Scipy讲义

学习使用Python处理数值、科学和数据的一个文档

下载

•  PDF, 2 pages per side
•  PDF, 1 page per side
•  HTML and example files
•  Source code (github)

关于Python科学计算生态系统的教程：快速介绍核心工具和技术。每个不同的章节对应一个1到2小时的课程，专业水平从初学者到专家逐渐提高。

• 关于scipy讲义
  • 作者
  • 新功能
  • 许可证
  • 贡献

• 1. Python科学计算入门
  • 1.1. Python scientific computing ecosystem
    • 1.1.1. 为什么选择Python？
      • 1.1.1.1. 科学家的需要
      • 1.1.1.2. Python’s strengths
      • 1.1.1.3. Python与其他解决方案比较起来如何？
        • 1.1.1.3.1. 编译语言：C、C ++、Fortran ...
        • 1.1.1.3.2. Matlab scripting language
        • 1.1.1.3.3. Julia
        • 1.1.1.3.4. 其他脚本语言：Scilab、Octave、R、IDL等
        • 1.1.1.3.5. Python
    • 1.1.2. Python科学计算生态系统
    • 1.1.3. 开始之前：安装工作环境
    • 1.1.4. 工作流程：交互式环境和文本编辑器
      • 1.1.4.1. 交互式工作
      • 1.1.4.2. 在编辑器中详细说明工作
      • 1.1.4.3. IPython and Jupyter Tips and Tricks
  • 1.2. The Python language
    • 1.2.1. 第一步
    • 1.2.2. 基本类型
      • 1.2.2.1. 数值类型
      • 1.2.2.2. 容器
        • 1.2.2.2.1. 列表
        • 1.2.2.2.2. 字符串
        • 1.2.2.2.3. 字典
        • 1.2.2.2.4. 更多容器类型
      • 1.2.2.3. 赋值运算符
    • 1.2.3. 控制流
      • 1.2.3.1. if/elif/else
      • 1.2.3.2. for/range
      • 1.2.3.3. while/break/continue
      • 1.2.3.4. 条件表达式
      • 1.2.3.5. 高级迭代
        • 1.2.3.5.1. 迭代任何序列
        • 1.2.3.5.2. 跟踪计数
        • 1.2.3.5.3. 在字典上循环
      • 1.2.3.6. 列表推导式
    • 1.2.4. 定义函数
      • 1.2.4.1. 函数定义
      • 1.2.4.2. 返回语句
      • 1.2.4.3. 参数
      • 1.2.4.4. 按值传递
      • 1.2.4.5. 全局变量
      • 1.2.4.6. 可变数量的参数
      • 1.2.4.7. Docstrings
      • 1.2.4.8. 函数是对象
      • 1.2.4.9. 方法
      • 1.2.4.10. 练习
    • 1.2.5. 重用代码：脚本和模块
      • 1.2.5.1. 脚本
      • 1.2.5.2. 从模块导入对象
      • 1.2.5.3. 创建模块
      • 1.2.5.4. ‘__main__’ and module loading
      • 1.2.5.5. 脚本还是模块？如何组织代码
        • 1.2.5.5.1. 如何找到并导入模块
      • 1.2.5.6. 包
      • 1.2.5.7. 良好做法
    • 1.2.6. 输入和输出
      • 1.2.6.1. 迭代文件
        • 1.2.6.1.1. 文件的模式
    • 1.2.7. 标准库
      • 1.2.7.1. os module: operating system functionality
        • 1.2.7.1.1. 目录和文件处理
        • 1.2.7.1.2. os.path: path manipulations
        • 1.2.7.1.3. 运行外部命令
        • 1.2.7.1.4. 迭代目录
        • 1.2.7.1.5. 环境变量：
      • 1.2.7.2. shutil: high-level file operations
      • 1.2.7.3. glob: Pattern matching on files
      • 1.2.7.4. sys模块：特定系统的信息
      • 1.2.7.5. pickle：简便的持久化
    • 1.2.8. Exception handling in Python
