CodeLab
145 subscribers
538 photos
20 videos
159 links
Говорим просто о сложном

Обсуждение, новости, материал и сплетни — все здесь https://t.me/CodeLabMLChat
Download Telegram
#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

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

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
❤‍🔥2👍1🤯1
Forwarded from CodeLab ML
Строим график синусоиды

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
Гайс, всем сладких! Завтра выложу классный пост 🧑‍💻
❤‍🔥21
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.
❤‍🔥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:


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
Н А В И Г А Ц И Я П О N U M P Y
_______________________

🧑‍💻 Ну что гайс, стоять на одном месте никак нельзя, поэтому начинаем изучать NumPy
❤‍🔥2
_______________________

https://habr.com/ru/articles/469355/#p3

🔗 Очень полезная статья для ознакомления, а завтра будет полноценный пост, так что ждите гайс⚙️
❤‍🔥2🤓1
ВЕРНУТЬСЯ К НАВИГАЦИИ

⚙️ 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...

ВЕРНУТЬСЯ К НАВИГАЦИИ
Please open Telegram to view this post
VIEW IN TELEGRAM
❤‍🔥2🤓1
ВЕРНУТЬСЯ К НАВИГАЦИИ

⚙️ 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]


ВЕРНУТЬСЯ К НАВИГАЦИИ
Please open Telegram to view this post
VIEW IN TELEGRAM
❤‍🔥2🤓1
ВЕРНУТЬСЯ К НАВИГАЦИИ

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. ]


ВЕРНУТЬСЯ К НАВИГАЦИИ
Please open Telegram to view this post
VIEW IN TELEGRAM
❤‍🔥2🤓1
🔗 Го пройдем несколько тестиков на закрепление знаний ↓
❤‍🔥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]
❤‍🔥21
❤‍🔥21