فهرست بستن

دسته: NumPy

ریزه‌کاری‌های تولید اعداد تصادفی با استفاده از Numpy در پایتون

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.

پیاده‌سازی رگرسور خطی در پایتون

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.

استفاده از داده‌های موارد ابتلا به بیماری کووید-۱۹ در پایتون

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.

نکاتی پیرامون کار با آرایه‌های numpy در پایتون

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.

یادگیری ماشین برای تشخیص اعداد با استفاده از scikit-learn

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.

نحوه استفاده صحیح از numpy برای افزایش سرعت محاسبات

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 الگوریتمینین پایتون دیلینده نئجه یازیلماسی

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 در پایتون با کتابخانه numpy (قسمت اول)

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.

معرفی کتابخانه پایتون برای منطق فازی

قسمت اعظمی از محبوبیت کسب شده توسط زبان برنامه نویسی پایتون علاوه بر ساختار ویژه آن، مربوط به بسته های نرم افزاری و کتابخانه هایی است که برای پشتیبانی از موضوعات مختلف در آن ارائه شده است. در این نوشته به معرفی کتابخانه منطق فازی پرداخته شده است. منطق فازی یکی از مباحثی است که مورد توجه محققین و دانشمندان می باشد و در مجامع علمی جایگاهی ویژه پیدا کرده است.