آموزش Jupyter و پایتون: بصری‌سازی، بهینه‌سازی و شتاب‌بخشی - آخرین آپدیت

شروع کار با Jupyter و IPython Getting Started with Jupyter & IPython

• مقدمه‌ای بر Jupyter و IPython Notebook Introduction Jupyter or IPython Notebook

• راه‌اندازی محیط Environment Setup

• نصب Ipython Notebook Installation of Ipython Notebook

• پیکربندی Jupyter Notebook Configuring Jupyter Notebook

• بررسی IPython Notebook IPython Notebook

• بیشتر درباره IPython Notebook More on IPython Notebook

• محاسبات حسابی ساده Simple Arithmetic Calculations

• ادامه کار با محاسبات حسابی Working on Arithmetic Calculation Continues

• تعاریف پایه Basic Definitions

• سلول‌های Markdown Markdown Cells

تسلط بر بصری‌سازی داده‌ها Mastering Data Visualization

• کتابخانه Matplot Matplot Library

• نمودارهای خطی Line Plots

• نمودارهای پراکندگی (Scatter) Scatter Plots

• هیستوگرام‌ها Histograms

• ذخیره نمودارها در فایل Writing Plots to File

• تابع Numpy Arange Numpy Arange

• ادامه Numpy Arange Numpy Arange Continues

• آرایه‌های Numpy Numpy Arrays

• ترسیم یک نمودار کامل A Complete Graph

• کنترل رنگ‌ها Color Control

• فرمت‌بندی نشانگرها (Markers) Formatting Markers

• جزئیات هیستوگرام‌ها Histograms in Detail

• ادامه جزئیات هیستوگرام‌ها Histograms in Detail Continues

• نمودارهای ستونی (Bar Charts) Bar Charts

• نمودارهای دایره‌ای (Pie Charts) Pie Charts

• نمودارهای پراکندگی Scatter Charts

• نمودارهای قطبی Polar Charts

تکنیک‌های حرفه‌ای ترسیم نمودار Professional Plotting Techniques

• حاشیه‌نویسی و متن‌ها Annotations and Texts

• تزیین فلش‌ها Decorating Arrows

• بررسی Ipython Pylab Ipython Pylab

• ترسیم چندین محور PLotting Multiple Axes

• محورهای لگاریتمی Logarithmic Axes

• محورهای مشترک Shared Axes

• فرمت‌بندی تاریخ با Matplotlib Date Formatting with Matplotlib

• ادامه فرمت‌بندی تاریخ با Matplotlib Date Formatting with Matplotlib Continues

• فرمت‌بندی تاریخ و روزها Date and Days Formatting

• ماژول Mathtext Mathtext Module

• رندرهای LaTex LaTex Renderers

• ترسیم نمودارهای کانتور (Contour) Contour Plotting

• ترسیم تصاویر Image Plotting

قابلیت‌های پیشرفته IPython Advanced IPython Functionalities

• توابع داخلی Built in Functions

• رندرینگ Java Script و HTML Java Script and HTML Rendering

• استفاده از ویجت‌های Java Script Using Java Script Widgets

• ادامه استفاده از ویجت‌های Java Script Using Java Script Widgets Continues

• قابلیت CSV Magic CSV Magic

• بیشتر درباره CSV Magic More on CSV Magic

• سیستم پیکربندی IPython IPython Configuration System

• دستورات Magic Magic Commands

• ایجاد کرنل در IPython Creating a Kernel in IPython

• ادامه ایجاد کرنل در Ipython Creating a Kernel in Ipython Continues

• تابع Do Execute Do Execute Function

• تست واحد خودکار (Automated Unit Testing) Automated Unit Testing

• ادامه تست واحد خودکار Automated Unit Testing Continues

بهینه‌سازی عملکرد پایتون Optimizing Python for Performance

• درک JSON Understanding JSON

• تبدیل Notebookها Converting Notebooks

• ابزار IPython NB Convert IPython NB Convert

• ویجت تعاملی پیانو Interactive Piano Widget

• ادامه ویجت تعاملی پیانو Interactive Piano Widget Continues

• خطای Set CSS Attribute Set CSS Attribute Error

• ساخت ویرایشگر جدول با JavaScript Creating JavaScript Spreadsheet Editor

• ادامه ساخت ویرایشگر جدول با JavaScript Creating JavaScript Spreadsheet Editor Continues

• تابع Update Update Function

• بررسی Data Frame Self Data Frame Self

• پردازش تصاویر وب‌کم در زمان واقعی Processing Real Time Webcam Images

• بیشتر درباره تصاویر وب‌کم More on Webcam Images

• افزودن Event Lister Add Event Lister

• بهینه‌سازی و پروفایلینگ توابع کد Optimizing and Profiling Code Functions

• بهینه‌سازی زودهنگام (Premature Optimization) Premature Optimization

• پروفایلینگ خط‌به‌خط کد Profiling Code Line by Line

• درک عملیات آرایه‌های NumPy Understanding Operation of NumPy Arrays

• پردازش آرایه‌های NumPy با Memory Mapping Processing NumPy Arrays with Memory Mapping

محاسبات موازی و با کارایی بالا High-Performance & Parallel Computing

• سی‌پایتون و برنامه‌نویسی همزمان (Concurrent) Cpython and Concurrent Programming

• محاسبات Numba Numba Computing

• ادامه محاسبات Numba Numba Computing Continues

• سرعت بخشیدن به کار با Numba Working Faster with Numba

• سرعت بخشیدن به کار با Numexpr Working Faster with Numexpr

• نوشتن کتابخانه‌های C در پایتون Writing C Libraries in Python

• بازسازی پروژه (Rebuild) Rebuild Project

• شتاب‌بخشی به کد پایتون با Cython Accelerating Python code with Cython

• بارگذاری ext Cython Load ext Cython

• ترکیب پایتون با C Combining Python with C

• ادامه ترکیب پایتون با C Combining Python with C Continues

• مثال Ray Tracer Ray Tracer Example

• توابع مختلف Normalize Different Normalize Function

• محاسبات موازی ناهمگام (Asynchronous) Asynchronous Parallel Computing

• ادامه محاسبات موازی ناهمگام Asynchronous Parallel Computing Continues

• محاسبات موازی با کلاسترهای متعدد Parallel Computing with Multiple Clusters

• بصری‌سازی پیشرفته با Prettyplotlib Advanced Visualization with Prettyplotlib

• محاسبات عددی پویا با Julia Dynamic Numerical Computing with Julia

• بیشتر درباره محاسبات با Julia More on Computing with Julia

• ترسیم با Gadfly Gadfly Plotting

• افزودن PyPlot در Julia Julia - Add PyPlot

• رابط تبادل پیام (MPI) Message Passing Interface

• مقایسه محاسبات Numpy در مقابل Numba JIT Numpy vs Numba JIT Computation

• استفاده از Seaborn برای ترسیم‌های آماری Using Seaborn for Statistical plotting

• ترسیم نمودارها با D3 Javascript Plotting graphs with D3 Javascript

• ادامه ترسیم نمودارها با D3 Javascript Plotting graphs with D3 Javascript Continues