#1
a = [1, 2, 3]
b = a
c = a[:]
b[0] = 99
c[1] = 88
a.append(4)
print(a)
print(b)
print(c)
❤🔥2🥰1🤯1
#1 (Представляйте, что в столбик ответы, тг не позволяет прост )
Anonymous Quiz
23%
[99, 2, 3, 4] [99, 2, 3, 4] [1, 88, 3]
15%
[99, 2, 3, 4] [1, 2, 3, 4] [1, 88, 3]
31%
[99, 2, 3] [99, 2, 3] [1, 88, 3]
31%
[1, 2, 3, 4] [1, 2, 3, 4] [1, 88, 3]
❤🔥2👍1🤯1
Media is too big
VIEW IN TELEGRAM
🧑💻1️⃣ Скалярное произведение векторов
🔗 a⋅b=∣a∣∣b∣cos(θ)
🔗 ∣a∣ и ∣b∣ — длины векторов, θ — угол между ними
Теперь напишем пример на Python:
П Р О Д О Л Ж Е Н И Е
Скалярное произведение двух векторов a и b — это сумма произведений их соответствующих компонентов
🔗 a⋅b=∣a∣∣b∣cos(θ)
🔗 ∣a∣ и ∣b∣ — длины векторов, θ — угол между ними
Если угол равен 90°, то скалярное произведение равно 0, так как cos(90°) = 0
Теперь напишем пример на Python:
П Р О Д О Л Ж Е Н И Е
❤🔥3🥰1
Forwarded from CodeLab ML
Media is too big
VIEW IN TELEGRAM
🧑💻1️⃣ Скалярное произведение векторов
🔗 a⋅b=∣a∣∣b∣cos(θ)
🔗 ∣a∣ и ∣b∣ — длины векторов, θ — угол между ними
Теперь напишем пример на Python:
Скалярное произведение двух векторов a и b — это сумма произведений их соответствующих компонентов
🔗 a⋅b=∣a∣∣b∣cos(θ)
🔗 ∣a∣ и ∣b∣ — длины векторов, θ — угол между ними
Если угол равен 90°, то скалярное произведение равно 0, так как cos(90°) = 0
Теперь напишем пример на Python:
import numpy as np
a = ([1, 2, 3])
b = ([4, 5, 6])
dot_product = np.dot(a, b)
print(dot_product)
Dot Product — это операция между двумя векторами, которая возвращает одно число (скаляр). Она вычисляется как сумма произведений соответствующих компонент векторов.
❤🔥3👍1
Гайс, переходим, сейчас там наибольшая активность 🔽🔽🔽https://t.me/CodeLabML
Telegram
CodeLab ML
https://t.me/CodeLabChat — наш чат для общения
❤🔥2👍1🤯1
Forwarded from CodeLab ML
Строим график синусоиды
0️⃣ Импортируем две базовые библиотеки:
1️⃣ Создание фигуры (с помощью Figure)
🔗 Итак, 🟰
первая цифра (5) — это ширина фигуры
вторая цифра (4) — это высота фигуры
2️⃣ Добавляем оси
▫️Этот метод добавляет оси на заданную фигур.
▫️[0.1, 0.1, 0.8, 0.8] — Список, который задаёт положение и размер области для осей внутри фигуры в виде четырёх чисел и вот как это выглядит:
0️⃣ Импортируем две базовые библиотеки:
import matplotlib.pyplot as plt
import numpy as np
1️⃣ Создание фигуры (с помощью Figure)
fig = plt.figure(figsize=(5, 4))
🔗 Итак, 🟰
plt.figure🟰 создаёт новый объект, на которой будут отображаться графики. А что касаемо параметров (5, 4) ? Параметры отвечают за размер фигуры: первая цифра (5) — это ширина фигуры
вторая цифра (4) — это высота фигуры
Итак, создаётся фигура размером 5x4 дюйма
2️⃣ Добавляем оси
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
▫️Этот метод добавляет оси на заданную фигур.
