Transcription
1. Introduction: Bonjour et bienvenue dans ce cours. Je m'appelle Brian
Camara, analyste de données, ExxonMobil à Baraboo. Devinez était plus intéressé par la botanique, c'est exactement depuis que j'ai commencé à passer à l'analyse des données. Et l'expérience a été résolue le profil que vous épinglez est la transition vers l'analyse des données. Dans cela et bien d'autres à suivre. Nous allons vous montrer comment je suppose que vous êtes aussi intéressé que moi. D'accord ? Dans ce cours, je vais vous présenter NumPy, la bibliothèque Python. Attendez-vous à en savoir plus sur la façon de générer des données dans NumPy, comment effectuer des opérations arithmétiques, indexer et découper vos jeux de données que nous allons générer à l'aide de Lumpy, qui fournit également plus d'opérations statistiques et d'algèbre linéaire avec NumPy tableaux. À la fin de ce cours, vous devriez être en mesure de voir la signification de l'analyse des entiers NumPy. Pourquoi est-ce important ? Vous devriez pouvoir générer et manipuler vos propres jeux de données pour les régénérer à l'aide de NumPy. Et vous devriez également être en mesure de prendre une décision ferme ou non sur les pandas dans la deuxième voie. Et je suis sûr que vous aimeriez en apprendre davantage sur analyse
des données et les différentes bibliothèques que nous pouvons utiliser en Python. D'accord ? Vous trouverez donc cette documentation très intéressante sur les coûts des produits. Et vous pouvez toujours vous y référer pour en savoir plus sur les différents concepts de NumPy. Je vais donc cliquer dessus et nous verrons simplement à quoi cela ressemble. Voici donc à quoi ça ressemble. Il vous amène donc sur le site web numpy.org. Et à partir de là, vous pouvez sélectionner le poisson Inuit que je vais sélectionner la peinture NumPy, true et Meno. Et il y a Z pour m'amener à cette page comme je peux trouver ce qu'ils veulent savoir. Mais maintenant, disons que je veux savoir ce qui est NumPy. Je peux cliquer ici pour m'amener à la page qui décrit ce qui est NumPy. Et cela vous donnera quelques exemples. Nous pouvons attendre. Vous pouvez utiliser NumPy et tout ça. D'accord ? Alors tous ces humains se demandent, qui est cette forme croisée ? Je peux le prendre ? Oui, vous pouvez. Ce cours est destiné à toute personne ayant une compréhension de base de ce que Python, vous n'avez pas besoin de trois points de lambda numpy avant le cours lui-même ne soit suffisant pour vous rattraper et suivre. Il s'agit donc simplement d'une introduction de base. Dans les prochaines classes, parlez plus d'informations sur Deep NumPy et sous-payant sur les bibliothèques que vous pouvez utiliser pour l'analyse des données. Donc, à la fin du cours, nous avons un projet qui va s'intéresser, même s'il va être occupé. Mais cela vous donnera un thème d'offre de ce qu'est NumPy. Dans le budget. Nous avons la possibilité de générer votre propre jeu de données. Vous avez donc la liberté de générer les données de votre choix. Et avec ces données,
comment vous attendez à ce que vous les transformiez, puis effectuez une analyse statistique à ce sujet. Ou les informations dont vous avez besoin pour mener à bien ce projet. Vous pouvez le trouver lu dans ce cours. Pour ce cours, vous avez besoin d'un compte coucou. Et qui les utilise pour créer ou configurer un environnement collaboratif Google ? Eh bien, Act est loin des exercices, et enfin le projet. Au cours du prochain cours, je vais vous montrer comment configurer l'environnement collaboratif Google. Alors, qu'est-ce qu'on attend ? Commençons.
2. Configuration Google Colaboratory: Je vais juste vous expliquer comment configurer l'environnement collaboratif Google pour ce cours. Dans votre barre de recherche, tapez Google Collaboratory, à chaque extrémité. Ainsi, vous pouvez voir les différents résultats de recherche que Kim, je vais juste cliquer sur Terminé et cliquer sur le premier résultat de recherche qui viendrait. Ils viendront au coucou de plat collaboratif. Ok, c'est juste en cours de chargement. Il vous affichera ensuite cet écran. De là, vous pouvez voir qu'il y a une astuce récente. Celui-ci montre donc les carnets récents que vous avez retirés. Et il peut également passer à Google Trends affiche les ordinateurs portables que nous avons enregistrés dans votre Google Drive. Vous pouvez également accéder à la méthode GitHub. Vous pouvez voir les différents carnets que vous avez sauvegardés. Voici donc ce cours. Et nous n'avons pas créé de bloc-notes, donc je vais juste lancer et créer un nouveau bloc-notes. Créer la nouvelle normale à séquencer. D'accord ? Il est donc créé le carnet pour nous. Voici donc à quoi ça ressemble. En haut, vous pouvez modifier le titre sur moi. Je vais juste appeler ça intro à pi pour thêta, puis je suis allé frapper Enter. Vous pouvez donc voir que cela a correctement mis à jour le nom du bloc-notes pour mon OK, donc, d'accord, il est donc mis à jour le ou les modifications. Vous pouvez venir ici, vous pouvez voir qu'il y a un bouton Connexion, devrait entrer, appuyer sur Entrée. Il connecte donc votre ordinateur portable afin que vous puissiez exécuter
le code qui sera exécuté tout au long de
la classe pour le code qui sera exécuté tout au long tester divers aspects du cours à partir de la classe. Et c'était le cas lorsque vous faites votre projet, devriez aussi vous rappeler comment faire cela. Ok, donc celui-ci est une façon de vente que vous pouvez Ryan ou c'est une citation de cuisine. Donc ce CIF, ce point 8, 0 à 1, p égal à 2 à 3. Je termine, je veux imprimer un plus b. Donc une fois que j'ai écrit cette citation, lorsque vous allez l'exécuter,
vous pouvez soit cliquer sur celui-ci, soit le combat est-il comme des raccourcis que nous avons ? J'aime donc le plus le Shift N d1. Ensuite, il exécutera la cellule pour vous ou vous pouvez utiliser le contrôle Entrée pour les stocker. Supposons que vous ayez écrit cette citation, mais que vous voudriez également inclure des textes dans votre carnet de notes. Vous pouvez donc référer un oreiller à cette cellule et vous voyez un texte. Un, frappez celui-là. Et ici, vous pouvez prendre le texte que 31, peut-être que je voulais dire bonjour, l'industrie exécutée par Shift Enter ou Control Enter. C'est donc l'introduction de l'environnement Google Colab. Commençons donc.
