scipy.optimize.minimize — SciPy v1.11.3 Manual
scipy.optimize.minimize# scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)[source]# Minimization of scalar function of one or more variables. Parameters: funcallableThe objective function to be minimized. where x is a 1-D array with shape (n,) and args is a tuple of the fixed parameters needed
scipy.stats - scipyの統計関数群のAPI - keisukeのブログ
scipyにはstatsという統計関数をまとめたモジュールがあります． statsにはいろいろな統計関数が用意されていますが，APIは統一されていますので，それについてちょっとまとめてみます． どんな統計関数があるの？ かなりの種類があり，すべてを書くわけにはいかないので， 公式のリファレンスへのリンクを置いておきます． 連続確率変数 離散確率変数 API 各統計関数は，scipy.stats.hogeとしてアクセスできます． 例えば，正規分布なら，scipy.stats.normです． APIはすべての統計関数で共通なので，以下では正規分布の例を使います． from scipy.stats import norm # 正規分布 rvs (Random variates) 確率変数 x = norm.rvs(loc=0, scale=1, size=1) 期待値loc，標準偏差scaleの
NumPy・SciPyを用いた数値計算の高速化 : 応用その2 - Qiita
対象 Python及びNumPy初心者に向けて書いています. 「C言語は使えるけど最近Pythonを始めた」とか「Pythonらしい書き方がよくわからない」に該当する物理系の数値計算を目的とした方には特に有用かもしれません. また, 自分の不勉強のために間違った記述があるかもしれません. ご容赦ください. あらまし NumPyを用いた数値計算の高速化 : 基礎 NumPy・SciPyを用いた数値計算の高速化 : 応用その1 の続きになります. 基礎的な数値計算の手法を追っていきますが, 今回は少し発展的な内容も含みます. 代数方程式 / 超越方程式 代数方程式はいわゆる手で解けるふつうの方程式です. 超越方程式は随分大仰な名前ですが, 代数的な手法で解けない方程式のことを指します. 具体的には $$ \sin(x) = \frac{x}{2} $$ こんな子です. この方程式は, 「$\s
NumPy・SciPyによる高速化の実力を見る - Qiita
あらまし 以前の記事でNumPy・SciPyの高速化にまつわる事柄を書きました: NumPyを用いた数値計算の高速化 : 基礎 NumPy・SciPyを用いた数値計算の高速化 : 応用その1 NumPy・SciPyを用いた数値計算の高速化 : 応用その2 ホントに早くなってるの？ちゃんと調べてみましょう. 調査方法 Pythonによるオレオレ実装と比較します. 速度よりシンプルさを重視した実装との比較なので正当な評価とは言い難いかもしれません. Pythonはanaconda3, 時間計測にはIPythonの%timeitを使用します. --実行環境-- OS : Ubuntu16.04 LTS 64bit Python : anaconda3-4.1.1 CPU : Intel Corei5 3550 (4-core / 4-thread) リストの初期化 たとえば行列の初期化です.
1
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
Statistics (scipy.stats) — SciPy v1.1.0 Reference Guide