Scipy Lecture Notes

One document to learn numerics, science, and data with Python

 Download

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

Tutorials on the scientific Python ecosystem: a quick introduction to central tools and techniques. The different chapters each correspond to a 1 to 2 hours course with increasing level of expertise, from beginner to expert.

• About the scipy lecture notes
  • 著者
  • What’s new
  • ライセンス
  • 貢献するには

• 1. 科学技術計算のために Python を始めよう。
  • 1.1. ツールやワークフローを使った科学技術計算
    • 1.1.1. どうして Python?
      • 1.1.1.1. 科学者が必要とするもの
      • 1.1.1.2. 必要なものの列挙
      • 1.1.1.3. 現存する解法
    • 1.1.2. Pythonで科学技術計算の積み木を組む
    • 1.1.3. 対話的なワークフロー: IPython とテキストエディタ
      • 1.1.3.1. コマンドラインでの対話操作
      • 1.1.3.2. エディタによってアルゴリズムを練り上げる
      • 1.1.3.3. IPython の Tips と Tricks
  • 1.2. プログラミング言語 Python
    • 1.2.1. はじめの一歩
    • 1.2.2. 基本的な型
      • 1.2.2.1. 数値型
      • 1.2.2.2. コンテナ
        • 1.2.2.2.1. リスト
        • 1.2.2.2.2. 文字列
        • 1.2.2.2.3. 辞書
        • 1.2.2.2.4. 他のコンテナ型
      • 1.2.2.3. 代入演算子
    • 1.2.3. 制御フロー
      • 1.2.3.1. if/elif/else
      • 1.2.3.2. for/range
      • 1.2.3.3. while/break/continue
      • 1.2.3.4. 条件式
      • 1.2.3.5. 高度に反復
        • 1.2.3.5.1. あらゆる シーケンス に対する反復
        • 1.2.3.5.2. 反復回数を追跡する
        • 1.2.3.5.3. 辞書を使ったループ
      • 1.2.3.6. リスト内包表記
    • 1.2.4. 関数を定義する
      • 1.2.4.1. 関数定義
      • 1.2.4.2. return 文
      • 1.2.4.3. 引数
      • 1.2.4.4. 値渡し
      • 1.2.4.5. グローバル変数
      • 1.2.4.6. 可変数引数
      • 1.2.4.7. docstring
      • 1.2.4.8. 関数はオブジェクト
      • 1.2.4.9. メソッド
      • 1.2.4.10. 練習問題
    • 1.2.5. コードの再利用: スクリプトとモジュール
      • 1.2.5.1. スクリプト
      • 1.2.5.2. モジュールからオブジェクトをインポート
      • 1.2.5.3. モジュールの作成
      • 1.2.5.4. ‘__main__’ とモジュールのロード
      • 1.2.5.5. スクリプトそれともモジュール? ソースコードのまとめ方
        • 1.2.5.5.1. どうモジュールは探索、インポートされるか
      • 1.2.5.6. パッケージ
      • 1.2.5.7. 良い習慣
    • 1.2.6. 入出力
      • 1.2.6.1. ファイルに対して反復
        • 1.2.6.1.1. ファイルのモード
    • 1.2.7. 標準ライブラリ
      • 1.2.7.1. os モジュール: オペレーティングシステムの機能
        • 1.2.7.1.1. Directory and file manipulation
        • 1.2.7.1.2. os.path: パスの操作
        • 1.2.7.1.3. 外部のコマンドを実行
        • 1.2.7.1.4. ディレクトリの走査
        • 1.2.7.1.5. 環境変数:
      • 1.2.7.2. shutil: 高レベルなファイル操作
      • 1.2.7.3. glob: ファイル名のパターンマッチング
      • 1.2.7.4. sys モジュール: システム固有の情報
      • 1.2.7.5. pickle: 簡単な永続化
    • 1.2.8. Python での例外処理
      • 1.2.8.1. 例外