3. Qu': Allons donc pour l'introduction. Donc 15, vous devez savoir ce qui est NumPy. Numpy est tout comme l'usager numérique est la bibliothèque de 10 utilisée pour les données numériques en Python. Ainsi, des structures de données spécifiques, c'est un algorithme qui contribuera à l'analyse numérique importante. Ok, alors pourquoi NumPy est-il intéressant ? Ok, donc maintenant parce qu'il est spécialisé, il peut exécuter des fonctions spécifiques en Python, nous pouvons utiliser cet avantage. Nous savons que quelque chose, si c'est spécial, peut faire quoi ? Il peut faire son travail, comme la bêta. C'est pourquoi c'est rapide. Je suis suffisant. Cela est donc collectivement contribué à son objet tableau multidimensionnel. Donc, vous tombez le plus souvent. Donc cela signifie simplement n dimension maintenant RA, donc ça essaie, ça veut dire quand on tombe sur un NGRI. D'accord. Nous verrons donc également que NumPy Eventbrite a condensé diverses fonctions pour effectuer des calculs élémentaires avec des RA. Ok, alors, ooh, peut-être qu'on veut simplement se multiplier par les RA. Nous voulons simplement multiplier chaque élément d'un tableau par 10. Nous pouvons donc le faire sans boucle FOR. Alors n'oubliez pas que lorsque nous traitons d'autres domaines, peut-être que vous pouvez trouver, vous pouvez créer votre tableau en haut à droite. Si vous voulez multiplier tous les éléments du tableau et que nous devons écrire une
boucle for pour indexer tous les éléments du tableau, en la multipliant par 10. Mais avec les tableaux
NumPy, tout cela n'est pas nécessaire. Vous pouvez facilement, désolé, vous pouvez facilement multiplier en une phrase. Il y a donc des fonctions pour ce faire. Ok, il y a aussi des vérités spécifiques qui peuvent lire vos meilleurs tests T. C'est aussi, il avait créé des données en 12, écrites sur un disque. Il existe des outils spécifiques qui vous permettent de le faire,
qui sont également des opérations de génération linéaire. D'accord, vous pouvez donc générer des données linéaires. Donc, peut-être une donnée basée, deux. Donc, 1357, quelque chose comme ça. Vous pouvez le faire en utilisant NumPy. Il existe également une génération de nombres aléatoires pouvant générer des données aléatoires à l'aide de NumPy. D'accord ? Ainsi, dans cette analyse, nous verrons que le nombre est essentiellement utilisé dans un conteneur où vous pouvez stocker des tableaux de données. C'est donc généralement de vastes zones de données. Et après avoir trié cela, nous pouvons leur transmettre les zones que nous avons stockées dans divers algorithmes dans bibliothèques qui fonctionneraient sur les calculs spécifiques et les calculs. L'objectif global est donc que ce nombre de zones soit plus efficace qu'une fois que nous avons besoin de connaître. Donc, tant dans le stockage que dans la manipulation des données, il y a plus de spécificité car la conception est la bibliothèque
spécialement conçue pour gérer de telles instructions. Bon, voyons comment commencer avec NumPy. Je vais donc vous montrer comment importer la bibliothèque dans votre collaboration Google. Alors ici, je vais juste entrer et taper des importations. Maintenant, pi. C'est donc la bibliothèque. Ok, c'est tellement important que c'est NP. Et une fois que vous l'avez importé, vous devez l'exécuter. Ainsi, une fois que vous lancez le 20e pour l'importer à nouveau, vous pouvez l'utiliser dans tout le bloc-notes. Je vais donc écrire chaque quart de travail et vous pouvez voir qu'il est importé avec succès dans la bibliothèque numpy. J'ai donc importé, c'est NP. C'est l'optionnalité peut simplement OK importer numpy. Mais celui-ci vous sauvera quand vous faites maintenant la semaine. Ainsi, lorsque vous souhaitez référencer la bibliothèque NumPy, vous pouvez simplement la référencer dans NP. Donc, il ne disait pas que des tableaux de points. Nous utilisons maintenant les différents objets du laboratoire de référence de la bibliothèque NumPy lus à l'aide de np. Vous voyez donc que l'importance de ce NP est assez longue. Il simplifie donc simplement les manières de taper lorsque
vous l'exécutez à travers les différentes guillemets. Dans le prochain cours, nous parlerons davantage de la façon de générer des données et d'ajouter des opérations.
