利用Python及其标准库中的数值和数学模块,以及流行的开源数值Python包,如NumPy、SciPy、FiPy、matplotlib等。这个完全修订的版本,更新了每个包的最新细节和更改Jupyter项目,演示了如何在大数据,云计算,金融工程,商业管理和更多的数字计算解决方案和数学模型应用。

Numerical Python,第二版,提供了许多使用Python在数据科学和统计中应用的全新案例研究示例,以及对以前的许多示例的扩展。由于Python的语法简单而高级,以及数据分析的多种选项,因此它们都展示了Python在快速开发和探索性计算方面的强大功能。

阅读本书后,读者将熟悉许多计算技术,包括基于数组和符号计算,可视化和数字文件I/O,方程求解,优化,插值和积分,以及领域特定的计算问题,如微分方程求解,数据分析,统计建模和机器学习。

科学和数值计算是研究、工程和分析领域的一个蓬勃发展的领域。在过去的几十年里,计算机行业的革命为计算机从业者提供了新的和强大的工具。这使得前所未有的规模和复杂性的计算工作成为可能。结果,整个领域和行业如雨后春笋般涌现出来。这种发展仍在继续,随着硬件、软件和算法的不断改进,它正在创造新的机会。最终,实现这一运动的技术是近几十年来发展起来的强大的计算硬件。然而,对于计算从业者来说,用于计算工作的软件环境与执行计算的硬件同等重要(如果不是更重要的话)。这本书是关于一个流行的快速增长的数值计算环境:Python编程语言及其用于计算工作的库和扩展的充满活力的生态系统。

计算是一项跨学科的活动,需要理论和实践学科的经验和专业知识:对数学和科学思维的牢固理解是有效计算工作的基本要求。同样重要的是在计算机编程和计算机科学方面的扎实训练。这本书的作用是通过介绍如何使用Python编程语言和围绕该语言出现的计算环境来完成科学计算,从而将这两个主题连接起来。在这本书中,假定读者先前有一些数学和数值方法的训练,以及Python编程的基本知识。这本书的重点是介绍用Python解决计算问题的实用方法。简要介绍的理论涵盖的主题给出在每一章,以介绍符号和提醒读者的基本方法和算法。然而,这本书并不是对数值方法的自洽处理。为了帮助读者以前不熟悉这本书的一些主题,进一步阅读的参考文献在每一章的结尾。同样,没有Python编程经验的读者可能会发现,将这本书和一本专注于Python编程语言本身的书一起阅读会很有用

https://www.programmer-books.com/wp-content/uploads/2019/02/Numerical-Python-2nd-Edition.pdf

成为VIP会员查看完整内容
0
36

相关内容

掌握使用PyTorch实现深度学习解决方案的实践方面,使用实践方法理解理论和实践。Facebook的人工智能研究小组开发了一个名为PyTorch的平台,该平台拥有良好的理论基础和实用技能,为你在现实世界中应用深度学习做好了准备。

首先,您将了解PyTorch的深度学习是如何以及为什么成为一种具有开创性的框架,它带有一组工具和技术来解决现实世界中的问题。接下来,这本书将为你打下线性代数、向量微积分、概率和最优化的数学基础。在建立了这个基础之后,您将继续讨论PyTorch的关键组件和功能,包括层、损失函数和优化算法。

您还将了解基于图形处理单元(GPU)的计算,这对训练深度学习模型是必不可少的。介绍了深度学习的前馈网络、卷积神经网络、循环神经网络、长短时记忆网络、自动编码器网络和生成对抗网络等关键网络结构。在许多训练和优化深度学习模型的技巧的支持下,这个版本的Python深度学习解释了使用PyTorch将这些模型带到生产中的最佳实践。

你会: 回顾机器学习的基本原理,如过拟合、欠拟合和正则化。 了解深度学习的基本原理,如前馈网络,卷积神经网络,递归神经网络,自动微分和随机梯度下降。 使用PyTorch深入应用线性代数 探索PyTorch的基本原理及其构建块 使用调优和优化模型

成为VIP会员查看完整内容
0
82

有很多介绍抽象代数概念。然而,对于那些在工程、计算机科学、物理科学、工业或金融领域需要数学背景的人来说,没有哪一个比本书《代数:计算导论》更适合。作者用一种独特的方法和演示,演示了如何使用软件作为解决代数问题的工具。

多种因素使这篇文章与众不同。它清晰的阐述,每一章都建立在前一章的基础上,为读者提供了更清晰的理解。首先介绍置换群,然后是线性群,最后是抽象群。他通过引入伽罗瓦群作为对称群来谨慎地推动伽罗瓦理论。他包括了许多计算,既作为例子,也作为练习。所有这些都是为了帮助读者更好地理解更抽象的概念。

https://www.routledge.com/Algebra-A-Computational-Introduction/Scherk/p/book/9781584880646

通过仔细集成使用的Mathematica®在整个书中的例子和练习,作者帮助读者发展一个更深的理解和欣赏材料。从互联网上下载的大量练习和示例有助于建立有价值的Mathematica工作知识,并为在该领域遇到的复杂问题提供了很好的参考。