      • 1.2.8.1. 异常
      • 1.2.8.2. 捕获异常
        • 1.2.8.2.1. try/except
        • 1.2.8.2.2. try/finally
        • 1.2.8.2.3. 请求原谅比请求权限更容易
      • 1.2.8.3. 引发异常
    • 1.2.9. 面向对象编程（OOP）
  • 1.3. NumPy: creating and manipulating numerical data
    • 1.3.1. The NumPy array object
      • 1.3.1.1. 什么是NumPy和NumPy数组？
        • 1.3.1.1.1. NumPy arrays
        • 1.3.1.1.2. NumPy Reference documentation
        • 1.3.1.1.3. 导入约定
      • 1.3.1.2. 创建数组
        • 1.3.1.2.1. 手动构建数组
        • 1.3.1.2.2. 创建数组的函数
      • 1.3.1.3. 基本数据类型
      • 1.3.1.4. 基本可视化
      • 1.3.1.5. 索引和切片
      • 1.3.1.6. 拷贝和视图
      • 1.3.1.7. 花式索引
        • 1.3.1.7.1. 使用布尔掩码
        • 1.3.1.7.2. 使用整数数组建立索引
    • 1.3.2. 数组上的数值运算
      • 1.3.2.1. 元素级别的运算
        • 1.3.2.1.1. 基本操作
        • 1.3.2.1.2. 其他操作
      • 1.3.2.2. 基本的规约
        • 1.3.2.2.1. 计算和
        • 1.3.2.2.2. 其他规约
      • 1.3.2.3. Broadcasting
      • 1.3.2.4. 数组形状处理
        • 1.3.2.4.1. 展平
        • 1.3.2.4.2. 重塑形状
        • 1.3.2.4.3. 添加维度
        • 1.3.2.4.4. 尺寸改组
        • 1.3.2.4.5. 调整大小
      • 1.3.2.5. 对数据排序
      • 1.3.2.6. 小结
    • 1.3.3. 更精细的数组
      • 1.3.3.1. 更多数据类型
        • 1.3.3.1.1. 类型转换
        • 1.3.3.1.2. 不同数据类型的大小
      • 1.3.3.2. 结构化数据类型
      • 1.3.3.3. maskedarray：处理丢失数据（的传播）
    • 1.3.4. 高级操作
      • 1.3.4.1. 多项式
        • 1.3.4.1.1. 更多的多项式（含更多基）
      • 1.3.4.2. 加载数据文件
        • 1.3.4.2.1. 文本文件
        • 1.3.4.2.2. 图片
        • 1.3.4.2.3. NumPy’s own format
        • 1.3.4.2.4. 众所周知（和鲜为人知）的文件格式
    • 1.3.5. 一些练习
      • 1.3.5.1. 数组操作
      • 1.3.5.2. 图片处理：框出一张脸
      • 1.3.5.3. 数据统计
      • 1.3.5.4. 积分的粗略近似
      • 1.3.5.5. Mandelbrot集合
      • 1.3.5.6. 马尔科夫链
  • 1.4. Matplotlib：画图
    • 1.4.1. 简介
      • 1.4.1.1. IPython and the matplotlib mode
      • 1.4.1.2. pyplot
    • 1.4.2. 简单的图
      • 1.4.2.1. 使用默认设置绘制
      • 1.4.2.2. 实例化默认值
      • 1.4.2.3. 更改颜色和线宽
      • 1.4.2.4. 设定限制
      • 1.4.2.5. 设置ticks
      • 1.4.2.6. 设置刻度标签
      • 1.4.2.7. 移动棘轮
      • 1.4.2.8. 添加图例
      • 1.4.2.9. 注释一些点
      • 1.4.2.10. 恶魔位于细节中
    • 1.4.3. 图形、子图、轴和标记
      • 1.4.3.1. 图形
      • 1.4.3.2. 子图
      • 1.4.3.3. 轴
      • 1.4.3.4. Ticks
        • 1.4.3.4.1. Tick Locators
    • 1.4.4. Other Types of Plots: examples and exercises
      • 1.4.4.1. 常规图
      • 1.4.4.2. 散点图
      • 1.4.4.3. 条形图
      • 1.4.4.4. 轮廓图
      • 1.4.4.5. Imshow