      • 1.2.8.2. 例外を捉える
        • 1.2.8.2.1. try/except
        • 1.2.8.2.2. try/finally
        • 1.2.8.2.3. 許可を得るより謝る方が簡単
      • 1.2.8.3. 例外を送出する
    • 1.2.9. オブジェクト指向プログラミング (OOP)
  • 1.3. NumPy: 数値データの作成と処理
    • 1.3.1. numpy array オブジェクト
      • 1.3.1.1. Numpy や numpy array って何
        • 1.3.1.1.1. numpy array オブジェクト
        • 1.3.1.1.2. Numpy の参考ドキュメント
        • 1.3.1.1.3. インポートするときの決まり
      • 1.3.1.2. 配列の作成
        • 1.3.1.2.1. 配列の手動作成
        • 1.3.1.2.2. 配列を作るための関数
      • 1.3.1.3. 基本的なデータ型
      • 1.3.1.4. 基本的な可視化
      • 1.3.1.5. インデクスとスライス
      • 1.3.1.6. コピーとビュー
      • 1.3.1.7. ファンシーインデクス
        • 1.3.1.7.1. 真偽値のマスクを利用する
        • 1.3.1.7.2. 整数配列によるインデクス
    • 1.3.2. 配列の数値演算
      • 1.3.2.1. 要素毎の演算
        • 1.3.2.1.1. 基本的な操作
        • 1.3.2.1.2. その他の操作
      • 1.3.2.2. 基本的な縮約操作
        • 1.3.2.2.1. 総和を計算
        • 1.3.2.2.2. その他の縮約操作
      • 1.3.2.3. ブロードキャスト
      • 1.3.2.4. 配列のシェイプ操作
        • 1.3.2.4.1. 平坦化
        • 1.3.2.4.2. シェイプの変更
        • 1.3.2.4.3. 次元の追加
        • 1.3.2.4.4. 次元の入れ替え
        • 1.3.2.4.5. リサイズ
      • 1.3.2.5. データのソート
      • 1.3.2.6. まとめ
    • 1.3.3. より込み入った配列
      • 1.3.3.1. さらなるデータ型
        • 1.3.3.1.1. キャスト
        • 1.3.3.1.2. データ型のサイズの違い
      • 1.3.3.2. 構造化されたデータ型
      • 1.3.3.3. maskedarray: 欠損値(とその伝達) を扱う
    • 1.3.4. 高度な演算
      • 1.3.4.1. 多項式
        • 1.3.4.1.1. さらなる多項式(それ以外の基底)
      • 1.3.4.2. データファイルの読み込み
        • 1.3.4.2.1. テキストファイル
        • 1.3.4.2.2. 画像
        • 1.3.4.2.3. Numpy の独自フォーマット
        • 1.3.4.2.4. よく知られた(そしてよりわかりにくい)ファイルフォーマット
    • 1.3.5. 練習問題をいくつか
      • 1.3.5.1. 配列の操作
      • 1.3.5.2. 画像操作: 顔をフレーム
      • 1.3.5.3. データの統計
      • 1.3.5.4. おおざっぱに積分を近似する
      • 1.3.5.5. Mandelbrot 集合
      • 1.3.5.6. Markov 連鎖
  • 1.4. Matplotlib: 作図
    • 1.4.1. 導入
      • 1.4.1.1. IPython と matplotlib モード
      • 1.4.1.2. pyplot
    • 1.4.2. 単純な作図
      • 1.4.2.1. デフォルト設定でプロットする
      • 1.4.2.2. デフォルトの例示
      • 1.4.2.3. 色と線の幅を変える
      • 1.4.2.4. Setting limits
      • 1.4.2.5. 目盛を設定
      • 1.4.2.6. 目盛のラベルの設定
      • 1.4.2.7. spine の移動
      • 1.4.2.8. 判例の追加
      • 1.4.2.9. 特定の点に注釈をつける
      • 1.4.2.10. 悪魔は細部に宿る
    • 1.4.3. Figure, Subplot, Axes そして目盛
      • 1.4.3.1. Figures
      • 1.4.3.2. Subplots
      • 1.4.3.3. Axes
      • 1.4.3.4. Ticks
        • 1.4.3.4.1. Tick Locators
    • 1.4.4. 他の種類の作図: 例と例題
      • 1.4.4.1. 通常の作図
      • 1.4.4.2. 散布図
