در نظر می گیریم اغلب
8
00:00:30,660 –> 00:00:37,340
از همبستگی و کوواریانس در حال حاضر
9
00:00:37,340 –> 00:00:41,879
فرض می کنیم، ریسک را می توان به دو بخش تقسیم کرد: ریسک های فردی و ساختار وابستگی بین آنها. ما متغیر مستقل X
10
00:00:41,879 –> 00:00:47,399
و متغیر وابسته Y داریم، بنابراین
11
00:00:47,399 –> 00:00:52,800
کوواریانس x و y با
12
00:00:52,800 –> 00:00:56,489
محاسبه مقدار مورد انتظار Y
13
00:00:56,489 –> 00:01:02,030
ضربدر X منهای مقدار مورد انتظار y ضربدر مقدار مورد
14
00:01:02,030 –> 00:01:07,619
انتظار X
15
00:01:07,619 –> 00:01:12,409
16
00:01:12,409 –> 00:01:17,869
محاسبه می شود. همبستگی ما وقتی همبستگی را
17
00:01:17,869 –> 00:01:22,490
محاسبه می کنیم،
18
00:01:22,490 –> 00:01:26,869
کوواریانس را بر انحراف استاندارد Y
19
00:01:26,869 –> 00:01:31,950
بر انحراف استاندارد X تقسیم می کنیم به این
20
00:01:31,950 –> 00:01:36,570
ترتیب وقتی همبستگی به اضافه 1 باشد، همبستگی بین منهای 1
21
00:01:36,570 –> 00:01:39,470
و به
22
00:01:39,470 –> 00:01:44,720
علاوه 1 خواهد بود که به معنی
23
00:01:44,720 –> 00:01:50,070
همبستگی مثبت کامل است و اگر
24
00:01:50,070 –> 00:01:53,270
همبستگی منفی 1 باشد، به معنای
25
00:01:53,270 –> 00:01:57,659
همبستگی منفی کامل بین x
26
00:01:57,659 –> 00:02:00,170
و y است
27
00:02:01,090 –> 00:02:03,980
اما این همبستگی مشکل
28
00:02:03,980 –> 00:02:12,050
دارد وقتی دو متغیر
29
00:02:12,050 –> 00:02:15,800
مستقل هستند می توانیم بگوییم همبستگی
30
00:02:15,800 –> 00:02:20,660
بین آنها صفر است اما وقتی
31
00:02:20,660 –> 00:02:24,980
همبستگی صفر است نمی توانیم بگوییم که
32
00:02:24,980 –> 00:02:32,050
مستقل هستند برای مثال اگر
33
00:02:32,050 –> 00:02:35,750
بین x و y همبستگی خطی وجود داشته
34
00:02:35,750 –> 00:02:40,960
باشد به راحتی قابل درک است
35
00:02:40,960 –> 00:02:45,590
زیرا همبستگی 1 خواهد بود. و نشان می دهد
36
00:02:45,590 –> 00:02:51,280
که آنها وابسته هستند اما در مورد B
37
00:02:51,280 –> 00:02:57,740
اگرچه x و y وابسته هستند اما
38
00:02:57,740 –> 00:03:00,830
اگر همبستگی را محاسبه کنید
39
00:03:00,830 –> 00:03:05,030
صفر می شود بنابراین حتی اگر همبستگی
40
00:03:05,030 –> 00:03:09,800
صفر باشد نمی توانیم به این نتیجه برسیم که
41
00:03:09,800 –> 00:03:17,200
دو متغیر مستقل هستند حالا
42
00:03:17,200 –> 00:03:20,900
بیایید توضیح دهیم که توزیع حاشیه چیست
43
00:03:20,900 –> 00:03:25,090
و توزیع حاشیهای Joint Distribution
44
00:03:26,050 –> 00:03:30,260
زمانی است که شما
45
00:03:30,260 –> 00:03:34,310
چندین متغیر دارید، فقط یک
46
00:03:34,310 –> 00:03:39,290
متغیر را بدون در نظر گرفتن متغیرهای دیگر در نظر
47
00:03:39,290 –> 00:03:44,480
میگیرید، به این معنی که
48
00:03:44,480 –> 00:03:48,920
احتمال آن متغیر را بدون
49
00:03:48,920 –> 00:03:51,620
ارجاع به مقادیر متغیرهای دیگر محاسبه یا در نظر میگیرید،
50
00:03:51,620 –> 00:03:54,370
51
00:03:55,110 –> 00:03:58,820
توزیع احتمال مشترک
52
00:03:58,820 –> 00:04:03,420
، احتمال را زمانی در نظر میگیرد که دو یا
53
00:04:03,420 –> 00:04:09,230
تعداد بیشتری از متغیرها به طور همزمان اتفاق می افتد
54
00:04:09,260 –> 00:04:13,620
بنابراین کل نقطه t توزیع مشترک
55
00:04:13,620 –> 00:04:16,320
این است که به دنبال
56
00:04:16,320 –> 00:04:19,230
رابطه بین دو متغیر یا
57
00:04:19,230 –> 00:04:30,470
بیشتر باشیم حالا بیایید ببینیم جفت
58
00:04:31,100 –> 00:04:34,190
59
00:04:34,190 –> 00:04:37,650
60
00:04:37,650 –> 00:04:43,170
کننده ها چیست.