4. Génération de données: Nous avons récemment appris comment importer la bibliothèque NumPy dans la collaboration Google. Bon, voyons maintenant comment nous pouvons l'utiliser pour générer des données. Nous voulons donc générer des données et les imprimer. Voyez à quoi ça ressemble. Oui, donc je passe par la génétique quelque chose. Mais ce que vous devez savoir, c'est qu'il existe différentes façons de générer des données à l'aide de Numpy. Vous pouvez donc fournir vos propres données ou utiliser les objets en Python ou NumPy pour générer des données. Ok, permettez-moi de faire face à des données génériques utilisant des données opposées qui existent dans le 95. Ok, donc nous pouvons dire que nous voulons appeler nos données thêta une égale à limite comme thêta. D'accord ? Alors rappelez-vous que lorsque nous avons importé NumPy, nous avons dit que vous l'indiquez non. Donc je vais juste dire non FEV1 pour référencer la bibliothèque numpy. Donc, dans Numpy, je veux utiliser une fonction aléatoire et la fonction rand. Ok, alors comment ça se passe cette semaine, d'accord, laissez-moi finir celle-ci. Il en est de même 32. Alors, comment fonctionne cette piste ? Donc je dis, Ok, De Numpy, je veux la fonction aléatoire et au hasard, je veux utiliser l'objet rond de l'aléatoire. Eh bien, donc celui-ci créera un ROE aléatoire dans cette zone sera de taille trois par deux. Donc, quand nous disons la taille 3 par 2 dans les tableaux, nous aimons , d'
accord, donc nous avons un tableau, il doit avoir trois lignes et deux colonnes. Disons donc que nous voulons que cette taille de trois par deux soit trois lignes par deux colonnes. D'accord ? Donc c'est ce qui va faire, c'est que nous allons simplement
acheter dans notre bibliothèque NumPy Python et chercher aléatoire, une bibliothèque aléatoire qui recherche Rand au hasard. Je génère ce tableau NumPy aléatoire. D'accord ? Ainsi, après sa création, les deux peuvent simplement l'appeler. Donc maintenant que ce tableau existe la valeur des données de type, je ne devrais pas être en mesure de visualiser le tableau. Donc, je vais juste passer à, et vous pouvez voir notre tableau. Et c'est ça. Nous pouvons voir que nous avons cette rangée, cette rangée, cette rangée. J'ai donc trois rangées, et ces trois rangées, nous avons deux colonnes. Il s'agit d'un deux-points, c'est une colonne. Et dans toutes ces valeurs de données, elles sont créées de manière aléatoire, vous n'avez
donc aucun contrôle sur ce qu'elle fait. Je suppose. Il existe donc diverses autres fonctions que vous pouvez utiliser pour créer des données. Laissez-moi donc explorer un module complémentaire. J'ai ajouté un proton. Disons que je veux utiliser un anti 1. Permettez-moi donc de dire que les données 1 sont égales pour organiser trois portions. Et puis, en dessous, j'en ai un. Alors ce que ça fait,
époque, parce que je n'ai pas fait référence dans NumPy. Cliquez sur, Maj Entrée. Donc, le genre, c'est Erin ? Oui, 35 ans. Parce qu'ils, comment se passe ce week-end ? Il va donc dans NumPy. Nous recherchons une gamme. Une fois que c'est arrangé. La façon dont j'organise les travaux
est comme ça, c'est que cette poussière de trois ans monte par soi mais elle n'atteint pas servir, donc elle va à sept moins un. Donc si j'ai 10 a pour aller jusqu'à 10, et les données génériques avec elle sont généralement espacées de deux. Donc, c, 3 à 5. C'est ainsi qu'ils organisent des semaines. Vous pouvez donc voir comment générer des données à l'aide des fonctions intégrées dans NumPy. Dans la classe suivante, nous verrons comment saisir nos propres données et les transformer en tableau NumPy.
5. Génération de données Cutomized et opérations Arith: Bonjour classe. Dans la classe précédente,
nous avons donc parlé de la façon dont nous pouvons utiliser les fonctions d'entrée dans NumPy pour générer les données pour nous. Vous voulez donc explorer ce qui se passe si je voulais fournir mes propres données ? Vous savez, comme lorsque vous effectuez un projet spécifique, nous devons fournir le TI. Il ne peut pas utiliser de données aléatoires moins que vous ne souhaitiez simplement générer du bruit dans les données ou quelque chose comme ça. C'est le cas si vous effectuez des algorithmes d'apprentissage automatique. Mais aussi pour nous, conduisez-nous, disons que je veux fournir des données sur certains x, d'accord ? C'est x, donc je donne juste quelques données sur X. Celles qui donnent des données sur X. Je veux juste aller 8 et 10. Cet intron que vous devez vous rappeler est que vous devez
toujours référencer NumPy car nous utilisons des fonctions de celui-ci. Je vais donc utiliser la fonction moyenne de numpy. Je vais donc y passer x séparer les données que je voulais entrer en conflit avec le tableau. Donc après cette pièce semblable qui l'a
courue, ok, donc sa tendance, la tendance, mais je ne l'ai pas appelée pour qu'on puisse en voir deux, ok ? Et juste des coordonnées. Vous pouvez donc voir maintenant les F et RA créés avec 1231246 éléments. OK ? Et si nous avons un autre y est bien, cela voudrait incorporer la routine de ce tableau. Donc voici la chose que vous devez remarquer que lorsque nous voulons que les deux variables dans lesquelles vous voulez les stocker,
RA, elles doivent avoir la même longueur pour que vous puissiez l'être, n'est-ce pas ? Souvenez-vous de la vente. Il existe un certain nombre de rôles au sein d'une zone. Il s'agit de lignes ou de colonnes. Donc, s'ils contiennent un nombre différent d'éléments
, Lou n'a pas un nombre constant de colonnes. Cela signifie donc qu'il ne générera pas le tableau pour lui. Bon, j'ai X et Y maintenant. Il faut le mettre dans un tableau. Je peux donc venir y inclure ici. Si je dois maintenant exécuter celui-ci, vous avez dit que c'est maintenant créer un tableau qui comporte deux lignes, x et y. Il s'agit de quatre colonnes car si quatre dimensions dans chacun des x et y. C'est
