در این مطلب، ویدئو SciPy – مجموعه ابزار علمی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:01,920
بسیار خوب در این سخنرانی ما در
2
00:00:01,920 –> 00:00:05,910
مورد آن صحبت
3
00:00:05,910 –> 00:00:08,730
4
00:00:08,730 –> 00:00:12,030
5
00:00:12,030 –> 00:00:14,820
6
00:00:14,820 –> 00:00:16,920
7
00:00:16,920 –> 00:00:19,199
خواهیم کرد. اگر به دنبال یک تابع خاص هستید، میگویند MATLAB
8
00:00:19,199 –> 00:00:21,420
وارد میشود و scifi بسیار نزدیک
9
00:00:21,420 –> 00:00:27,900
با numpy کار میکند، بنابراین اساساً علمی
10
00:00:27,900 –> 00:00:29,580
تخیلی در مجموعه کاملی از
11
00:00:29,580 –> 00:00:31,579
بستههای فرعی مختلف یا ماژولهای فرعی
12
00:00:31,579 –> 00:00:34,050
سازماندهی شده است که شما میدانید که توسط این
13
00:00:34,050 –> 00:00:37,290
حوزههای مختلف محاسبات علمی سازماندهی شدهاند.
14
00:00:37,290 –> 00:00:38,730
15
00:00:38,730 –> 00:00:41,340
یا عملکرد خاصی توصیه
16
00:00:41,340 –> 00:00:43,559
من این است که فقط آن را در گوگل جستجو کنید و به
17
00:00:43,559 –> 00:00:45,329
خاطر داشته باشید که اگر بتوانید آن را در متلب انجام دهید،
18
00:00:45,329 –> 00:00:49,739
تقریباً می توانید آن را حرکت دهید، به احتمال زیاد می توانید
19
00:00:49,739 –> 00:00:56,010
آن را در داخل pi نیز انجام دهید، زیرا به نظر
20
00:00:56,010 –> 00:00:57,840
من عملکردهای اضافی زیادی را می دانید
21
00:00:57,840 –> 00:00:59,070
زیرا شما قدرت
22
00:00:59,070 –> 00:01:03,719
کامل زبان پایتون را دارید، بنابراین در اینجا فقط
23
00:01:03,719 –> 00:01:05,670
تعدادی از ماژولهایی هستند که احتمالاً
24
00:01:05,670 –> 00:01:07,380
محبوبترین آنها هستند.
25
00:01:07,380 –> 00:01:11,189
26
00:01:11,189 –> 00:01:13,170
بسیاری از صفحات مستندات
27
00:01:13,170 –> 00:01:16,170
وجود دارد، بنابراین
28
00:01:16,170 –> 00:01:20,340
ماژول فرعی توابع ویژه
29
00:01:20,340 –> 00:01:22,530
جایی است که میتوانید پیدا کنید، مانند
30
00:01:22,530 –> 00:01:23,790
توابع Bessel و چندجملهای سرآشپز Chevy
31
00:01:23,790 –> 00:01:25,939
و چیزهایی مانند آن
32
00:01:25,939 –> 00:01:28,320
ادغام دقیقاً همان چیزی است که به نظر میرسد
33
00:01:28,320 –> 00:01:30,689
روالهای یکپارچهسازی شما برای دادهها
34
00:01:30,689 –> 00:01:34,110
و بهینهسازی توابع، بنابراین این
35
00:01:34,110 –> 00:01:36,119
شامل همه روالهای بهینهسازی غیرخطی
36
00:01:36,119 –> 00:01:38,340
37
00:01:38,340 –> 00:01:40,409
38
00:01:40,409 –> 00:01:42,479
39
00:01:42,479 –> 00:01:45,600
40
00:01:45,600 –> 00:01:48,390
41
00:01:48,390 –> 00:01:50,960
42
00:01:50,960 –> 00:01:53,430
شما میشود.
