numpy标签_码道开发者社区

numpy

手撕统计机器学习 - 岭回归、感知机

本文介绍了统计机器学习中的岭回归和感知机方法。岭回归通过引入L2范数惩罚项解决了线性回归中多重共线性导致的矩阵不可逆问题，推导了其闭式解。感知机则是一种线性分类器，通过定义误分类点距离损失函数，并采用随机梯度下降进行优化。文章详细阐述了两种方法的数学原理、损失函数设计及优化过程，特别强调了岭回归中惩罚参数λ的作用和感知机中损失函数的推导思路。

xzqbear
2025-09-07 17:51:51

 768

 12

#机器学习 #线性回归 #numpy +1
【机器学习与实战】回归分析与预测之 AI通识：数据归一化处理

【机器学习与实战】回归分析与预测之 AI通识：数据归一化处理

 AI小云
2025-09-09 13:44:09

 998

 33

#人工智能 #机器学习 #python +2
机器学习实操项目01——Numpy入门（基本操作、数组形状操作、复制与试图、多种索引技巧、线性代数）

本文介绍了NumPy的核心概念与基本操作。主要内容包括：基本概念：NumPy的核心是多维数组ndarray，包含ndim（维数）、shape（形状）、size（元素个数）、dtype（数据类型）等重要属性。数组创建：多种创建数组的方式，包括np.array、np.zeros、np.ones、np.empty等，以及np.arange和np.linspace生成序列的方法。数组打印：NumPy

君名余曰正则
2025-09-09 15:07:36

 1109

 31

#机器学习 #numpy #线性代数
【机器学习】时间序列分析中的 10 个实用 NumPy 单行技巧

在处理时间序列数据时，经常会遇到一些反复出现的模式：计算移动平均值、检测异常峰值、为预测模型构造特征。大多数分析人员往往会编写冗长的循环和复杂的函数来完成这些操作，但实际上，借助 NumPy，可以用一行优雅且易于维护的代码解决。NumPy 的数组操作能够简化大多数常见的时间序列任务。与其逐步思考数据的转换过程，不如直接利用矢量化操作一次性处理整个数据集。本文将介绍 10 个常用于时间序列分析的一行

 秋说
2025-09-09 16:41:18

 2998

 26

#机器学习 #numpy #人工智能
Python深度学习：NumPy数组库

Python 列表缺点：可以存储不同数据类型，需要额外空间存储类型信息，导致内存冗余NumPy 数组优势：要求所有元素类型一致，节省内存空间，提高计算效率创作不易，大家的支持就是我坚持下去的动力！

m0_70660627
2025-09-10 22:57:24

 742

 26

#python #深度学习 #numpy
机器学习实践之垃圾邮件分类预测

本文基于Kaggle垃圾邮件数据集，使用逻辑回归和随机森林模型进行垃圾邮件分类预测，并计算了一系列值进行模型评估，提供了进行该任务的思路和完整代码

 小源不追光.
2025-09-11 11:22:24

 1179

 21

#机器学习 #分类 #人工智能 +4
手撕统计机器学习 - LASSO 变量选择

本文介绍了LASSO方法在高维小样本数据中的变量选择应用。文章首先阐述了高维小样本问题的背景和线性回归系数的解释意义，指出变量选择需要通过压缩不重要特征的系数来实现。针对直接阈值法的不足，既保证稀疏性又避免组合爆炸的计算复杂度。重点分析了正交设计下 LASSO 的解析解推导过程，得出软阈值解公式，并展示其几何意义——L1约束的顶点与椭圆等高线相切时产生稀疏解。

xzqbear
2025-09-11 21:46:50

 1187

 29

#机器学习 #人工智能 #线性回归 +3
【机器学习】集成 TensorFlow 与 NumPy 以实现自定义操作

结合 TensorFlow 与 NumPy 的优势，能够构建一座连接高性能机器学习与精确数值计算的桥梁。这种集成对于致力于突破边界的机器学习开发者而言，具有颠覆性意义，不仅带来前所未有的灵活性，用于实现自定义操作和优化工作流程，也重塑了数值数据的处理与建模方式。TensorFlow 的硬件加速能力与 NumPy 丰富的数学工具相辅相成，为应对复杂计算挑战打开了创新的大门。

秋说
2025-09-17 15:10:20

 1039

 31

#机器学习 #tensorflow #numpy
大二小登的机器学习之路（numpy）

本文介绍了使用NumPy创建数组的基本方法，包括zeros()、ones()、eye()创建全0、全1和单位矩阵，arange()和linspace()生成序列数组，以及rand()创建随机数组。还演示了min()、max()查找极值，以及自定义二维数组。最后提到创建棋盘矩阵是学习中的难点。这些操作为NumPy数组处理打下基础。

