آموزش نامپای NumPy — دانشمند داده شوید!

بسته آموزش NumPy شامل 10 درس با مجموع زمان بیش از 3 ساعت است. این بسته به آموزش کتابخانه نامپای می‌پردازد. نامپای یک کتابخانه پایتون برای محاسبات علمی و کار با داده است.

در پردازش تصویر، در تحلیل داده، در الگوریتم‌های گوناگون یادگیری ماشین و … آموزش NumPy یک پیشنیاز است.

کتابخانه نامپای چیست ؟

کتابخانه NumPy (+) در سال 2005 توسط تراویس اولیفانت (Travis Oliphant) ساخته شد. نامپای یک کتابخانه پایتون برای کار با آرایه‌ها است. همچنین نامپای توابعی در زمینه جبر خطی، تبدیل فوریه و ماتریس ها دارد. نامپای متن باز است و شما می‌توانید آزادانه از آن استفاده کنید.

از آنجا که در دل الگوریتم‌های پردازش تصویر و یادگیری ماشین و تحلیل داده و دیگر محاسبات علمی با داده سروکار داریم، نامپای برای دسته‌بندی و اجرای عملیات ریاضی روی داده‌ها به صورت گروهی (آرایه‌ای) کاربرد فراوان دارد.

بنابراین دیدن این آموزش نامپای تقریبا برای هر برنامه نویس پایتون لازم است.

چرا از نامپای استفاده کنیم؟

در زبان پایتون نوع داده list را برای مقاصد آرایه‌ای داریم اما پردازش آن‌ها به کندی صورت می‌پذیرد. هدف نامپای ایجاد یک شی از نوع آرایه با سرعت پردازشی بیش از 50 برابر سریع‌تر از لیست‌ های سنتی پایتون است.

آبجکت یا شی آرایه در نامپای با عنوان ndarray شناخته می‌شود. این آبجکت و در واقع کلاس آن، تابع‌های مفید گوناگونی در اختیار می‌گذارند.

اما راز سرعت پردازش نامپای چیست؟ نحوه ذخیره سازی آرایه‌ها در حافظه و همچنین نوشته شدن بخش‌های حیاتی نامپای با زبان سی به جای پایتون، دو علت اصلی سرعت پردازش نامپای هستند.  برای بررسی کدهای نامپای به مخزن نامپای در گیت هاب (+) مراجعه کنید.

این آموزش در یک نگاه

بسته آموزش NumPy با آموزش نصب ژوپیتر به عنوان محیط توسعه آغاز می‌شود. سپس مطابق سرفصل‌ها (انتهای توضیحات را ببینید) به دل نامپای می‌زنیم.

نخست با تابع‌های پرکاربرد نامپای آشنا می‌شویم. آنگاه به صورت عمیق کار با شناسه یا Index اعضای آرایه‌ها را می‌آموزیم. درک آرایه‌های دو بعدی و سه بعدی از دیگر موضوعات این آموزش است.

در گام سوم پس از درک نامپای و آرایه‌ها، به سراع عملیات مهم در کار با آرایه‌ها و ماتریس‌ها می‌رویم. مواردی مانند بخش کردن آرایه، ارجاع دهی و تغییر شکل آرایه‌ها را می‌آموزیم. عملیاتی مانند جمع اسکالر، مرتب سازی و تخصیص را فرامی‌گیریم.

آموزش‌هایی با کاربرد نامپای

آموزش پردازش تصویر با پایتون (+)

آموزش تشخیص هویت با پایتون (+)

آموزش واقعیت افزوده با پایتون (+)

و آموزش‌های دیگر در حوزه پردازش تصویر، یادگیری ماشین، علم داده و محاسبات علمی با پایتون.