      • 1.4.4.6. 饼图
      • 1.4.4.7. Quiver Plots
      • 1.4.4.8. 网格
      • 1.4.4.9. 多图
      • 1.4.4.10. 极轴
      • 1.4.4.11. 3D Plots
      • 1.4.4.12. 文本
    • 1.4.5. 本教程以外的资料
      • 1.4.5.1. 教程
      • 1.4.5.2. Matplotlib documentation
      • 1.4.5.3. 代码文档
      • 1.4.5.4. Galleries
      • 1.4.5.5. 邮件列表
    • 1.4.6. 快速参考
      • 1.4.6.1. 线属性
      • 1.4.6.2. 线样式
      • 1.4.6.3. 标记
      • 1.4.6.4. 色彩
    • 1.4.7. 完整代码示例
      • 1.4.7.1. Code samples for Matplotlib
      • 1.4.7.2. 本章练习代码
      • 1.4.7.3 示例演示选项
      • 1.4.7.4. 为图形生成摘要标题为的代码
  • 1.5. Scipy : high-level scientific computing
    • 1.5.1. 文件输入/输出：scipy.io
    • 1.5.2. 特殊函数：scipy.special
    • 1.5.3. 线性代数运算：scipy.linalg
    • 1.5.4. 快速傅立叶变换：scipy.fftpack
    • 1.5.5. 优化和拟合：scipy.optimize
    • 1.5.6. 统计和随机数：scipy.stats
      • 1.5.6.1. 直方图和概率密度函数
      • 1.5.6.2. 百分位
      • 1.5.6.3. 统计测试
    • 1.5.7. 插值：scipy.interpolate
    • 1.5.8. 数值积分：scipy.integrate
    • 1.5.9. 信号处理：scipy.signal
    • 1.5.10. 图像处理：scipy.ndimage
      • 1.5.10.1. 图像上的几何变换
      • 1.5.10.2. 图片过滤
      • 1.5.10.3. 数学形态学
      • 1.5.10.4. 图片上的测量
    • 1.5.11. 科学计算汇总练习
      • 1.5.11.1. Maximum wind speed prediction at the Sprogø station
        • 1.5.11.1.1. 统计方法
        • 1.5.11.1.2. 计算累积概率
        • 1.5.11.1.3. 使用UnivariateSpline预测
        • 1.5.11.1.4. 使用Gumbell分布练习
      • 1.5.11.2. 非线性最小二乘法曲线拟合：在地形激光雷达数据中应用点提取
        • 1.5.11.2.1. 简介
        • 1.5.11.2.2. 加载和可视化
        • 1.5.11.2.3. 使用简单的Gaussian模型拟合波形
          • 1.5.11.2.3.1. 模型
          • 1.5.11.2.3.2. 初始解决方案
          • 1.5.11.2.3.3. Fit
        • 1.5.11.2.4. 再进一步
      • 1.5.11.3. 图像处理应用：计数气泡和未熔化的晶粒
        • 1.5.11.3.1. 问题陈述
        • 1.5.11.3.2. 建议解决方案
      • 1.5.11.4. 图像处理练习的解决方案示例：玻璃中的未熔化晶粒
  • 1.6. 获取帮助和查找文档
• 2. Advanced topics
  • 2.1. Python的高级结构
    • 2.1.1. 迭代器、生成器表达式和生成器
      • 2.1.1.1. 迭代器
      • 2.1.1.2. Generator expressions
      • 2.1.1.3. 生成器
      • 2.1.1.4. 双向通信
      • 2.1.1.5. 链接生成器
    • 2.1.2. 装饰器
      • 2.1.2.1. 替换或调整原始对象
      • 2.1.2.2. 装饰器实现为类和函数
      • 2.1.2.3. 复制原始函数的文档字符串和其他属性
      • 2.1.2.4. 标准库中的示例
      • 2.1.2.5. 弃用函数
      • 2.1.2.6. 删除while循环的装饰器
      • 2.1.2.7. 插件注册系统
    • 2.1.3. Context managers
      • 2.1.3.1. 捕获异常
      • 2.1.3.2. 使用生成器定义上下文管理器
  • 2.2. 高级NumPy
    • 2.2.1. Life of ndarray
      • 2.2.1.1. 它是...