      • 1.4.4.3. 棒グラフ
      • 1.4.4.4. 等高線図
      • 1.4.4.5. Imshow
      • 1.4.4.6. 円グラフ
      • 1.4.4.7. 矢印プロット
      • 1.4.4.8. ます目の表示
      • 1.4.4.9. 複数の作図
      • 1.4.4.10. 極座標
      • 1.4.4.11. 3D プロット
      • 1.4.4.12. テキスト
    • 1.4.5. チュートリアルからさらに
      • 1.4.5.1. Tutorials
      • 1.4.5.2. Matplotlib のドキュメント
      • 1.4.5.3. コード付属のドキュメント
      • 1.4.5.4. ギャラリー
      • 1.4.5.5. メーリングリスト
    • 1.4.6. クイックリファレンス
      • 1.4.6.1. Line properties
      • 1.4.6.2. 線の種類
      • 1.4.6.3. マーカー
      • 1.4.6.4. カラーマップ
  • 1.5. Scipy: 高水準の科学技術計算
    • 1.5.1. ファイル入出力: scipy.io
    • 1.5.2. 特殊関数: scipy.special
    • 1.5.3. 線形代数演算: scipy.linalg
    • 1.5.4. 高速 Fourier 変換: scipy.fftpack
    • 1.5.5. 最適化とフィット: scipy.optimize
    • 1.5.6. 統計と乱数: scipy.stats
      • 1.5.6.1. 頻度分布と確率密度関数
      • 1.5.6.2. 百分位
      • 1.5.6.3. 統計的検定
    • 1.5.7. 補間: scipy.interpolate
    • 1.5.8. 数値積分: scipy.integrate
    • 1.5.9. 信号解析: scipy.signal
    • 1.5.10. 画像処理: scipy.ndimage
      • 1.5.10.1. 画像の幾何学的変換
      • 1.5.10.2. 画像フィルタ
      • 1.5.10.3. 数理形態学
      • 1.5.10.4. 画像の測定
    • 1.5.11. 科学技術計算の総合演習
      • 1.5.11.1. Sprogø 気象局の最大風速予測
        • 1.5.11.1.1. 統計的方法
        • 1.5.11.1.2. 累積確率の計算
        • 1.5.11.1.3. UnivariateSpline による予測
        • 1.5.11.1.4. 演習 Gumbell 分布
      • 1.5.11.2. 非線形最小2乗フィット：トポロジカル lidar の点抽出
        • 1.5.11.2.1. 導入
        • 1.5.11.2.2. 読み込みと可視化
        • 1.5.11.2.3. 波形を単純な Gauss モデルでフィット
          • 1.5.11.2.3.1. モデル
          • 1.5.11.2.3.2. 初期解
          • 1.5.11.2.3.3. フィット
        • 1.5.11.2.4. より進んで
      • 1.5.11.3. Image processing application: counting bubbles and unmolten grains
        • 1.5.11.3.1. 問題文
        • 1.5.11.3.2. 解答案
      • 1.5.11.4. 画像処理練習問題解答例: ガラスの中の非融解粒
  • 1.6. ヘルプを見る、ドキュメントを探す
• 2. 先進的な話題
  • 2.1. Python の先進的機能を構成するもの
    • 2.1.1. イテレータ、ジェネレータ式、ジェネレータ
      • 2.1.1.1. イテレータ
      • 2.1.1.2. ジェネレータ式
      • 2.1.1.3. ジェネレータ
      • 2.1.1.4. 双方向のコミュニケーション
      • 2.1.1.5. ジェネレータの連鎖
    • 2.1.2. デコレータ
      • 2.1.2.1. 元々のオブジェクトの置換や細工
      • 2.1.2.2. デコレータをクラスや関数として実装する
      • 2.1.2.3. ドキュメンテーション文字列や元の関数の属性をコピーする
      • 2.1.2.4. 標準ライブラリ内での利用例
      • 2.1.2.5. 関数を非推奨にする
      • 2.1.2.6. while ループで余計なものを除くデコレータ
      • 2.1.2.7. プラグイン登録システム
    • 2.1.3. コンテキストマネージャ
      • 2.1.3.1. 例外を捉える
      • 2.1.3.2. コンテキストマネージャの定義にジェネレータを利用する
  • 2.2. Numpy の先進的な機能
    • 2.2.1. ndarray の生態
      • 2.2.1.1. ndarray とは...
