یکی از ابزارهای پیشبینی سری‌های زمانی که اخیرا مورد توجه متخصصین داده قرار گرفته است، کتابخانه prophet فیسبوک می‌باشد. این کتابخانه که به زبان‌های پایتون و R توسعه داده شده است، قابلیت پیشبینی سری‌های زمانی غیرخطی با خاصیت فصلی بودن (seasonality) سالیانه، هفتگی و روزانه با مدل افزوده را دارا می‌باشد. در این نوشته در یک مثال کاملا ابتدایی اقدام به پیشبینی روند تغییرات رمز ارزها خواهیم نمود.
بسیاری از تحلیل‌های عددی نیاز به تولید اعداد تصادفی دارند. تعداد زیادی از الگوریتم‌ها نیز وجود دارند که برای ارائه راه حل اقدام به ایجاد پاسخ‌های تصادفی برای مسئله و بهبود آنها می‌نمایند. برای همین هم ایجاد اعداد تصادفی یکی از ملزومات شبیه‌سازی‌های علمی می‌باشد. در این نوشته به معرفی امکانات کتابخانه numpy برای تولید اعداد تصادفی پرداخته خواهد شد.
رگرسیون خطی تخمین یک پارامتر به‌صورت تابعی خطی از تعدادی داده دیگر می‌باشد. در عمل ما به دنبال به دست آوردن یک خط یا در حالت کلی اَبَر صفحه هستیم که با توجه به معیار خطای تعریف شده بهینه است. این روش کاربرد ویژه در علوم و مهندسی داشته و آشنایی با نحوه پیاده‌سازی آن در پایتون موضوع این نوشته می‌باشد.
یکی از پر اهمیت‌ترین مباحث در روبرویی با بیماریهای پاندمیک پیشبینی سیر حرکتی بیماری می‌باشد. این کار با تحلیل و کاوش داده‌ها امکان پذیر می‌باشد. در چند ماه اخیر با شیوع بیماری کووید-۱۹ بسیاری از محققین شروع به تحلیل داده‌های آماری کرده‌اند و بسیاری نیز در پی بازنمایی اطلاعات معنی‌دار استخراج شده از این داده‌ها هستند. در این نوشته به معرفی مخزن گیت‌هاب حاوی تعدادی از داده‌های موارد ابتلا و نحوه خواندن این داده‌ها و رسم نمودار لوگاریتمی مبتلایان، بهبودیافتگان و موارد فوتی پرداخته خواهد شد.
کتابخانه محاسبات عددی numpy به همراه کتابخانه‌های scipy و matplotlib مجموعه‌ای غنی از امکانات را برای انجام شبیه سازی های علمی و بازنمایی آنها فراهم آورده اند. لکن نحوه استفاده از امکانات فراهم شده توسط این کتابخانه ها تعیین کننده میزان راحتتر شدن کار برای ما می باشد. در این نوشته به بررسی ریزه کاری هایی از آرایه numpy پرداخته خواهد شد.
بسته‌های نرم‌افزاری متعددی برای انجام کارهای مربوط به یادگیری ماشین ارائه شده است که شاید از این میان نامدارترین آنها کتابخانه tensorflow باشد. با این حال برای وظایف معمولی‌تر و صد البته برای شروع یادگیری ماشین کتابخانه‌های سبکتری نیز وجود دارد. یکی از این کتابخانه که بر پایه scipy، numpy و matplotlib توسعه یافته است، کتابخانه scikit-learn می‌باشد. در این نوشته به نحوه تشخیص اعداد با استفاده از امکانات فراهم شده توسط این کتابخانه پرداخته خواهد شد.
کتابخانه‌های جنبی پایتون اکثرا از رابط Python/C برای افزایش سرعت اجرا استفاده می کنند. برای اینکه بتوانیم از این ظرفیت بالقوه استفاده نماییم باید حدالامکان فراخوانی مکرر توابع کتابخانه‌ای را کاهش دهیم. بعبارت عملی‌تر از استفاده از حلقه‌ها و فراخوانی توابع پشت‌سر هم و زاید اجتناب نماییم. در این نوشته با مثال‌های متعدد نحوه استفاده صحیح از numpy برای افزایش سرعت محاسبات توضیح داده خواهد شد.
PSO الگوریتمی، قوش سورولرینین اجتماعی یاشاملاریندان الهام آلینان بیر الگوریتم دیر. PSO داهی اونون کیمی الگوریتملر عمومیتله بیر مسئله‌نین متعدد جوابلاری ایله باشلاییب، جوابلاری الگوریتم قاباغا گئتمه‌سی ایله بیر، یاخشیلادارلار؛ اونون اوچون ده بو الگوریتملره «یاخشیلاشدیرما الگوریتملری» آدینی وئره‌بیله‌ریک. یاخشیلاتما قارشیلاشدیغیمیز مسئله ایله معنی‌له‌نیر. بعض مسئله‌لرده گلیری و قازانجی چوخالتماق، بعضی‌لرینده ایسه چیخیری آزالتماق، یاخشیلاتماق معیاریمیز اولور.
چند جمله‌ای ها کاربرد ویژه‌ای در ریاضیات و مهندسی دارند. بیشتر این کاربرد مربوط به تقریب توابع در آنالیز عددی می باشد. در زبان برنامه نویسی پایتون با استفاده از کتابخانه محاسباتی numpy می توانید چند جمله‌ای ها را ایجاد کرده و از آنها استفاده کنید. این کتابخانه به کاربران این امکان را می دهد که با تعداد جملات مشخص داده ها را با چند جمله ای ها تقریب بزنند.