61
00:04:43,170 –> 00:04:46,920
62
00:04:46,920 –> 00:04:50,190
اگر یک
63
00:04:50,190 –> 00:04:53,910
پروژه بزرگ دارید معمولاً آنها را
64
00:04:53,910 –> 00:04:59,070
به کارهای کوچک جداگانه تقسیم می کنید و سعی می کنید
65
00:04:59,070 –> 00:05:03,900
کارهای کوچک را یکی یکی انجام دهید و سپس
66
00:05:03,900 –> 00:05:07,380
آنها را به یکدیگر ملحق می کنید تا پروژه بزرگ را به پایان برسانید
67
00:05:07,380 –> 00:05:12,890
، کوپلر تابعی است که
68
00:05:12,890 –> 00:05:16,800
توزیع maginot را در نظر می گیرد
69
00:05:16,800 –> 00:05:20,480
و سپس به آنها می پیوندد. با هم
70
00:05:21,940 –> 00:05:25,760
تابع دوبیتی
71
00:05:25,760 –> 00:05:33,380
در حدود سالهای 1999 و 2000 در امور مالی معرفی شد.
72
00:05:33,380 –> 00:05:35,690
تابع کوپلر یک رسم
73
00:05:35,690 –> 00:05:39,110
تابع توزیع و
74
00:05:39,110 –> 00:05:46,370
متغیرهای تصادفی یکنواخت استاندارد است که
75
00:05:46,370 –> 00:05:51,410
راههای زیادی برای استفاده از کوپلرها وجود دارد و در این ویدیو
76
00:05:51,410 –> 00:05:54,710
به شما نحوه استفاده از کوپلرها در پایتون را نشان میدهم.
77
00:05:54,710 –> 00:05:59,210
بسته ای به نام کوپلر لیپ وجود دارد که
78
00:05:59,210 –> 00:06:03,830
من از این
79
00:06:03,830 –> 00:06:09,290
وب سایت دانلود کردم و توضیحات مختصری
80
00:06:09,290 –> 00:06:13,070
در مورد این کتابخانه دارد d در مورد نحوه استفاده از
81
00:06:13,070 –> 00:06:14,920
آن
82
00:06:14,920 –> 00:06:19,700
در حال حاضر این کتابخانه فقط برای دو
83
00:06:19,700 –> 00:06:25,300
متغیر است و دارای کوپلر فرانک
84
00:06:25,300 –> 00:06:29,090
کوپلر ترنتون و کوپلر گامبو است،
85
00:06:29,090 –> 00:06:32,690
فکر می کنم در آینده شامل
86
00:06:32,690 –> 00:06:39,710
ویژگی های بیشتر و متغیرهای بیشتری خواهد شد حالا اجازه دهید
87
00:06:39,710 –> 00:06:43,040
توضیح دهم که داده ها در این
88
00:06:43,040 –> 00:06:47,920
ویدیو استفاده می شود. حجم معاملات هفتگی
89
00:06:47,920 –> 00:06:51,980
مایکروسافت و اینتل من داده ها را
90
00:06:51,980 –> 00:06:55,630
از Yahoo Finance دانلود
91
00:06:58,120 –> 00:07:03,830
کردم و تعدادی داده ساختگی ایجاد کردم تا
92
00:07:03,830 –> 00:07:09,250
همبستگی مثبت کامل را به شما نشان دهم و
93
00:07:09,250 –> 00:07:13,400
همچنین تعدادی داده ساختگی برای نشان دادن
94
00:07:13,400 –> 00:07:19,970
همبستگی منفی و قسمت جالب این
95
00:07:19,970 –> 00:07:23,740
است که تعدادی داده ساختگی برای نشان دادن صفر ایجاد کردم.
96
00:07:23,740 –> 00:07:28,160
همبستگی اما آنها وابستگی
97
00:07:28,160 –> 00:07:35,990
بین این داده ها دارند، بنابراین این داده هایی است که من
98
00:07:35,990 –> 00:07:40,210
از Yahoo Finance دانلود کردم، این
99
00:07:40,210 –> 00:07:44,900
حجم پردازش مایکروسافت است که واحد در حال
100
00:07:44,900 –> 00:07:48,500
آسیاب است و این حجم پردازش
101
00:07:48,500 –> 00:07:54,910
اینتل است.
102
00:07:54,910 –> 00:08:01,100
103
00:08:01,100 –> 00:08:07,600
از منفی 27 شروع می شود و
104
00:08:07,600 –> 00:08: