#scipy — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #scipy, aggregated by home.social.
-
https://www.europesays.com/fr/1155774/ Compute! Paris 2026 – LinuxFr.org #actu #ActuParis #Actualités #ActualitésParis #EU #europe #FR #France #jupyter #machine_learning #News #NewsParis #Paris #ParisNews #RépubliqueFrançaise #Sciences #scipy
-
The call for proposals for the SciPy India 2026 Conference is open!
We are looking for 30-minute talks, 3-hour hands-on workshops, and posters on scientific computing and research software, across eight exciting tracks. First-time speakers are warmly welcomed.
Conference: 19th–20th December 2026, IIT Madras, Chennai
CFP closes: 19th October 2026, 23:59 IST -
The call for proposals for the SciPy India 2026 Conference is open!
We are looking for 30-minute talks, 3-hour hands-on workshops, and posters on scientific computing and research software, across eight exciting tracks. First-time speakers are warmly welcomed.
Conference: 19th–20th December 2026, IIT Madras, Chennai
CFP closes: 19th October 2026, 23:59 IST -
The call for proposals for the SciPy India 2026 Conference is open!
We are looking for 30-minute talks, 3-hour hands-on workshops, and posters on scientific computing and research software, across eight exciting tracks. First-time speakers are warmly welcomed.
Conference: 19th–20th December 2026, IIT Madras, Chennai
CFP closes: 19th October 2026, 23:59 IST -
The call for proposals for the SciPy India 2026 Conference is open!
We are looking for 30-minute talks, 3-hour hands-on workshops, and posters on scientific computing and research software, across eight exciting tracks. First-time speakers are warmly welcomed.
Conference: 19th–20th December 2026, IIT Madras, Chennai
CFP closes: 19th October 2026, 23:59 IST -
The call for proposals for the SciPy India 2026 Conference is open!
We are looking for 30-minute talks, 3-hour hands-on workshops, and posters on scientific computing and research software, across eight exciting tracks. First-time speakers are warmly welcomed.
Conference: 19th–20th December 2026, IIT Madras, Chennai
CFP closes: 19th October 2026, 23:59 IST -
The passagemath-10.10.x series follows the #SciPy toolchain roadmap in dropping support for GCC 9, requiring GCC 10.3 or newer.
github.com/passagemath/...
#Python #SageMath #OpenSource #Mathematics
RE: https://bsky.app/profile/did:plc:htd5nd5zj62hey7e7lm3a6ky/post/3ms2hl5dxg22d
Release passagemath-10.10.1.al... -
The passagemath-10.10.x series follows the #SciPy toolchain roadmap in dropping support for GCC 9, requiring GCC 10.3 or newer.
github.com/passagemath/...
#Python #SageMath #OpenSource #Mathematics
RE: https://bsky.app/profile/did:plc:htd5nd5zj62hey7e7lm3a6ky/post/3ms2hl5dxg22d
Release passagemath-10.10.1.al... -
The passagemath-10.10.x series follows the #SciPy toolchain roadmap in dropping support for GCC 9, requiring GCC 10.3 or newer.
github.com/passagemath/...
#Python #SageMath #OpenSource #Mathematics
RE: https://bsky.app/profile/did:plc:htd5nd5zj62hey7e7lm3a6ky/post/3ms2hl5dxg22d
Release passagemath-10.10.1.al... -
The passagemath-10.10.x series follows the #SciPy toolchain roadmap in dropping support for GCC 9, requiring GCC 10.3 or newer.
github.com/passagemath/...
#Python #SageMath #OpenSource #Mathematics
RE: https://bsky.app/profile/did:plc:htd5nd5zj62hey7e7lm3a6ky/post/3ms2hl5dxg22d
Release passagemath-10.10.1.al... -
The passagemath-10.10.x series follows the #SciPy toolchain roadmap in dropping support for GCC 9, requiring GCC 10.3 or newer.
github.com/passagemath/...
