国外课栈 - 跨学科知识视角栈
介绍这是在处理实验物理实验室中获取的数据时使用 Python 完成一些常用任务的简短指南,包括数据导入/导出、绘制误差线、函数对数据的曲线拟合、测试这些拟合的优劣数据的函数(考虑到测量的不确定性),数据的插值、平滑和微分,计算量中“误差”的传播,以及数据的数值计算,包括单位和/或不确定性。还详细讨论了如何从 Numerical Python (numpy) 和 Scientific Pyth...
特点展示了如何将分析方法和数值方法无缝集成来解决物理问题内容介绍开始编程单位和测量一维运动一维力二维和三维运动二维和三维力受限运动力和约束运动工作能量动量、脉冲和碰撞多粒子系统旋转运动刚体的旋转刚体动力学阅读咨询
特点从基本的交互式 Python 开始,熟悉该语言详细讨论了所有程序清单介绍了 Matplotlib 图形,用于生成表示数据和函数图的图形,例如场线考虑了动画函数图。有一章专门讨论代数方程和超越方程的数值解,讨论了基本的数学原理,并介绍了可用的 Python 解法工具。另一章专门讨论常微分方程的数值解给出了在两个边界处具有边界条件的常微分方程数值解的方法用于解决两个量子力学问题的 Pytho...
特点学习实施数据科学技术,以了解营销活动成功和失败背后的驱动因素了解和预测客户行为,并制定更有针对性的个性化营销策略。执行从简单到高级的任务,从数据中提取隐藏的见解并使用它们做出明智的业务决策了解是什么推动了销售并增加了产品的客户参与度学习实施机器学习来预测哪些客户更有可能与产品互动并具有高生命周期价值展示如何使用机器学习技术来了解不同的客户群,并为每个客户推荐合适的产品。学习使用探索性分析...
特点使用 Python 和 R 的数据科学是为没有分析或编程经验的普通读者编写的提供使用 Python 和 R 解决数据科学问题的分步说明和演练涵盖的主题包括数据准备、探索性数据分析、准备数据建模、决策树、模型评估、错误分类成本、朴素贝叶斯分类、神经网络、聚类、回归建模、降维和关联规则挖掘。包括随机森林和一般线性模型等新主题内容数据分析介绍Python 和 R 基础知识数据准备探索性数据分析...
学习如何在 Python(一种免费的开源软件)中实现各种流行的数据挖掘算法,以解决业务问题和机遇。涵盖用于预测、分类、可视化、降维、推荐系统、聚类、文本挖掘和网络分析的统计和机器学习算法。内容数据挖掘介绍数据挖掘过程数据可视化降维评估预测性能多元线性回归k-最近邻 (kNN)朴素贝叶斯分类器分类和回归树逻辑回归神经网络判别分析组合方法:集成和隆起建模关联规则和协同过滤聚类分析处理时间序列基于...
学习如何在 R(一种免费和开源软件)中实现各种流行的数据挖掘算法,以解决业务问题和机遇。涵盖了用于预测、分类、可视化、降维、推荐系统、聚类、文本挖掘和网络分析的统计和机器学习算法。内容介绍数据挖掘概述数据可视化降维评估预测性能多元线性回归朴素贝叶斯分类器分类和回归树逻辑回归神经网络判别分析组合方法:集成和隆起建模关联规则和协同过滤聚类分析处理时间序列基于回归的预测平滑方法社交网络分析文本挖掘...
然而,当这些算法被实现时,没有足够的书籍以友好的方式处理理论和实验问题,因此本文呈现了一种新颖的结构,其中包括对最重要的元启发式优化算法的完整描述以及一种新的元启发式优化,称为地震优化。内容:优化的基本概念优化的软件基础基本启发式优化算法进化算法模因算法地质优化优化 Matlab 应用程序和 Labview 工具包方程式和正在进行的项目阅读咨询。
多角度使用 Scikit-Learn、Keras 和 TensorFlow机器学习通过使用具体示例、最小理论和两个可用于生产的 Python 框架(Scikit-Learn 和 TensorFlow),可帮助您直观地了解构建智能系统的概念和工具。 您将学习一系列技术,从简单的线性回归开始到深度神经网络。 每章中的练习可以帮助您应用所学,您只需要具备编程经验即可开始使用。探索机器学习领域,尤其...
基于流行的 FEniCS 软件库对 Python 中的有限元编程进行了简洁而温和的介绍。 使用一系列示例,包括泊松方程、线性弹性方程、不可压缩 Navier-Stokes 方程和非线性对流-扩散-反应方程组,它指导读者完成在 FEniCS 中快速求解偏微分方程的基本步骤, 例如如何定义有限变分问题,如何设置边界条件,如何求解线性和非线性系统,以及如何可视化解决方案和构建有限元 Python 程序。
将惯用的 Python 编程、基础数值方法和物理应用程序结合在一起。解释了物理学中所有常用的数值方法,包括有关线性代数、微分方程、求根、插值和积分等主题的基础技术。伴随数学推导的是 Python 中数十种数值方法的完整实现,以及 250 多个章末问题。主要是为学习计算物理学的学生编写的,在详细了解该主题中常用的数值方法之前,它可以让非专业人士快速掌握 Python。
介绍了编程工具和数值方法,目的是通过使用数值方法和 Python 编程语言开发良好的计算问题解决技巧 。第一部分介绍基本的编程概念,使用简单的示例快速将新概念付诸实践。 第二部分涵盖了算法和数值分析的基础知识,使学生能够在实际环境中快速应用结果。