Julia
はじめまして。 デンソーアイティーラボラトリの関川といいます。よろしくおねがいします。 9月1日から現在米国のボストンにあるMIT MEDIA LABにて9ヶ月の任期で研修をしています。来年の5月末までMITで行われている面白い研究などを紹介できたらと思います。 今回は、学生に「速いくていいよ」と教えてもらった「Julia」という数値計算ソフトの紹介をしたいと思います。 Juliaとは、Matlab、R、Octaveのような数値計算言語の一種です。 今回は、Juliaの大雑把な概要と、MacでのGUI環境のセットアップ方法について説明したいと思います。 すでにJuliaをインストールしている人は、MIT Open CoursewareのでJuliaを使った計算方法についてのチュートリアルが公開されているのでとても参考になります。 [概要] まず、Juliaの特徴について。 Juliaの一番
sympyでいろいろ計算する - 忘れないようにメモっとく
記号計算ができるpythonライブラリのsympyを使ってみた。 因数分解とか微分とか、mathematica風の機能がpythonでも使えるようになる。 インストール $ pip install sympy 数式をきれいに表示するために、ipython notebookを使うのがオススメ。 from sympy import * # 数式の表示をするためのメソッド init_printing() # 使用する変数の定義 x, y, z = symbols('x y z') # 方程式をつくる expr = exp(x)/y + z**2 expr # 展開 expand((x + y)**3) # 因数分解 factor(x**2 + 2*x*y + y**2) # 方程式を簡単にする sympify((x + 2*x + x**3)*4 + 3 + x + 4*x) # 方程式を解く
Pythonのイテレータとジェネレータ - Qiita
Pythonのイテレータ(iterator)とジェネレータ(generator)についてまとめてみます。 (追記2018.12.25: Python3の文法に全面的に置き換えました) イテレータ: 要素を反復して取り出すことのできるインタフェース ジェネレータ: イテレータの一種であり、1要素を取り出そうとする度に処理を行い、要素をジェネレートするタイプのもの。Pythonではyield文を使った実装を指すことが多いと思われる Python組み込みのコレクション(list, tuple, set, dictなど)はどれもイテレーション可能ですが、組み込みのコレクションを使った繰り返し処理ではあらかじめコレクションに値を入れておく必要があるため、以下のようなケースではイテレータやジェネレータを自分で実装したいというケースがあると思います。 無限に繰り返すイテレーション 要素すべてをあらかじめ
Julia+SymPyの勝手なまとめ - たけし備忘録
自分の気になったところだけメモしていく形です 基本的にはJuliaのSymPyパッケージ内に入っているtutorial.mdというファイルから抜粋する形です。 SymPy の導入 シンボルの生成 1つずつシンボルを生成 複数のシンボルを一気に生成 特殊な定数 PI, E, oo 代入 前準備 シンボルxにシンボルyを代入 シンボルxに数値1を代入 前準備 便利な代入1 便利な代入2 便利な代入3 シンボルから数値への変換 方程式の解 前準備 解を得る1 x^2+x+1=0 解を得る2 x^2+x+1=1 解を得る3 x^2+x+1=0 極限 基本の計算方法 右極限と左極限 数値計算 関数の定義 微分 diff関数のオプション 偏微分 積分 不定積分 より一般的な書き方 定積分 重積分 テイラー展開 第n部分和と無限級数 基本的な使い方 limit関数を使った無限級数 SymPy の導入 ま
BayesDB – MIT Probabilistic Computing Project
BayesDB is a probabilistic programming platform that provides built-in non-parametric Bayesian model discovery. BayesDB makes it easy for users without statistics training to search, clean, and model multivariate databases using an SQL-like language. BayesDB is based on probabilistic programming, an emerging field based on the insight that probabilistic models and inference algorithms are a new ki
岩波データサイエンス
岩波データサイエンス サポートページ 各巻に対応する内容は，上のバーの３本線「三」をクリックして左に表示されるメニューからご覧ください （トップページの内容が空白の場合も，メニューで下位の階層をクリックして頂くと内容が表示される場合があります） 新グーグル・サイトに移行しました．自動変換のため，見難くなっている部分，表示されない部分がありますが，ご容赦ください シリーズ「岩波データサイエンス」では、統計科学や機械学習など、データを扱うさまざまな分野について、多様な視点からの情報を提供することをめざします。まったくの初歩からやや高度な話までのいろいろな手法の解説、実務に役立つソフトの使い方、さらには各領域のサイエンスや応用に踏み込んだ内容まで、多彩な記事を掲載します。 装丁には蛯名優子さんの作品を使わせて頂いています。蛯名さんのホームページはこちらです。 【公式ツイッターアカウント】ツイッタ
Stanで統計モデリングを学ぶ(1): まずはStanの使い方のおさらいから - 渋谷駅前で働くデータサイエンティストのブログ
（※Stan v2.4.0以降でインストール方法に若干変更があります！詳しくはこの記事の中ほどをご覧ください） さて、年初の抱負でも語ったように今年はStanを頑張って会得していこうと思います。理由は簡単で、ありったけの要素を詰め込んでMCMCサンプラーでガンガン推定していくような階層ベイズモデリングに自分の興味としても惹かれる上に、実務でも必要になりそうな見通し*1だからです。 Stan: Project Home Page 既に以前の記事でも簡単に触れてますが、StanはC++ベースのコンパイラで高速化させたMCMCサンプラーです。文法も簡単でなおかつ高速なので、BUGSでは時間がかかり過ぎて辛かった計算でも比較的サクサク回せます。 このシリーズを通して参考にするのは、@berobero11さんのブログです。 Small Data Scientist Memorandum 本当にもう、
Jupyter NotebookをGitHub上で公開する - abcdefg.....
Jupyter NotebookをGitHubで公開したメモです。 作成したJupyter NotebookをGitHub上で公開してみようと思います。 GitHubではJupyter Notebookをサポートしていて、 GitHub上でレンダリングすることができます。 github.com Notebook作成 以前作成したランダム値の線形回帰のプログラムをNotebookにしてみます。 pppurple.hatenablog.com まずは、コマンドをNotebookに張り付けていきます。 最後にplt.show()すると、下記の様にグラフが別ウィンドウで表示されてしまいます。 インラインでグラフを表示するために、1行目に %matplotlib inline を記述してshift + Enterで再実行します。 すると、グラフがNotebook上で表示されました。 Markdown
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
GitHub - jverzani/SymPy.jl: Julia interface to SymPy via PyCall
GitHub - dpsanders/scipy_2014_julia