成为VIP会员查看完整内容
0
31

这本书是为任何想学习如何开发机器学习系统的人准备的。我们将从理论和实践两方面涵盖关于机器学习算法的最重要概念,并将使用Python编程语言中的Scikit-learn库实现许多机器学习算法。在第一章中,您将学习机器学习最重要的概念,在下一章中,您将主要学习分类。在最后一章中,你将学习如何训练你的模型。我假定你已经了解了编程的基础知识。

成为VIP会员查看完整内容
0
80

学习使用Python分析数据和预测结果的更简单和更有效的方法

Python机器学习教程展示了通过关注两个核心机器学习算法家族来成功分析数据,本书能够提供工作机制的完整描述,以及使用特定的、可破解的代码来说明机制的示例。算法用简单的术语解释,没有复杂的数学,并使用Python应用,指导算法选择,数据准备,并在实践中使用训练过的模型。您将学习一套核心的Python编程技术,各种构建预测模型的方法,以及如何测量每个模型的性能,以确保使用正确的模型。关于线性回归和集成方法的章节深入研究了每种算法,你可以使用书中的示例代码来开发你自己的数据分析解决方案。

机器学习算法是数据分析和可视化的核心。在过去,这些方法需要深厚的数学和统计学背景,通常需要结合专门的R编程语言。这本书演示了机器学习可以如何实现使用更广泛的使用和可访问的Python编程语言。

使用线性和集成算法族预测结果

建立可以解决一系列简单和复杂问题的预测模型

使用Python应用核心机器学习算法

直接使用示例代码构建自定义解决方案

机器学习不需要复杂和高度专业化。Python使用了更简单、有效和经过良好测试的方法,使这项技术更容易为更广泛的受众所接受。Python中的机器学习将向您展示如何做到这一点,而不需要广泛的数学或统计背景。

成为VIP会员查看完整内容
0
93

最后,一本关于创造性编程的书,直接写给艺术家和设计师!这本书的目标读者是那些在设计、艺术和教育的交叉领域工作的创造性人才,而不是遵循计算机科学课程。

这本书你将学习如何将计算应用到创造性的过程中,遵循四个步骤,通过这个步骤,你将进入编码和艺术的横截面,重点放在实际的例子和相关的工作结构上。您将跟随计算艺术的一个真实的用例,并看到它如何与四个关键支柱联系起来,并解决创造性过程中的潜在陷阱和挑战。所有的代码示例都是在一个完全集成的处理示例库中提供的,这使得读者很容易上手。

这种在技能习得和创造性过程和开发之间的独特和微妙的平衡方法使《编码艺术》成为了一本实用的参考书,无论是对于创造性编程还是对于教授和学生的创造性过程。

你将学习

  • 回顾从创意编程到不同专业领域的想法和方法
  • 使用像处理语言这样的计算工具
  • 了解从静态元素到动画再到交互所需的技能
  • 使用互动作为输入,使创意概念更接近完善和深度
  • 简化和扩展数据结构的美感、韵律和流畅性的设计
  • 利用网页或手机应用等其他平台上的艺术代码多样性
  • 通过真实世界的用例了解计算艺术的端到端过程
  • 学习创意过程中的最佳实践、常见陷阱和挑战

这本书是给谁的

  • 希望看到计算和数据可以为他们的创造性表达做些什么;希望从不同角度将计算和数据整合到实践中的学习者;以及那些已经知道如何编程,在计算和数据的环境中寻找创造力和灵感的人。

成为VIP会员查看完整内容
0
35

获得金融、医疗保健和零售领域的机器学习实用技能。这本书通过提供这些领域的案例研究,使用了动手的方法:你将看到如何使用机器学习作为商业增强工具的例子。作为一名领域专家,您不仅会发现机器学习在金融、医疗保健和零售领域是如何应用的,而且还会通过实施机器学习的实际案例研究进行工作。

使用Python的机器学习应用程序分为三个部分,分别针对每个领域(医疗保健、金融和零售)。每一节都以机器学习和该领域的关键技术进展的概述开始。然后,您将通过案例研究了解更多关于组织如何改变其所选择市场的游戏规则。这本书有实际的案例研究与Python代码和领域特定的创新想法赚钱的机器学习。

你会学到什么

  • 发现应用的机器学习过程和原理
  • 在医疗保健、金融和零售领域实现机器学习
  • 避免应用机器学习的陷阱
  • 在三个主题领域构建Python机器学习示例

这本书是给谁的

  • 数据科学家和机器学习专家。
成为VIP会员查看完整内容
0
74

如果您是用Python编程的新手,并且正在寻找可靠的介绍,那么这本书就是为您准备的。由计算机科学教师开发,在“为绝对初学者”系列丛书通过简单的游戏创造教授编程的原则。您将获得实际的Python编程应用程序所需的技能,并将了解如何在真实场景中使用这些技能。在整个章节中,你会发现一些代码示例来说明所提出的概念。在每一章的结尾,你会发现一个完整的游戏,展示了这一章的关键思想,一章的总结,以及一系列的挑战来测试你的新知识。当你读完这本书的时候,你将非常精通Python,并且能够将你所学到的基本编程原理应用到你要处理的下一种编程语言。