ainsi que vous pouvez créer les vôtres. données. Bon, donc maintenant, nous pouvons faire diverses autres choses. Nous pouvons reproduire la multiplication à n'importe quoi. Vous pouvez voir que le haut ici, accord, laissez-moi utiliser cette diapositive. Permettez-moi de dire que je veux multiplier deux tableaux. Je peux utiliser les détails x dans l'exemple. Donc peut-être la multiplication du mod 4. Je prends des données x et je les multiplie par peut-être 10. Que va-t-il se passer ici ? Pouvez-vous faire une pause et essayer d'y réfléchir ? Ok, donc si je dois diriger celui-ci, voyons ce qui se passe. Donc, il arrive, prenez des données x. C'est la fin de multiplier chaque élément de données x par dix. Vous pouvez donc voir 10 par 10 par 10 par 10 par 10 par 10 par deux, comme dans tout le tableau. C'est ainsi que fonctionne la multiplication. Vous pouvez également modifier. On peut aller dire, d'accord, laissez-moi dire, si c'était vrai. Je veux, est-ce vrai qu'Eris est peut-être X Theta plus X. Et après cet appel, pour que nous voyions ce que c'est le calcul, d'accord ? Vous pouvez donc voir que si vous ajoutez une chose importante, nous
devons nous rendre compte que ces deux RASS ont la même taille et la même dimension. Donc,
si celle-ci est vraie par deux, celle-ci doit être trop mauvaise parce qu'elle l'appelle. Enfin, ils cracheront et échoueront dans les deux baies. Il vous indiquera ce bord à un autre. Donc il y a 81 pièces plus 1,
2 , 2, 4 plus 4 pièces dans cet ordre. C'est pourquoi ce résultat. OK ? Encore une fois, c'est bien d'autres choses. Bon, laissez-moi multiplier rapidement les deux. Donc si elle est multipliée par 10, mais on peut aussi voir que certains sont allés, d'accord. Laissez-moi voir si c'est, disons que je veux multiplier x delta, x delta. Et puis celui-ci pour que vous puissiez voir entrer. Il se multiplie donc. Donc, ce qu'il fait encore, c'est d'examiner le premier élément DA et de faire en sorte que le poing ait multiplié ces deux-là, mettra Paris dans cet ordre. Vous avez vu que nous pouvons effectuer des opérations arithmétiques de base avec NumPy. Donc je pense que vous pouvez aller de l'avant et explorer également le sentiment que la crypto sur les baies NumPy effectuent ces opérations arithmétiques. voit à la prochaine classe.
6. Type de données de réseaux de réseaux: Bonjour, et bienvenue dans ce cours. Ok, donc dans les classes précédentes avec le haut vers le bas sur la recrue, comment générer des données en utilisant le ferry comme fonctions NumPy. Nous avons également parlé de la façon dont vous pouvez utiliser vos propres données pour générer des tableaux numpy. Ok, mais nous avons également mentionné quelque chose qui est important dans R, c'est la taille du tableau. Et nous avons dit que c'est représenté ligne par colonne. Par conséquent, si vous souhaitez représenter la taille d'un tableau, Toujours ligne par colonne. Et le jaune va aussi explorer une autre chose qui est du genre. Nous voulons vérifier quel est le type de la baie. Et ceux-ci sont obtenus en utilisant comme le vaisseau dans des objets dtype dans le NumPy. Bon, je vais commencer par cette forme. Je vais donc déterminer la forme de cette urne. Ok, alors que je tape,
pouvez-vous essayer de savoir quelle est la forme du tableau ? Je vais donc taper le mode. Ok, donc je veux que vous transmettiez ce que vous pensez avec ce que nous allons obtenir un A en tant que QP, ainsi de suite. Bon, allons le lancer. Ok, donc il tombe comme on pouvait s'y attendre. Nous avons deux rangées et quatre colonnes. J'espère que vous l'avez attrapé, n'est-ce pas ? D'accord, certains vont également vérifier quel est le type de données pour celui-ci. Donc vers dtype cette fois, et je vais passer à Maj Enter. Il nous dit donc que ce tableau est en statistique pour le 13. Ok, donc nous allons probablement trouver des types de données dans Python. Il peut donc toujours explorer l'utilisation du dtype pour vérifier les différents types de données représentés par chacune de vos baies rencontrées. Ok, donc à ce stade, et pour dire une expérience que F a eu recours à la revendication sacrée à ce stade. D'accord. Ce que Lynn dit donc, c'est qu'elle prend en compte les données en deux dimensions. Nous avons compris celui-là, c'est vrai. Ok, alors pourquoi moi, je suppose que dans l'avion, vous avez besoin de données qui, oui, à travers leurs émissions. Alors, comment obtenir deux dimensions si un membre de données Vf a quatre dimensions rapidement, ai-je mentionné, parce qu'il ne peut pas vraiment contrôler celle-ci. Vous ne pouvez pas me quitter. C'est bon. Comme lors de la collecte des données que je souhaite, des données
bidimensionnelles, vous pouvez avoir cinq dimensions de données. Mais ensuite avec NumPy, il vous permet de me laisser ce festival que j'ai mentionné Theta ou pour les dommages aucune donnée en deux dimensions. Alors, comment faire ça ? Donc, au lieu de simplement obtenir la forme, nous pouvons modifier la forme. Comment pouvons-nous dire que la forme, je vais juste vous montrer que c'est dans cet exemple. Laissez-moi donc générer des données aléatoires et notre plage en génère six. Ok, donc si vous voulez voir les données ressemblent à ceci, n'est-ce pas ? Avec ces données ? Ce que nous voulons faire, vous souhaitez remodeler ces données. Je vais donc dire qu'un vaisseau refaçonnant un navire formant
