دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Robert Johansson
سری:
ISBN (شابک) : 9781484205549
ناشر: Apress
سال نشر: 2015
تعداد صفحات: 503
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 مگابایت
در صورت تبدیل فایل کتاب Numerical Python: A Practical Techniques Approach for Industry به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پایتون عددی: رویکرد تکنیک های عملی برای صنعت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
از ماژولهای عددی و ریاضی در پایتون و کتابخانه استاندارد آن و همچنین بستههای عددی منبع باز محبوب پایتون مانند NumPy، SciPy، SymPy، Matplotlib، Pandas و موارد دیگر برای محاسبه عددی راهحلها و مدلسازی ریاضی برنامهها در تعدادی از حوزهها مانند دادههای بزرگ استفاده کنید. ، رایانش ابری، مهندسی مالی، مدیریت کسب و کار و موارد دیگر. پس از مطالعه و استفاده از Python عددی، نمونهها و مطالعات موردی را از بسیاری از حوزههای محاسباتی مشاهده کردهاید و با تکنیکهای محاسباتی پایه مانند محاسبات مبتنی بر آرایه و محاسبات نمادین، مهارتهای عملی همه جانبه مانند تصویرسازی و فایل عددی I/ آشنا خواهید شد. O، روش های محاسباتی عمومی مانند حل معادلات، بهینه سازی، درون یابی و ادغام، و مسائل محاسباتی خاص حوزه، مانند حل معادلات دیفرانسیل، تجزیه و تحلیل داده ها، مدل سازی آماری و یادگیری ماشین.
Leverage the numerical and mathematical modules in Python and its Standard Library as well as popular open source numerical Python packages like NumPy, SciPy, SymPy, Matplotlib, Pandas, and more to numerically compute solutions and mathematically model applications in a number of areas like big data, cloud computing, financial engineering, business management and more. After reading and using Numerical Python, you will have seen examples and case studies from many areas of computing, and gained familiarity with basic computing techniques such as array-based and symbolic computing, all-around practical skills such as visualisation and numerical file I/O, general computational methods such as equation solving, optimization, interpolation and integration, and domain-specific computational problems, such as differential equation solving, data analysis, statistical modeling and machine learning.
Front Matter....Pages i-xxii
Introduction to Computing with Python....Pages 1-24
Vectors, Matrices, and Multidimensional Arrays....Pages 25-62
Symbolic Computing....Pages 63-88
Plotting and Visualization....Pages 89-123
Equation Solving....Pages 125-145
Optimization....Pages 147-168
Interpolation....Pages 169-186
Integration....Pages 187-206
Ordinary Differential Equations....Pages 207-234
Sparse Matrices and Graphs....Pages 235-254
Partial Differential Equations....Pages 255-284
Data Processing and Analysis....Pages 285-311
Statistics....Pages 313-332
Statistical Modeling....Pages 333-362
Machine Learning....Pages 363-382
Bayesian Statistics....Pages 383-404
Signal Processing....Pages 405-424
Data Input and Output....Pages 425-451
Code Optimization....Pages 453-470
Installation....Pages 471-479
Back Matter....Pages 481-487