برنامه نویسی پایتون :: بیسین - سایت تخصصی مهندسی آب

ابزار وبمستر

Bootstrap Example

تصوير ثابت

عضويت در خبرنامه ايـميـل پايگاه بيسيــن - عضويت پس از کليک بر روي لينک فعال سازي که براي شما ارسال خواهد شد تکميل مي شود

پشتيباني شده با بيسين

آموزش پایتون: Pickling and Scaling


در آموزش های پیشین یادگیری ماشین با Python، ما پیش بینی را با استفاده از رگرسیون انجام دادیم و سپس با ماژول Matplotlib این پیش بینی را صورت دادیم. اکنون در اینجا درباره بعضی مراحل بعدی صحبت خواهیم کرد.


به یاد می آورم، اولین بار که من در تلاش بودم تا در مورد یادگیری ماشین بیاموزم، بسیاری از نمونه های تشریحی تنها تا آموزش و آزمون را پوشش می دادند، و سپس کاملا و بیکباره به قسمت پیش بینی پرش می کردند. از منابعی که آموزش، آزمون و پیش بینی بخشی را انجام می دادند، من حتی یک مورد را پیدا نکردم که الگوریتم را به وضوح شرح دهد. با مثال ها، و داده های کلی که اساسا بسیار کوچک هستند، بنابراین روند آموزش، آزمون و پیش بینی نسبتا سریع است. با این حال، در دنیای واقعی، داده ها احتمالا بزرگتر هستند و پردازش بسیار طولانی تر است. از آنجا که هیچ کس واقعا درباره این مرحله مهم صحبت نکرده بود، در اینجا قصد من این است که مطالب اطلاعاتی در مورد پردازش زمان و صرفه جویی در الگوریتم شما را شامل شود.


آموزش پایتون: رگرسیون - پیش بینی و پیش گویی

خوش آمدید به بخش پنجم مبحث یادگیری ماشین از مجموعه آموزش Python. تا به اینجا، محتوای آموزشی رگرسیون را پوشش می دهد. پیش از این، ما داده ها را جمع آوری کرده ایم، آن ها کمی اصلاح شده، طبقه بندی شده آموزش داده و حتی طبقه بندی ها آزمون شده اند. در این قسمت، ما قصد داریم از طبقه بندی ها استفاده کنیم تا در واقع برخی از پیش بینی ها برای ما انجام شود. کد تا این لحظه که ما استفاده می کنیم به صورت زیر است:


آموزش پایتون: رگرسیون - یادگیری ماشین و آزمون


خوش آمدید به بخش چهارم از آموزش ماشین با سری آموزش Python. در آموزش های قبلی، داده های اولیه را به دست آوردیم، ما آن را به صورت دلخواهی تغییر دادیم و دستکاری و اصلاح کردیم، و سپس شروع به تعریف ویژگی هایمان کردیم. Scikit-Learn اساسا نیازی به کار با Pandas و فریم های داده ندارد، من فقط ترجیح می دهم اطلاعات مربوط به آن را مدیریت کنم، زیرا سریع و کارآمد است. در عوض، Scikit-learn اساسا نیاز به آرایه های numpy دارد. داده های فرعی پانداها به راحتی می توانند به آرایه های NumPy تبدیل شوند، بنابراین فقط برای انجام کار برای ما صورت می پذیرد.


آموزش پایتون: مدل شبکه عصبی - نظارت شده

شکل 1: یک لایه پنهان MLP.


مدل Perceptron چند لایه

یک الگوریتم یادگیری تحت نظارت است که یک تابع f(\cdot): R^m \rightarrow R^o را  با تمرین در یک مجموعه دادهیاد میگیرد، آنجا که m تعداد ابعاد ورودی است و o تعداد از ابعاد خروجی با توجه به مجموعه ای از ویژگی های X = {x_1, x_2, ..., x_m} و یک هدف y، می توان یک تقریبنده تابع غیر خطی را برای هر دو طبقه بندی یا رگرسیون یاد گرفت. این تفاوت از رگرسیون لجستیک است، در حالی که بین ورودی و لایه خروجی، می تواند یک یا چند لایه غیر خطی وجود داشته باشد که لایه های مخفی هستند. شکل 1 یک MLP مخفی با خروجی اسکالر را نشان می دهد.


آموزش پایتون: رگرسیون - معرفی و داده ها


به یک دوره آموزشی فراگیر و عمیق خوش آمدید.

به مقدمه ای بر بخش رگرسیون یادگیری ماشین با مجموعه آموزشی Python خوش آمدید. با این حال، شما Scikit-Learn را از قبل نصب کرده اید. اگر نه، آن را دریافت کنید، همراه با پانداها و matplotlib!