      • 2.2.1.2. メモリブロック
      • 2.2.1.3. データ型
        • 2.2.1.3.1. デスクリプタ
        • 2.2.1.3.2. 例: .wav ファイルの読み込み
        • 2.2.1.3.3. キャストと再解釈/ビュー
          • 2.2.1.3.3.1. キャスト
          • 2.2.1.3.3.2. 再解釈 / ビュー
      • 2.2.1.4. インデクス方式: ストライド
        • 2.2.1.4.1. 主要な点
          • 2.2.1.4.1.1. C の順序と Fortran の順序
          • 2.2.1.4.1.2. 整数によるスライス
        • 2.2.1.4.2. 例: ストライドで次元を偽装する
        • 2.2.1.4.3. ブロードキャスト
        • 2.2.1.4.4. さらなる工夫: 対角要素
        • 2.2.1.4.5. CPU キャッシュの効果
        • 2.2.1.4.6. 例: インプレースな演算 (買手責任)
      • 2.2.1.5. 解剖により得た知見
    • 2.2.2. ユニバーサル関数
      • 2.2.2.1. とは何か?
        • 2.2.2.1.1. ufunc のパーツ
        • 2.2.2.1.2. 易しくしてみましょう
      • 2.2.2.2. 演習: ufunc をスクラッチから作る
      • 2.2.2.3. 解答: スクラッチから ufunc を作る
      • 2.2.2.4. 一般化された ufunc
    • 2.2.3. 相互運用のための機能
      • 2.2.3.1. 多次元の型つきデータを共有する
      • 2.2.3.2. 古い buffer プロトコル
      • 2.2.3.3. 古い buffer プロトコル
      • 2.2.3.4. Array インターフェースプロトコル
    • 2.2.4. 配列の競合: chararray, maskedarray, matrix
      • 2.2.4.1. chararray: 文字列演算のベクトル化
      • 2.2.4.2. masked_array 欠損データ
        • 2.2.4.2.1. マスク
        • 2.2.4.2.2. 領域を配慮する関数
      • 2.2.4.3. recarray: 純粋に便利
      • 2.2.4.4. matrix: は便利なの?
    • 2.2.5. まとめ
    • 2.2.6. Numpy/Scipy に貢献するには
      • 2.2.6.1. なぜ
      • 2.2.6.2. バグレポート
        • 2.2.6.2.1. 良いバグレポート
      • 2.2.6.3. ドキュメントへの貢献
      • 2.2.6.4. 機能の貢献
      • 2.2.6.5. 一般的な支援をするには
  • 2.3. コードのデバッグ
    • 2.3.1. バグを避ける
      • 2.3.1.1. トラブルに遭遇しないためのコーディングベストプラクティス
      • 2.3.1.2. pyflakes: 高速な静的解析
        • 2.3.1.2.1. pyflakes を編集中ファイルで実行する
        • 2.3.1.2.2. タイプ毎にスペルチェッカーが走るように統合する
    • 2.3.2. デバッグのワークフロー
    • 2.3.3. Python デバッガを利用する
      • 2.3.3.1. デバッガの呼び出し
        • 2.3.3.1.1. 検死
        • 2.3.3.1.2. ステップ毎の実行
        • 2.3.3.1.3. デバッガを起動する他の方法
      • 2.3.3.2. デバッガーコマンドと対話操作
        • 2.3.3.2.1. デバッガ内のヘルプ表示
    • 2.3.4. gdb を利用してセグメンテーションフォルトをデバッグ
  • 2.4. コードの最適化
    • 2.4.1. 最適化ワークフロー
    • 2.4.2. Python コードのプロファイル
      • 2.4.2.1. Timeit
      • 2.4.2.2. プロファイラ
      • 2.4.2.3. 行毎のプロファイラ
    • 2.4.3. コードの高速化
      • 2.4.3.1. アルゴリズム的最適化
        • 2.4.3.1.1. SVD の例
    • 2.4.4. 高速な数値計算コードを書く
      • 2.4.4.1. 追加のリンク
  • 2.5. Scipy での疎行列
    • 2.5.1. 導入
      • 2.5.1.1. どうして疎行列が必要なの?
