使用Jupyter Notebook通过计算教物理 以下教程将帮助您学习markdown和Python的各个方面，以便您和您的学生可以将Jupyter用作物理教育和研究的工具。 Jupyter Notebook（以前称为iPython Notebook）是一个Web应用程序（前端），用于创建和共享包含实时代码，可视化效果以及标记的文本和公式的文档。 老师可以编写教程，学生可以编写专业的交互式报告。 Jupyter Notebook适用于学生，可扩展至专业人士，是教授计算建模，数据可视化，协作计算和报告的理想选择。 Jupyter允许教师和学生编写数据驱动和代码驱动的叙述。 这句话的关键词是“叙事”。 如果您正在寻找IDE，那么有许多比Jupyter更好的高质量开发环境。 Jupyter的好处是集成了数据，代码和叙述。 这些教程是在的研讨会开始的。 在2017年夏季的AAPT会议上，对

医疗分析

MP 用于自组织地图（SOM）的Python库 SOM的结构尽可能类似于Matlab中的somtoolbox 。 它具有以下功能： 仅批量培训，这比在线培训要快。 它具有类似于sklearn格式的并行处理选项，并且可以加快训练过程，但它取决于数据大小以及主要取决于SOM网格的大小。我无法管理内存问题，因此，我建议在以下位置进行单核处理此时此刻。 但是，尽管如此，对于所有重要的矩阵计算（例如scipy稀疏矩阵和用于计算欧几里得距离的numexpr ，算法的实现还是精心完成的。 使用sklearn或随机初始化进行PCA（或RandomPCA（默认））初始化。 组件平面可视化（不同模式）。 匹配图。 U-Matrix可视化。 一维或二维SOM，仅具有矩形平面网格。 （当我使用somtoolbox在Matlab中进行检查时，与六角形相比效果很好）。 函数逼近和预测的不同方法（主要使

使用Gudhi库进行拓扑数据分析的教程 拓扑数据分析（TDA）是一个新兴且发展Swift的领域，它提供了一组新的拓扑和几何工具来推断可能复杂数据的相关特征。 在这里，我们使用Python Gudhi库以及流行的机器学习库和数据科学库为TDA的实践提出了一套笔记本。 例如，请参阅了解有关数据科学的TDA的介绍。 笔记本的完整列表也可以在此页的末尾找到。 安装Python Gudhi库 请参阅或者如果您有conda，则可以进行。 TDA分析管道 01-单纯形树和简单组合 TDA通常旨在从网络中的点云中提取拓扑特征。 或在一般指标空间中。 通过研究点云的拓扑，我们实际上意味着研究以点云为中心的球的并集的拓扑，也称为偏移。 但是，非离散集（例如偏移量）以及连续的数学形状（如曲线，曲面和更一般的流形）不能轻易地编码为有限的离散结构。 因此，在计算几何中使用形来近似这样的形状。 单纯形复数是一组，它

state_space_model_notebooks 用于状态空间建模的R / Python代码和笔记本

弱监督的CNN分割的正则损失（rloss） （Caffe和Pytorch） 为了使用弱监督（例如，涂鸦）训练CNN进行语义分割，我们提出了规则化的损失框架。 损失包括两个部分，即涂抹时的部分交叉熵（pCE）损失和正则化损失（例如DenseCRF）。 如果您在此处使用代码，请引用以下论文。 “关于弱监督的CNN分割的规则损失” ，（ ，（ ，（ ，（ ） 在2018年9月于德国慕尼黑举行的欧洲计算机视觉会议（ECCV）上。 DenseCRF丢失 要包括CNN的DenseCRF损失，请添加以下损失层。 它有两个底部斑点，第一个是RGB图像，第二个是软分割分布。 我们需要为XY（bi_xy_std）和RGB（bi_rgb_std）指定高斯内核的带宽。 layer { bottom: "image" bottom: "segmentation" propagate_

高级SQL 课程内容，练习和Kaggle证书

使用Python进行动手图像处理 这是Packt发布的“ 进行的代码存储库。 用于高级图像分析和有效解释图像数据的专家技术 这本书是关于什么的？ 图像处理在我们的日常生活中扮演着重要角色，它在社交媒体（面部检测），医学成像（X射线，CT扫描），对机器人技术和太空的安全性（指纹识别）等各种应用中发挥着重要作用。 本书将触及图像处理的核心，从概念到使用Python的代码。 本书涵盖以下激动人心的功能： 在Python中执行基本的数据预处理任务，例如图像去噪和空间滤波 在Python中实现快速傅立叶变换（FFT）和频域滤波器（例如Weiner） 进行形态图像处理并使用不同的算法对图像进行分割 学习从图像中提取特征并匹配图像的技术 编写Python代码以实现用于图像处理的有监督/无监督机器学习算法 使用深度学习模型进行图像分类，分割，对象检测，转移学习和神经样式转移 如果您觉得这本书适

预测钻石价格 竞争的目的是根据钻石的特征（克拉，重量，颜色，切工...）预测钻石的价格。 这是为Ironhack Data Analytics训练营的学生创建的学术竞赛。

时尚MNIST 简单的时尚配饰使用Tensorflow keras库中的Fashion MNIST数据集对预测进行建模。 安装和使用。 该项目使用pipenv进行依赖项管理。 您需要确保在系统上安装了pipenv 。 这是安装依赖项并开始使用的方法。 使用pipenv sync -d安装它 完成后，生成一个shell来运行文件： pipenv shell 完成后，您可以运行任何文件，并进行测试。 添加您自己的图像。 有时，要尝试对新图像进行predictions.py并使用predictions.py测试，则需要添加它们。 这是操作方法。 将图像添加到images文件夹中。 如果要测试它们，请转至src/predictions.py ，然后将其替换为您的图像名称。 看起来像这样： np.array([get_image("...") 。 由Sunrit Jana制造，<3