une donnée Ananda, soit un autre tableau. D'accord, il y a donc des aspects importants. Une condition importante que nous devons mettre en place dans cette fonction de remodelage. C'est donc le nombre de dimensions qui voudraient remodeler les données. Il faut également le nombre d'attributs que nous voulons être représentés dans les nouvelles données. Bon, donc ce nombre d'attributs correspond au nombre de colonnes. Donc, nous allons juste courir celui-ci et nous voyons comment la route est comme Oh, ok. Ok, vous pouvez voir qu'il l'a remodelé en trois dimensions. Donc, un à trois, nous avons trois dimensions. Et l'autre chose que nous pouvons remarquer ici est que nous avons deux colonnes, car nous avons limité le nombre d'attributs à vrai, ce qui correspond au nombre de colonnes. Donc, cette chose IFRS que vous pouvez jouer dans vos jeux de données lorsqu'il s'agit d'
explorer ou d'analyser des données avec diverses bibliothèques d'ajout comme celle que nous venons de mentionner, affirme psyché. D'accord. Ce n'est donc qu'une chose à noter, sera utilisé dans le tableau RA NumPy ou dans DRA. Dans cette classe, je ne veux pas seulement dire la même chose. Il s'agit du tableau de dimensions. Voici donc un exercice rapide que vous pouvez simplement localiser à np.zéros, deux terrains, zéros. D'accord ? Donc ça, d'accord, si neutre, comme yay, nous avons de vraies crochets. Je veux que vous l'exploriez. Comment cela affecte-t-il le résultat ? Donc, si elle a attaqué NU, Charles, toujours regardé la documentation. D'accord. Permettez-moi donc de vous montrer comment il peut regarder quelque chose dans le document lui-même. Donc, ce que vous pouvez faire, c'est peut-être que vous voulez vérifier comment se déroule le mode d'organisation. Donc np.array et ensuite vous mettez un point d'interrogation, puis vous exécutez la cellule. Donc, pour vous montrer ici l'enfer, quoi il s'agit de la gamme et vous pouvez la regarder et l'explorer. D'accord, merci. Je vous verrai dans le prochain cours.
7. Indexing et tranche: Bonjour et bienvenue dans ce cours, je vais juste faire un bref récapitulatif
des deux opérations ferreuses ultimes que nous avons couvertes dans les cours précédents. Et soulignez quand la foi que lorsque lui et trois opérations élémentaires, vous devez vous assurer que votre r est notre même taille avant de pouvoir le faire. D'accord, donc s'ils ne sont pas de la même taille, vous ne pouvez pas effectuer d'opérations élémentaires sur les différentes zones qui comptent. Je vous ai donc déjà montré comment vérifier la taille d'un tableau. Vous pouvez donc toujours vérifier la taille d'un tableau avant vous qualifier pour effectuer les opérations au niveau des éléments. Nous avons donc assisté à la plupart des opérations. Donc celui-ci ne fait que se multiplier, prendre ce tableau, nous le multiplions par la même RA. En prenant ce tableau, nous soustrayons les mêmes zones, ce qui signifie que nous finissons avec 0 parce que nous soustrayons simplement la même chose. Et donc vous pouvez également diviser. Vous pouvez prendre un tableau divisé par un tableau. Donc, c'est sur le plan élémentaire qui va bien prendre, une fois le visage, ok, donc dans
ce cas, ce sera la valeur du poing dans les premières colonnes qui prend une divisée par 1. Placez-le dans le tableau. Cela fait varier l'un d'entre eux en fonction de la vraie. Il le place dans le premier dépôt, dans la deuxième colonne, et ainsi de suite. C'est ainsi qu'il se réveille à nouveau a aussi attiré un exponentiel. Vous pouvez prendre un tableau, celui-ci, puis l'élever jusqu'au chemin
du pasteur ouvert cinq, c'est la même chose que de prendre la racine carrée de celui-ci. Il va donc prendre un à la puissance 0,5, dépôt
total ouvert par tous les éléments du tableau. OK ? Vous pouvez donc également vérifier comme des opérations booléennes et
booléennes à nouveau, vérifier ,
ok, j'en ai une en haut. Je veux vérifier si ce tableau est-il plus grand que le tableau précédent ? Si c'est vrai, je vais vous donner un résultat. Quel en serait donc le résultat ? Disons que dans ce cas, vous pouvez
explorer celui-ci, déterminer quel sera le résultat. Rappelez-vous que celui-ci est au niveau des éléments, vérifie valeur par valeur et nous donne un résultat. Bon, nous voulons donc passer à l'indexation et au découpage. Ok, donc je suis dans cette classe, je vais juste parler d'un seul dommage dimensionnel. Maintenant Alice, c'est avec ça que nous allons travailler dans cette classe. Disons que nous avons un tableau. OK ? Donc, il faut
que je le démontre. Nous avons cela. Je vais juste le copier pour que nous puissions l'exécuter. OK ? Ok, donc c'est la sortie, c'est le tableau. Disons : « Nous voulons savoir quelle est la position cinq. Nous pouvons indexer la position Phi, puis nous cliquons et cela nous indiquera cette position cinq, nous avons la valeur cinq. OK ? Permettez-moi donc de vous montrer comment les
postes sont déterminés avant de pouvoir faire appel. Ok, donc c'est le tableau, non ? Lorsque vous dites vouloir vérifier la position cinq, rappelez-vous
toujours que lorsque vous indexez, le premier 500 correspond à la position 0. Alors pas de 0, 1, 2, 3, 4, 5. Et cela se voit tous deux se battre avec la valeur phi. C'est là que nous avons obtenu le résultat Phi. Il va donc vérifier le tableau et découvrir ce qui est une position 5 et 10 le déplacer. Donc, compter à partir de neuf pièces parce que o n'est pas si négatif neuf et négatif quatre. OK ? Donc ceux-ci, vous pouvez les essayer dans votre type, accord, donc on peut dire cinq à huit dans ce cas, cela me donnera la valeur est comprise entre 58. Dans ce cas,
il va également sélectionner les valeurs dans la plage 58, puis les remplacer par la toux. Vous pouvez donc faire tout ce que vous voulez avec le tableau. Vous pouvez donc voir que c'est un garçon mutant, vous pouvez changer son contenu, c'est authentique. Et puis celui-ci, il attribuera toutes les valeurs. Il suffit donc de sélectionner tous les fichiers, spécifier à partir de là, pas de zone spécifique. Il sélectionne tout ce qui se trouve dans la baie, puis l'attribue à 64. J'espère que vous avez compris et appris quelque chose de cela lors de la deuxième classe suivante,
maintenant, regardez les dégâts maintenant.