▫️[0.1, 0.1, 0.8, 0.8] — Список, который задаёт положение и размер области для осей внутри фигуры в виде четырёх чисел и вот как это выглядит:
0.1 — отступ от левой границы фигуры.
0.1 — отступ от нижней границы фигуры.
0.8 — ширина осей относительно ширины фигуры.
0.8 — высота осей относительно высоты фигуры.
❤2❤🔥1👍1
def add_to_list(val, my_list=None):
if my_list is None:
my_list = []
my_list.append(val)
return my_list
print(add_to_list(1))
print(add_to_list(2))
❤🔥1👍1🤓1
Что выведет код сверху?
Anonymous Quiz
70%
[1], [2]
0%
[1], [1, 2]
20%
[1, 2], [1, 2]
10%
Ошибка выполнения
❤🔥2👍2
🧑💻 Так, продолжаем машинку, завтра мб выложу тесты)
Помните мы написали формулу цена=100+50×количество комнат+небольшое расхождение.
⭕️ Когда мы говорим, что наклон
прямой равен 50, это означает, что каждый раз, добавляя в дом одну комнату, мы вычисляем, что цена дома вырастет на 50 долларов. Когда говорим, что y-пересечение прямой равно 100, это означает, что стоимость гипотетического
дома с нулевым количеством комнат базовая — 100 долларов.
Помните мы написали формулу цена=100+50×количество комнат+небольшое расхождение.
⭕️ Когда мы говорим, что наклон
прямой равен 50, это означает, что каждый раз, добавляя в дом одну комнату, мы вычисляем, что цена дома вырастет на 50 долларов. Когда говорим, что y-пересечение прямой равно 100, это означает, что стоимость гипотетического
дома с нулевым количеством комнат базовая — 100 долларов.
❤🔥2
🟰Алгоритм линейной регрессии🟰
Немного теории, которая нам пригодится:
🔗 Входные данные — набор точек на плоскости.
🔗 Результат — прямая, проходящая близко к точкам
🔗 Процедура — выбираем случайную прямую → выбираем случайную точку данных → перемещаем прямую немного ближе к ней ( повторяем это )
🔗 Возврат — полученная прямая
p — цена дома в наборе данных;
Y — прогнозируемая цена дома;
r — количество комнат;
m — цена за комнату;
b — базовая цена за дом.
Теперь формула:
🟰Y = mr + b🟰 — прогнозируемая цена = цена за комнату × количество комнат + базовая цена дома
⭕️ Допустим, цена за комнату — 50000, у нас 3 комнаты в доме, а базовая цена 200000, как мог бы выглядеть код:
Немного теории, которая нам пригодится:
🔗 Входные данные — набор точек на плоскости.
🔗 Результат — прямая, проходящая близко к точкам
🔗 Процедура — выбираем случайную прямую → выбираем случайную точку данных → перемещаем прямую немного ближе к ней ( повторяем это )
🔗 Возврат — полученная прямая
p — цена дома в наборе данных;
Y — прогнозируемая цена дома;
r — количество комнат;
m — цена за комнату;
b — базовая цена за дом.
Теперь формула:
🟰Y = mr + b🟰 — прогнозируемая цена = цена за комнату × количество комнат + базовая цена дома
⭕️ Допустим, цена за комнату — 50000, у нас 3 комнаты в доме, а базовая цена 200000, как мог бы выглядеть код:
def predict_price(m, r, b):
return m * r + b
price_per_room = 50000
number_of_rooms = 3
base_price = 200000
predicted_price = predict_price(price_per_room, number_of_rooms, base_price)
print(f"Прогнозируемая цена дома: ${predicted_price}")
❤🔥2🤯1
_______________________
https://habr.com/ru/articles/469355/#p3
🔗 Очень полезная статья для ознакомления, а завтра будет полноценный пост, так что ждите гайс⚙️
https://habr.com/ru/articles/469355/#p3
🔗 Очень полезная статья для ознакомления, а завтра будет полноценный пост, так что ждите гайс⚙️
❤🔥2🤓1
⚙️ Итак, для начала, чтобы работать с библиотекой, нам нужно ее подключить:
import numpy as np
▫️np — это просто сокращение для нашей библиотеки, теперь нам будет куда проще обращаться к методам библиотеки
◾️ Чтобы создать массив, достаточно просто объявить переменную, пусть будет 🟰
s 🟰 и использовать встроенную функцию 🟰array🟰import numpy as np
s = np.array([1, 2, 3, 4, 5])
print(s) #Вывод: [1 2 3 4 5]
▫️Вот еще пример того, как мы можем создать одномерный, двумерный, трёхмерный и другие массивы:
import numpy as np
s = np.array([1, 2, 3, 4, 5])
s_1 = np.array([[1, 2, 3], [4, 5, 6]])
s_2 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(s)
print(s_1)
print(s_2)
🔗 Вывод:
[1 2 3 4 5]
[[1 2 3]
[4 5 6]]
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]]
_______________________
▫️Создание массива из нулей указанной формы:
import numpy as np
zeros_array = np.zeros((3, 3))
print("Массив из нулей:\n", zeros_array)
Продолжение будет совсем скоро...
Please open Telegram to view this post
VIEW IN TELEGRAM
❤🔥2🤓1
⚙️ Итак, продолжаем)
▫️Массив из нулей 3x3:
zeros_array = np.zeros((3, 3))
print("Массив из нулей:\n", zeros_array)
▫️Массив из единиц 2x4:
ones_array = np.ones((2, 4))
print("Массив из единиц:\n", ones_array)
▫️Массив 2x3, заполненный числом 7:
full_array = np.full((2, 3), 7)
print("Массив, заполненный семёрками:\n", full_array)
◼️ Кстати, в NumPy-массивы можно передавать не только целые числа, но и дробные:
s = np.array([1.4, 2.5, 3.7])
print(s)
# [1.4 2.5 3.7]
Please open Telegram to view this post
VIEW IN TELEGRAM
❤🔥2🤓1
Гайс, всем ку! Даже не думайте, что я про вас забыл, да, скопилось очень много, но опускать руки никак нельзя! Надеюсь, вы меня понимаете ❤️
▫️Массив от 0 до 10 с шагом 2
np.arange(start, stop, step) — создаёт массив с числами от start до stop с шагом step
import numpy as np
s_array = np.arange(0, 10, 2)
print("Массив с шагом:\n", s_array)
#[0 2 4 6 8]
▫️ Массив из 10 значений от 0 до 2
np.linspace(start, stop, num) — создаёт массив из num равномерно распределённых чисел от start до stop
import numpy as np
l_array = np.linspace(0, 2, 10)
print("Равномерно распределённые значения:\n", l_array)
# [0. 0.22222222 0.44444444 0.66666667 0.88888889 1.11111111
# 1.33333333 1.55555556 1.77777778 2. ]
Please open Telegram to view this post
VIEW IN TELEGRAM
❤🔥2🤓1
Что возвращает np.linspace(0, 10, 5)?
Anonymous Quiz
13%
Массив из чисел [0, 2, 4, 6, 8]
50%
Массив из чисел [0, 2.5, 5, 7.5, 10]
38%
Массив из чисел [0, 5, 10, 15, 20]
❤🔥2🤯1
Какой результат вернёт np.arange(5, 15, 2)?
Anonymous Quiz
88%
Массив из чисел [5, 7, 9, 11, 13]
0%
Массив из чисел [5, 10, 15]
0%
Массив из чисел [5, 15, 25]
13%
Массив из чисел [5, 6, 7, 8, 9, 10, 11, 12, 13, 14]
❤1❤🔥1🤓1
Какой массив создаёт команда np.linspace(1, 10, 4)?
Anonymous Quiz
14%
[1.0, 2.0, 3.0, 4.0]
0%
[1.0, 3.0, 5.0, 10.0]
71%
[1.0, 4.0, 7.0, 10.0]
14%
[1.0, 5.5, 10.0]
❤🔥2❤1