اگر توزیع علمی پیمایشی قبل از کامپایل پایتون مانند ActivePython را داشته باشید، باید قبلا numpy، scipy، scikit-learn، matplotlib و pandas را نصب کرده باشید. اگر نه، دستورهای زیر را انجام دهید:


آموزش عملی یادگیری ماشین با معرفی پایتون


به یک دوره آموزشی فراگیر و عمیق خوش آمدید.

هدف این درس این است که به شما یک درک کامل از یادگیری ماشین، نظریه پوشش، کاربرد و عملکرد درونی الگوریتم های یادگیری نظارت شده، بدون نظارت و یادگیری عمیق بدهد.


در این سری، رگرسیون خطی، نزدیک ترین K همسایگان، ماشین های بردار پشتیبانی (SVM)، خوشه تخت، خوشه بندی سلسله مراتبی و شبکه های عصبی را پوشش می دهیم.


ویرایش کد مدل MODFLOW - مدل سازی آب زیرزمینی


منابع USGS MODFLOW و Visual Studio Solutions

فایل هایی که در زیر قابل دریافت می باشد برای کمک به کاربرانی است که قصد کامپایل و ویرایش سریع MODFLOW را دارند (در مقایسه با دانلود از USGS و پیکربندی فرایند تدوین). کاربر نهایتا باید مایکروسافت ویژوال 2010 و اینتل ویژوال فرترن 2011 را به شکل نصب شده برای باز کردن راه حل و کامپایل MODFLOW داشته باشد. هر یک از فایل های فشرده زیر، هر دو منبع USGS برای نسخه خاص از MODFLOW و نیز به عنوان یک راه حل ویژوال استودیو 2010 است. به سادگی از حالت زیپ خارج (و یا استخراج) کرده، راه حل را در ویژوال استودیو باز کرده، و کد را کامپایل کنید.


ویرایش آنلاین-اشتراکی مدل MODFLOW در MATLAB با MFLAB


ام اف لاب یا MFLAB

ام.اف.لب. که مخفف آزمایشگاه MODFLOW میباشد، فضایی کارآمد و به آسانی قابل تغییر برای مدل سازی کار آمد آبهای زیرزمینی میباشد. این برنامه برای استفاده از تعدادی از بسته های برنامه نویسی مدفلو مانند MT3DMS، SEAWAT و غیره طراحی شده است. ام اف لب قابلیت اجرایی در نسخه آتی وجدید این برنامها را هم دارد. این بسته های برنامه نویسی متعدد هستند و هر کدام برای مدل سازی نوع خاص از روند آبهای زیرزمینی یا شرایط مرزی آنها طراحی شده اند (مراجعه کنید به سایت). ارجعیت برنامه هایی مانند برنامه هایی نام برده شده در اینست که بصورت رایگان در دسترس عموم قرار داده شده اند. این برنامه ها روزانه به طور گسترده ای توسط گروه زیادی از مدل سازان آبهای زیرزمینی در سرتاسر جهان مورد استفاده قرار میگیرند. در ام اف لب جریان کار مدل سازی بصورت نوشتن متن میباشد و به همین دلیل قابل ویرایش و باز تولیدی است. برخلاف ام اف لب، دراستفاده از رابطهای گرافیکی کاربرموجود اگر ویرایش و باز تولیدی امری غیر ممکن نباشد بسیار دشوار خواهد بود. ام اف لب ازمحیط تعاملی (قابل کار برای دو طرف( متلب (یا محیط های اکتاو یا اسکی لب که بطور مجانی قابل دسترس هستند.) بهره برداری میکند تا : ١. مدل سازی کند ٢. تا داده های ورودی آنها را بنویسید ٣. تا برون داد های آنها را پردازش کرده به تصویر بکشاند ٤. این در صورتی است که ام اف لب یک فایل اکسل را به عنوان متن چند صفحه ای برای شبیه سازی پارامترها و به عنوان قسمتی از یک دستورالعمل استفاده میکند.


درباره بهترين هاي بيسيـــن بدانيد...

Bird

يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.

اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟

امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.

جستجو در بيسين


ابزارهاي نوين

بیسین - سایت تخصصی مهندسی آب

بیسین جهت ارائه مطالب و خدمات تخصصی در حیطه نرم افزارها و مدل های شبیه سازی مهندسی آب با رویکرد پژوهشی-آموزشی ایجاد شده است که توسعه خود را در گرو همکاری مخاطبان می بیند.

اطلاعات سايت

  • www.Basin.ir@gmail.com
  • بهزاد سرهادی
  • تاريخ امروز:
  • شناسه تلگرام: Basin_ir
  • شماره تماس: 09190622992-098

W3Schools