آموزه‌های اصلی

• آموزش نصب Jupyter
• مفهوم آرایه‌های چندبعدی
• عملیات ضرب و جمع آرایه‌ها
• کار با آرایه و ماتریس
• عملیات بازچینی و تخصیص آرایه‌ها
• تبدیل ابعاد آرایه (مثلا دوبعدی به سه‌بعدی)

این آموزش بی‌نظیر است زیرا:

• درب ورود به دنیای تحلیل داده است.
• درب ورود به دنیای یادگیری ماشین است.
• درب ورود به دنیای پردازش تصویر است.
• در محیط توسعه ژوپیتر کد می‌زنید.

پیشنیاز:

برای استفاده از این آموزش نامپای باید با زبان پایتون آشنا باشید. اگر سابقه برنامه‌نویسی دارید برای یک شروع سریع این آموزش رایگان پایتون (+) را ببینید. اگر سابقه برنامه‌نویسی ندارید و یا نیاز به درک عمیق مفاهیم پایتون دارید این آموزش جامع پایتون (+) را ببینید.

عبارت‌های کلیدی

آموزش NumPy – آموزش نامپای – آموزش کتابخانه نامپای – فیلم آموزش NumPy – نامپای چیست – آموزش نصب ژوپیتر – کار با آرایه ها – کار با ماتریس ها – ریاضی در پایتون – محاسبات علمی با پایتون – پردازش تصویر – یادگیری ماشین – یادگیری عمیق – علم داده – تحلیل داده با پایتون

سرفصل مطالب

درس صفر: معرفی دوره
– مروری بر آموزش
– پیشنیازها

درس اول: دفترچه ژوپیتر
– نصب دفترچه ژوپیتر در انواع سیستم عامل ها
– مزیت دفترچه ژوپیتر
– اجرای اولین کد در دفترچه ژوپیتر

درس دوم: NumPy چیست ؟
– معرفی Numpy
– کاربرد NUmpy
– تابع range
– تابع shape
– تابع arange
– تابع full
– تابع eye
– تابع random
– تابع array

درس سوم:نمایه سازی(کار با اندیس)
– ساخت آرایه با لیست
– دسترسی به اندیسی از آرایه تک بعدی
– ساخت آرایه دو بعدی با لیست ها
– دسترسی اندیسی به آرایه دو بعدی
– شرط گذاری برای مقادیر آرایه

درس چهارم:بخش کردن آرایه ها
– توضیح ابتدایی بخش کردن آرایه
– برش یا بخش کردن آرایه دو بعدی با یک مثال
– بخش کردن آرایه از اول به انتها
– بخش کردن آرایه از انتها به اول

درس پنجم:قطعه Numpy یک ارجاع است
-ارجاع جیست
– چطور در Numpy ارجاع بگیریم
-اچطور در Numpy ارجاع نگیریم
– ارجاع از آرایه های دو بعدی

درس ششم:تغییر شکل آرایه
-تعیریف تغییر شکل آرایه
– تابع reshape
– تغییر شکل آریه دو بعدی
– تبدیل آرایه یک بعدی به دو بعدی
– تبدیل آرایه دو بعدی به یک بعدی
– تابعد ones
– عملگر جمع
– تابع add
– عملگر ضرب
– عملگر تفریق
– مثال bmi

درس هفتم:ضرب داخلی
– ضرب داخلی چیست ( توضیح روی تصویر )
– تابع dot

درس هشتم:ماتریس ها و جمع تجمعی
-تفاوت ماتریس و آرایه
-ساخت اولین ماتریس
– تبدیل آرایه به ماتری
– عملگر ضرب در ماتریس ها
– جمع تجمعی چیست
– کاربرد جمع تجمعی
– تابع cusum
– کاربرد axis

درس نهم:مرتب سازی
– تعریف مرتب سازی در Numpy
– تابع sort
– تابع sortef
– تفاوت دو تابع sort و sorted
– تابع argsort
– یک مثال کاربردی

درس دهم: تخصیص آرایه
– تخصیص آرایه چیست
-تابع shape
– تابع view
– تابع copy