43
00:01:53,430 –> 00:01:57,030
فیلترهای خود را ببینید
44
00:01:57,030 –> 00:02:03,390
فیلترهای سرآشپز یا جبر خطی
45
00:02:03,390 –> 00:02:04,590
در اینجا جایی است که همه
46
00:02:04,590 –> 00:02:07,550
جبر خطی معمولی خود را
47
00:02:07,550 –> 00:02:12,800
بدون مقادیر ویژه پیدا خواهید کرد،
48
00:02:12,800 –> 00:02:14,480
اگر آرایههای پراکنده بسیار بزرگ
49
00:02:14,480 –> 00:02:15,830
دارید، میتوانید با استفاده از آنها برخی از عملکردها را
50
00:02:15,830 –> 00:02:19,700
افزایش دهید. ساختارهای داده پراکنده
51
00:02:19,700 –> 00:02:22,040
برای یافتن اینکه شما مقادیر هایگن را می دانید
52
00:02:22,040 –> 00:02:24,410
یا سیستم های خطی را حل می کنید از
53
00:02:24,410 –> 00:02:26,500
معادلات بسیار پراکنده، روتین های گرافیکی پراکنده نیز وجود دارد
54
00:02:26,500 –> 00:02:30,830
بسته آماری بزرگ
55
00:02:30,830 –> 00:02:33,250
با تعداد زیادی توزیع مختلف و
56
00:02:33,250 –> 00:02:35,420
احتمالا توابع چگالی و
57
00:02:35,420 –> 00:02:37,550
توابع توزیع تجمعی که
58
00:02:37,550 –> 00:02:41,390
بر روی شما تعریف شده است.
59
00:02:41,390 –> 00:02:44,570
60
00:02:44,570 –> 00:02:49,070
61
00:02:49,070 –> 00:02:51,580
و
62
00:02:51,580 –> 00:02:54,170
فرمتهای فایلهای داده در اینجا نیز مانند
63
00:02:54,170 –> 00:02:57,470
فرمت netcdf میباشند، ما چیزی
64
00:02:57,470 –> 00:02:59,060
را در پایتون تعبیه کردهایم که به شما امکان میدهد
65
00:02:59,060 –> 00:03:02,510
اساساً کد C++ را درونخط کنید، بنابراین میتوانید
66
00:03:02,510 –> 00:03:04,790
در واقع یک قطعه کوچک از کد C++ بنویسید
67
00:03:04,790 –> 00:03:08,410
و آن را با بافت بپیچید و
68
00:03:08,410 –> 00:03:11,150
این باعث میشود که آن را کامپایل کنید. fly و سپس
69
00:03:11,150 –> 00:03:13,340
و سپس اجرای مجموعههای تابعی که
70
00:03:13,340 –> 00:03:15,920
میتوانید آن را از پایتون فراخوانی کنید، ما در
71
00:03:15,920 –> 00:03:18,200
مورد روشهای کلیتری برای
72
00:03:18,200 –> 00:03:23,380
فراخوانی توابع C و C++ با استفاده از
73
00:03:23,410 –> 00:03:28,670
انواع C و سپس یک Swig یاد میگیریم، اما
74
00:03:28,670 –> 00:03:30,170
این یکی از راههایی است که ساخته شده است. مستقیماً وارد
75
00:03:30,170 –> 00:03:34,730
سایپان میشوید، بنابراین من فقط میخواهم
76
00:03:34,730 –> 00:03:37,970
چند مثال سریع را در اینجا مرور کنم،
77
00:03:37,970 –> 00:03:39,290
هیچ راهی وجود ندارد که بدانید ما میتوانیم یک نمونه کامل را آموزش دهیم.
