ساختار دایرکتوری: موارد و اجرا

یک پرونده حاوی تمام اطلاعات مورد نیاز برای اجرای مدل است. موارد متعدد ممکن است در کنار یکدیگر در دایرکتوری های جداگانه وجود داشته باشد. این مدل تنها با یک مورد در یک زمان کار خواهد کرد. اگر هنگام شروع مدل هیچ موردی مشخص نشده باشد، پیش فرض (default_sbm یا default_hbv) در نظر گرفته می شود. در یک مورد خروجی مدل (نتایج) در یک پوشه جداگانه ذخیره می شود. این پوشه run نامیده می شود، که نشان داده شده با runId است. این ساختار در شکل بالا مشخص شده است. اگر میخواهید نتایج را ذخیره کنید و نتایج را از یک اجرا قبلی بازنویسی نکنید، runId جدید باید مشخص شود.

Packet Transient Well

حالا ما می توانیم شیء بسته چاه را ایجاد کنیم که از نوع flopy.modflow.ModflowWel است.

ایجاد مدل MODFLOW

یکی از موارد مفید در مورد ایجاد مدل در پایتون این است که فرآیندی بسیار آسان داشته که با تغییر یک یا دو جزء، به طور کلی شبکه برای مدل شما را تغییر می دهد. بنابراین در این مثال، ما اسکریپت پایتون را طراحی می کنیم تا تعداد لایه ها، ستون ها و ردیف ها به راحتی تغییر کند.

ما می توانیم مدل MODFLOW بسیار ساده ای را تهیه کنیم که یک بسته پایه (BAS)، دیسک ورودی دیسکاوری (DIS)، بسته LPF یا package property، کنترل خروجی (OC) و حل کننده موتور گرادیان (PCG) را ایجاد کند. هر یک از این موارد فایل ورودی خود را دارد، که به صورت خودکار بوسیله FloPy ایجاد می شود.

FloPy چیست؟

بسته FloPy شامل مجموعه ای از اسکریپت های پایتون برای اجرای MODFLOW، MT3D، SEAWAT و دیگر برنامه های آب زیرزمینی مرتبط با MODFLOW است. FloPy شما را قادر می سازد تمام این برنامه ها را با اسکریپت های پایتون اجرا کنید. پروژه FloPy در سال 2009 آغاز شده و به یک مجموعه کامل از اسکریپت ها با پایگاه کاربری رو به رشد افزوده است. FloPy3 در دسامبر 2014 با چند پیشرفت عالی که FloPy3 را به مدل سازی پسرو سازگار می کند، منتشر شد. اولین تغییر قابل توجه این است که FloPy3 از همه جا در فهرست صفر استفاده می کند، بدین معنا که تمام لایه ها، ردیف ها، ستون ها و دوره های استرس شروع به صفر شدن می کنند. این تغییر برای سازگاری صورت گرفته بود، چون همه شاخصه های آرایه قبلا صفر بود (همانطور که همه آرایه ها در پایتون) بود. این ممکن است نسبتا به مقدار کمی به کار گرفته شده و استفاده شود، اما امیدوارم از آشفتگی در آتی جلوگیری شود. دومین تقویت قابل توجه در مورد توانایی های این کد، مشخص کردن شرایط مرزی متفاوت و متغیر است

در معرفی IGWMC و CSM باید گفت که اگر چه به قدرت ابزار هیدروژئولوژیکی نیستند، با این حال زبان برنامه نویسی Python به علت قابلیت های محاسباتی و گرافیکی آن در جامعه هیدرولوژیکی مورد علاقه است. بهتر از همه، اینکه آنها رایگانند. مکان خوبی برای یادگیری در مورد پایتون سایت توسعه دهنده آن به نشانی www.python.org است. دانلود برای چندین سیستم عامل در دسترس است. نسخه ای که در این بررسی در نظر گرفته شده در آدرس اینترنتی www.enthought.com قابل دسترس است که تحت ویندوز اجرا می شود.

خوش آمدید به بخش پنجم مبحث یادگیری ماشین از مجموعه آموزش Python. تا به اینجا، محتوای آموزشی رگرسیون را پوشش می دهد. پیش از این، ما داده ها را جمع آوری کرده ایم، آن ها کمی اصلاح شده، طبقه بندی شده آموزش داده و حتی طبقه بندی ها آزمون شده اند. در این قسمت، ما قصد داریم از طبقه بندی ها استفاده کنیم تا در واقع برخی از پیش بینی ها برای ما انجام شود. کد تا این لحظه که ما استفاده می کنیم به صورت زیر است:

خوش آمدید به بخش چهارم از آموزش ماشین با سری آموزش Python. در آموزش های قبلی، داده های اولیه را به دست آوردیم، ما آن را به صورت دلخواهی تغییر دادیم و دستکاری و اصلاح کردیم، و سپس شروع به تعریف ویژگی هایمان کردیم. Scikit-Learn اساسا نیازی به کار با Pandas و فریم های داده ندارد، من فقط ترجیح می دهم اطلاعات مربوط به آن را مدیریت کنم، زیرا سریع و کارآمد است. در عوض، Scikit-learn اساسا نیاز به آرایه های numpy دارد. داده های فرعی پانداها به راحتی می توانند به آرایه های NumPy تبدیل شوند، بنابراین فقط برای انجام کار برای ما صورت می پذیرد.

بر اساس آموزش قبلی ریاضی یادگیری ماشین، بر پایه اطلاعات قیمت سهام ما رگرسیون را انجام خواهیم داد. کد تا این نقطه به صورت زیر بود:

به یک دوره آموزشی فراگیر و عمیق خوش آمدید.

به مقدمه ای بر بخش رگرسیون یادگیری ماشین با مجموعه آموزشی Python خوش آمدید. با این حال، شما Scikit-Learn را از قبل نصب کرده اید. اگر نه، آن را دریافت کنید، همراه با پانداها و matplotlib!

اگر توزیع علمی پیمایشی قبل از کامپایل پایتون مانند ActivePython را داشته باشید، باید قبلا numpy، scipy، scikit-learn، matplotlib و pandas را نصب کرده باشید. اگر نه، دستورهای زیر را انجام دهید:

به یک دوره آموزشی فراگیر و عمیق خوش آمدید.

هدف این درس این است که به شما یک درک کامل از یادگیری ماشین، نظریه پوشش، کاربرد و عملکرد درونی الگوریتم های یادگیری نظارت شده، بدون نظارت و یادگیری عمیق بدهد.

در این سری، رگرسیون خطی، نزدیک ترین K همسایگان، ماشین های بردار پشتیبانی (SVM)، خوشه تخت، خوشه بندی سلسله مراتبی و شبکه های عصبی را پوشش می دهیم.