> For the complete documentation index, see [llms.txt](https://bemind.gitbook.io/neural/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://bemind.gitbook.io/neural/uchebniki-po-pandas-i-numpy/numpy.md). # Numpy **Numpy** - это невероятная библиотека, используемая для работы с массивами и матрицами для решения задач линейной алгебры и многих других задач. Библиотека предоставляет массивы похожие на списки, которые могут быть в 50 раз быстрее, чем списки Python. Библиотека лежит в основе многих других библиотек. * [**Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку**](/neural/uchebniki-po-pandas-i-numpy/numpy/funkciya-aktivacii-relu-dlya-glubokogo-obucheniya-polnoe-rukovodstvo-po-vypryamlennomu-lineinomu-blo.md) В мире глубокого обучения активации вдыхают жизнь в нейронные сети, внося нелинейность и позволяя им изучать сложные закономерности. Функция Rectified Linear Unit (ReLU) является краеугольным камнем функции активации, обеспечивающей простую нейронную эффективность для уменьшения воздействия проблемы исчезающего градиента. В этом полном руководстве по функции активации ReLU… Подробнее »Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку * [**Как нормализовать массивы NumPy (Масштабирование Min-Max, Z-оценка, L2)**](/neural/uchebniki-po-pandas-i-numpy/numpy/kak-normalizovat-massivy-numpy-minimalnoe-maksimalnoe-masshtabirovanie-z-ocenka-l2.md) В этом уроке вы узнаете, как нормализовать массивы NumPy, включая многомерные массивы. Нормализация является важным навыком для любого аналитика данных или специалиста по данным. Нормализация относится к процессу масштабирования данных в определенном диапазоне или распределении, чтобы сделать их более подходящими для анализа и обучения моделей. Это важный и общий этап предварительной обработки… Подробнее »Как нормализовать массивы NumPy (Масштабирование Min-Max, Z-оценка, L2) * [**Как рассчитать векторное произведение в Python**](/neural/uchebniki-po-pandas-i-numpy/numpy/kak-rasschitat-vektornoe-proizvedenie-v-python.md) В этом учебнике вы узнаете, как использовать Python для вычисления векторного произведения. В частности, вы научитесь вычислять векторное произведение с помощью популярной библиотеки NumPy, а также как рассчитать его с нуля. Векторное произведение - это общая математическая векторная операция, которая принимает на вход два вектора и производит третий вектор, который… * [**Разделение NumPy: Разделение массива NumPy на части**](/neural/uchebniki-po-pandas-i-numpy/numpy/razdelenie-numpy-razdelenie-massiva-numpy-na-chasti.md) В этом руководстве вы научитесь использовать функцию разделения NumPy для разделения массива на части. Умение работать и манипулировать массивами в NumPy с помощью Python является важным навыком для всех, кто работает с данными. К концу этого руководства вы научитесь: Хотите узнать, как... * [**NumPy: Лучшие способы применения функции к массиву**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-luchshie-sposoby-primeneniya-funkcii-k-massivu.md)\ В этом учебнике вы научитесь использовать NumPy для применения функции к массиву с помощью различных методов, таких как NumPy vectorize. Умение применять одну и ту же функцию к каждому элементу массива является важным навыком. Однако, поскольку массивы NumPy часто могут быть довольно большими, мы должны учитывать производительность при… * [**NumPy full: Создание массивов с заданным значением заполнения**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-full-sozdanie-massivov-s-zadannym-znacheniem.md)\ Массивы NumPy играют ключевую роль в анализе данных и рабочих процессах в области науки о данных (Data Science) на языке Python. В связи с этим, умение генерировать массивы является важным навыком. В этом уроке вы научитесь использовать функцию NumPy `full()` для создания массивов, заполненных заданным значением. Эта функция аналогична функциям NumPy `zeroes()` и... * [**NumPy `clip()`: Ограничьте значения массива минимальным и максимальным значениями**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-clip-ogranichte-znacheniya-massiva-minimalnym-i-maksimalnym-znacheniyami.md) Массивы NumPy необходимы для большинства рабочих процессов анализа данных и науки о данных. Возможно, вы захотите ограничить массивы так, чтобы они содержали значения в пределах минимального и максимального диапазонов – именно это и достигается с помощью функции NumPy clip. В этом уроке вы узнаете, как ограничить значения массива NumPy, используя функцию `.clip()`.