      • 2.2.1.2. 内存块
      • 2.2.1.3. 数据类型
        • 2.2.1.3.1. 描述符
        • 2.2.1.3.2. 示例：读取.wav文件
        • 2.2.1.3.3. Casting and re-interpretation/views
          • 2.2.1.3.3.1. Casting
          • 2.2.1.3.3.2. Re-interpretation / viewing
      • 2.2.1.4. Indexing scheme: strides
        • 2.2.1.4.1. Main point
          • 2.2.1.4.1.1. C and Fortran order
          • 2.2.1.4.1.2. 使用整数切片
        • 2.2.1.4.2. Example: fake dimensions with strides
        • 2.2.1.4.3. Broadcasting
        • 2.2.1.4.4. More tricks: diagonals
        • 2.2.1.4.5. CPU cache effects
        • 2.2.1.4.6. Example: inplace operations (caveat emptor)
      • 2.2.1.5. Findings in dissection
    • 2.2.2. Universal functions
      • 2.2.2.1. What they are?
        • 2.2.2.1.1. Parts of an Ufunc
        • 2.2.2.1.2. Making it easier
      • 2.2.2.2. Exercise: building an ufunc from scratch
      • 2.2.2.3. Solution: building an ufunc from scratch
      • 2.2.2.4. Generalized ufuncs
    • 2.2.3. Interoperability features
      • 2.2.3.1. Sharing multidimensional, typed data
      • 2.2.3.2. The old buffer protocol
      • 2.2.3.3. The old buffer protocol
      • 2.2.3.4. Array interface protocol
    • 2.2.4. Array siblings: chararray, maskedarray, matrix
      • 2.2.4.1. chararray: vectorized string operations
      • 2.2.4.2. masked_array missing data
        • 2.2.4.2.1. The mask
        • 2.2.4.2.2. Domain-aware functions
      • 2.2.4.3. recarray: purely convenience
      • 2.2.4.4. matrix: convenience?
    • 2.2.5. 摘要
    • 2.2.6. 贡献NumPy/Scipy
      • 2.2.6.1. Why
      • 2.2.6.2. Reporting bugs
        • 2.2.6.2.1. Good bug report
      • 2.2.6.3. Contributing to documentation
      • 2.2.6.4. Contributing features
      • 2.2.6.5. How to help, in general
  • 2.3. Debugging code
    • 2.3.1. Avoiding bugs
      • 2.3.1.1. Coding best practices to avoid getting in trouble
      • 2.3.1.2. pyflakes: fast static analysis
        • 2.3.1.2.1. Running pyflakes on the current edited file
        • 2.3.1.2.2. A type-as-go spell-checker like integration
    • 2.3.2. Debugging workflow
    • 2.3.3. Using the Python debugger
      • 2.3.3.1. Invoking the debugger
        • 2.3.3.1.1. Postmortem
        • 2.3.3.1.2. Step-by-step execution
        • 2.3.3.1.3. Other ways of starting a debugger
      • 2.3.3.2. Debugger commands and interaction
        • 2.3.3.2.1. Getting help when in the debugger
    • 2.3.4. Debugging segmentation faults using gdb
  • 2.4. Optimizing code
    • 2.4.1. Optimization workflow
    • 2.4.2. Profiling Python code
      • 2.4.2.1. Timeit
      • 2.4.2.2. Profiler
      • 2.4.2.3. Line-profiler
    • 2.4.3. Making code go faster
      • 2.4.3.1. Algorithmic optimization
        • 2.4.3.1.1. Example of the SVD
    • 2.4.4. Writing faster numerical code
      • 2.4.4.1. Additional Links
  • 2.5. Sparse Matrices in SciPy
    • 2.5.1. Introduction
      • 2.5.1.1. Why Sparse Matrices?
