numpy funkcie používané v strojovom učení

1. np.array(): Táto funkcia sa používa na vytváranie polí NumPy, čo sú základné dátové štruktúry používané v strojovom učení.

2. np.zeros(), np.ones(), np.random.rand(), np.random.randn(): Používajú sa tieto funkcie na vytváranie polí vyplnených nulami, jednotkami alebo náhodnými hodnotami, ktoré sa často používajú na inicializáciu parametrov modelu alebo generovanie syntetických údajov.

3. np.linspace(), np.logspace(): Tieto funkcie sa používajú na vytváranie polí s rovnomerne rozloženými hodnotami, ktoré môžu byť užitočné pri úlohách, ako je inžinierstvo funkcií alebo vizualizácia.

4. np.reshape(), np.transpose(), np.expand_dims(): Tieto funkcie sa používajú na manipuláciu s tvarom a rozmermi polí, čo je často potrebné, keď práca s modelmi strojového učenia.

5. np.concatenate(), np.stack(), np.vstack(), np.hstack(): Tieto funkcie sa používajú na kombinovanie viacerých polí pozdĺž rôznych osí, čo môže byť užitočné pri úlohách, ako je inžinierstvo prvkov alebo rozširovanie údajov.

6. np.sum(), np.mean(), np.std(), np.var(): Tieto funkcie sa používajú na výpočet základnej štatistiky vlastnosti polí, ktoré môžu byť užitočné pre analýzu údajov a inžinierstvo funkcií.

7. np.dot(), np.matmul(): Tieto funkcie sa používajú na vykonávanie násobenia matíc, čo je základná operácia v mnohých algoritmoch strojového učenia.

8. np.linalg.inv(), np.linalg.eig(), np.linalg.svd(): Tieto funkcie sa používajú na vykonávanie operácií lineárnej algebry, ako napr. inverzia matice, dekompozícia vlastných hodnôt a dekompozícia singulárnych hodnôt, ktoré sú dôležité v strojovom učení pre úlohy, ako je redukcia rozmerov a optimalizácia modelu.

9. np.argmax(), np.argsort(): Tieto funkcie sa používajú na nájdenie indexov maximálnych alebo zoradených hodnôt v poli, čo môže byť užitočné pri úlohách, ako je klasifikácia alebo hodnotenie .

10. np.where(): Táto funkcia sa používa na aplikáciu podmienenej logiky na polia, čo môže byť užitočné pri úlohách, ako je inžinierstvo funkcií alebo predbežné spracovanie údajov.

Toto je len niekoľko príkladov z mnohých funkcií NumPy, ktoré sa bežne používajú v strojovom učení. Konkrétne použité funkcie budú závisieť od konkrétneho problému a požiadaviek použitého modelu strojového učenia.

Citácie:
[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

ako sa bodový súčin NumPy líši od násobenia matíc v iných knižniciach

Kľúčové rozdiely medzi funkciou `np.dot()` NumPy a násobením matíc v iných knižniciach sú:

1. Rozmernosť:
- `np.dot()` dokáže spracovať polia rôznych rozmerov a vykonávať rôzne operácie na základe vstupných tvarov.
- Pre 1D polia `np.dot()` vypočítava vnútorný súčin.
- Pre 2D polia `np.dot()` vypočíta násobenie matice.
- Pre polia vyššej dimenzie vykoná `np.dot()` súčin súčinu na poslednej osi prvého argumentu a predposlednej osi druhého argumentu.

2. Efektívnosť:
- `np.dot()` od NumPy je vysoko optimalizovaný a využíva efektívne knižnice BLAS (Basic Linear Algebra Subprograms) pod kapotou, vďaka čomu je veľmi rýchly.
- Iné knižnice nemusia mať rovnakú úroveň optimalizácie, najmä pre veľké matice alebo vysokorozmerné polia.

3. Syntax:
- V Pythone 3.5 a novšom možno na násobenie matíc použiť operátor `@`, čo je intuitívnejšie a stručnejšie ako volanie `np.dot()`.
- Iné knižnice môžu mať vlastnú syntax pre násobenie matíc, ktorá sa môže líšiť od `np.dot()` od NumPy.