… * [**NumPy cumsum: Расчет кумулятивных сумм массивов NumPy**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-cumsum-raschet-kumulyativnykh-summ-massivov-numpy.md) Функция NumPy cumsum используется для расчета кумулятивной суммы элементов в массиве NumPy по указанной оси. В этом уроке вы узнаете, как использовать функцию NumPy cumsum для расчета кумулятивных сумм массивов. Функция позволяет указывать ось, по которой будут вычисляться суммы, а также... * [**Изучаем функцию np.histogram в NumPy: создаем гистограмму**](/neural/uchebniki-po-pandas-i-numpy/numpy/izuchaem-funkciyu-np.histogram-v-numpy-sozdaem-gistogrammu.md) В этом уроке вы научитесь использовать функцию гистограммы NumPy для расчета гистограммы заданного набора данных. Гистограмма показывает частоту числовых данных в группах диапазонов. Используя NumPy для расчета гистограмм, вы можете легко рассчитать и получить доступ к частотам (относительным или абсолютным) различных значений. * [**NumPy arange(): Полное руководство (с примерами)**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-arange-polnoe-rukovodstvo-s-primerami.md) В этом руководстве вы узнаете, как использовать функцию NumPy arange для создания последовательности чисел. В нем вы найдете всю необходимую информацию, включая способы настройки функции для ваших потребностей. NumPy предлагает ряд различных функций для создания массивов, таких как функция `np.linspace()`… * [**Руководство по индексации и срезам массивов NumPy: Полное руководство**](/neural/uchebniki-po-pandas-i-numpy/numpy/rukovodstvo-po-indeksacii-i-srezam-massivov-numpy-polnoe-rukovodstvo.md) Это исчерпывающее руководство научит вас всем способам индексации и формирования срезов массивов NumPy. NumPy является необходимой библиотекой для любого аналитика данных или ученого-данных, использующего Python. Эффективная индексация и создание срезов массивов NumPy могут сделать вас более квалифицированным программистом. По окончании этого урока вы узнаете: Как… * [**NumPy `argmin()`: Получение индекса минимального значения в массивах**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-argmin-poluchenie-indeksa-minimalnogo-znacheniya-v-massivakh.md) В этом уроке вы узнаете, как освоить функцию NumPy `argmin()` для нахождения позиции индекса минимального значения в массиве NumPy. Функция `np.argmin()` предоставляет невероятные возможности для работы с одномерными и многомерными массивами. Вы также узнаете, как расширить функциональность до Pandas DataFrames, что позволяет находить значения по… * [**Выравнивание массива с помощью NumPy flatten**](/neural/uchebniki-po-pandas-i-numpy/numpy/vyravnivanie-massiva-s-pomoshyu-numpy-flatten.md) В этом учебном пособии вы узнаете, как выровнять массив с помощью функции flatten в NumPy, что означает преобразование массива в одномерный. Функция flatten в NumPy позволяет превратить многомерный массив в одномерный. Эта функция позволяет легко выравнивать массивы различными способами, включая выравнивание по столбцам и по строкам. * [**Объединение массивов NumPy по различным осям с использованием функции stack**](/neural/uchebniki-po-pandas-i-numpy/numpy/obedinenie-massivov-numpy-po-razlichnym-osyam-s-ispolzovaniem-funkcii-stack.md) В этом учебном пособии вы научитесь использовать функцию `stack()` библиотеки NumPy для объединения массивов NumPy различными способами вдоль осей NumPy. NumPy является необходимой библиотекой Python для всех, кто работает с данными в Python. Функция `stack()` позволяет комбинировать массивы NumPy разными способами вдоль осей NumPy. К концу этого учебного пособия