معرفی شرکت ها

automutualinformation-0.1.5

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.1.5
0.1.4
0.1.3
0.1.5
0.1.4
0.1.3
0.1.2

توضیحات

Auto Mutual Information (Sequential Mutual Information) for temporal data.
ویژگی مقدار
سیستم عامل -
نام فایل automutualinformation-0.1.5
نام automutualinformation
نسخه کتابخانه 0.1.5
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Tim Sainburg
ایمیل نویسنده -
آدرس صفحه اصلی https://github.com/timsainb/automutualinformation
آدرس اینترنتی https://pypi.org/project/automutualinformation/
مجوز MIT
![CI](https://github.com/timsainb/automutualinformation/actions/workflows/python-package.yml/badge.svg) Auto Mutual Information ============================== Auto Mutual Information (Sequential Mutual Information) for temporal data. Auto mutual information can be treated as the equivalent of autocorrelation for symbolic data. ### Installation The python package is installable via pip. `pip install automutualinformation` ### Quick Start ```python from automutualinformation import sequential_mutual_information as smi (MI, MI_var), (shuff_MI, shuff_MI_var) = smi( [signal], distances=np.arange(1,100) ) ``` Run an example notebook in Colab: [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/timsainb/automutualinformation/blob/master/notebooks/1.1-example-AutoMI-with-pink-noise.ipynb) ### Documentation Documentation and usage information is currently available in jupyter notebooks in the notebooks folder. ### Citation If you use this package, please cite the following paper: ``` @article {NBC2020, author = {Sainburg, Tim and Mai, Anna and Gentner, Timothy Q.}, title = {Long-range sequential dependencies precede complex syntactic production in language acquisition}, journal = {Proceedings of the Royal Society B}, doi = {https://dx.doi.org/10.1098/rspb.2021.2657}, year = 2022, } ``` ### TODO - make pypi package - create tests/travisci - add additional parameters example For more info references see: - [Mutual information functions versus correlation functions. W Li. (1990). Journal of Statistical Physics](https://doi.org/10.1007/BF01025996) - [Critical Behavior in Physics and Probabilistic Formal Languages. HW Lin, M Tegmark (2017) Entropy](https://doi.org/10.3390/e19070299) - [Parallels in the sequential organization of birdsong and human speech. T Sainburg, B Thielman, M Thielk, TQ Gentner, (2019) Nature Communications](https://doi.org/10.1038/s41467-019-11605-y) - [Long-range sequential dependencies precede complex syntactic production in language acquisition. T Sainburg, A Mai, TQ Gentner. Proceedings of the Royal Society B](https://dx.doi.org/10.1098/rspb.2021.2657)


نیازمندی

مقدار نام
- numpy
- scipy
- tqdm
- scikit-learn
- joblib
- matplotlib
- colorednoise
- pandas
- lmfit


نحوه نصب


نصب پکیج whl automutualinformation-0.1.5:

    pip install automutualinformation-0.1.5.whl


نصب پکیج tar.gz automutualinformation-0.1.5:

    pip install automutualinformation-0.1.5.tar.gz