საკვანძო სიტყვები
შესრულების ინტეგრირებული გარემო Pycharm
ბიბლიოთეკები: SciPy, NumPy, Matplotlib
როგორ უნდა ციტირება
ანოტაცია
განხილულია Python დაპროგრამების ენის ფართო შესაძლებლობები სამეცნიერო-ტექნიკური ამოცანების გადაწყვეტის მიზნით. შემუშავებულია ვექტორების სკალარული ნამრავლის გამოთვლის, წრფივ განტოლებათა სისტემის და პირველი რიგის დიფერენციალური განტოლების ამოხსნის და დაპროგრამების სხვადასხვა ენის web-ში, მონაცემთა მეცნიერებასა და თამაშებში გამოყენების ამსახველი პროგრამული კოდები.
დასმული ამოცანების პროგრამული რეალიზების მიზნით შემოთავაზებულია Python დაპროგრამების ენის ისეთი მნიშვნელოვანი ბიბლიოთეკები, როგორიცაა: numpy - მასივებზე ოპერაციის შესრულებისთვის, SciPy - დიფერენციალური განტოლებების რიცხვითი ამოხსნისა და ფუნქციების ოპტიმიზაციისთვის, Matplotlib - მონაცემების დამუშავების, გაფილტვრისა და ვიზუალიზაციისთვის. პროგრამული კოდების შედეგები წარმოდგენილია როგორც კონსოლზე, ასევე გრაფიკული ფორმით.
პროგრამები შესრულებულია Pycharm ინტეგრირებულ გარემოში, რომელიც გამოირჩევა მოქნილობითა და პროგრამისტისთვის კომფორტული შესაძლებლობებით.
ვიმედოვნებთ, რომ სტატია სასარგებლო იქნება როგორც დამწყებთათვის, ასევე გამოცდილი პროფესიონალებისთვის, რომლებიც დაინტერესებულნი არიან Python-ის გამოყენებით სამეცნიერო და ტექნიკურ კვლევებში.
წყაროები
W. McKinney Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. Sebastopol, CA: O’Reilly Media. 2018.
J. VanderPlas. Python Data Science Handbook: Essential Tools for Working with Data. Sebastopol, CA: O’Reilly Media. 2016.
M. Lutz. Learning Python: Powerful Object-Oriented Programming. Sebastopol, CA: O’Reilly Media, 2013.
M. Waskom. Seaborn: statistical data visualization. Journal of Open Source Software, 5(86), 3529. 2020.
J. D. Hunter. Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90-95. 2007.
L. Gachechiladze. Python Programming Language. Publishing House “Technical University”. 2018