вы… * [У**даление размерности из массивов NumPy с помощью NumPy Squeeze**](https://app.gitbook.com/o/jh9bu7LsmDm6aIN3bHfc/s/Z8ZgobqrSJWaGpehFarf/~/changes/28/uchebniki-po-pandas-i-numpy/numpy/datagy) В этом руководстве вы узнаете, как использовать функцию NumPy `squeeze()`. Функция `np.squeeze()` позволяет удалять одномерные записи из формы массива. Это позволяет лучше преобразовывать массивы, которые не имеют формы, подходящей для работы, которую вы выполняете. Короче говоря, функция возвращает входной массив… * [**Функция `np.repeat()` NumPy: Повторение массивов NumPy**](/neural/uchebniki-po-pandas-i-numpy/numpy/funkciya-np.repeat-numpy-povtorenie-massivov-numpy.md) В этом руководстве вы узнаете, как использовать функцию повторения NumPy, `np.repeat()`. Функция `np.repeat()` используется для повторения массивов и предоставляет значительные возможности для настройки способа повторения массивов. Умение работать с массивами NumPy является важным навыком для анализа данных, науки о данных и глубокого обучения. По завершении этого… * [**Использование функции NumPy`.exp()` для вычисления экспоненты**](/neural/uchebniki-po-pandas-i-numpy/numpy/ispolzovanie-funkcii-numpy.exp-dlya-vychisleniya-eksponenty.md)\ В этом учебном руководстве вы узнаете, как использовать функцию экспоненты NumPy, `np.exp()`. Функция возводит константу Эйлера, e, в заданную степень. Поскольку константа Эйлера имеет множество практических применений в науке, математике и глубоком обучении, умение эффективно работать с этой функцией является важным навыком для любого пользователя Python! * [**Реализация функции сигмоида на Python**](/neural/uchebniki-po-pandas-i-numpy/numpy/realizaciya-funkcii-sigmoida-na-python.md)\ В этом учебном пособии вы узнаете, как реализовать активационную функцию сигмоида на Python. Поскольку функция сигмоида является активационной функцией в нейронных сетях, важно понимать, как ее реализовать на Python. Вы также узнаете некоторые ключевые атрибуты функции сигмоида и почему она такая полезная функция в… * [**NumPy Pad: Использование `np.pad()` для дополнения массивов и матриц**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-pad-ispolzovanie-np.pad-dlya-dopolneniya-massivov-i-matric.md) В этом учебном пособии вы научитесь использовать мощную функцию дополнения NumPy для дополнения массивов и матриц в NumPy и Python. Функция является мощным методом, который часто используется в глубоком обучении, особенно при разработке сверточных нейронных сетей. Владение этой функцией позволит вам создавать мощные системы глубокого обучения… * [**NumPy where: Условная обработка элементов массива**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-where-uslovnaya-obrabotka-elementov-massiva.md) В этом руководстве вы узнаете, как использовать функцию NumPy `where()` для обработки или возвращения элементов на основе одного или нескольких условий. Функция `np.where()` является одной из самых мощных функций, доступных в NumPy. Функция позволяет возвращать индексы, где выполняется условие, или обрабатывать элементы массива… * [**np.argmax(): Как использовать NumPy Argmax**](/neural/uchebniki-po-pandas-i-numpy/numpy/np.argmax-kak-ispolzovat-numpy-argmax.md) В этом руководстве вы узнаете, как использовать функцию NumPy `argmax()` для нахождения индекса наибольшего значения в массиве. Функция `np.argmax()` может использоваться для нахождения максимального значения в массиве, а также по осям разных размерностей. Функция часто может вызывать затруднения, но это руководство должно… * [**NumPy linspace: Создание равномерно распределенных массивов с помощью np.linspace**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-linspace-sozdanie-ravnomerno-raspolozhennykh-massivov-s-pomoshyu-np.linspace.md) В этом учебном пособии вы узнаете, как использовать функцию NumPy linspace для создания массивов равномерно распределенных чисел. Это может быть невероятно полезно, когда вы работаете с численными приложениями. Функция NumPy `linspace` позволяет создавать равномерно распределенные