4. Flexibilita:
- "np.dot()" je flexibilnejší pri práci s poľami rôznych rozmerov, zatiaľ čo násobenie matíc v iných knižniciach môže mať prísnejšie požiadavky na vstupné tvary.

5. Konvencia pomenovania:
- Názov `np.dot()` môže byť zavádzajúci, pretože vykonáva bodový súčin aj násobenie matice v závislosti od vstupných tvarov.
- Iné knižnice môžu mať popisnejšie názvy funkcií, ako napríklad `matrix_multiply()` alebo `matmul()`, aby bolo možné jasne rozlíšiť medzi bodovým súčinom a násobením matice.

Stručne povedané, zatiaľ čo základné matematické operácie môžu byť podobné, funkcia NumPy `np.dot()` poskytuje flexibilnejšiu a efektívnejšiu implementáciu bodového súčinu a násobenia matíc v porovnaní s inými knižnicami, ale konvencia pomenovania môže byť mätúca. Zavedenie operátora `@` v Pythone 3.5+ pomáha urobiť násobenie matíc intuitívnejším.

Citácie:
[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

existujú nejaké scenáre, v ktorých sa uprednostňuje np.dot pred @ alebo np.matmul

Áno, existujú scenáre, kde sa uprednostňuje `np.dot` pred `@` alebo `np.matmul`. Tu je niekoľko prípadov, kedy môže byť `np.dot` vhodnejší:

1. Kompatibilita so staršími verziami Pythonu: `np.dot` je dostupný vo všetkých verziách NumPy, vrátane starších. Ak potrebujete podporovať staršie verzie Pythonu, bezpečnejšou voľbou je `np.dot`.

2. Špecifické prípady použitia: `np.dot` zvládne určité operácie, ktoré `@` a `np.matmul` nezvládnu. Napríklad, ak potrebujete vykonať bodový súčin pozdĺž špecifickej osi, `np.dot` to zvládne jednoduchšie.

3. Čitateľnosť a jasnosť: V niektorých prípadoch môže použitie `np.dot` urobiť kód čitateľnejším a zrozumiteľnejším. Ak napríklad vytvárate bodový súčin v zložitom výraze, pomocou `np.dot` môže byť kód stručnejší a ľahšie sledovateľný.

4. Výkon: V niektorých prípadoch môže byť `np.dot` rýchlejší ako `@` alebo `np.matmul` kvôli spôsobu, akým spracováva určité operácie. Vo všeobecnosti to však nie je závažný problém, pokiaľ nepracujete s veľmi veľkými množinami údajov.

5. Starý kód: Ak pracujete so starým kódom, ktorý používa `np.dot`, môže byť jednoduchšie zostať pri `np.dot`, aby ste zachovali kompatibilitu a vyhli sa potenciálnym problémom s inováciou na novšie verzie NumPy .

Tu je niekoľko scenárov, v ktorých môže byť `np.dot` uprednostnený pred `@` alebo `np.matmul`:

- Kompatibilita so staršími verziami Pythonu: Ak potrebujete podporovať staršie verzie Pythonu, bezpečnejšou voľbou je `np.dot`.
- Špecifické prípady použitia: Ak potrebujete vykonať bodový súčin pozdĺž konkrétnej osi, `np.dot` to zvládne jednoduchšie.
- Čitateľnosť a jasnosť: V niektorých prípadoch môže použitie `np.dot` urobiť kód čitateľnejším a zrozumiteľnejším.
- Výkon: V niektorých prípadoch môže byť `np.dot` rýchlejší ako `@` alebo `np.matmul` kvôli spôsobu, akým spracováva určité operácie.
- Starý kód: Ak pracujete so starým kódom, ktorý používa `np.dot`, môže byť jednoduchšie zostať pri `np.dot`, aby ste zachovali kompatibilitu a vyhli sa potenciálnym problémom s inováciou na novšie verzie NumPy.

Stručne povedané, zatiaľ čo `@` a `np.matmul` sú vo všeobecnosti efektívnejšie a čitateľnejšie, existujú scenáre, kde môže byť `np.dot` vhodnejší.