#Python #SageMath #OpenSource #Mathematics
RE: https://bsky.app/profile/did:plc:htd5nd5zj62hey7e7lm3a6ky/post/3ms2hl5dxg22d
Release passagemath-10.10.1.al... -
Все, что нужно знать про построение точечных оценок
Что происходит под капотом, когда вы вызываете scipy.stats.norm.fit() ? В статье рассматриваются два классических подхода точечного оценивания параметров — метод моментов и метод максимального правдоподобия — с математическими выводами, экспериментами на Python и визуализацией. Читать статью
https://habr.com/ru/articles/1061846/
#точечные_оценки #метод_моментов #метод_максимального_правдоподобия #математическая_статистика #MLE #python #scipy #data_science
-
Все, что нужно знать про построение точечных оценок
Что происходит под капотом, когда вы вызываете scipy.stats.norm.fit() ? В статье рассматриваются два классических подхода точечного оценивания параметров — метод моментов и метод максимального правдоподобия — с математическими выводами, экспериментами на Python и визуализацией. Читать статью
https://habr.com/ru/articles/1061846/
#точечные_оценки #метод_моментов #метод_максимального_правдоподобия #математическая_статистика #MLE #python #scipy #data_science
-
Все, что нужно знать про построение точечных оценок
Что происходит под капотом, когда вы вызываете scipy.stats.norm.fit() ? В статье рассматриваются два классических подхода точечного оценивания параметров — метод моментов и метод максимального правдоподобия — с математическими выводами, экспериментами на Python и визуализацией. Читать статью
https://habr.com/ru/articles/1061846/
#точечные_оценки #метод_моментов #метод_максимального_правдоподобия #математическая_статистика #MLE #python #scipy #data_science
-
Scipy: "Fundamental algorithms for scientific computing in Python".
scipy.orgI do not know how to use it but who has will.
(It is open source)
#scipy #opensource #usefulweb #algorithm #python #py #programming #tool
-
Scipy: "Fundamental algorithms for scientific computing in Python".
scipy.orgI do not know how to use it but who has will.
(It is open source)
#scipy #opensource #usefulweb #algorithm #python #py #programming #tool
-
Scipy: "Fundamental algorithms for scientific computing in Python".
scipy.orgI do not know how to use it but who has will.
(It is open source)
#scipy #opensource #usefulweb #algorithm #python #py #programming #tool
-
Scipy: "Fundamental algorithms for scientific computing in Python".
scipy.orgI do not know how to use it but who has will.
(It is open source)
#scipy #opensource #usefulweb #algorithm #python #py #programming #tool
-
Ускоряем и оптимизируем numpy, pandas, scipy и sklearn
С момента публикации статьи на Хабре « Импортозамещаем numpy, pandas, scipy и sklearn » прошло почти три года. В течение этого времени я приостановил работу над проектом из-за нехватки времени, ресурсов и сил. К тому же, меня расстроило, что не смог выполнить просьбу пользователя @N-Cube , который активно интересовался моей библиотекой и хотел ускорить работу своего Jupyter Notebook. В самый критический момент на помощь пришел волшебный AI, который, хоть и иногда проявлял недостаток гибкости, с готовностью исполнял все пожелания своего хозяина. Благодаря этому проект начал продвигаться вперед. За это время в библиотеки были добавлены поддержка CUDA, множество ручных SIMD-оптимизаций с динамическим выбором SIMD, несколько реализаций линейной регрессии и многое другое. Давайте рассмотрим, что на сегодняшний день позволяет сделать моя библиотека. Я представлю несколько тестовых примеров в двух вариантах: с использованием AVX-2 на процессоре Intel® Core™ i7-4790K и AVX-512 на Intel® Xeon. Также покажу результаты замеров для каждого из них. Все тесты проводились без использования GPU, исключительно на процессоре. Это позволяет сравнивать производительность Python и моей библиотеки на равных условиях. Операционная система – Ubuntu 24.04, компилятор – GNU 13.3.0.