      • 2.5.1.2. 疎行列と疎行列の格納方式
      • 2.5.1.3. 典型的な応用
      • 2.5.1.4. 事前準備
      • 2.5.1.5. 疎な構造の可視化
    • 2.5.2. 格納方式
      • 2.5.2.1. 共通のメソッド
      • 2.5.2.2. 疎行列クラス
        • 2.5.2.2.1. 対角圧縮格納方式 (DIA)
          • 2.5.2.2.1.1. 例
        • 2.5.2.2.2. リストのリスト格納方式 (LIL)
          • 2.5.2.2.2.1. 例
        • 2.5.2.2.3. 辞書キー格納方式 (DOK)
          • 2.5.2.2.3.1. 例
        • 2.5.2.2.4. 座標格納方式 (COO)
          • 2.5.2.2.4.1. 例
        • 2.5.2.2.5. 圧縮行格納方式 (CSR)
          • 2.5.2.2.5.1. 例
        • 2.5.2.2.6. 圧縮列格納方式 (CSC)
          • 2.5.2.2.6.1. 例
        • 2.5.2.2.7. ブロック行圧縮格納方式 (BSR)
          • 2.5.2.2.7.1. 例
      • 2.5.2.3. まとめ
    • 2.5.3. 線形方程式の解法
      • 2.5.3.1. 疎行列の直接法によるソルバー
        • 2.5.3.1.1. 例
      • 2.5.3.2. 反復解法
        • 2.5.3.2.1. 共通のパラメーター
        • 2.5.3.2.2. 線形演算子クラス
        • 2.5.3.2.3. 前処理に関するいくつかの注意
      • 2.5.3.3. 固有値問題のソルバー
        • 2.5.3.3.1. eigen モジュール
    • 2.5.4. 他の興味深いパッケージ
  • 2.6. Numpy と Scipy を利用した画像の操作と処理
    • 2.6.1. 画像ファイルを開く、書き込む
    • 2.6.2. 画像の表示
    • 2.6.3. 基本操作
      • 2.6.3.1. 統計情報
      • 2.6.3.2. 幾何学的変換
    • 2.6.4. 画像フィルタ
      • 2.6.4.1. ぼかしと平滑化
      • 2.6.4.2. シャープにする
      • 2.6.4.3. ノイズ除去
      • 2.6.4.4. 数理形態学
    • 2.6.5. 特徴抽出
      • 2.6.5.1. エッジ検出
      • 2.6.5.2. 分割
    • 2.6.6. オブジェクトの性質を計測する: ndimage.measurements
  • 2.7. 数学的最適化: 関数の最小値を求める
    • 2.7.1. 問題を知る
      • 2.7.1.1. 凸関数と非凸関数の最適化の対比
      • 2.7.1.2. 滑らかな場合と滑らかでない場合の問題
      • 2.7.1.3. ノイズがある場合と厳密なコスト関数の対比
      • 2.7.1.4. 拘束条件
    • 2.7.2. 様々な最適化のレビュー
      • 2.7.2.1. 手始めに: 1次元最適化
      • 2.7.2.2. 勾配に基づく方法
        • 2.7.2.2.1. 勾配降下についての直感
        • 2.7.2.2.2. 共役勾配法
      • 2.7.2.3. Newton 法と準 Newton 法
        • 2.7.2.3.1. Newton 法: Hessian (2階微分) を利用
        • 2.7.2.3.2. 準 Newton 法: オンザフライでの Hessian 近似
      • 2.7.2.4. 勾配を必要としない最適化法
        • 2.7.2.4.1. シューティング法: Powell アルゴリズム
        • 2.7.2.4.2. シンプレックス法: Nelder-Mead
      • 2.7.2.5. 大域的な最適化
        • 2.7.2.5.1. ブルートフォース: グリッド探索
    • 2.7.3. scipy での実践的な最適化のためのガイド
      • 2.7.3.1. 手法の選択
      • 2.7.3.2. 最適化を高速化する
      • 2.7.3.3. 勾配の計算
      • 2.7.3.4. 人工的な練習問題
    • 2.7.4. 特殊例: 非線形最小二乗法