78
00:03:39,290 –> 00:03:40,760
البته اگر
79
00:03:40,760 –> 00:03:42,590
میخواستیم شما بتوانید یک
80
00:03:42,590 –> 00:03:44,900
دوره کامل را در MATLAB تدریس کنید، میتوانید یک
81
00:03:44,900 –> 00:03:46,790
دوره کامل را در سایپان و همه
82
00:03:46,790 –> 00:03:49,640
عملکردهای مختلف آن تدریس کنید
83
00:03:49,640 –> 00:03:52,220
که واقعاً میدانید که به خوبی در
84
00:03:52,220 –> 00:03:54,170
کلاس تحلیل عددی که در
85
00:03:54,170 –> 00:03:56,030
حال ساختن هستید، جا میشود. بالا بروید
86
00:03:56,030 –> 00:03:58,640
و در مورد همه الگوریتمها صحبت کنید، اما
87
00:03:58,640 –> 00:04:00,950
برای اهداف ما فقط میخواستم
88
00:04:00,950 –> 00:04:02,330
چند مثال را به شما نشان دهم تا به شما نشان دهم
89
00:04:02,330 –> 00:04:05,570
چگونه میتوانید واقعاً با برخی از این کتابخانهها تماس بگیرید یا از آنها استفاده کنید
90
00:04:05,570 –> 00:04:07,730
و اساساً میتوانید
91
00:04:07,730 –> 00:04:09,050
آن الگو را برای هر
92
00:04:09,050 –> 00:04:12,260
چیز دیگری دنبال کنید. میدانید اگر
93
00:04:12,260 –> 00:04:14,000
میخواهید این تابع را فقط یک تابع ساده واقعی ادغام کنید
94
00:04:14,000 –> 00:04:15,620
که البته میتوانیم ابتدا آن را به
95
00:04:15,620 –> 00:04:16,339
96
00:04:16,339 –> 00:04:19,070
صورت تحلیلی ادغام کنیم، سپس کدی
97
00:04:19,070 –> 00:04:20,810
که برای ادغام آن استفاده میکنیم به
98
00:04:20,810 –> 00:04:22,970
سرعت وجود دارد، شاید
99
00:04:22,970 –> 00:04:24,650
چیزی در اینجا وجود داشته باشد که ندیدهاید و با
100
00:04:24,650 –> 00:04:26,450
آن آشنا نیستید و این
101
00:04:26,450 –> 00:04:28,970
تابع لامبدا است، بنابراین در متلب شما
102
00:04:28,970 –> 00:04:30,860
این تابع را یک تابع ناشناس می نامید، من فکر می کنم
103
00:04:30,860 –> 00:04:33,080
به عنوان یک
104
00:04:33,080 –> 00:04:35,660
تابع لامبدا در زبان های دیگر عمومی تر است، اما
105
00:04:35,660 –> 00:04:38,450
اساسا این به شما این امکان را می دهد که در یک
106
00:04:38,450 –> 00:04:40,400
نوع نماد کوتاه، توابعی را
107
00:04:40,400 –> 00:04:42,500
در حال ایجاد کنید، من یک مثال سریع از آن به شما می زنم
108
00:04:42,500 –> 00:04:46,580
، بنابراین اگر پایتون را راه اندازی کنیم، می دانید
109
00:04:46,580 –> 00:04:48,200
که روش معمولی برای تعریف یک
110
00:04:48,200 –> 00:04:51,020
توابع استفاده از این تعریف است، بنابراین می گوییم def.
