numpy funkce používané ve strojovém učení

1. np.array(): Tato funkce se používá k vytvoření polí NumPy, což jsou základní datové struktury používané ve strojovém učení.

2. np.zeros(), np.ones(), np.random.rand(), np.random.randn(): Tyto funkce se používají k vytvoření polí vyplněných nulami, jedničkami nebo náhodnými hodnotami, které se často používají pro inicializaci parametrů modelu nebo generování syntetických dat.

3. np.linspace(), np.logspace(): Tyto funkce se používají k vytváření polí rovnoměrně rozložených hodnot, což může být užitečné pro úkoly, jako je inženýrství funkcí nebo vizualizace.

4. np.reshape(), np.transpose(), np.expand_dims(): Tyto funkce se používají k manipulaci s tvarem a rozměry polí, což je často nutné, když práce s modely strojového učení.

5. np.concatenate(), np.stack(), np.vstack(), np.hstack(): Tyto funkce se používají ke kombinaci více polí podél různých os, což může být užitečné pro úkoly, jako je inženýrství prvků nebo rozšiřování dat.

6. np.sum(), np.mean(), np.std(), np.var(): Tyto funkce se používají k výpočtu základních statistik vlastnosti polí, které mohou být užitečné pro analýzu dat a inženýrství funkcí.

7. np.dot(), np.matmul(): Tyto funkce se používají k provádění násobení matic, což je základní operace v mnoha algoritmech strojového učení.

8. np.linalg.inv(), np.linalg.eig(), np.linalg.svd(): Tyto funkce se používají k provádění operací lineární algebry, jako je např. inverze matic, rozklad vlastních hodnot a rozklad singulárních hodnot, které jsou důležité ve strojovém učení pro úkoly, jako je redukce rozměrů a optimalizace modelu.

9. np.argmax(), np.argsort(): Tyto funkce se používají k nalezení indexů maximálních nebo seřazených hodnot v poli, což může být užitečné pro úkoly, jako je klasifikace nebo hodnocení .

10. np.where(): Tato funkce se používá k aplikaci podmíněné logiky na pole, což může být užitečné pro úlohy, jako je inženýrství funkcí nebo předzpracování dat.

Toto je jen několik příkladů z mnoha funkcí NumPy, které se běžně používají ve strojovém učení. Konkrétní použité funkce budou záviset na konkrétním problému a požadavcích použitého modelu strojového učení.

Citace:
[1] https://madewithml.com/courses/foundations/numpy/
[2] https://faculty.washington.edu/otoomet/machinelearning-py/numpy-and-pandas.html
[3] https://www.youtube.com/watch?v=gnKbAAVUzro
[4] https://www.naukri.com/code360/library/important-numpy-functions-for-ml
[5] https://becominghuman.ai/an-essential-guide-to-numpy-for-machine-learning-in-python-5615e1758301?gi=adb6aadca980

jak se liší bodový součin NumPy od násobení matice v jiných knihovnách

Klíčové rozdíly mezi funkcí `np.dot()` NumPy a násobením matic v jiných knihovnách jsou:

1. Rozměrnost:
- `np.dot()` dokáže zpracovat pole různých rozměrů a provádět různé operace na základě vstupních tvarů.
- Pro 1D pole `np.dot()` vypočítá vnitřní součin.
- Pro 2D pole `np.dot()` vypočítá násobení matice.
- Pro pole s vyšší dimenzí `np.dot()` provede součtový součin přes poslední osu prvního argumentu a předposlední osu druhého argumentu.

2. Účinnost:
- NumPy `np.dot()` je vysoce optimalizovaný a využívá efektivní knihovny BLAS (Basic Linear Algebra Subprograms) pod kapotou, takže je velmi rychlý.
- Jiné knihovny nemusí mít stejnou úroveň optimalizace, zejména pro velké matice nebo vysokorozměrná pole.

3. Syntaxe:
- V Pythonu 3.5 a novějších lze pro násobení matic použít operátor `@`, což je intuitivnější a stručnější než volání `np.dot()`.
- Jiné knihovny mohou mít svou vlastní syntaxi pro násobení matic, která se může lišit od `np.dot()` od NumPy.

