اگر از زبان خشک، بی روح و غیر تکنیکی متلب برای شبیه سازی ها و محاسبات علمی و عددیتان خسته شده اید و می خواهید با زبان پایتون که انعطاف پذیری و سرعت بیشتری نسبت به متلب دارد به انجام کارهای شبیه سازیتان بپردازید، پیشنهاد ما برای شما استفاده از کتابخانه NumPy میباشد. این کتابخانه در کنار دو کتابخانه SciPy و matplotlib تمام آنچه شما نیاز دارید را در خود دارد. در این نوشته در صد قدم ساده و ابتدایی شروع به یادگیری سریع کار با NumPy خواهیم کرد.
بدون شک اساس پردازش سیگنال دیجیتال تبدیل فوریه و پیاده سازی سریع آن یعنی fft میباشد. بسته های نرم افزاری طراحی شده برای محاسبات عددی اکثرا دارای توابع از پیش تعریف شدهای برای انجام این کار میباشند. یکی از این بسته های نرم افزاری پر طرفدار و کارامد در زبان برنامه نویسی پایتون SciPy می باشد. در این نوشته به معرفی نحوه محاسبه تبدیل فوریه یک سیگنال زمانی در پایتون با استفاده از امکانات کتابخانه SciPy پرداخته می شود.
در بسیاری از فرآیندهای محاسباتی امکان روبرو شدن با مسئله پیدا کردن ریشه معادلات محتمل است. این معادلات می توانند در حالت کلی غیرخطی و در ابعاد بزرگ باشند از این رو کاربرد روشهای کارامد برای حل این دسته از مسائل بسیار مهم می باشد. یکی از روشهای شناخته شده که مسئله ریشه یابی را تقریب کریلوف ژاکوبین معکوس انجام می دهد، روش نیوتون-کریلوف است. در این نوشته به نحوه پیدا کردن ریشه دسته معادلات غیرخطی با روش نیوتون-کریلوف پرداخته می شود.
شبیه سازی سیستم های دینامیکی، بررسی و کنترل آنها بدون حل معادله سیستمی آن بر اساس زمان و پارامترهای وابسته امکان ناپذیر است. محیطهای محاسبات عددی متعددی برای انجام اینکار مثل متلب موجود می باشند که امکانات متنوعی را فراهم آورده اند. زبان برنامه نویسی پایتون با بهره گیری از کتابخانه محاسباتی NumPy و SciPy به ابزار مناسبی برای محاسبات علمی تبدیل شده است. در این نوشته به دنبال حل عددی دسته معادلات دیفرانسیلی با SciPy هستیم.
امروزه کمتر کاربردی از تکنولوژی را می توان یافت که از یادگیری ماشین و هوش مصنوعی بهره نگرفته باشد. از شناسایی چهره گرفته تا تشخیص عیب در سیستمهای صنعتی همه و همه با به کارگیری یادگیری ماشین شاهد پیشرفتی غیر قابل وصف بوده اند. ابزارهای زیادی برای پیاده سازی روشهای متداول یادگیری ماشین ارائه شده اند که از میان آنها می توان به کتابخانه Tensorflow گوگل اشاره کرد. از لحاظ راحتی برای شروع کار کتابخانه های توسعه یافته مبنی بر SciPy مثل Scikit-learn کار را بسیار ساده تر می نماید. در این نوشته به معرفی این کتابخانه و امکانات آن پرداخته می شود.
با پیشرفت تکنولوژی، پردازش تصویر تبدیل به جز لاینفک اتوماسیون شده است، چه اتوماسیون اداری و چه اتوماسیون صنعتی. کتابخانههای متنوعی برای آماده سازی توابع استاندارد، فیلترهای متداول و الگوریتمهای توسعه داده شده پر کاربرد در پردازش تصویر ارائه شده اند. در این میان شاید بتوان گفت معروف ترین آنها کتابخانه OpenCV باشد. ولی در این نوشته کتابخانه دیگری که مبتنی بر کتابخانه محاسبات علمی NumPy و SciPy میباشد یعنی Scikit-Image معرفی میگردد.
امروزه اساس هر بسته نرمافزاری یا کتابخانهای که برای محاسبات علمی طراحی گردیده است، محاسبات ماتریسی میباشد. با توجه به این که زبان برنامهنویسی پایتون روز به روز بطور فزایندهای از طرف قشر دانشگاهی برای انجام محاسبات علمی مورد استفاده قرار میگیرد لذا طبیعی است که کتابخانههای متنوعی برای اینکار طراحی شده باشد. یکی از پر طرفدارترین کتابخانههای محاسبات عددی در پایتون، NumPy میباشد. در این نوشته به دنبال معرفی مقدماتی دستورات مورد نیاز برای انجام محاسبات ماتریسی با استفاده از این کتابخانه میباشیم.