You can also see Cython, Java, C++, C, Swift, Js, Php, or C# repository.
To check if you have a compatible version of Python installed, use the following command:
python -V
You can find the latest version of Python here.
Install the latest version of Git.
pip3 install NlpToolkit-Math
In order to work on code, create a fork from GitHub page. Use Git for cloning the code to your local or below line for Ubuntu:
git clone <your-fork-git-link>
A directory called Math will be created. Or you can use below link for exploring the code:
git clone https://github.com/starlangsoftware/Math-Py.git
Steps for opening the cloned project:
- Start IDE
- Select File | Open from main menu
- Choose
Math-PYfile - Select open as project option
- Couple of seconds, dependencies will be downloaded.
Bir vektör yaratmak için:
Vector(self, values=None)
Vektörler eklemek için
addVector(self, v: Vector)
Çıkarmak için
subtract(self, v: Vector)
difference(self, v: Vector) -> Vector
İç çarpım için
dotProduct(self, v: Vector) -> float
dotProductWithSelf(self) -> float
Bir vektörle cosinüs benzerliğini hesaplamak için
double cosineSimilarity(Vector v)
Bir vektörle eleman eleman çarpmak için
elementProduct(self, v: Vector) -> Vector
3'e 4'lük bir matris yaratmak için
a = Matrix(3, 4)
Elemanları rasgele değerler alan bir matris yaratmak için
Matrix(self, row, col, minValue=None, maxValue=None)
Örneğin,
a = Matrix(3, 4, 1, 5)
3'e 4'lük elemanları 1 ve 5 arasında değerler alan bir matris yaratır.
Matrisin i. satır, j. sütun elemanını getirmek için
getValue(self, rowNo: int, colNo: int) -> float
Örneğin,
a.getValue(3, 4)
- satır, 4. sütundaki değeri getirir.
Matrisin i. satır, j. sütunundaki elemanı değiştirmek için
setValue(self, rowNo: int, colNo: int, value: float)
Örneğin,
a.setValue(3, 4, 5)
- satır, 4.sütundaki elemanın değerini 5 yapar.
Matrisleri toplamak için
add(self, m: Matrix)
Çıkarmak için
subtract(self, m: Matrix)
Çarpmak için
multiply(self, m: Matrix) -> Matrix
Elaman eleman matrisleri çarpmak için
elementProduct(self, m: Matrix) -> Matrix
Matrisin transpozunu almak için
transpose(self) -> Matrix
Matrisin simetrik olup olmadığı belirlemek için
isSymmetric(self) -> bool
Determinantını almak için
determinant(self) -> float
Tersini almak için
inverse(self)
Matrisin eigenvektör ve eigendeğerlerini bulmak için
characteristics(self) -> list
Bu metodla bulunan eigenvektörler eigendeğerlerine göre büyükten küçüğe doğru sıralı olarak döndürülür.
Verilen bir değerin normal dağılımdaki olasılığını döndürmek için
zNormal(z: float) -> float
Verilen bir olasılığın normal dağılımdaki değerini döndürmek için
zInverse(p: float) -> float
Verilen bir değerin chi kare dağılımdaki olasılığını döndürmek için
chiSquare(x: float, freedom: int) -> float
Verilen bir olasılığın chi kare dağılımdaki değerini döndürmek için
chiSquareInverse(p: float, freedom: int) -> float
Verilen bir değerin F dağılımdaki olasılığını döndürmek için
fDistribution(F: float, freedom1: int, freedom2: int) -> float
Verilen bir olasılığın F dağılımdaki değerini döndürmek için
fDistributionInverse(p: float, freedom1: int, freedom2: int) -> float
Verilen bir değerin t dağılımdaki olasılığını döndürmek için
tDistribution(T: float, freedom: int) -> float
Verilen bir olasılığın t dağılımdaki değerini döndürmek için
tDistributionInverse(p: float, freedom: int) -> float
- Do not forget to set package list. All subfolders should be added to the package list.
packages=['Classification', 'Classification.Model', 'Classification.Model.DecisionTree',
'Classification.Model.Ensemble', 'Classification.Model.NeuralNetwork',
'Classification.Model.NonParametric', 'Classification.Model.Parametric',
'Classification.Filter', 'Classification.DataSet', 'Classification.Instance', 'Classification.Attribute',
'Classification.Parameter', 'Classification.Experiment',
'Classification.Performance', 'Classification.InstanceList', 'Classification.DistanceMetric',
'Classification.StatisticalTest', 'Classification.FeatureSelection'],
- Package name should be lowercase and only may include _ character.
name='nlptoolkit_math',
- Do not forget to comment each function.
def __broadcast_shape(self, shape1: Tuple[int, ...], shape2: Tuple[int, ...]) -> Tuple[int, ...]:
"""
Determines the broadcasted shape of two tensors.
:param shape1: Tuple representing the first tensor shape.
:param shape2: Tuple representing the second tensor shape.
:return: Tuple representing the broadcasted shape.
"""
- Function names should follow caml case.
def addItem(self, item: str):
- Local variables should follow snake case.
det = 1.0
copy_of_matrix = copy.deepcopy(self)
- Class variables should be declared in each file.
class Eigenvector(Vector):
eigenvalue: float
- Variable types should be defined for function parameters and class variables.
def getIndex(self, item: str) -> int:
- For abstract methods, use ABC package and declare them with @abstractmethod.
@abstractmethod
def train(self, train_set: list[Tensor]):
pass
- For private methods, use __ as prefix in their names.
def __infer_shape(self, data: Union[List, List[List], List[List[List]]]) -> Tuple[int, ...]:
- For private class variables, use __ as prefix in their names.
class Matrix(object):
__row: int
__col: int
__values: list[list[float]]
- Write __repr__ class methods as toString methods
- Write getter and setter class methods.
def getOptimizer(self) -> Optimizer:
return self.optimizer
def setValue(self, value: Optional[Tensor]) -> None:
self._value = value
- If there are multiple constructors for a class, define them as constructor1, constructor2, ..., then from the original constructor call these methods.
def constructor1(self):
self.__values = []
self.__size = 0
def constructor2(self, values: list):
self.__values = values.copy()
self.__size = len(values)
def __init__(self,
valuesOrSize=None,
initial=None):
if valuesOrSize is None:
self.constructor1()
elif isinstance(valuesOrSize, list):
self.constructor2(valuesOrSize)
- Extend test classes from unittest and use separate unit test methods.
class TensorTest(unittest.TestCase):
def test_inferred_shape(self):
a = Tensor([[1.0, 2.0], [3.0, 4.0]])
self.assertEqual((2, 2), a.getShape())
def test_shape(self):
a = Tensor([1.0, 2.0, 3.0])
self.assertEqual((3, ), a.getShape())
- Enumerated types should be used when necessary as enum classes.
class AttributeType(Enum):
"""
Continuous Attribute
"""
CONTINUOUS = auto()
"""
Discrete Attribute
"""
DISCRETE = auto()