https://habr.com/ru/articles/1039866/
#C++ #numpy #pandas #scipy #sklearn #opensource #datascience #data_analysis
-
Ускоряем и оптимизируем numpy, pandas, scipy и sklearn
С момента публикации статьи на Хабре « Импортозамещаем numpy, pandas, scipy и sklearn » прошло почти три года. В течение этого времени я приостановил работу над проектом из-за нехватки времени, ресурсов и сил. К тому же, меня расстроило, что не смог выполнить просьбу пользователя @N-Cube , который активно интересовался моей библиотекой и хотел ускорить работу своего Jupyter Notebook. В самый критический момент на помощь пришел волшебный AI, который, хоть и иногда проявлял недостаток гибкости, с готовностью исполнял все пожелания своего хозяина. Благодаря этому проект начал продвигаться вперед. За это время в библиотеки были добавлены поддержка CUDA, множество ручных SIMD-оптимизаций с динамическим выбором SIMD, несколько реализаций линейной регрессии и многое другое. Давайте рассмотрим, что на сегодняшний день позволяет сделать моя библиотека. Я представлю несколько тестовых примеров в двух вариантах: с использованием AVX-2 на процессоре Intel® Core™ i7-4790K и AVX-512 на Intel® Xeon. Также покажу результаты замеров для каждого из них. Все тесты проводились без использования GPU, исключительно на процессоре. Это позволяет сравнивать производительность Python и моей библиотеки на равных условиях. Операционная система – Ubuntu 24.04, компилятор – GNU 13.3.0.
https://habr.com/ru/articles/1039866/
#C++ #numpy #pandas #scipy #sklearn #opensource #datascience #data_analysis
-
Ускоряем и оптимизируем numpy, pandas, scipy и sklearn
С момента публикации статьи на Хабре « Импортозамещаем numpy, pandas, scipy и sklearn » прошло почти три года. В течение этого времени я приостановил работу над проектом из-за нехватки времени, ресурсов и сил. К тому же, меня расстроило, что не смог выполнить просьбу пользователя @N-Cube , который активно интересовался моей библиотекой и хотел ускорить работу своего Jupyter Notebook. В самый критический момент на помощь пришел волшебный AI, который, хоть и иногда проявлял недостаток гибкости, с готовностью исполнял все пожелания своего хозяина. Благодаря этому проект начал продвигаться вперед. За это время в библиотеки были добавлены поддержка CUDA, множество ручных SIMD-оптимизаций с динамическим выбором SIMD, несколько реализаций линейной регрессии и многое другое. Давайте рассмотрим, что на сегодняшний день позволяет сделать моя библиотека. Я представлю несколько тестовых примеров в двух вариантах: с использованием AVX-2 на процессоре Intel® Core™ i7-4790K и AVX-512 на Intel® Xeon. Также покажу результаты замеров для каждого из них. Все тесты проводились без использования GPU, исключительно на процессоре. Это позволяет сравнивать производительность Python и моей библиотеки на равных условиях. Операционная система – Ubuntu 24.04, компилятор – GNU 13.3.0.