      • 2.5.1.2. Sparse Matrices vs. Sparse Matrix Storage Schemes
      • 2.5.1.3. Typical Applications
      • 2.5.1.4. Prerequisites
      • 2.5.1.5. Sparsity Structure Visualization
    • 2.5.2. Storage Schemes
      • 2.5.2.1. Common Methods
      • 2.5.2.2. Sparse Matrix Classes
        • 2.5.2.2.1. Diagonal Format (DIA)
          • 2.5.2.2.1.1. Examples
        • 2.5.2.2.2. List of Lists Format (LIL)
          • 2.5.2.2.2.1. Examples
        • 2.5.2.2.3. Dictionary of Keys Format (DOK)
          • 2.5.2.2.3.1. Examples
        • 2.5.2.2.4. Coordinate Format (COO)
          • 2.5.2.2.4.1. Examples
        • 2.5.2.2.5. Compressed Sparse Row Format (CSR)
          • 2.5.2.2.5.1. Examples
        • 2.5.2.2.6. Compressed Sparse Column Format (CSC)
          • 2.5.2.2.6.1. Examples
        • 2.5.2.2.7. Block Compressed Row Format (BSR)
          • 2.5.2.2.7.1. Examples
      • 2.5.2.3. Summary
    • 2.5.3. Linear System Solvers
      • 2.5.3.1. Sparse Direct Solvers
        • 2.5.3.1.1. Examples
      • 2.5.3.2. Iterative Solvers
        • 2.5.3.2.1. Common Parameters
        • 2.5.3.2.2. LinearOperator Class
        • 2.5.3.2.3. A Few Notes on Preconditioning
      • 2.5.3.3. Eigenvalue Problem Solvers
        • 2.5.3.3.1. The eigen module
    • 2.5.4. Other Interesting Packages
  • 2.6. Image manipulation and processing using Numpy and Scipy
    • 2.6.1. Opening and writing to image files
    • 2.6.2. Displaying images
    • 2.6.3. Basic manipulations
      • 2.6.3.1. Statistical information
      • 2.6.3.2. Geometrical transformations
    • 2.6.4. Image filtering
      • 2.6.4.1. Blurring/smoothing
      • 2.6.4.2. Sharpening
      • 2.6.4.3. Denoising
      • 2.6.4.4. Mathematical morphology
    • 2.6.5. Feature extraction
      • 2.6.5.1. Edge detection
      • 2.6.5.2. Segmentation
    • 2.6.6. Measuring objects properties: ndimage.measurements
  • 2.7. Mathematical optimization: finding minima of functions
    • 2.7.1. Knowing your problem
      • 2.7.1.1. Convex versus non-convex optimization
      • 2.7.1.2. Smooth and non-smooth problems
      • 2.7.1.3. Noisy versus exact cost functions
      • 2.7.1.4. Constraints
    • 2.7.2. A review of the different optimizers
      • 2.7.2.1. Getting started: 1D optimization
      • 2.7.2.2. Gradient based methods
        • 2.7.2.2.1. Some intuitions about gradient descent
        • 2.7.2.2.2. Conjugate gradient descent
      • 2.7.2.3. Newton and quasi-newton methods
        • 2.7.2.3.1. Newton methods: using the Hessian (2nd differential)
        • 2.7.2.3.2. Quasi-Newton methods: approximating the Hessian on the fly
      • 2.7.2.4. Gradient-less methods
        • 2.7.2.4.1. A shooting method: the Powell algorithm
        • 2.7.2.4.2. Simplex method: the Nelder-Mead
      • 2.7.2.5. Global optimizers
        • 2.7.2.5.1. Brute force: a grid search
    • 2.7.3. Practical guide to optimization with scipy
      • 2.7.3.1. Choosing a method
      • 2.7.3.2. Making your optimizer faster
      • 2.7.3.3. Computing gradients
      • 2.7.3.4. Synthetic exercices