      • 2.7.4.1. ベクトル関数のノルムを最小化する
      • 2.7.4.2. 曲線のフィッティング
    • 2.7.5. 拘束条件付きの最適化
      • 2.7.5.1. 箱型の境界
      • 2.7.5.2. 一般的な拘束条件
  • 2.8. C とのインターフェース
    • 2.8.1. 導入
    • 2.8.2. Python-C-Api
      • 2.8.2.1. 例
      • 2.8.2.2. Numpy のサポート
    • 2.8.3. Ctypes
      • 2.8.3.1. 例
      • 2.8.3.2. Numpy のサポート
    • 2.8.4. SWIG
      • 2.8.4.1. 例
      • 2.8.4.2. Numpy のサポート
    • 2.8.5. Cython
      • 2.8.5.1. 例
      • 2.8.5.2. Numpy のサポート
    • 2.8.6. まとめ
    • 2.8.7. 次に読むもの、参考文献
    • 2.8.8. 練習問題
      • 2.8.8.1. Python-C-API
      • 2.8.8.2. Ctypes
      • 2.8.8.3. SWIG
      • 2.8.8.4. Cython
• 3. パッケージとその応用
  • 3.1. Python での統計
    • 3.1.1. データの表示と対話操作
      • 3.1.1.1. 表データ
      • 3.1.1.2. panda データフレーム
        • 3.1.1.2.1. データフレームの作成: データファイルの読み込みや配列の変換
        • 3.1.1.2.2. データの操作
        • 3.1.1.2.3. データのプロット
    • 3.1.2. 仮説検定: 2つのグループの比較
      • 3.1.2.1. Student の t 検定: 最も単純な統計検定
        • 3.1.2.1.1. 1標本t検定: 母集団平均の値を検定
        • 3.1.2.1.2. 2標本t検定: 母集団間の差異を検定
      • 3.1.2.2. 対応のある検定: 同じ個体に繰り返し測定
    • 3.1.3. 線形モデル、多変数、そして分散分析
      • 3.1.3.1. Python で “formulas” を利用して統計モデルを指定する
        • 3.1.3.1.1. 単純な線形回帰
        • 3.1.3.1.2. カテゴリ変数: グループや複数のカテゴリ間で比較
      • 3.1.3.2. 多変数回帰: 複数の要因を含む場合
      • 3.1.3.3. 事後仮説検定: analysis of variance (ANOVA)
    • 3.1.4. より多くの可視化: 統計調査のための seaborn
      • 3.1.4.1. Pairplot: 散布図行列
      • 3.1.4.2. lmplot: 単変量回帰をプロット
    • 3.1.5. 相互関連の検定
    • 3.1.6. Full examples
      • 3.1.6.1. 例
        • 3.1.6.1.1. コード例
        • 3.1.6.1.2. このコースの練習問題解答
  • 3.2. Sympy : Python での代数計算
    • 3.2.1. SymPy での第一歩
      • 3.2.1.1. Sympy を計算機として使う
      • 3.2.1.2. 練習問題
      • 3.2.1.3. Symbols
    • 3.2.2. 代数的操作
      • 3.2.2.1. 展開
      • 3.2.2.2. 簡単化
    • 3.2.3. 微積分
      • 3.2.3.1. 極限
      • 3.2.3.2. 微分
      • 3.2.3.3. 級数展開
      • 3.2.3.4. 積分
      • 3.2.3.5. 練習問題
    • 3.2.4. 方程式の求解
      • 3.2.4.1. 練習問題
    • 3.2.5. 線形代数
      • 3.2.5.1. 行列
      • 3.2.5.2. 微分方程式
  • 3.3. Scikit-image: 画像処理
    • 3.3.1. 導入とコンセプト
      • 3.3.1.1. scikit-image と SciPy エコシステム
      • 3.3.1.2. scikit-image でできること
    • 3.3.2. 入出力、データ型や色空間
