Scientific Programming
153 subscribers
158 photos
30 videos
138 files
442 links
Tutorials and applications from scientific programming

https://github.com/Ziaeemehr
Download Telegram
Linge-Langtangen2016_Book_ProgrammingForComputations-Pyt.pdf
4.4 MB
Programming for Computations – Python
Hans Petter Langtangen
A Gentle Introduction to Numerical
Simulations with Python

Open access book
#book
#python
#basic
We have this awesome function called sublots_mosaic where you can pass us a layout id'ed on name
axd = plt.subplot_mosaic(
"""
ABD
CCD
""")

Link

#matplotlib
#python
Machine learning in Python with scikit-learn

Ref. 41026
Duration: 8 weeks
Effort: 35 hours
Pace: ~4h15/week

Build predictive models with scikit-learn and gain a practical understanding of the strengths and limitations of machine learning!

#ML
#scikit_learn
#course
A book that will significantly help with your Python 🐍 skills:

"Effective Python. 90 specific ways to write better Python." from Brett Slatkin, 2nd Ed.

#python
#book
It took Huxley 3 weeks to do the calculations of Hodgkin-Huxley 1952 paper.

The caption is slightly wrong. Still an incredible feat!

See Eg here.
Forwarded from آقا معلم
سایت Lynda دات‌کام را لیندا سوزان وین‌من، در سال ۱۹۹۵ همراه با شوهرش راه‌اندازی کرد و در آن به عرضه‌ی دوره‌های آموزشی پرداخت.

تا سال ۲۰۰۴، تنها ۱۰۰ دوره‌ی آموزشی در لیندا عرضه میشد، اما روند رو به رشد آن به گونه‌ای خیز برداشت که طی چند مرحله در سال ۲۰۱۴ توانست سرمایه‌ای برابر با ۱۸۶ میلیون دلار جذب کند.

۹ آوریل ۲۰۱۵ لینکداین اعلام کرد لیندا را در معامله‌ای به ارزش ۱.۵ میلیارد دلار خریده، و در ۱۳ ژوئن ۲۰۱۶، مایکروسافت کل لینکداین را با رقمی بالغ بر ۲۶.۲ میلیارد دلار از آن خود کرد.

لیندا از اکتبر ۲۰۱۷ دیگر به نام LinkedIn Learning شناخته می‌شود. مخاطبین اوائل برای استفاده از Libraryهای غنی آن باید اکانت لینکداین می‌ساختند اما این محدودیت از مارس ۲۰۲۱ برداشته شد.

بیش از ۲۸هزار دوره‌ی آموزشی لیندا در این سرفصل‌ها تقسیم‌بندی شده‌اند:

Software development
Design
Business
Web development
Photography

@Aghmoallem
Forwarded from آقا معلم
آشنایی من با لیندا بر می‌گردد به هفت هشت سال قبل، راستش اولین آموخته‌ی من از دیدن فیلم‌های لیندا این بود که ببینم و بفهمم چگونه باید فیلم آموزشی ساخت!

اون موقع تازه SLR گرفته بودم، چهار پنج نفری می‌رفتیم خونه‌ی دادبه، یک یا دو اپیزود لیندا می‌دیدیم و می‌زدیم تو سر خودمون و دوربین‌هامون، و یاد می‌گرفتیم و در طول هفته به کار می‌بستیم و تجربه می‌اندوختیم. چه روزهایی بود...

همان موقع سادگی و ارزشمندی توامان آموزش‌های لیندا و میزان رشد هر هفته‌مان مرا مسحور کرده بود. فیلم‌های لیندا چند خصوصیت مهم و شاید منحصر به فرد دارند:

- بسیار تر و تمیز و شسته رفته و بی حاشیه و گزافه هستند.
- اساتید هم در مطلب و محتوا، و هم در عرضه و ارائه حقیقتا چیره دست‌اند.
- تکلیف مخاطب همان ابتدا در مورد اینکه با چه دوره‌ای روبرو است، چه پیش‌نیازی دارد، و سرآخر به کجا می‌رود، روشن می‌شود.
- تمام آموزش‌ها پروژه‌محور هستند و فایل‌های نمونه در دسترس مخاطب قرار می‌گیرند. و از آموزش‌های خشک و گنگ خبری نیست.
- تقسیم و چینه‌بندی درس‌ها کاملا حساب‌شده و در نهایت حرفه‌ای‌گری است.
- زمان هر بخش آموزشی کوتاه است و مخاطب مرحله مرحله جلو می‌رود.
- در هر آموزش اشتباهات و ابهامات رایج مطرح می‌شوند و پاسخ داده می‌شوند.
- برای هر آموزش چند سری دوره در سطوح مختلف تدارک دیده شده، و مخاطب می‌تواند از ابتدایی‌ترین سطوح آغاز کند و با توجه به نیازش تا پیشرفته‌ترین‌ها ادامه دهد.

دسترسی به همه فیلم‌های لیندا از ایران طبعا راحت نیست، چون فارغ از بحث تحریم و فیلتر پرداخت دلاری تقریبا امکان‌پزیر نیست. با گوگل‌کردن لیندا، سایت‌هایی را در داخل خواهید یافت، که فیلم‌ها را می‌فروشند! یک کارهایی هم مثلا در تهیه زیرنویس فارسی کرده‌اند.

بسیاری از دوره‌ها بخصوص عمومی‌ترها را اما می‌توانید رایگان دانلود کنید. مجموعه‌هایی که من در GIT دات آی‌آر، p30download دات آی‌آر و Yasdl دات‌کام دیدم کامل و منظم و شسته‌رفته بودند.

درک مطلب از زبان انگلیسی پیش‌نیاز استفاده از دوره‌ها است، اگر نه قطعا به زیرنویس فارسی احتیاج پیدا خواهید کرد.

@Aghmoallem
Mathematics for Machine Learning
Companion webpage to the book

https://mml-book.github.io/

pdf book

#ML
Find interesting courses in data science in this thread.

Link to twitt
4_comparing_graph_properties.mpeg
10.5 MB
Comparing two/multiple networks:
How can I measure similarity between two networks?

Identifying and quantifying dissimilarities among graphs is a fundamental and challenging
problem of practical importance in many fields of science. Current methods of network
comparison are limited to extract only partial information or are computationally very
demanding.

Schieber et. al. introduce a method based on quantifying distance probably distribution extracted from the networks.

Quantification of network structural dissimilarities. ncomms

CompNet tool : A GUI based tool for comparison of multiple biological interaction networks.

Graph distance for complex networks. nature
This media is not supported in your browser
VIEW IN TELEGRAM
And now, variational optimization of H_2^+ visualized with @matplotlib. The energy for a given contraction of the orbital is given as well as the energy for the full minimum and a few other things.

Link to twit
Github