Рубрики
Без рубрики

Как я изучаю машину обучения – неделя 3: python и numpy (часть одна)

Numpy – мощный пакет Python для трех основных причин: Python медленный, а numpy написан большинство … Теги с Python, машинным обучением, AI, программированием.

Как я изучаю машинное обучение (11 часть серии)

Numpy – мощный python Пакет Для трех основных причин:

  • Python медленный и Numpy написан в основном в C один из самых быстрых языков, когда-либо созданных языков.
  • Numpy – это позвоночник других пакетов.
  • Это позволяет легко работать с массива и Матрицы Отказ

Ядро машинного обучения – найти узоры через много чисел, поэтому Numpy – Необходимо Отказ

Оглавление:

  • Анатомия Numpy Array
    • Импорт numpy.
    • 1 мерные массивы
    • 2 мерных массива
    • 3 мерных массива
  • Создание массивов с Numpy
    • Пример массива
    • Почему все?
  • Полезные функции и методы
    • Dtype
    • Тип
    • Размер
    • Форма
    • Недействительный
    • Arange.
    • Растинг
    • Случайный
  • Случайность в программировании
  • Манипулирующие массивы
    • Дополнения
    • Вычитание
    • Разделение и умножение
    • Пол Дивизион и сила

Анатомия Numpy Array

Примеры были сделаны курсом обучения машины по МРДБУРКЕ

В машине обучение наше основное внимание будет на том, как форма наших данных будет выстраиваться с другими данными и выходами и примечаниями Numpy, технически называемые NDARRAYS. или N-мерные массивы, будут основы.

Импорт numpy.

Не забуду бы самое главное, вы бы вы?

1 мерные массивы

Первый тип NDARRAY является наиболее простым: массив с одним измерением, обычно называемым векторами:

У каждого массива есть Форма , что в этом случае составляет 1 и 3.

2 мерных массива

2-мерный массив обычно называется Матрица и очень похоже на Pandas DataFrames:

Очевидно, даже изменение формы.

3 мерных массива

3-мерный массив – это когда концепция многомерный Массив действительно важен. После этого массив просто называется N-мерным массивом:

Теперь форма имеет даже глубину в ней.

Если вы помните в последнем посте, когда я упомянул ось, это где она становится важным.

Создание массивов с Numpy

Мы видели анатомию массива в Numpy, но, очевидно, создание того, что всегда набирает все ценность, было бы неэффективным и бесполезным.

Пример массива

Мы можем создать первый примерный массив с функцией из них () , но если мы используем ярлык Shift + Tab. Мы можем увидеть, какая функция делает без поиска документации, вместо этого появится под самой функцией:

Но это не хватает информации. Мы можем видеть больше, нажав на X, чтобы на самом деле прокрутить весь документ в маленьком окне, или на ^ для позиционирования дока в нижней части экрана:

И прокрутка вниз, в этом случае мы можем даже увидеть примеры того, как использовать функцию:

Теперь мы знаем, что мы можем вводить в функцию и что ожидать:

Мы определили Форма Из массива и вывода, соответствующие таблице двух строк и четырех столбцов, или массив, который содержит две массивы, каждый с четырьмя элементами.

Почему все?

Иногда, прежде чем начать работу, мы можем захотеть быть уверенным в Форма Из нашего массива, поэтому мы можем захотеть создать один наполненный одним или нулями – еще одна функция numpy – что создает простой массив с Первоначальный форма.

Полезные функции и методы

В этом разделе мы погрузимся в самые полезные функции и методы, которые numpy предлагает, чтобы затем представить концепцию случайных чисел.

Dtype

Метод Ntype Numpy показывает нам тип данных массива. Использование предыдущего массива:

Создание массива с функцией, как в этом случае, тип по умолчанию будет float64 Отказ

Тип

Функция типа будет просто показать нам, какой тип массива у нас, в Numpy, он всегда приведет к NDARRay, как мы уже заявили:

Размер

Метод размера покажет нам, сколько элементов находятся в массиве.

Форма

Функция формы покажет форму массива:

Недействительный

Метод NDIM показывает, сколько измерений имеет массив:

В этом случае этот массив представляет собой матрицу, затем 2 измерения.