新一鸡（代码飞升）
2025-09-22 16:16:45

 118

 3

#机器学习 #numpy #数据分析
【深度学习】Mathematical background(数学背景)（下）

本文摘要梳理了信息论与数值计算的核心概念。信息论部分涵盖伯努利变量熵、衡量分布近似信息损失的KL散度（具有不对称性）。数值计算部分包括：一阶导数、梯度下降原理（梯度为各方向偏导之和）、极值点判定；二阶导数相关内容涉及曲率计算、基于泰勒展开的最优步长推导。文末提及实验课将演示相关代码实现。

weixin_73917603
2025-09-25 17:59:26

 265

 2

#深度学习 #神经网络 #numpy +2
【手撕机器学习 02】手撕算法的基石：精通NumPy与Pandas向量化思维

在上一篇构建了机器学习的世界观后，本文将为你锻造亲手实现算法的“神兵利器”——NumPy与Pandas。即把循环操作，转换成对整个数据集合（数组或矩阵）的“一次性”操作。它允许Numpy在执行算术运算时，自动“扩展”较小数组的形状。而机器学习的本质，就是。是一个二维的、带标签的数据结构，就像一个Excel表格。时，你就已经为手撕所有机器学习算法，做好了最充分的准备。让我们来看一个简单的任务：将两个

 ZCZ小智
2025-09-27 16:02:21

 1254

 34

#机器学习 #算法 #numpy
机器学习之NumPy 到底是什么？一篇讲透数据处理的 “加速器”

学完这篇文章，你已经掌握了 NumPy 的核心用法：用 ndarray 替代列表，处理数据更高效；会创建数组、查属性、做运算、取数据；知道广播机制的好处，避开新手坑。NumPy 是数据分析、机器学习的“基石”——后续学 Pandas（处理表格数据）、Matplotlib（画图），都会用到 NumPy 的知识。现在就打开电脑，试着用 NumPy 创建几个数组，做几次运算，练一遍就全懂了！再复杂的工具

 Coding Sir
2025-10-04 08:25:15

 1495

 37

#机器学习 #numpy #人工智能
Java在微服务架构中的异步通信与性能优化实践

Java在微服务异步通信领域提供了成熟的技术方案。成功的关键在于根据业务场景选择合适模式，并结合监控和测试持续优化。通过异步化改造，系统可获得显著的性能提升和更好的弹性，但需注意引入的复杂度增加和运维成本。未来随着虚拟线程和更先进的响应式框架发展，Java在异步通信领域将有更大突破。

yangquanjian
2025-10-05 06:37:28

 374

 5

#numpy
小杰深度学习（six）——卷积神经网络——计算机眼中的图象、卷积为什么能识别图象

水似晨霞照，林疑彩凤来。

jie*
2025-10-05 20:51:46

 1012

 8

#深度学习 #cnn #人工智能 +4
小杰深度学习（seven）——卷积神经网络——池化

山明水净夜来霜，数树深红出浅黄。

jie*
2025-10-09 17:02:02

 1190

 16

#深度学习 #cnn #人工智能 +4
Java泛型与Lambda表达式提升代码质量的实用技巧

例如，我们可以编写一个泛型方法来交换数组中的两个元素，或者查找数组中的最大值，而无需为每种数据类型重复编写相似的代码。例如，可以编写一个泛型方法，接受一个Function参数，将其应用于集合的每个元素，这种组合使用既保证了类型安全，又实现了代码的重用。例如，在定义接受集合参数的方法时，合理使用通配符可以扩大方法的适用范围，同时保持类型安全。这种简洁性不仅减少了代码量，还提高了代码的可读性。方法引用

 낯선사람
2025-10-12 18:26:56

 907

 21

#numpy
小杰深度学习（twelve）——视觉-经典神经网络——VggNet

分野中峰变，阴晴众壑殊。

jie*
2025-10-15 09:25:33

 972

 25

#神经网络 #人工智能 #python +4
大模型长脑子了？研究发现LLM中层会自发模拟人脑进化

这项研究为大模型的可解释性开辟了新路径。它表明，我们可以从「自上而下」的信息论视角来理解模型，而不仅仅是「自下而上」地寻找特定的电路。对于 AI 领域，识别协同核心有助于设计更高效的压缩算法，或者通过更有针对性的参数更新来加速训练。对于神经科学，这提供了一种计算上的验证，预示着协同回路在强化学习和知识迁移中可能扮演着至关重要的角色。大模型虽然基于硅基芯片和反向传播算法，但在追求智能的过程中，它们似

