包括 使用稀疏矩阵的基于消息传递（信念传播）的最小和 （MSA） 和总和积 （SPA） 算法 (scipy.sparse) 基于使用线性规划解码二进制线性码的最大似流 （ML） 和线性规划 （LP） 解码器（仅适用于短长度代码，如 Hamming（7，4）） 基于分解法的ADMM解码器，用于大规模LP解码 用于二进制擦除 （BEC）、二进制对称 （BSC） 和二进制 AWGN （biawgn） 通道。 依赖 在以下 Python/包版本上进行了测试： Python version 3.5.2 numpy version 1.12.0 scipy version 0.18.1 探索预先计算的结果 在代码、输出和绘图中查看所有预计算结果。这些包括不同的代码，模拟结果和绘图。 从头开始 首次克隆存储库时，通过执行来初始化子模块（这是另一个 git 存储库），如此堆栈溢出问题中所述。src/utilitiesgit submodule update --init --recursive 生成数据 默认情况下写入的模拟输出。~/scratch/decoders 使用以下或等效

对目前主流的机器学习算法进行公式推导、问题分析以及代码实现（主要基于numpy），持续更新（下面链接如果加载不出来，对应内容可在notebooks文件夹下找到）： 01_线性模型_线性回归 01_线性模型_线性回归_正则化(Lasso,Ridge,ElasticNet) 02_线性模型_逻辑回归 03_二分类转多分类的一般实现 04_线性模型_感知机 05_线性模型_最大熵模型 06_优化_拟牛顿法实现(DFP,BFGS) 07_01_svm_硬间隔支持向量机与SMO 07_02_svm_软间隔支持向量机 07_03_svm_核函数与非线性支持向量机 08_代价敏感学习_添加sample_weight支持 09_01_决策树_ID3与C4.5 09_02_决策树_CART 10_01_集成学习_简介 10_02_集成学习_boosting_adaboost_classifier 10_03_集成学习_boosting_adaboost_regressor 10_04_集成学习_boosting_提升树 10_05_集成学习_boosting_gbm_

官网下载特别慢，下载了几个多小时才下载完。适用于python 3.5.4，欢迎各位下载使用。

MYDBSCAN：基于密度的聚类DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法的底层实现 MYAP：基于划分的聚类AP（Affinity Propagation Clustering Algorithm ）算法的底层实现--近邻传播聚类算法 Adaptive-DBSCAN：自适应的基于密度的空间聚类（Adaptive Density-Based Spatial Clustering of Applications with Noise）算法的底层实现 MYOPTICS：基于密度的聚类OPTICS（Ordering points to identify the clustering structure）算法的底层实现 MYKMeans：基于划分的聚类KMeans算法的底层实现 MYCFSFDP：基于划分和密度的聚类CFSFDP（Clustering by fast search and find of density peaks）算法的底层实现

这是适用于python35的numpy+mkl包，单独先装numpy容易导致后期安装不上mkl，建议一起安装

numpy官方用户手册150页，适合做numpy快速入门，numpyapi手册可以作为参考工具书

由官网没有64位工具包，楼主耗时两天配置python64位下numpy、matplotlib、scipy、dateutil、pyparsing的安装，附带安装包和操作指南。实现傻瓜式安装

NumPy是使用Python进行科学计算的基础软件包。除了明显的科学用途外，NumPy还可以用作通用数据的高效多维容器。可以定义任意数据类型。这使NumPy能够无缝快速地与各种数据库集成。

绘制散点图 假设通过爬虫你获取到了北京2016年3,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间(天)变化的某种规律? a = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23] b = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6] 数据来源: http://lishi.tianqi.com/beijing/index.html

Python, a multi-paradigm programming language, has become the language of choice for data scientists for visualization, data analysis, and machine learning. Hands-On Data Analysis with NumPy and Pandas starts by guiding you in setting up the right environment for data analysis with Python, along with helping you install the correct Python distribution. In addition to this, you will work with the Jupyter notebook and set up a database. Once you have covered Jupyter, you will dig deep into Python’s NumPy package, a powerful extension with advanced mathematical functions. You will then move on to creating NumPy arrays and employing different array methods and functions. You will explore Python’s pandas extension which will help you get to grips with data mining and learn to subset your data. Last but not the least you will grasp how to manage your datasets by sorting and ranking them. By the end of this book, you will have learned to index and group your data for sophisticated data analysis and manipulation. What You Will Learn • Understand how to install and manage Anaconda • Read, sort, and map data using NumPy and pandas • Find out how to create and slice data arrays using NumPy • Discover how to subset your DataFrames using pandas • Handle missing data in a pandas DataFrame • Explore hierarchical indexing and plotting with pandas