یادداشتهای مطالعه
Numerical Python بین برنامهنویسی و ریاضی کاربردی مینشیند. درباره استفاده از Python بهعنوان محیط عملی برای آرایه، روشهای عددی، visualization و workflow علمی است.
مفید است برای آزمایشهایی که اپلیکیشن کامل سنگین است، اما spreadsheet یا اسکریپت یکباره ضعیف.
ایدههای مفید
آرایه abstraction اصلی است
NumPy پایتون را از زبان scripting عمومی به محیط عددی مفید تبدیل میکند. فهم آرایه، broadcasting و عملیات vectorized پایه است.
کار علمی به بازخورد نیاز دارد
Matplotlib و notebook مهماند چون کار عددی اکتشافی است. دیدن سریع نتیجه نحوه فهم مسئله را عوض میکند.
کتابخانهها روش را encode میکنند
SciPy ارزشمند است چون روشهای عددی را پشت interface تستشده میگذارد. کار مهم دانستن این است که چه مسئلهای حل میشود و هر روش چه فرضیاتی میآورد.
چرا نزدیک نگهش میدارم
مرجع عملی برای شبیهسازی، تحلیل، آزمایش سیگنال و جنبه محاسباتی یادداشتهای فیزیک و مهندسی.
دریافت کتاب
- Springer: Numerical Python