Scipy از آرایه هایی مانند ساختار داده های پایه برای جبر پروژه های تمرینی پایتون خطی، حساب دیفرانسیل و انتگرال و سایر مفاهیم مشابه استفاده می کند.
پانداها برای فریم های داده استفاده می شوند و Matplotlib برای تجسم داده ها در قالب نمودارها و نمادها استفاده می شود.
بهترین استفاده ممکن از پایتون برای تجسم داده ها است. پروژه های تمرینی پایتون همانطور که خروجی داده های عددی مفید است، نیازهای زیادی برای نمایش بصری داده ها وجود دارد.
با بازنمایی بصری، فقط یک تعمیم است. هر چیزی اعم از ایجاد نمای ظاهری یا رابط کاربری گرافیکی (GUI) گرفته تا رسم داده های عددی به عنوان نقاط روی یک نمودار.
Matplotlib برای رسم نقاط داده بر روی یک نمودار استفاده می شود. و Matplotlib یک کتابخانه رسم برای زبان برنامه نویسی پایتون و پسوند ریاضی عددی NumPy است. این یک API شی گرا برای جاسازی نمودارها در برنامه ها با استفاده از جعبه ابزار GUI همه منظوره مانند Tkinter، wxPython، Qt یا GTK+ ارائه می دهد.
گزینه های زیادی برای انجام نمودارهای سه بعدی در پروژه های تمرینی پایتون پایتون وجود دارد، اما در اینجا چند روش معمول و آسان با استفاده از Matplotlib وجود دارد.
به طور کلی، اولین گام این است که یک محور سه بعدی ایجاد کنید و سپس هر یک از نمودارهای سه بعدی را رسم کنید که داده ها را برای یک نیاز خاص به بهترین شکل نشان می دهد. برای استفاده از Matplotlib، جعبه ابزار mplot3d که با نصب Matplotlib همراه است باید وارد شود:
از mpl_toolkits import mplot3d
سپس برای ایجاد یک محور سه بعدی می توانید این کد را اجرا کنید:
<pre id="3346" class="graf graf--pre graf-after--p">%matplotlib درون خطی
numpy را به عنوان np وارد کنید
matplotlib.pyplot را به صورت plt وارد کنید
fig = plt.figure()
ax = plt.axes(projection='3d')</pre>
در داخل این محورهای سه بعدی است که می پروژه های تمرینی پایتون توان یک نمودار ترسیم کرد، مهم است که بدانیم چه نوع نمودار (یا ترکیبی از نمودارها) برای توصیف داده ها بهتر است.
در این مرحله از زمان، باید توجه داشته باشید که این پایه ما برای ترسیم بیشتر است.
نقاط و خطوط:
تصویر زیر 2 نمودار را ترکیب می کند، یکی با پروژه های تمرینی پایتون خطی که از هر نقطه داده می گذرد، و دیگری که روی هر یک از 1000 مقدار خاص در این مثال یک نقطه ترسیم می کند.
وقتی می خواهید آن را تجزیه و تحلیل کنید، کد در واقع بسیار ساده است. ما از توابع مثلثاتی استاندارد برای رسم مجموعه ای از مقادیر تصادفی برای به دست آوردن طرح ریزی خود در 3 بعد استفاده کرده ایم.
کد:
ax = plt.axes(projection='3d')# داده برای یک خط سه بعدی
zline = np.linspace(0، 15، 1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D (xline، yline، zline، "خاکستری")# داده برای نقاط پراکنده سه بعدی
zdata = 15 * np.random.random(100)
xdata = np.sin(zdata) + 0.1 * np.random.randn(100)
ydata = np.cos(zdata) + 0.1 * np.random.randn(100)
ax.scatter3D(xdata، ydata، zdata، c=zdata، cmap='Greens');
نمودارهای کانتور سه بعدی:
ورودی نمودار کانتور کمی متفاوت از نمودار قبلی است، پروژه های تمرینی پایتون زیرا به داده ها در یک شبکه دو بعدی نیاز دارد.
توجه داشته باشید که در مثال زیر که پس از تخصیص مقادیر برای x و y، با اجرای “np.meshgrid(x,y)” روی یک شبکه ترکیب شده و سپس مقادیر Z از اجرای تابع f(X,Y) ایجاد میشوند. با مقادیر شبکه (Z=f(X,Y)).
دوباره، طرح سه بعدی اصلی در کد زیر ساده شده است:
def f(x,y):
بازگشت np.sin(np.sqrt(x ** 2 + y ** 2))
x = np.linspace(-6، 6، 30)
y = np.linspace(-6، 6، 30)
X، Y = np.meshgrid(x، y)
Z = f(X, Y)fig = plt.figure()
ax = plt.axes(projection='3d')
ax.contour3D(X، Y، Z، 50، cmap='دودویی')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z');
در نمودارهای قبلی، دادهها به ترتیب تولید میشدند، اما در پروژه های تمرینی پایتون زندگی واقعی گاهی اوقات دادهها مرتب نمیشوند، برای این موارد، مثلثسازی سطح بسیار مفید است زیرا با یافتن مجموعههایی از مثلثهایی که بین نقاط مجاور تشکیل شدهاند، سطوح را ایجاد میکند.
مثلث بندی سطحی:
تتا = 2 * np.pi * np.random.random(1000)
r = 6 * np.random.random(1000)
x = np.ravel(r * np.sin(تتا))
y = np.ravel(r * np.cos(تتا))
z = f(x, y)
ax = plt.axes (projection='3d')
ax.plot_trisurf(x, y, z,cmap='viridis', edgecolor='none');
اکنون که با چگونگی گسترش دامنه یادگیری برنامه نویسی نوجوانان پایتون پروژه های تمرینی پایتون با نگاه کردن به کتابخانههای خارجی آشنا شدیم، میتوانیم پیش برویم و سطح بعدی پروژههای پایتون را که سطح پیشرفته است، بررسی کنیم.
پروژه های پیشرفته با پایتون
پایتون کاربردهای گسترده ای دارد - همه چیز از "Hello World" تا دستیابی به هوش مصنوعی.
پروژههای تقریبا نامحدودی وجود دارند که میتوانید با استفاده از پایتون روی آنها کار کنید، اما در اینجا پروژههای اصلی وجود دارد که اگر میخواهید در قلب پایتون شیرجه بزنید، میتوانید آنها را در نظر بگیرید.
یادگیری ماشین با PyTorch، TensorFlow، Keras و هر کتابخانه یادگیری ماشینی که دوست دارید.
بینایی کامپیوتر با استفاده از OpenCV و PIL.
ایجاد و انتشار ماژول پیپ خود با آزمایش ها و مستندات.
در میان همه اینها، قطعاً مورد علاقه من کار بر روی یادگیری ماشینی و یادگیری عمیق است. اجازه دهید به یک مورد کاربردی بسیار خوب برای یادگیری عمیق پایتون نگاه کنیم.
پیاده سازی CIFAR10 با استفاده از TensorFlow در پایتون
بیایید شبکه ای را برای طبقه بندی تصاویر ا Python practice projects ز مجموعه داده CIFAR10 با استفاده از شبکه عصبی Convolution داخلی TensorFlow آموزش دهیم.