111
00:04:51,020 –> 00:04:59,780
f از X میگوییم اگر میخواهیم f از X
112
00:04:59,780 –> 00:05:02,720
فقط مانند مثلاً x مربع باشد خوب،
113
00:05:02,720 –> 00:05:06,080
بنابراین F 2 را میخوانیم که
114
00:05:06,080 –> 00:05:08,810
مربع به آن میشود و آن را خوب برمیگردانیم، زیرا
115
00:05:08,810 –> 00:05:10,640
اگر F 3 را جذر 3 صدا کنیم و
116
00:05:10,640 –> 00:05:13,010
آن را 9 برگردانیم. البته خوب است، بنابراین ما می
117
00:05:13,010 –> 00:05:15,380
توانیم اساساً فقط از یک
118
00:05:15,380 –> 00:05:18,470
تابع لامبدا برای انجام این کار به صورت خلاصه استفاده کنیم، بنابراین
119
00:05:18,470 –> 00:05:25,040
می توانیم F lambda X x مربع را نیز بگوییم و
120
00:05:25,040 –> 00:05:27,410
سپس این همان نتایج را برمی گرداند،
121
00:05:27,410 –> 00:05:29,660
بنابراین فقط یک روش کوتاه برای
122
00:05:29,660 –> 00:05:32,810
تعریف توابع است، خوب است. چون
123
00:05:32,810 –> 00:05:35,690
توابع تک خطی کوچکی را دوباره در
124
00:05:35,690 –> 00:05:37,220
متلب میدانی، فکر میکنم این
125
00:05:37,220 –> 00:05:42,680
توابع ناشناس را صدا میزنیم، بنابراین از تابع لامبدا
126
00:05:42,680 –> 00:05:46,280
برای تعریف x مربع استفاده میکنیم و سپس
127
00:05:46,280 –> 00:05:49,880
این ادغام علمی را برای
128
00:05:49,880 –> 00:05:51,740
ربعهای ربع، کلمه دیگری برای
129
00:05:51,740 –> 00:05:55,490
ادغام صدا میزنیم تا برگردد. یک
130
00:05:55,490 –> 00:05:58,280
پاسخ و همچنین یک خطا r تخمین زده می شود و
131
00:05:58,280 –> 00:06:02,180
بنابراین اگر
132
00:06:02,180 –> 00:06:05,539
یک نتیجه عالی داشتیم که از 0 تا 4 آن را داشتیم، به
133
00:06:05,539 –> 00:06:08,470
وضوح می دانید که مقدار
134
00:06:11,690 –> 00:06:14,760
135
00:06:14,760 –> 00:06:18,600
کمی خطا در آن وجود دارد، بنابراین
136
00:06:18,600 –> 00:06:20,430
برای هر کدام که می دانید انتگرال های دوگانه سه گانه را ادغام می کنید، چهار چهارگانه وجود دارد.
137
00:06:20,430 –> 00:06:22,470
چهار مورد برای
138
00:06:22,470 –> 00:06:24,720
ادغام انتگرال های سه گانه و سپس
139
00:06:24,720 –> 00:06:26,610
برخی چیزهای دیگر مانند ذوزنقه
140
00:06:26,610 –> 00:06:29,870
و قانون سیمپسون برای یکپارچه سازی داده ها
141
00:06:29,870 –> 00:06:32,970
شما را تشویق می کند به این موضوع نگاه کنید که ممکن
142
00:06:32,970 –> 00:06:35,340
است سخت به نظر برسد که باید بدانید این
143
00:06:35,340 –> 00:06:37,950
ادغام علمی تخیلی وارداتی را انجام دهید و سپس و
144
00:06:37,950 –> 00:06:39,690
سپس آن را اینجا صدا کنید راه هایی وجود دارد. برای
145
00:06:39,690 –> 00:06:41,700
کوتاه کردن آن علامت گذاری، اما دلایل بسیار
146
00:06:41,700 –> 00:06:44,100
خوبی برای استفاده از این فضاهای نام وجود دارد
147
00:06:44,100 –> 00:06:46,980
و همانطور که با
148
00:06:46,980 –> 00:06:48,750
برنامه نویسی شی گرا یا
149
00:06:48,750 –> 00:06:52,230
برنامه نویسی در پایتون بیشتر آشنا می شوید، متوجه خواهید شد
150
00:06:52,230 –> 00:06:54,150
که چرا چنین است و این یعنی اینکه
151
00:06:54,150 –> 00:06:56,700
این تابع را می دانید. quad را
152
00:06:56,700 –> 00:06:59,610
می توان در فضای نام های متعدد تعریف کرد
153
00:06:59,610 –> 00:07:02,310
و بسته به داده ها به روش های مختلف عمل کرد
154
00:07:02,310 –> 00:07:05,760
، بنابراین فعلاً آن را رها می کنم،
155
00:07:05,760 –> 00:07:08,130
اما دلیل خوبی
156
00:07:08,130 –> 00:07:12,900
برای doi وجود دارد. در اینجا چند
157
00:07:12,900 –> 00:07:14,550
نمونه از بسته جبر خطی آورده شده است،
158
00:07:14,550 –> 00:07:18,210
بنابراین ا