8. Indication de réseau 2D: Bonjour et bienvenue dans ce cours. Dans la classe précédente, nous avons donc parlé de l'indexation et du découpage des tableaux unidimensionnels. Dans cette classe, nous allons explorer deux dimensions. Et l'idée est que vous avez quand vous avez sorti les deux deux peuvent être explorés 234 dimensions, quelle que soit la façon dont vous travaillerez. C'est donc le tableau que j'ai créé. Nous pouvons donc voir qu'il comporte deux rangées et trois colonnes. Donc, ce que nous voulons faire, c'est maintenant essayer de voir comment l'index fonctionne ici. Comment se passe la semaine de tranchage ici ? Ok, donc ce que je vais faire, c'est que je vais dire un tableau 2D. Et je vais indexer la première position. Que pensez-vous qu'il se passerait quand nous le ferons ? Je vais donc lancer cette entrée que nous confirmerions. D'accord. Vous pouvez donc voir que c'est l'impression de la ligne, c'est vrai. Pourquoi imprime-t-il la route vers, dans la vidéo précédente, je verrais qu'il peut trembler
correctement, 01 et ensuite il devrait nous imprimer. Mais maintenant, il y a de la confusion. Il y a deux lignes, il ne peut
donc pas être compté le long de celle-ci. Donc, ce qu'il fait, il tonifie le bas de la ligne, la colonne descend la colonne. Il faudra donc que cette ligne soit 0, ce rho en est un. Donc si je suis l'index, pourquoi je dois m'imprimer, la ligne correspondait à l'index un. D'accord ? Une fois, si je veux imprimer pour cela, est-ce que cette position est dans l'index un. C'est ce que je dois faire, c'est ça, d'accord ? J'ai réussi à appeler la vraie rangée deux. Je veux maintenant indexer seul ou dans la ligne true. Celui-ci est donc maintenant normal par rapport à ce que nous avons fait dans la seule dimension. Celui-ci représentera donc 0, 1, 2 triés. Et maintenant, tournez si je veux imprimer pour est en position 0 le long de l'axe. Voici donc quelques notes. Vous devez d'abord choisir la ligne que vous souhaitez utiliser l'indexation en bas, toutes les colonnes. Celui-ci est l'indice 0, c'est l'index un. Donc, si je veux vouloir vrai, alors c'est index1. Et maintenant, je peux me déplacer le long de la rangée. Il s'agit de l'index 0, l'index 1, de l'index true. Donc, si j'en veux quatre, je peux facilement dire la position 0. Donc, si je dois écrire celui-ci, si je dois diriger celui-ci, voyons voir. Nous voyons donc que nous en avons quatre. Ce n'est donc qu'une confirmation. Donc, avec celui-ci, c'est bien nous pouvons faire des tranches. Mais alors celui-ci, si vous deviez le faire de cette façon à partir de l'exemple ci-dessus, n'est pas qu'il va trancher ou
les lignes qui seront avant la route de la route trois dans ce cas, car si c'est l'index est toujours 11 moins le nombre de lignes. Il s'agit donc de l'index epsilon dans la troisième ligne. Et les deux ont tout effacé avant trois ans. Si nous devions dessiner celui-ci. Donc celle-ci aurait tout effacé avant la rangée avant trois, n'est-ce pas ? C'est la cinquième chose qu'il fait. Après avoir nettoyé, il entre dans leur rôle et tranche tout d'un au bord. Bon, donc allons au sommet ici. C'est donc un peu comme une organisation officielle qui peut vous aider à comprendre ce qui se passe. C'est donc le premier indice quand un drain avec des tableaux bidimensionnels. Ainsi, lorsque nous disons lorsque nous disons 10, cela représentait le x est le x, le y x est, puis l'axe X représenterait l'indexation le long de la ligne. Cela peut donc vous aider à visualiser ce qui se passe. Donc, si je dis que 000 ont alimenté la position dans cette position, dans la première rangée et dans la cinquième position de cette rangée. Si je dis que 10 est défini sur une rangée, mais à la première position en tétra, je le dis seulement. Dans la prochaine classe, nous parlerons de la façon dont nous pouvons dessiner l'indexation booléenne. voit en classe.
