فهرست بستن

دسته: NumPy

رسم نمودار دایره‌ای تو در تو در پایتون با استفاده از کتابخانه matplotlib

در بسیاری از وظایف بازنمایی داده‌ها، نیازمند نمایش اطلاعات استخراج شده توسط نمودارهای دایره‌ای هستیم. این نوع نمودارها که از محبوب‌ترین و با سابقه‌ترین روش‌های بازنمایی داده‌ها هستند به آسانی توسط زبان برنامه نویسی پایتون و کتابخانه matplotlib قابل رسم می‌باشند. در این نوشته به دنبال آموزش ویرایش تو در تو نمودارهای دایره‌ای هستیم. در نمودارهای دایره‌ای معمولا ما کلاس‌ها یا عنوان‌های مختلفی داریم که هر کدام سهم مشخصی از چیزی را به خود اختصاص داده اند و این سهم مشخص گستردگی زاویه قطاع اختصاص داده شده به کلاس یا عنوان را مشخص می‌نماید. در نمودار دایره‌ای تو در تو علاوه بر کلاس‌ها ما زیر کلاس‌هایی را نیز داریم که هر کدام سهمی از کلاس رده بالایی خود را دارند. با ما همراه باشید.

پیشبینی بازار رمز ارزها با استفاده از کتابخانه prophet فیسبوک

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.

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.