NumPy برای ماشین لرنینگ

NumPy چیست؟

NumPy کتابخانه بنیادی محاسبات عددی در پایتون است. داده‌ها در ماشین لرنینگ به‌صورت آرایه‌ها و ماتریس‌ها هستند و NumPy سریع‌ترین ابزار برای کار با آن‌هاست.

ساخت آرایه NumPy

شیء اصلی NumPy، آرایه چندبعدی ndarray است:

import numpy as np

# از لیست
arr = np.array([1, 2, 3, 4, 5])

# آرایه دوبعدی (ماتریس)
matrix = np.array([[1, 2, 3], [4, 5, 6]])

چرا NumPy به‌جای لیست؟

• سرعت: عملیات NumPy در زبان C انجام می‌شود و ده‌ها برابر سریع‌تر از لیست پایتون است
• حافظه کمتر: آرایه‌ها فشرده‌تر از لیست‌ها ذخیره می‌شوند
• عملیات برداری: بدون حلقه، روی کل آرایه عملیات انجام می‌شود

عملیات برداری (Vectorization)

به‌جای حلقه، مستقیم روی آرایه عمل می‌کنیم:

prices = np.array([100, 200, 300])

# همه قیمت‌ها یکجا محاسبه می‌شوند
with_tax = prices * 1.09     # [109, 218, 327]
cheap = prices < 250          # [True, True, False]

آرایه‌سازی و توابع پرکاربرد

np.zeros(5)          # آرایه صفرها
np.ones((2, 3))      # ماتریس یک‌ها ۲×۳
np.arange(0, 10, 2)  # [0, 2, 4, 6, 8]
np.linspace(0, 1, 5) # ۵ عدد بین ۰ و ۱
np.random.rand(3)    # ۳ عدد تصادفی بین ۰ و ۱

شکل (Shape) و تغییر شکل

شکل آرایه، ابعاد آن را نشان می‌دهد و در ML بسیار مهم است:

arr = np.array([[1, 2, 3], [4, 5, 6]])
arr.shape        # (2, 3) - دو سطر و سه ستون
arr.reshape(3, 2) # تبدیل به ۳×۲
arr.flatten()     # یک‌بعدی کردن

آماری سریع

data = np.array([10, 20, 30, 40])
data.mean()  # میانگین: 25
data.std()   # انحراف معیار
data.min()   # کمینه: 10
data.max()   # بیشینه: 40
data.sum()   # جمع: 100

جمع‌بندی

• NumPy پایه همه محاسبات ML در پایتون است
• عملیات برداری جایگزین حلقه‌ها می‌شود و سرعت را بالا می‌برد
• شکل آرایه‌ها را همیشه با shape بررسی کنید