      • 3.3.2.1. データ型
      • 3.3.2.2. 色空間
    • 3.3.3. 画像の前処理 / 補正
      • 3.3.3.1. 局所フィルタ
      • 3.3.3.2. 非局所フィルタ
      • 3.3.3.3. 数理形態学
    • 3.3.4. 画像の分割
      • 3.3.4.1. 2値分割: 前面 + 背面
        • 3.3.4.1.1. ヒストグラムに基づく方法： 大津のしきい値選定
        • 3.3.4.1.2. 散らばった画像のつながった要素をラベルづけする
      • 3.3.4.2. マーカーに基づく方法
        • 3.3.4.2.1. 分水嶺 分割
        • 3.3.4.2.2. ランダムウォーク 分割
    • 3.3.5. 領域の特性を測定する
    • 3.3.6. データの可視化と対話操作
    • 3.3.7. コンピュータビジョンのための特徴抽出
  • 3.4. Traits: 対話ダイアログを作る
    • 3.4.1. 導入
    • 3.4.2. 例
    • 3.4.3. Traits とは
      • 3.4.3.1. 初期化
      • 3.4.3.2. 検証
      • 3.4.3.3. ドキュメント
      • 3.4.3.4. 可視化: ダイアログを開く
      • 3.4.3.5. 遅延
      • 3.4.3.6. 通知
      • 3.4.3.7. いくつかのより進んだ traits
  • 3.5. Mayavi による 3D プロット
    • 3.5.1. Mlab: スクリプトインターフェース
      • 3.5.1.1. 3D プロット関数
        • 3.5.1.1.1. 点
        • 3.5.1.1.2. 線
        • 3.5.1.1.3. 立体表面
        • 3.5.1.1.4. 任意の regular mesh
        • 3.5.1.1.5. 体積データ
      • 3.5.1.2. 図と装飾
        • 3.5.1.2.1. 図の管理
        • 3.5.1.2.2. 作図のプロパティを変更する
        • 3.5.1.2.3. 装飾
    • 3.5.2. 対話的な操作
      • 3.5.2.1. “pipeline dialog”
      • 3.5.2.2. スクリプト記録ボタン
    • 3.5.3. データの切り出し: ソース、モジュール、フィルター
      • 3.5.3.1. 例: 磁場を調べる
      • 3.5.3.2. データを異なる視点で: ソースとモジュール
        • 3.5.3.2.1. 異なるソース: scatter と field
        • 3.5.3.2.2. データの変換: フィルタ
        • 3.5.3.2.3. mlab.pipeline: スクリプトレイヤー
    • 3.5.4. データのアニメーション化
    • 3.5.5. 対話的なダイアログの作成
      • 3.5.5.1. 単純なダイアログ
      • 3.5.5.2. 対話的にする
    • 3.5.6. まとめて一緒に
  • 3.6. scikit-learn: Python での機械学習
    • 3.6.1. データセット例の読み込み
      • 3.6.1.1. 学習と予測
    • 3.6.2. 分類
      • 3.6.2.1. k-近傍法による分類
      • 3.6.2.2. サポートベクターマシン (SVMs) での分類
        • 3.6.2.2.1. 線形サポートベクターマシン
        • 3.6.2.2.2. カーネルの利用
    • 3.6.3. クラスタリング: 観測値をグループ分けする
      • 3.6.3.1. K平均クラスタリング
    • 3.6.4. 主成分分析による次元削減
    • 3.6.5. まとめて: 顔認識
    • 3.6.6. Linear model: from regression to sparsity
      • 3.6.6.1. スパースモデル
    • 3.6.7. モデル選択: estimator とパラメータの選択
      • 3.6.7.1. グリッドサーチと交差検証 estimator
        • 3.6.7.1.1. グリッドサーチ
        • 3.6.7.1.2. 交差検証 estimator

ScipyLectures.pdf ScipyLectures-simple.pdf