диапазоны чисел и настраивать эти массивы с помощью широкого ассортимента параметров. * [**NumPy logspace: Понимание функции np.logspace()**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-logspace-ponimanie-funkcii-np.logspace.md) В этом уроке вы узнаете, как использовать функцию NumPy logspace и как использовать ее различные параметры. Функция `np.logspace()` используется для возвращения чисел, равномерно распределенных на логарифмической шкале. Функция позволяет вам указывать множество различных атрибутов, включая изменение основания логарифмической шкалы, которую вы хотите… * [**Использование NumPy Tile для Расположения Массивов**](/neural/uchebniki-po-pandas-i-numpy/numpy/ispolzovanie-numpy-tile-dlya-raspolozheniya-massivov.md) В этом учебном руководстве вы узнаете, как использовать функцию tile() NumPy для расположения массивов с помощью Python. Функция `tile()` NumPy принимает массив в качестве входных данных и создает новый массив, повторяя входной массив различными способами. Владение навыками работы с массивами NumPy и их изменение является важным умением для работы с данными… * [**Различные способы конкатенации массивов NumPy в Python**](https://datagy.io/numpy-concatenate-arrays/) В этом учебном пособии вы узнаете, как конкатенировать массивы NumPy в Python. Умение работать с массивами NumPy является важным навыком по мере вашего продвижения в области данных в Python. Поскольку массивы NumPy могут быть одномерными или двумерными, важно понимать различные способы их объединения. Вы узнаете… * [**NumPy Zeros: Создание массивов и матриц с нулями в NumPy**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-zeros-sozdanie-massivov-i-matric-s-nulyami-v-numpy.md) В этом учебнике вы узнаете, как генерировать матрицу с нулями, используя функцию NumPy zeros. Массивы и матрицы с нулями имеют особое значение в машинном обучении. Умение эффективно их создавать позволит вам стать более компетентным в линейной алгебре и машинном обучении. * [**Использование числа Пи в Python (NumPy и Math)**](/neural/uchebniki-po-pandas-i-numpy/numpy/ispolzovanie-chisla-pi-v-python-numpy-i-math.md)\ В этом руководстве вы узнаете, как получить и использовать значение числа Пи в Python. Мы рассмотрим несколько различных способов, с помощью которых вы можете получить и сохранить значение Пи в Python. Сначала мы рассмотрим библиотеку math, а затем библиотеку NumPy. Мы исследуем, почему вам может понадобиться… * [**Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)**](/neural/uchebniki-po-pandas-i-numpy/numpy/raspredelenie-normalnogo-gaussova-raspredeleniya-v-numpy-sluchainoe-normalnoe-v-numpy.md) В этом руководстве вы узнаете, как использовать функцию random.normal в Numpy для создания нормальных (или гауссовых) распределений. Функции предоставляют вам инструменты, позволяющие создавать распределения с конкретными средними и стандартными отклонениями. Кроме того, вы можете создавать распределения различного размера. * [**NumPy для Data Science на Python**](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-dlya-data-science-na-python.md) В этом учебном пособии вы узнаете, как использовать библиотеку NumPy на Python для data science. Вы узнаете, почему эта библиотека имеет значение в мире **data science** и почему она является основой для многих других библиотек. Вы познакомитесь со структурой данных ndarray от NumPy и узнаете, как она работает. * [**Расчет скалярного произведения с использованием Numpy в Python**](/neural/uchebniki-po-pandas-i-numpy/numpy/raschet-skalyarnogo-proizvedeniya-s-ispolzovaniem-numpy-v-python.md) Узнайте, как использовать Python и numpy для расчета скалярного произведения, включая операции с массивами различных размерностей и со скалярами. * [**Расчет натурального логарифма на Python**](/neural/uchebniki-po-pandas-i-numpy/numpy/raschet-naturalnogo-logarifma-na-python.md) Узнайте, как использовать Python для расчета натурального логарифма, который часто обозначается как ln, с помощью библиотек math и numpy, а также как его построить.