3. パッケージとその応用

この部では広範囲な要望に便利な様々な科学技術パッケージについての scipy lecture notes です。

• 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
  • 3.1.2. 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
    • 3.1.2.2. 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
    • 3.1.3.2. 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
• 3.2. 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
    • 3.3.4.2. マーカーに基づく方法
  • 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
    • 3.5.1.2. 図と装飾
  • 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
  • 3.5.4. 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
  • 3.6.3. 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