9. Indice Boolean: Bienvenue de retour. Donc, dans cette classe, nous allons simplement passer par l'indexation booléenne. Donc, comment cela fonctionne, c'est que nous essayons transmettre un tableau de chaînes à une zone de nombres. Nous avons donc Sarah Blake peut-être des noms dans notre exemple. Donc, nous voulons vérifier, Ok, dans ce tableau de nims, combien Bob va bien ? Ou nous sommes juste en train de vivre ça. Est-ce que Bob est ici. S'il est resté vrai, si ce n'est pas de leur faute, si ce n'est pas un faux si c'est vrai. Comme si je devais lancer celui-ci, une barre de MC à Bob, donc ça passe par le tableau. En vérifiant les manières Bob, renvoie un booléen, vrai ou faux. Ok, donc après cela,
ce que nous voulons réaliser, c'est que nous avons également un delta de taille égale à celui-ci, où le fichier correspond aux noms que nous avons ici. Maintenant, cela va s'ajouter à l'index, les données seront nommées selon Pope. Nous nous attendons à obtenir les valeurs qui correspondent au nom Bob. Ok, alors rappelez-vous que nous indexons, peut-être que nous spécifions que nous voulons atteindre huit, nous pouvons donner ces positions spécifiques. On reçoit maintenant des présuppositions lorsque Pope apparaît dans le RHS. Celui-ci a déjà été nommé Bob avec un RTOS ou nous indexons le vrai qui devrait nous
donner les positions ou les données ou les fichiers qui correspondent aux deux dans le tableau de données. C'est donc exactement comme ça que celui-ci fonctionne. Vous pouvez donc l'essayer vous-même et voir comment ça se passe. Nous avons donc dans l'exercice Excel à ce stade. Il est donc allé modifier l'exemple dont je viens de parler. Ce que je veux que vous fassiez, c'est de sélectionner les lignes, le nom Pope, et de le transmettre dans le tableau de données d'indexation. Et puis vous vérifiez ce que nos enfants, après avoir vérifié la taille. Je veux que vous répétiez cette même procédure, mais que vous choisissiez le nom de Bob et Joe en même temps. Donc, cette fois-ci, vous ne sélectionnez pas seulement un bot, mais ils sélectionnent également Joe en plus de cela. Alors, comment pouvez-vous faire cela ? Vous devez vous souvenir de vos opérateurs, vos opérateurs booléens ou comment finissez-vous avec t et 0 ? Cela vous aiderait donc. Ok, donc ça nous amène à la fin de ce cours. Dans la prochaine classe, nous parlerons quelques statistiques actuelles de Vitamix sur les réseaux utilisant des baies NumPy.
10. Méthode Statiques dans des réseaux de Numpy: Bonjour et bienvenue dans cette classe où nous parlons de méthodes mathématiques et statistiques. Dans cette classe, je vais simplement passer en revue certaines des opérations statistiques que vous pouvez effectuer à l'aide de NumPy. Nous nous réveillons donc avec ce tableau. Nous allons le générer à l'aide de la fonction aléatoire. Bon, donc nous voulons voir comment nous pouvons explorer. Donc généralement, en faisant assez de statistiques, nous voulons généralement savoir quelle est la moyenne comme cette somme. D'accord ? Mais commençons par trouver, disons le moyen. Donc, si vous voulez trouver la moyenne pour les données abordables, vous pouvez facilement entrer le nom du tableau. Les points signifient tellement de fonctions. N'oubliez donc pas cette parenthèse. Et puis vous vous enfuyez. Ok, donc ça dit d'accord, faire fonctionner celui-ci, d'accord, donc maintenant ça devrait réveiller l'affaire. Vous pouvez donc voir maintenant qu'il nous donne la moyenne pour cet ensemble de données stocké dans la baie. D'accord, et si vous vouliez aussi trouver la somme ? Nous voulons résumer, ok, Huawei, quoi ? On peut y aller. Pour certains membres, la fonction dont vous avez besoin de parenthèses, d'acquisition de marques. Il va donc trouver cette somme ici. Bon, il y a donc encore ce problème lorsque nous avons affaire à ces opérations. Lorsque nous avons un tableau qui n'est pas vu dimensionnel. Nous pouvons donc spécifier une vague mobile que nous voulons additionner, donc nous pouvons spécifier cela, accord, donc nous voulons faire une somme sur X est la raison pour laquelle nous voulons additionner x est 0. Nous le faisons donc en spécifiant quand nous exécutons le code. Nous pouvons donc dire que nous voulons trouver la principale façon de le faire et trouver un Min pour le trouver le long du x. Ainsi, vous pouvez voir, même lorsque je tape, vous pouvez voir toutes les choses que vous pouvez modifier. Modifiez les x, le type de données hors, conservez les dimensions. Donc, vous pouvez jouer autour d'eux. Donc je vais juste spécifier l'axe ici et je suis allé trouver à travers le x est un. Donc, restaurant et tests. Ok, donc maintenant il arrive, puis il court et nous donne du bien. Il regarde juste à travers les x et trouve la moyenne. Et puis il le met simplement sous forme de tableau. Ok, donc ce ne sont que quelques-uns
des exemples d' opérations statistiques que vous pouvez effectuer avec NumPy. Encore une fois, IV explore même comment trouver l'écart type, la variance, la moyenne, le produit cumulé, cumulé ou ceci, vous pouvez également les explorer. Donc, à ce stade, nos conseils aiment vraiment obtenir une documentation NumPy familière. Il existe donc des moyens de mettre en œuvre cela et de
vraiment aider si vous voulez faire carrière dans l'analyse de données. Dans la prochaine vidéo, nous parlerons d'algèbre linéaire et de transformation des données. Ok, je te vois toujours dans le prochain cours.