成为VIP会员查看完整内容
0
106

本书涵盖了这些领域中使用Python模块演示的概率、统计和机器学习的关键思想。整本书包括所有的图形和数值结果,都可以使用Python代码及其相关的Jupyter/IPython Notebooks。作者通过使用多种分析方法和Python代码的有意义的示例,开发了机器学习中的关键直觉,从而将理论概念与具体实现联系起来。现代Python模块(如panda、y和Scikit-learn)用于模拟和可视化重要的机器学习概念,如偏差/方差权衡、交叉验证和正则化。许多抽象的数学思想,如概率论中的收敛性,都得到了发展,并用数值例子加以说明。本书适合任何具有概率、统计或机器学习的本科生,以及具有Python编程的基本知识的人。

成为VIP会员查看完整内容
0
122

本书介绍了自由软件Python及其在统计数据分析中的应用。它涵盖了连续、离散和分类数据的常见统计测试,以及线性回归分析和生存分析和贝叶斯统计的主题。每个测试的Python解决方案的工作代码和数据,以及易于遵循的Python示例,可以被读者复制,并加强他们对主题的直接理解。随着Python生态系统的最新进展,Python已经成为科学计算的一种流行语言,为统计数据分析提供了一个强大的环境,并且是R的一个有趣的替代选择。本书面向硕士和博士学生,主要来自生命和医学科学,具有统计学的基本知识。由于该书还提供了一些统计方面的背景知识,因此任何想要执行统计数据分析的人都可以使用这本书。

成为VIP会员查看完整内容
0
64

使用C编程语言学习应用数值计算,从快速入门的C编程语言及其SDK开始。然后,这本书深入到使用C的计算方法的渐进更复杂的应用数学公式的例子贯穿始终,并在最后一个更大的,更完整的应用。

Numerical C以二次公式开始,用于寻找代数方程的解,这些代数方程模拟诸如价格与需求、上涨与运行或下滑等情况。在本书后面,你将学习联立方程的增广矩阵法。

您还将介绍蒙特卡罗方法模型对象,这些对象可以作为真实系统建模的一部分自然产生,例如复杂的道路网络、中子的传输或股票市场的演化。此外,蒙特卡罗方法的集成检查曲线下的面积,包括渲染或射线跟踪和一个地区的阴影。

此外,您将使用积差相关系数:相关是一种用于研究两个定量连续变量(例如年龄和血压)之间关系的技术。在这本书的最后,你会有一个感觉,什么电脑软件可以做,以帮助你在你的工作和应用一些方法直接学习到你的工作。

你会学到什么

  • 获得软件和C语言编程基础
  • 编写软件解决应用,计算数学问题
  • 创建程序来解决方程和微积分问题
  • 采用梯形法、蒙特卡罗法、最佳拟合线、积差相关系数、辛普森法则和矩阵解法
  • 写代码来解微分方程
  • 将一个或多个方法应用到应用案例研究中

这本书是给谁看的

具有基本数学知识(学校水平)和一些基本编程经验的人。这对于那些可能在数学或其他领域(例如,生命科学、工程或经济学)工作并需要学习C编程的人来说也很重要。

成为VIP会员查看完整内容
0
40
小贴士
相关VIP内容
专知会员服务
82+阅读 · 5月21日
专知会员服务
31+阅读 · 5月11日
专知会员服务
93+阅读 · 2月25日
专知会员服务
35+阅读 · 1月10日
专知会员服务
74+阅读 · 1月1日
专知会员服务
106+阅读 · 2020年8月14日
专知会员服务
122+阅读 · 2020年6月3日
【干货书】数值计算C编程,319页pdf,Numerical C
专知会员服务
40+阅读 · 2020年4月7日
相关论文
Risheng Liu,Xuan Liu,Xiaoming Yuan,Shangzhi Zeng,Jin Zhang
0+阅读 · 6月15日
Numerical methods for the mass-conserved Ohta-Kawasaki equation
Juan Zhang,Shifeng Li,Kai Jiang
0+阅读 · 6月14日
Esmail Abdul Fattah,Janet Van Niekerk,Haavard Rue
0+阅读 · 6月14日
Osman Asif Malik,Stephen Becker
0+阅读 · 6月12日
Nhat Ho,Stephen G. Walker
0+阅读 · 6月11日
Luca Courte,Marius Zeinhofer
0+阅读 · 6月11日
Magda Amiridi,Nikos Kargas,Nicholas D. Sidiropoulos
0+阅读 · 6月5日
Anji Liu,Guy Van den Broeck
0+阅读 · 6月4日
Financial Time Series Representation Learning
Philippe Chatigny,Jean-Marc Patenaude,Shengrui Wang
10+阅读 · 2020年3月27日
Manifold Approximation by Moving Least-Squares Projection (MMLS)
Barak Sober,David Levin
3+阅读 · 2019年3月7日
Top