    • 2.7.4. Special case: non-linear least-squares
      • 2.7.4.1. Minimizing the norm of a vector function
      • 2.7.4.2. Curve fitting
    • 2.7.5. Optimization with constraints
      • 2.7.5.1. Box bounds
      • 2.7.5.2. General constraints
  • 2.8. Interfacing with C
    • 2.8.1. Introduction
    • 2.8.2. Python-C-Api
      • 2.8.2.1. Example
      • 2.8.2.2. Numpy Support
    • 2.8.3. Ctypes
      • 2.8.3.1. Example
      • 2.8.3.2. Numpy Support
    • 2.8.4. SWIG
      • 2.8.4.1. Example
      • 2.8.4.2. Numpy Support
    • 2.8.5. Cython
      • 2.8.5.1. Example
      • 2.8.5.2. Numpy Support
    • 2.8.6. Summary
    • 2.8.7. Further Reading and References
    • 2.8.8. Exercises
      • 2.8.8.1. Python-C-API
      • 2.8.8.2. Ctypes
      • 2.8.8.3. SWIG
      • 2.8.8.4. Cython
• 3. Packages and applications
  • 3.1. Statistics in Python
    • 3.1.1. Data representation and interaction
      • 3.1.1.1. Data as a table
      • 3.1.1.2. The pandas data-frame
        • 3.1.1.2.1. Creating dataframes: reading data files or converting arrays
        • 3.1.1.2.2. Manipulating data
        • 3.1.1.2.3. Plotting data
    • 3.1.2. Hypothesis testing: comparing two groups
      • 3.1.2.1. Student’s t-test: the simplest statistical test
        • 3.1.2.1.1. 1-sample t-test: testing the value of a population mean
        • 3.1.2.1.2. 2-sample t-test: testing for difference across populations
      • 3.1.2.2. Paired tests: repeated measurements on the same indivuals
    • 3.1.3. Linear models, multiple factors, and analysis of variance
      • 3.1.3.1. “formulas” to specify statistical models in Python
        • 3.1.3.1.1. A simple linear regression
        • 3.1.3.1.2. Categorical variables: comparing groups or multiple categories
      • 3.1.3.2. Multiple Regression: including multiple factors
      • 3.1.3.3. Post-hoc hypothesis testing: analysis of variance (ANOVA)
    • 3.1.4. More visualization: seaborn for statistical exploration
      • 3.1.4.1. Pairplot: scatter matrices
      • 3.1.4.2. lmplot: plotting a univariate regression
    • 3.1.5. Testing for interactions
    • 3.1.6. Full code examples
      • 3.1.6.1. Code behind the figures
      • 3.1.6.2. Solutions to this chapter’s exercises
  • 3.2. Sympy : Symbolic Mathematics in Python
    • 3.2.1. First Steps with SymPy
      • 3.2.1.1. Using SymPy as a calculator
      • 3.2.1.2. Exercises
      • 3.2.1.3. Symbols
    • 3.2.2. Algebraic manipulations
      • 3.2.2.1. Expand
      • 3.2.2.2. Simplify
    • 3.2.3. Calculus
      • 3.2.3.1. Limits
      • 3.2.3.2. Differentiation
      • 3.2.3.3. Series expansion
      • 3.2.3.4. Integration
      • 3.2.3.5. Exercises
    • 3.2.4. Equation solving
      • 3.2.4.1. Exercises
    • 3.2.5. Linear Algebra
      • 3.2.5.1. Matrices
      • 3.2.5.2. Differential Equations
  • 3.3. Scikit-image: image processing
    • 3.3.1. Introduction and concepts
      • 3.3.1.1. scikit-image and the SciPy ecosystem
      • 3.3.1.2. What’s to be found in scikit-image
    • 3.3.2. Input/output, data types and colorspaces