 我很哇塞耶
2026-01-15 11:05:23

 1031

 12

#人工智能 #机器学习 #深度学习 +3
从图像像素块复制到时间序列数据填充：np.repeat()在3个真实项目里的高阶用法

本文深入探讨了NumPy中`np.repeat()`函数在图像处理、时间序列填充和模拟数据生成三个真实项目中的高阶应用。通过具体案例展示了如何利用这一基础函数解决计算机视觉中的像素块复制、金融数据分析中的智能填充以及机器学习中的模式复制等复杂问题，同时提供了性能优化技巧。

weixin_30772105
2026-03-29 02:07:15

 243

 2

#numpy #计算机视觉
Python开发者必看：如何快速解决numpy与pymrmr的版本冲突问题（附实测有效方案）

本文详细解析了Python开发中numpy与pymrmr版本冲突的根源，特别是当出现`ValueError: numpy.ndarray size changed`错误时的解决方案。提供了从基础排查到高级编译的多套实测有效方案，包括版本锁定、源码编译和兼容层处理，帮助开发者快速解决二进制不兼容问题。

weixin_30872337
2026-03-29 04:28:36

 370

 3

#numpy
np.repeat()的axis参数到底怎么用？一张图看懂行复制和列复制的区别

本文详细解析了NumPy中np.repeat()函数的axis参数使用方法，通过二维矩阵到高维数组的实例，清晰展示了行复制（axis=0）和列复制（axis=1）的区别。帮助读者掌握数组元素复制的核心逻辑，提升数据处理效率。

weixin_33728268
2026-04-02 02:37:50

 568

 13

#numpy
彻底解决numpy.ndarray二进制不兼容问题：从版本冲突到完美适配

本文深入探讨了numpy.ndarray二进制不兼容问题的根源与解决方案，特别针对ValueError报错和pymrmr库的兼容性问题。通过版本管理、环境隔离和动态适配等方法，帮助开发者彻底解决NumPy版本冲突，确保科学计算项目的稳定运行。

weixin_30595035
2026-04-16 03:08:30

 403

 5

#numpy
深入理解np.random.normal()：正态分布随机数生成与应用

本文深入探讨了np.random.normal()在生成正态分布随机数中的应用与实践。通过详细解析参数设置、实际应用场景（如数据增强、AB测试模拟和金融风险建模）以及性能优化技巧，帮助开发者高效利用NumPy库处理真实数据问题。文章特别强调了正态分布在数据预处理和机器学习中的重要性，并提供了多个实用代码示例。

weixin_30328063
2026-04-17 02:52:59

 253

 2

#numpy
别再死记硬背了！用‘俄罗斯套娃’法理解NumPy高维数组，轻松搞定reshape

本文介绍了一种名为‘俄罗斯套娃’法的创新方法，帮助开发者轻松理解NumPy高维数组的reshape操作。通过类比俄罗斯套娃的嵌套逻辑，文章详细解析了高维数组的结构、索引、切片及reshape技巧，特别是order参数的应用场景，使复杂的数据操作变得直观易懂。

叛逆的鲁鲁修love CC
2026-04-18 05:39:43

 377

 3

#python #numpy
别再死记硬背了！用‘俄罗斯套娃’法理解NumPy高维数组，reshape操作再也不迷糊

本文通过‘俄罗斯套娃’比喻，直观解析NumPy高维数组的reshape操作，帮助开发者摆脱死记硬背。从三维数组的洋葱式拆解到四维以上数据的升维思考，结合C/F顺序的对比演示，让复杂的维度重组变得可视化。特别适合处理视频、医学影像等多维数据场景，提升AI开发效率。

weixin_30751947
2026-04-19 03:46:06

 267

 3

#numpy #python
别再死记硬背了！用‘搭积木’思维理解NumPy高维数组（附三维/四维实战代码）

本文通过‘搭积木’思维解析NumPy高维数组，从三维到四维的实战代码演示，帮助读者轻松理解复杂数据结构。文章详细介绍了reshape操作、order参数差异及实际应用技巧，特别适合Python开发者和数据科学初学者提升数组操作能力。

weixin_30381317
2026-04-19 03:56:48

 233

 2

#python #numpy
别再死记硬背了！用‘俄罗斯套娃’法轻松理解NumPy高维数组（附三维数组reshape实战）

本文通过‘俄罗斯套娃’法直观解析NumPy高维数组，特别聚焦reshape操作与order参数的应用。文章以三维、四维数组为例，详细演示如何逐层拆解数据结构，并提供实战案例帮助读者掌握数组重塑技巧，适用于Python数据处理与科学计算场景。