Arange.

Arange позволяет нам генерировать цифры в пределах диапазона. Нажатие Shift + Tab в середине кронштейнов мы можем прочитать документ, чтобы лучше понять, что он делает:

Docstring:
arange([start,] stop[, step,], dtype=None)

Return evenly spaced values within a given interval.

Values are generated within the half-open interval ``[start, stop)``
(in other words, the interval including `start` but excluding `stop`).
For integer arguments, the function is equivalent to the Python built-in
`range` function, but returns a ndarray rather than a list

Но это, несмотря на то, что я очень ясно, это слишком много слоев, если мы видим примеры

Examples
--------
>>> np.arange(3)
array([0, 1, 2])
>>> np.arange(3.0)
array([ 0.,  1.,  2.])
>>> np.arange(3,7)
array([3, 4, 5, 6])
>>> np.arange(3,7,2)
array([3, 5])

Таким образом, первый аргумент является началом диапазона, второй – это конец, а третья – этап, давайте увидимся на практике:

Растинг

Мы можем создать даже Случайные Массивы в диапазоне номеров с функцией Random.randint. Нажатие вкладки Shift + мы можем прочитать:

Docstring:
randint(low, high=None, size=None, dtype=int)

Return random integers from `low` (inclusive) to `high` (exclusive).

Return random integers from the "discrete uniform" distribution of
the specified dtype in the "half-open" interval [`low`, `high`). If
`high` is None (the default), then results are from [0, `low`).

Но лучший способ всегда изучен:

Первый аргумент по умолчанию 1, поэтому, если мы просто вводите число и форму в функцию, она создаст значения между 0 и числом, который мы вводим в него.

Мы создали массив со значениями, которые диапазоны от 4 до 9 и с формой 2 и 5.

Случайный

Но если мы хотим просто создать случайное массив без точного диапазона, мы можем просто использовать случайную функцию. Мы должны ввести только форму:

Random.random идет от 0,0 до 1,0.

Случайность в программировании

Компьютер работает только с двоичными значениями, 0 и 1, поэтому Как компьютер может создавать случайные значения? Компьютер создает псевдослучайная Значения через функцию вызываемой, по Конвенции, семя . Если мы всегда будем использовать одинаковое семена для случайных значений, эти значения всегда будут одинаковыми, в противном случае numpy всегда будет изменять семена для создания значений, которые выглядят случайно:

Мы можем вручную Объявите семя, чтобы даже если числа ранзом при запуске команды они всегда будут одинаковыми, потому что основаны на одном семесе:

Манипулирующие массивы

Numpy предлагает нам много способов манипулировать массивом через технику под названием вещание Отказ Давайте начнем с создания новых массивов, которые мы можем сделать наши тесты:

С Numpy мы можем сделать основные арифметические расчеты, которые мы увидим сейчас, и другие вещи, которые мы увидим во второй части:

Дополнения

Мы можем выполнить исчисление в массивах напрямую, используя оператор, но в какой-то случае он может дать результат, что мы не хотим:

Так что лучше использовать выделенные функции, которые предлагает Numpy:

И это результат, который мы хотим, [1, 2, 3] + [4, 5, 6] дает нам третий массив с внутри [5, 7, 9].

Вычитание

Без функции у нас будет ошибка, но используя его, все работает как предполагаемое:

Но при использовании функции numpy мы не должны просто использовать массивы, мы даже можем просто понизить все элементы массива одного или любого числа, которые мы хотим:

разделение и умножение

Использование выделенных функций Numpy все будет работать нормально:

Пол Дивизион и сила

Если мы не хотим, когда мы разделяем наши массивы, мы можем использовать функцию разделения пола, которая вернет массив, разделенный без десятичных средств плюс тип, что мы не хотим – мы можем исправить его с помощью TOLIST-функции:

Для силы двух массивов, это то же самое:

Последние мысли

Это была первая часть на использовании Numpy для машинного обучения, если у вас есть какие-либо сомнения, не стесняйтесь оставлять комментарий.

Как я изучаю машинное обучение (11 часть серии)

Оригинал: “https://dev.to/gabrieleboccarusso/how-i-am-learning-machine-learning-week-3-python-and-numpy-part-one-27b4”