      • 3.3.2.1. Data types
      • 3.3.2.2. Colorspaces
    • 3.3.3. Image preprocessing / enhancement
      • 3.3.3.1. Local filters
      • 3.3.3.2. Non-local filters
      • 3.3.3.3. Mathematical morphology
    • 3.3.4. Image segmentation
      • 3.3.4.1. Binary segmentation: foreground + background
        • 3.3.4.1.1. Histogram-based method: Otsu thresholding
        • 3.3.4.1.2. Labeling connected components of a discrete image
      • 3.3.4.2. Marker based methods
        • 3.3.4.2.1. Watershed segmentation
        • 3.3.4.2.2. Random walker segmentation
    • 3.3.5. Measuring regions’ properties
    • 3.3.6. Data visualization and interaction
    • 3.3.7. Feature extraction for computer vision
  • 3.4. Traits: building interactive dialogs
    • 3.4.1. Introduction
    • 3.4.2. Example
    • 3.4.3. What are Traits
      • 3.4.3.1. Initialisation
      • 3.4.3.2. Validation
      • 3.4.3.3. Documentation
      • 3.4.3.4. Visualization: opening a dialog
      • 3.4.3.5. Deferral
      • 3.4.3.6. Notification
      • 3.4.3.7. Some more advanced traits
  • 3.5. 3D plotting with Mayavi
    • 3.5.1. Mlab: the scripting interface
      • 3.5.1.1. 3D plotting functions
        • 3.5.1.1.1. Points
        • 3.5.1.1.2. Lines
        • 3.5.1.1.3. Elevation surface
        • 3.5.1.1.4. Arbitrary regular mesh
        • 3.5.1.1.5. Volumetric data
      • 3.5.1.2. Figures and decorations
        • 3.5.1.2.1. Figure management
        • 3.5.1.2.2. Changing plot properties
        • 3.5.1.2.3. Decorations
    • 3.5.2. Interactive work
      • 3.5.2.1. The “pipeline dialog”
      • 3.5.2.2. The script recording button
    • 3.5.3. Slicing and dicing data: sources, modules and filters
      • 3.5.3.1. An example: inspecting magnetic fields
      • 3.5.3.2. Different views on data: sources and modules
        • 3.5.3.2.1. Different sources: scatters and fields
        • 3.5.3.2.2. Transforming data: filters
        • 3.5.3.2.3. mlab.pipeline: the scripting layer
    • 3.5.4. Animating the data
    • 3.5.5. Making interactive dialogs
      • 3.5.5.1. A simple dialog
      • 3.5.5.2. Making it interactive
    • 3.5.6. Putting it together
  • 3.6. scikit-learn: machine learning in Python
    • 3.6.1. Loading an example dataset
      • 3.6.1.1. Learning and Predicting
    • 3.6.2. Classification
      • 3.6.2.1. k-Nearest neighbors classifier
      • 3.6.2.2. Support vector machines (SVMs) for classification
        • 3.6.2.2.1. Linear Support Vector Machines
        • 3.6.2.2.2. Using kernels
    • 3.6.3. Clustering: grouping observations together
      • 3.6.3.1. K-means clustering
    • 3.6.4. Dimension Reduction with Principal Component Analysis
    • 3.6.5. Putting it all together: face recognition
    • 3.6.6. Linear model: from regression to sparsity
      • 3.6.6.1. Sparse models
    • 3.6.7. Model selection: choosing estimators and their parameters
      • 3.6.7.1. Grid-search and cross-validated estimators
        • 3.6.7.1.1. Grid-search
        • 3.6.7.1.2. Cross-validated estimators

ScipyLectures.pdf ScipyLectures-simple.pdf