https://habr.com/ru/articles/1039866/
#C++ #numpy #pandas #scipy #sklearn #opensource #datascience #data_analysis
-
- statistical distributions in #scipy are great too. I even used a scaled-shifted beta-prime distribution a few weeks ago! (???) (Still #julialang :julia: Distributions.jl is my fave)
- #cmdstanpy works exactly as expected (which is great) but the post-processing of mcmc draws is a bit more cumbersome in Python than in R in my opinion (arviz in Python vs posterior in R) although this might again be matplotlib vs ggplot (did I mention I am not a matplotlib fan?)4/n
-
- statistical distributions in #scipy are great too. I even used a scaled-shifted beta-prime distribution a few weeks ago! (???) (Still #julialang :julia: Distributions.jl is my fave)
- #cmdstanpy works exactly as expected (which is great) but the post-processing of mcmc draws is a bit more cumbersome in Python than in R in my opinion (arviz in Python vs posterior in R) although this might again be matplotlib vs ggplot (did I mention I am not a matplotlib fan?)4/n
-
- statistical distributions in #scipy are great too. I even used a scaled-shifted beta-prime distribution a few weeks ago! (???) (Still #julialang :julia: Distributions.jl is my fave)
- #cmdstanpy works exactly as expected (which is great) but the post-processing of mcmc draws is a bit more cumbersome in Python than in R in my opinion (arviz in Python vs posterior in R) although this might again be matplotlib vs ggplot (did I mention I am not a matplotlib fan?)4/n
-
- statistical distributions in #scipy are great too. I even used a scaled-shifted beta-prime distribution a few weeks ago! (???) (Still #julialang :julia: Distributions.jl is my fave)
- #cmdstanpy works exactly as expected (which is great) but the post-processing of mcmc draws is a bit more cumbersome in Python than in R in my opinion (arviz in Python vs posterior in R) although this might again be matplotlib vs ggplot (did I mention I am not a matplotlib fan?)4/n
-
- statistical distributions in #scipy are great too. I even used a scaled-shifted beta-prime distribution a few weeks ago! (???) (Still #julialang :julia: Distributions.jl is my fave)
- #cmdstanpy works exactly as expected (which is great) but the post-processing of mcmc draws is a bit more cumbersome in Python than in R in my opinion (arviz in Python vs posterior in R) although this might again be matplotlib vs ggplot (did I mention I am not a matplotlib fan?)4/n
-
That's a wrap, #PyConUS! I loved all the conversational talks, documentation writing, and PRS this week. Looking forward to following up with many of you and more collaborations in the future!
If you missed the #python dashboarding tutorial using Shiny, I have all my materials here: https://chendaniely.github.io/pycon-2026-shiny/
If you missed it, hopefully I'll catch you at #SciPy in July!
-
That's a wrap, #PyConUS! I loved all the conversational talks, documentation writing, and PRS this week. Looking forward to following up with many of you and more collaborations in the future!
If you missed the #python dashboarding tutorial using Shiny, I have all my materials here: https://chendaniely.github.io/pycon-2026-shiny/
If you missed it, hopefully I'll catch you at #SciPy in July!
-
That's a wrap, #PyConUS! I loved all the conversational talks, documentation writing, and PRS this week. Looking forward to following up with many of you and more collaborations in the future!
If you missed the #python dashboarding tutorial using Shiny, I have all my materials here: https://chendaniely.github.io/pycon-2026-shiny/
If you missed it, hopefully I'll catch you at #SciPy in July!
-
That's a wrap, #PyConUS! I loved all the conversational talks, documentation writing, and PRS this week. Looking forward to following up with many of you and more collaborations in the future!
If you missed the #python dashboarding tutorial using Shiny, I have all my materials here: https://chendaniely.github.io/pycon-2026-shiny/
If you missed it, hopefully I'll catch you at #SciPy in July!
-
That's a wrap, #PyConUS! I loved all the conversational talks, documentation writing, and PRS this week. Looking forward to following up with many of you and more collaborations in the future!
If you missed the #python dashboarding tutorial using Shiny, I have all my materials here: https://chendaniely.github.io/pycon-2026-shiny/
If you missed it, hopefully I'll catch you at #SciPy in July!