4. Flexibilita:
- `np.dot()` je flexibilnější při práci s poli různých rozměrů, zatímco násobení matic v jiných knihovnách může mít přísnější požadavky na vstupní tvary.

5. Konvence pojmenování:
- Název `np.dot()` může být zavádějící, protože provádí jak bodový součin, tak násobení matice v závislosti na vstupních tvarech.
- Jiné knihovny mohou mít popisnější názvy funkcí, jako například `matrix_multiply()` nebo `matmul()`, aby bylo možné jasně rozlišit mezi tečkovým součinem a násobením matice.

Stručně řečeno, zatímco základní matematické operace mohou být podobné, funkce NumPy `np.dot()` poskytuje flexibilnější a efektivnější implementaci bodového součinu a násobení matic ve srovnání s jinými knihovnami, ale konvence pojmenování může být matoucí. Zavedení operátoru `@` v Pythonu 3.5+ pomáhá učinit násobení matic intuitivnějším.

Citace:
[1] https://stackoverflow.com/questions/34142485/difference-between-numpy-dot-and-python-3-5-matrix-multiplication
[2] https://www.w3resource.com/python-exercises/numpy/advanced-numpy-exercise-1.php
[3] https://mkang32.github.io/python/2020/08/30/numpy-matmul.html
[4] https://www.includehelp.com/python/difference-between-numpy-dot-and-inner-methods.aspx
[5] https://numpy.org/doc/stable/reference/generated/numpy.dot.html

existují nějaké scénáře, kde je preferováno np.dot před @ nebo np.matmul

Ano, existují scénáře, kde je preferováno `np.dot` před `@` nebo `np.matmul`. Zde je několik případů, kdy může být vhodnější `np.dot`:

1. Kompatibilita se staršími verzemi Pythonu: `np.dot` je k dispozici ve všech verzích NumPy, včetně starších. Pokud potřebujete podporovat starší verze Pythonu, `np.dot` je bezpečnější volbou.

2. Specifické případy použití: `np.dot` zvládne určité operace, které `@` a `np.matmul` nezvládají. Pokud například potřebujete provést bodový součin podél určité osy, `np.dot` to zvládne snadněji.

3. Čitelnost a srozumitelnost: V některých případech může použití `np.dot` učinit kód čitelnějším a snáze pochopitelným. Pokud například provádíte tečkový součin ve složitém výrazu, pomocí `np.dot` může být kód stručnější a snadněji sledovatelný.

4. Výkon: V některých případech může být `np.dot` rychlejší než `@` nebo `np.matmul` kvůli způsobu, jakým zpracovává určité operace. To však obecně nepředstavuje významný problém, pokud nepracujete s velmi velkými datovými sadami.

5. Starší kód: Pokud pracujete se starším kódem, který používá `np.dot`, může být snazší zůstat u `np.dot`, abyste zachovali kompatibilitu a předešli potenciálním problémům s upgradem na novější verze NumPy .

Zde je několik scénářů, kde může být `np.dot` preferován před `@` nebo `np.matmul`:

- Kompatibilita se staršími verzemi Pythonu: Pokud potřebujete podporovat starší verze Pythonu, `np.dot` je bezpečnější volbou.
- Specifické případy použití: Pokud potřebujete provést bodový součin podél určité osy, `np.dot` to zvládne snadněji.
- Čitelnost a srozumitelnost: V některých případech může použití `np.dot` učinit kód čitelnějším a snáze pochopitelným.
- Výkon: V některých případech může být `np.dot` rychlejší než `@` nebo `np.matmul` kvůli způsobu, jakým zpracovává určité operace.
- Starší kód: Pokud pracujete se starším kódem, který používá `np.dot`, může být snazší zůstat u `np.dot`, abyste zachovali kompatibilitu a předešli potenciálním problémům s upgradem na novější verze NumPy.

Stručně řečeno, zatímco `@` a `np.matmul` jsou obecně efektivnější a čitelnější, existují scénáře, kdy může být `np.dot` vhodnější.