#numpy Repositories
Insgesamt 146 Repositories
Quellcode von PyGAD, einer Python 3-Bibliothek zum Aufbau des genetischen Algorithmus und zum Trainieren von Algorithmen des maschinellen Lernens (Keras & PyTorch).
🚀 500+ kuratierte Ressourcen für Datenanalyse und Data Science: Python, SQL, Statistik, ML, KI, Visualisierung, Spickzettel, Roadmaps, Interviewvorbereitung. Für Anfänger und Experten.
Ein Open-Access-Buch zu NumPy-Vektorisierungstechniken, Nicolas P. Rougier, 2017
ML-Algorithmen, die nach den ersten Prinzipien in Jupyter Notebooks und NumPy implementiert und abgeleitet wurden
Mathematik mit gemischter Genauigkeit sowie Kernel für lineare Algebra und Retrieval, über 4.000 Symbole von 4-Bit-Zahlen bis hin zu 128-Bit-Komplexzahlen, für x86, Arm, RISC-V, LoongArch, Power und WASM, einschließlich AMX und SME 📐
🤖 Interaktive Machine-Learning-Experimente: 🏋️Modelle-Training + 🎨Modelle-Demo
Eine benutzerfreundliche Python-Bibliothek zur Verarbeitung und Manipulation von 3D-Punktwolken und Meshes.
Home Assistant-Integration zur Überwachung von Haushaltsgeräten über Smart-Plugs: Erkennt Zyklen, ordnet Programme zu, schätzt die verbleibende Zeit. Unterstützt Waschmaschinen, Trockner, Geschirrspüler und mehr.
Hochleistungsberechnungen für N-dimensionale Tensoren in .NET, mit einer identischen API wie NumPy.
Gemeinsame Finanzrisiko- und Leistungsmetriken. Verwendet von zipline und pyfolio.
Python+Numpy+OpenGL: schnelle, skalierbare und schöne wissenschaftliche Visualisierung
Theorie der digitalen Signalverarbeitung (DSP): Signale, Filterung (IIR, FIR, CIC, MAF), Transformationen (FFT, DFT, Hilbert, Z-Transformation) usw.
Eine Sammlung von Code-Schnipseln aus der Publikation Daily Dose of Data Science auf Substack: http://www.dailydoseofds.com/
„Deep Learning von Grund auf 2“ (O'Reilly Japan, 2018)
Einführung in PyTorch, einschließlich Tensorinitialisierung, Operationen, Indizierung und Reshaping.
WebGL-3D-Darstellung für Jupyter: Netze, Isosurfaces, Volumendaten, Voxels und Punktwolken aus NumPy-Arrays, mit einem filmischen Path-Tracing-Renderer.
Plattformübergreifendes, anpassbares Multimedia-/Videoverarbeitungs-Framework. Mit starker GPU-Beschleunigung, heterogenem Design, Unterstützung für mehrere Sprachen, einfacher Bedienung, Kompatibilität mit mehreren Frameworks und hoher Leistung ist das Framework ideal für Transcoding, KI-Inferenz, Algorithmusintegration, Live-Videostreaming und mehr.
Bibliothek für Sensitivitätsanalyse in Python. Enthält Sobol, Morris, FAST und andere Methoden.
Ein Kurs in numerischen Methoden mit Python für Ingenieure und Wissenschaftler: derzeit 5 Lernmodule mit Studentenaufgaben.
Einführung in die mathematische Modellierung: Der umfassendste Tutorial-Kurs für mathematische Modellierungsmodelle und -algorithmen im gesamten Netzwerk, der Sie in die Welt der mathematischen Modellierung einführt!
„Hands-on Exploratory Data Analysis with Python“, veröffentlicht von Packt