پایتون

کتابخانه Seaborn برای مصورسازی داده در پایتون: بخش سوم

کتابخانه Seaborn را در این مقاله مورد توجه قرار می دهیم که یک کتابخانه بسیار مفید مصورسازی داده در پایتون محسوب می گردد. کتابخانه Seaborn روی Matplotlib ساخته می شود و قابلیت های پیشرفته بسیاری در رابطه با مصورسازی داده ارائه می کند.

در مقاله اول نحوه استفاده از کتابخانه Seaborn برای رسم نمودارهای توزیعی و در مقاله دوم نحوه رسم نمودارهای دسته ای(categorical) را مورد بررسی قرار دادیم. در این مقاله نحوه رسممودارهای رگرسیونی، نمودارهای ماتریسی و نمودارهای شبکه ای مورد توجه قرار خواهد گرفت.

کتابخانه Seaborn برای مصورسازی داده در پایتون: بخش دوم

Seaborn را در این مقاله مورد توجه قرار می دهیم که یک کتابخانه بسیار مفید مصورسازی داده در پایتون محسوب می گردد. کتابخانه Seaborn روی Matplotlib ساخته می شود و قابلیت های پیشرفته بسیاری در رابطه با مصورسازی داده ارائه می کند.

در مقاله قبلی نحوه استفاده از کتابخانه Seaborn برای رسم نمودارهای توزیعی را مورد بررسی قرار دادیم. در این مقاله نحوه رسم نمودارهای دسته ای(categorical) مورد توجه قرار خواهد گرفت.

کتابخانه Seaborn برای مصورسازی داده در پایتون: بخش اول

Seaborn را در این مقاله مورد توجه قرار می دهیم که یک کتابخانه بسیار مفید مصورسازی داده در پایتون محسوب می گردد. کتابخانه Seaborn روی Matplotlib ساخته می شود و قابلیت های پیشرفته بسیاری در رابطه با مصورسازی داده ارائه می کند.
کتابخانه Seaborn را جهت رسم انواع چارت هایی چون نمودارهای ماتریسی، نمودارهای شبکه ای (Grid)، نمودارهای رگرسیونی و غیره می توان مورد استفاده قرار داد.

The Keras Functional API: چند مثال ساده

ساخت مدل در Keras، کار ساده و آسانی است. چنانچه این مقاله را میخوانید احتمالا با مدل ترتیبی (Sequential) و استفاده از لایه های مختلف جهت تشکیل مدل های ساده آشنا هستید. اما اگر بخواهید کار پیچیده تری انجام دهید، چی؟
Functional API یا API تابعی درواقع بهترین گزینه برای ساخت مدل های پیچیده به حساب می آید، چراکه قادر به انجام انواع اموری است که با مدل ترتیبی صرف، امکان پذیر نیستند.
پنج مورد از این مثال ها را در این پست مرور خواهیم کرد. فرض من بر این است که شما یک پیش زمینه در کار با Keras و در شرایط ایده آل، کار با API تابعی، از قبل دارید.