Udemy, Lazy Programmer Inc. | Deep Learning Prerequisites: The Numpy Stack in Python (V2+) (2020) PCRec [En / En Sub]

Этот курс предназначен для устранения этого препятствия - чтобы показать вам, как делать в стеке Numpy вещи, которые часто необходимы в глубоком обучении и науке о данных.
Так что это?
Numpy. Это составляет основу всего остального. Центральным объектом в Numpy является массив Numpy, с которым вы можете выполнять различные операции.
Ключ в том, что массив Numpy - это не просто обычный массив, который вы могли бы видеть в таких языках, как Java или C ++, а скорее как математический объект, такой как вектор или матрица.
Это означает, что вы можете выполнять векторные и матричные операции, такие как сложение, вычитание и умножение.
Самый важный аспект массивов Numpy - то, что они оптимизированы по скорости. Итак, мы собираемся сделать демонстрацию, в которой я докажу вам, что использование векторизованной операции Numpy быстрее, чем использование списка Python.
Затем мы рассмотрим некоторые более сложные матричные операции, такие как произведения, обратные, определители и решение линейных систем.
Pandas. Pandas хорош, потому что он делает много вещей под капотом, что облегчает вашу жизнь, потому что вам не нужно кодировать эти вещи вручную.
Pandas делает работу с наборами данных во многом так же, как R, если вы знакомы с R.
Центральным объектом в R и Pandas является DataFrame.
Мы посмотрим, насколько проще загрузить набор данных с помощью Pandas по сравнению с попыткой сделать это вручную.
Затем мы рассмотрим некоторые операции с фреймами данных, такие как фильтрация по столбцу, фильтрация по строке, функция применения и объединения, которые очень похожи на объединения SQL.
Так что, если у вас есть опыт работы с SQL и вам нравится работать с таблицами, тогда Pandas будет отличным вариантом для изучения.
Поскольку Pandas учит нас, как загружать данные, следующим шагом будет просмотр данных. Для этого мы будем использовать Matplotlib.
В этом разделе мы рассмотрим некоторые распространенные графики, а именно линейную диаграмму, диаграмму рассеяния и гистограмму.
Мы также рассмотрим, как показывать изображения с помощью Matplotlib.
В 99% случаев вы будете использовать те или иные формы приведенных выше графиков.
Scipy. Мне нравится думать о Scipy как о дополнительной библиотеке для Numpy.
В то время как Numpy предоставляет базовые строительные блоки, такие как векторы, матрицы и операции с ними, Scipy использует эти общие строительные блоки для выполнения конкретных задач.
Например, Scipy может выполнять множество общих статистических вычислений, включая получение значения PDF, значения CDF, выборки из распределения и статистическое тестирование.
У него есть инструменты обработки сигналов, поэтому он может делать такие вещи, как свертка и преобразование Фурье.
В общем: Если вы прошли курс глубокого обучения или машинного обучения и понимаете теорию, и вы можете видеть код, но не можете найти связь между тем, как превратить эти алгоритмы в реальный работающий код, этот курс для вас .