11. Algebra linéaire avec des réseaux de numpy: Cours de bienvenue. Enfin, je voudrais parler d'algèbre linéaire avec NumPy. D'accord ? C'est donc le même exemple que celui que nous allons citer. J'ai écrit quelque temps. Je vais donc l'exécuter seul comme rappel. Ok, donc, et lancez-le. Ok, donc ce que nous voulons accomplir, donc je viens de créer des données, x et y. Donc, x et y, nous pouvons faire beaucoup de choses avec. Nous pouvons réaliser un produit à points, x point y si vous souhaitez réaliser un produit à points. Vous pouvez donc simplement voir que c'est la fonction que vous utilisez qui se trouve dans NumPy. Vous avez donc absolument besoin de np et ensuite enseigné comme la fonction qui prendra x et
y et exécutera le portrait néerlandais entre ces deux personnes dans l'urine et répondra. Donc, vous voyez, c'est le produit en points que nous avons obtenu lorsque nous calculons, lorsque nous prenons x et y. Ok, donc à part la naissance du spin total lu, bien sûr, nous devons nous transformer à nouveau en transformations en utilisant elles ont été en utilisant NumPy. Mais pour que vous puissiez transformer ou modifier ou trouver une infestation, vous devez absolument importer une autre bibliothèque ou un autre objet dans NumPy. Donc, ce que nous pouvons faire, c'est que , d'
accord, nous pouvons venir ici et importer ça depuis NumPy. Donc, un rêve va entrer dans NumPy. Ensuite, nous allons chercher ça. Et une fois qu'il l'a obtenu quand il est en NP. Bon, alors que faisons-nous ici ? Nous avons déjà importé celui-ci, mais nous voulons simplement entendre les pieds sous une forme que nous connaissons bien le site d'amarrage. Ce sera donc plus facile pour moi. Il va donc trouver une phase en phase pour tout ça. Comme je pourrais me demander si l'AF dans le tableau, je peux obtenir l'interface. D'accord ? Donc, lorsque nous exécutons celui-ci, une fois que nous l'avons exécuté, nous pouvons
donc créer une autre cellule ici. Que voulons-nous dessiner ? Bon, créons des données. Celui-ci, donc je crée des données et je restaure Newton dans RAX. Donc, une fois que nous avons les données ici, d'accord, vous pouvez les exécuter. Il s'agit du jeu de données, donc le FX. Nous pouvons donc, il y a un autre tableau ici, des guillemets. Celui-ci utilise donc les meilleurs produits et il sous-tend aussi le, la transpose X Theta est une transposition, elle porte un produit à points. Ok, donc ça va réveiller le comté. Je crée une ADA, je dirige celle-ci. Je dois donc l'appeler pour que nous voyions le résultat. Okay, c'est ce que nous obtenons. Une fois que nous aurons fait la transposition, effectuera le produit en points. Nous en arrivons à cette partie. Ok, donc c'est ce calorique et deux, donc on peut aussi faire l'inverse. Vous pouvez y aller investir. Ensuite, vous pouvez l'exécuter dans Excel, obtenir des résultats. Voici donc comment nous pouvons explorer, explorer bien d'autres choses. Quand il s'agit de tableaux, vous pouvez faire beaucoup de choses. algèbre linéaire permet de transformer les données. Vous pouvez également l'explorer. C'est la documentation NumPy. J'ai l'impression que c'est ce qui m'a beaucoup aidé. Quand je faisais ça.
12. Conclusion et description de projet: Bonjour la classe. C'est la fin de notre cours. Si nous avons des questions ou des préoccupations, hésitez pas à les saisir lors de la discussion. Comme on peut s'y attendre, il y a un projet intéressant que nous devons essayer. Vos mains sur vous. Opia est aussi excitée que moi. Je vais donc vous présenter la description du projet dans cette vidéo. Pour votre projet, vous devrez générer aléatoirement un jeu de données de votre choix et l'appeler x. Après avoir généré le jeu de données, je veux que vous trouviez la forme et la bande de votre jeu de données. Après cela, je veux que vous modifiiez votre x. C'est le jeu de données que vous avez généré en deux dimensions dans une seule entité. Ok, après tout cela, la partie la plus intéressante sera que vous sachiez sous forme de tableau à condition diverses opérations statistiques que nous avons apprises dans ce cours dans des portes que nous avons explorées pendant votre temps libre. Je voudrais également que vous essayiez d'explorer ces opérations statistiques le long de x spécifiés. Vous pouvez donc dessiner pour x est égal à 1, x est égal à 0. Duan doit donc explorer diverses et conditions que vous pouvez traverser les opérations statistiques que nous avons prêtées. Enfin, je voudrais que vous régénériez un tableau de données deux par trois à
partir des œufs que vous avez générés et stockés dans leur variable y.
Dans tous ces domaines, je voudrais que vous vous rappeliez les concepts que vous avez appris tout au long de la cours pour appliquer le choix de la fonction d'entrée appropriée à utiliser dans celle qu'il espérait atteindre l'objectif du projet. Après tout cela, pour expliquer chacune des fonctions ou des orbitales utilisées afin que nous
sachions que vous comprenez vraiment ce que nous faisons. Et aéroporté pour rappeler tout ce que les livrables sont dus dans le document soumis avec vos solutions, il peut
s'agir d'un document PDF ou Word. Je veux également que vous soumettiez votre carnet de notes pour que je puisse voir comment nous
avons traversé ce projet du début à la fin.
Brian Tafadzwa Gomora, Enthusiast
