文件名称:matlab如何敲代码-python-numpy-mini-course:适用于高性能数值处理的Python/Numpy
文件大小:14.31MB
文件格式:ZIP
更新时间:2024-06-12 02:47:58
系统开源
matlab如何敲代码适用于高性能数值处理的Python / Numpy 用于2018年11月15日举行的笔记本和幻灯片。 抽象的 Python是众所周知的慢速语言,为什么它被科学家和机器学习专家广泛使用? 在繁重的数字任务中,一种解释后的动态类型化环境可能比经过编译的静态类型化环境慢数千倍,这可能会导致分钟和天之间的差异或小型数据集上的粗略模型与大型数据集上的细粒度模型之间的差异。 。 诀窍是从解释的命令行(如R)驱动已编译的函数,并在数组编程原语(如Matlab)中解决问题,但要使用具有成千上万个扩展的通用编程语言,以将其粘贴到每个可能的接口上。 在本研讨会中,我们将研究围绕Python成长的数值处理生态系统。 这个生态系统中的关键库是Numpy(可实现快速数组编程)和Pandas(可用于组织数据的便捷包装器)。 我们将可视化来自JupyterLab的数据,该数据是用于进行探索性分析的笔记本前端。 我们还将通过绑定示例进行工作使用pybind11和从C ++到Python 从Python到带有Cython的C ++,它们具有不同的优势和用例。 我们还将使用Numba本地编译Pyth
【文件预览】:
python-numpy-mini-course-master
----.gitignore(1KB)
----6-compilers.ipynb(25KB)
----4-pandas.ipynb(28KB)
----8-low-level.ipynb(17KB)
----2-just-numpy.ipynb(58KB)
----data()
--------newark-temperature-avg.txt(160KB)
--------nasa-exoplanets.csv(3.5MB)
--------newark-days-ago.txt(276KB)
--------newark-temperature-max.txt(123KB)
--------newark-temperature.csv(3.38MB)
--------nasa-exoplanets-details.txt(7KB)
--------newark-temperature-min.txt(123KB)
----tex()
--------shells-2.png(172KB)
--------princeton-logo.png(11KB)
--------lsst-notebook.png(235KB)
--------shells-3.png(303KB)
--------python-r-cpp-googletrends-machinelearning.png(50KB)
--------numpy-logo.png(25KB)
--------tensorflow-logo.png(18KB)
--------shells-4.png(425KB)
--------hurdle9.jpg(147KB)
--------pandas-logo.png(11KB)
--------cesium-logo.png(14KB)
--------python-r-cpp-googletrends-data.png(57KB)
--------caffe2-logo.png(17KB)
--------pyminuit.png(140KB)
--------pypl-popularity.png(85KB)
--------1-intro.tex(12KB)
--------mentions-of-programming-languages.png(305KB)
--------princeton-logo-long.png(26KB)
--------xgboost-logo.png(22KB)
--------shells-5.png(546KB)
--------cntk-logo.png(3KB)
--------onnx-logo.png(25KB)
--------3-ecosystem.tex(9KB)
--------commute-by-plane.png(274KB)
--------keras-logo.png(12KB)
--------chainer-logo.png(13KB)
--------python-r-cpp-googletrends-dataset.png(64KB)
--------cupy.png(63KB)
--------princeton-logo-long.svg(63KB)
--------root-spark-pandas-google-trends.png(32KB)
--------shells-1.png(77KB)
--------gluon-logo.png(37KB)
--------lasagne-logo.png(9KB)
--------python-r-cpp-googletrends-datascience.png(52KB)
--------quantstack.png(93KB)
--------pytorch-logo.png(17KB)
--------princeton-logo.svg(39KB)
--------unreasonable-effectiveness.png(38KB)
--------tshirt.jpg(22KB)
--------thesis-code-flow.pdf(65KB)
--------apl-timeline.pdf(14KB)
--------sklearn-logo.png(25KB)
----LICENSE(1KB)
----7-gpu.ipynb(14KB)
----README.md(4KB)
----1-intro.pdf(3.49MB)
----notes.md(336B)
----5-dask.ipynb(18KB)
----3-ecosystem.pdf(858KB)
----img()
--------png-spec-scanline.png(23KB)
--------plan-for-the-day.svg(38KB)
--------vectorization-example.png(31KB)
--------png-spec-chunks.png(3KB)
--------vectorization-example.svg(23KB)
--------plan-for-the-day.png(160KB)
--------clock-rate.jpg(1.55MB)
--------cards-chance-deck-19060.jpg(3.9MB)