https://yiyibooks.cn/xx/scipy_lecture_notes/index.html
Scipy-lecture-notes搜集整理了Python在科学计算的资料和指南。这些文档用rest标记语言（.rst后缀）写成，用Sphinx构建。在Creative Commons Attribution 3.0 United States License下发布。 这里有一个在线的版本：http://scipy-lectures.github.io/
科学计算 Python 生态系统教程：快速介绍中心工具和技术。每个不同的章节对应一个 1 到 2 小时的课程，从初学者到专家的专业水平不断提高。 英文原版：https://scipy-lectures.org/ 由于历史时间原因，中文版的文中有大量图片丢失，请参照着英文版本对应章节进行查看和对照。
프론트엔드 개발 환경의 이해 "프론트엔드 개발 환경의 이해와 실습" 강의 자료입니다. 강의노트: 프론트엔드 개발 환경의 이해: NPM 프론트엔드 개발 환경의 이해: 웹팩(기본) 프론트엔드 개발 환경의 이해: Babel 프론트엔드 개발 환경의 이해: 린트 프론트엔드 개발 환경의 이해: 웹팩(심화) 실습: jeonghwan-kim/lecture-frontend
SciPy (pronounced "Sigh Pie") 是一个开源的数学、科学和工程计算包。 示例代码： from scipy import optimize, specialfrom numpy import *from pylab import * x = arange(0,10,0.01) for k in arange(0.5,5.5): y = special.jv(k,x)
ODR代表正交距离回归，用于回归研究。 基本线性回归通常用于通过在图上绘制最佳拟合线来估计两个变量和之间的关系。 用于此的数学方法称为最小平方，旨在最小化每个点的平方误差总和。 这里的关键问题是如何计算每个点的误差(也称为残差)？ 在一个标准的线性回归中，目的是从值预测值 - 因此明智的做法是计算值的误差(如下图所示的灰线所示)。 但是，有时考虑和的误差(如下图中的红色虚线所示)更为明智。 例如
主要内容：图表示,获取单词列表CSGraph表示压缩稀疏图，它着重于基于稀疏矩阵表示快速图算法。 图表示 首先，让我们了解一个稀疏图是什么以及它在图表示中的作用。 稀疏图是什么？ 图只是节点的集合，它们之间有链接。 图几乎可以代表任何事物 - 社交网络连接，每个节点都是一个人，并且与熟人相连; 图像，其中每个节点是像素并连接到相邻像素; 指向一个高维分布，其中每个节点连接到最近的邻居; 实际上你可以想象的任何其他东西。 表示图
主要内容：打开和写入图像文件,滤镜,边缘检测,以下是纠正/补充内容：SciPy的子模块专用于图像处理。这里，表示一个维图像。 图像处理中一些最常见的任务如下: 输入/输出，显示图像 基本操作 - 裁剪，翻转，旋转等 图像过滤 - 去噪，锐化等 图像分割 - 标记对应于不同对象的像素 分类 特征提取 注册/配准 下面来看看如何使用SciPy实现其中的一些功能。 打开和写入图像文件 SciPy中的包附带了一些图像。在这里，使用这些图像来学习图像操作。请看看下面的例子。
主要内容：线性方程组,查找一个行列式,特征值和特征向量,奇异值分解SciPy是使用优化的ATLAS LAPACK和BLAS库构建的。 它具有非常快的线性代数能力。 所有这些线性代数例程都需要一个可以转换为二维数组的对象。 这些例程的输出也是一个二维数组。 SciPy.linalg与NumPy.linalg 包含中的所有函数。 另外，还有一些不在中的高级函数。 在上使用的另一个优点是它总是用支持编译，而对于NumPy，这是可选的。 因此，根据NumPy的安装方式，