-
正三角形オブジェクトだけでフォントをレンダリングできるわけないじゃん、ムリムリ！(※ムリじゃなかった！？)
https://qiita.com/tropical-362827/items/6be88a910efa81f45791?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items -
正三角形オブジェクトだけでフォントをレンダリングできるわけないじゃん、ムリムリ！(※ムリじゃなかった！？)
https://qiita.com/tropical-362827/items/6be88a910efa81f45791?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items -
#scipy minimal spanning tree
The sketch-a-day archives and tip jar are at: https://abav.lugaralgum.com/sketch-a-day Code for this: https://github.com/villares/sketch-a-day/tree/main/2026/sketch_2026_03_20 #Processing #Python #py5 #CreativeCoding -
#scipy minimal spanning tree
The sketch-a-day archives and tip jar are at: https://abav.lugaralgum.com/sketch-a-day Code for this: https://github.com/villares/sketch-a-day/tree/main/2026/sketch_2026_03_20 #Processing #Python #py5 #CreativeCoding -
#scipy minimal spanning tree
The sketch-a-day archives and tip jar are at: https://abav.lugaralgum.com/sketch-a-day Code for this: https://github.com/villares/sketch-a-day/tree/main/2026/sketch_2026_03_20 #Processing #Python #py5 #CreativeCoding -
#scipy minimal spanning tree
The sketch-a-day archives and tip jar are at: https://abav.lugaralgum.com/sketch-a-day Code for this: https://github.com/villares/sketch-a-day/tree/main/2026/sketch_2026_03_20 #Processing #Python #py5 #CreativeCoding -
#scipy minimal spanning tree
The sketch-a-day archives and tip jar are at: https://abav.lugaralgum.com/sketch-a-day Code for this: https://github.com/villares/sketch-a-day/tree/main/2026/sketch_2026_03_20 #Processing #Python #py5 #CreativeCoding -
@rzeta0 my friend, what do you think about the code using np.roll() (in the linked sketch)?
I'm afraid it would be a bit hard to explain on a short class. So I'll use the simpler inefficient function...
The next big step in efficiency would be using #scipy I think:
def count_live_neighbors(status):
"""Counts the number of neighboring live cells"""
kernel = np.array([
[1, 1, 1],
[1, 0, 1],
[1, 1, 1]
])
return scipy.signal.convolve2d(status, kernel, mode='same', boundary="wrap") -
@rzeta0 my friend, what do you think about the code using np.roll() (in the linked sketch)?
I'm afraid it would be a bit hard to explain on a short class. So I'll use the simpler inefficient function...
The next big step in efficiency would be using #scipy I think:
def count_live_neighbors(status):
"""Counts the number of neighboring live cells"""
kernel = np.array([
[1, 1, 1],
[1, 0, 1],
[1, 1, 1]
])
return scipy.signal.convolve2d(status, kernel, mode='same', boundary="wrap") -
@rzeta0 my friend, what do you think about the code using np.roll() (in the linked sketch)?
I'm afraid it would be a bit hard to explain on a short class. So I'll use the simpler inefficient function...
The next big step in efficiency would be using #scipy I think:
def count_live_neighbors(status):
"""Counts the number of neighboring live cells"""
kernel = np.array([
[1, 1, 1],
[1, 0, 1],
[1, 1, 1]
])
return scipy.signal.convolve2d(status, kernel, mode='same', boundary="wrap") -
@rzeta0 my friend, what do you think about the code using np.roll() (in the linked sketch)?
I'm afraid it would be a bit hard to explain on a short class. So I'll use the simpler inefficient function...
The next big step in efficiency would be using #scipy I think:
def count_live_neighbors(status):
"""Counts the number of neighboring live cells"""
kernel = np.array([
[1, 1, 1],
[1, 0, 1],
[1, 1, 1]
])
return scipy.signal.convolve2d(status, kernel, mode='same', boundary="wrap") -
@rzeta0 my friend, what do you think about the code using np.roll() (in the linked sketch)?
I'm afraid it would be a bit hard to explain on a short class. So I'll use the simpler inefficient function...
The next big step in efficiency would be using #scipy I think:
def count_live_neighbors(status):
"""Counts the number of neighboring live cells"""
kernel = np.array([
[1, 1, 1],
[1, 0, 1],
[1, 1, 1]
])
return scipy.signal.convolve2d(status, kernel, mode='same', boundary="wrap") -
I love this logo for the upcoming #SciPy (#Scientific #Python) conference coming up this summer in #Minneapolis #Minnesota
-
I love this logo for the upcoming #SciPy (#Scientific #Python) conference coming up this summer in #Minneapolis #Minnesota
-
I love this logo for the upcoming #SciPy (#Scientific #Python) conference coming up this summer in #Minneapolis #Minnesota