weixin_30536513
2026-04-21 02:45:58

 365

 7

#python #numpy
别再死记硬背了！用NumPy的gradient函数计算图像边缘和物理场变化，保姆级实战教程

本文深入解析NumPy的gradient函数在图像边缘检测和物理场分析中的实战应用。通过详细的代码示例，展示如何利用梯度计算技术高效识别图像边缘和模拟温度场变化，帮助开发者将数学概念转化为解决实际问题的工具。

weixin_30591551
2026-04-22 02:10:33

 220

 2

#python #numpy #图像处理
从黑白图像到数据填充：揭秘numpy.resize的两种实现路径

本文深入解析了numpy中两种resize方法的实现差异：`np.resize`函数采用数据循环填充机制，而`ndarray.resize`方法则使用零值填充。通过黑白棋盘格案例和内存布局分析，揭示了它们在图像处理、数据扩展等场景下的适用策略与性能对比，帮助开发者避免常见使用误区。

weixin_33671935
2026-04-23 03:08:16

 359

 5

#numpy
【Python】从TypeError: unhashable type: ‘numpy.ndarray‘ 深入理解Python对象的哈希性与可变性

本文深入解析Python中常见的`TypeError: unhashable type: 'numpy.ndarray'`错误，探讨Python对象的哈希性与可变性机制。通过分析NumPy数组等可变对象的特性，提供转换为元组、计算哈希值等实用解决方案，帮助开发者理解并解决类似问题，优化代码性能。

weixin_30808693
2026-04-24 05:46:40

 202

 4

#numpy
手把手教你用Conda虚拟环境管理多个Python版本，完美安装numpy 1.26.0

本文详细介绍了如何使用Conda虚拟环境管理多个Python版本，并完美安装numpy 1.26.0。通过创建隔离的虚拟环境，解决常见的版本冲突问题，如'ERROR: No matching distribution found'等错误，确保项目依赖的兼容性和可复现性。

weixin_33716154
2026-04-29 06:47:45

 410

 9

#numpy
你的数据在‘说谎’吗？从奇异矩阵(Singular Matrix)反推数据质量的3个排查步骤

本文探讨了奇异矩阵(Singular Matrix)作为数据质量红色警报的重要性，并提供了3个排查步骤：相关性热力图分析、方差膨胀因子(VIF)检测和奇异值分解(SVD)深度分析。通过numpy和linalg工具，帮助开发者识别多重共线性、特征尺度失衡等数据问题，提升机器学习模型的稳定性与准确性。

weixin_30791095
2026-05-03 07:56:27

 227

 1

#机器学习 #numpy
OpenCV安装踩坑实录：从‘numpy.core.multiarray’报错到完美运行的全过程

本文详细记录了解决OpenCV安装中'numpy.core.multiarray'报错的全过程，从常见降级误区到最终采用opencv-contrib-python的解决方案。通过分析错误机制和系统化排错流程，帮助开发者在不降级numpy的情况下实现OpenCV的完美运行，提升Python环境管理效率。

weixin_30660027
2026-05-12 05:06:17

 452

 7

#numpy
别再用math.atan了！用NumPy的angle函数处理复数相位，效率翻倍（附代码对比）

本文对比了使用math.atan和NumPy的angle函数处理复数相位的效率差异，揭示angle函数在向量化批量处理中的显著优势，性能提升可达200倍。通过实测数据和代码示例，展示了np.angle在象限判断、零值处理和边界情况处理上的优化，适用于信号处理、量子计算等高频率复数操作场景。

weixin_30296405
2026-05-14 06:48:45

 211

 4

#numpy
np.diff()：从一维差分到多维梯度，解锁数据变化趋势分析

本文深入探讨了`np.diff()`函数在数据分析中的强大应用，从一维差分到多维梯度计算，帮助用户解锁数据变化趋势分析。通过股票价格波动、气象数据等多维场景的实战案例，展示了如何利用`numpy`的这一功能进行高效的数据处理与趋势预测。

weixin_30421809
2026-05-14 06:31:57

 219

 4

#numpy #数据分析
从‘看不懂’到‘真香’：一个生动的比喻带你彻底理解NumPy einsum的下标规则

本文通过乐高积木的生动比喻，深入浅出地解析了NumPy einsum函数的下标规则。从基础符号系统到高级张量操作，逐步揭示einsum在矩阵乘法、求和、转置等场景中的应用技巧，帮助读者直观掌握这一强大工具。

weixin_30466039
2026-05-15 07:10:04

 359

 7

#numpy