Город МОСКОВСКИЙ
00:13:10

#2. Основные типы данных. Создание массивов функцией array() | NumPy уроки

Аватар
SelfEdu - мир знаний с Сергеем Балакиревым
Просмотры:
1 459
Дата загрузки:
01.09.2024 15:59
Длительность:
00:13:10
Категория:
Обучение

Описание

Какие типы данных существуют в NumPy. Как их явно задавать при создании массивов. Преобразование типов с помощью объектов-типов. Способы создания массивов функцией array(). Расположение осей многомерных массивов.

Инфо-сайт: https://proproprogs.ru
NumPy: https://numpy.org/doc/stable

Рекомендуемые видео

#3. Функции автозаполнения, создания матриц и числовых диапазонов | NumPy уроки
#3. Функции автозаполнения, создания матриц и числовых диапазонов | NumPy уроки
1 398 просмотров
#1. Пакет numpy - установка и первое знакомство | NumPy уроки
#1. Пакет numpy - установка и первое знакомство | NumPy уроки
3 149 просмотров
Ускорение обучения, начальные веса, стандартизация, подготовка выборки | #4 нейросети на Python
Ускорение обучения, начальные веса, стандартизация, подготовка выборки | #4 нейросети на Python
1 349 просмотров
Структура и принцип работы полносвязных нейронных сетей | #1 нейросети на Python
Структура и принцип работы полносвязных нейронных сетей | #1 нейросети на Python
5 909 просмотров
ЦОС Python #2: Метод градиентного спуска
ЦОС Python #2: Метод градиентного спуска
1 414 просмотров
#12. L1-регуляризатор. Отличия между L1- и L2-регуляризаторами | Машинное обучение
#12. L1-регуляризатор. Отличия между L1- и L2-регуляризаторами | Машинное обучение
592 просмотров
#2. Постановка задачи машинного обучения | Машинное обучение
#2. Постановка задачи машинного обучения | Машинное обучение
2 788 просмотров
#10. Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam, Nadam | Машинное обучение
#10. Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam, Nadam | Машинное обучение
779 просмотров
#1. Структура и принцип работы полносвязных нейронных сетей | Нейросети на PyTorch
#1. Структура и принцип работы полносвязных нейронных сетей | Нейросети на PyTorch
3 446 просмотров
#1. Что такое машинное обучение? Обучающая выборка и признаковое пространство | Машинное обучение
#1. Что такое машинное обучение? Обучающая выборка и признаковое пространство | Машинное обучение
3 553 просмотров
Нейронная сеть - краткая история триумфа
Нейронная сеть - краткая история триумфа
3 731 просмотров
Персептрон - возможности классификации образов, задача XOR | #2 нейросети на Python
Персептрон - возможности классификации образов, задача XOR | #2 нейросети на Python
2 602 просмотров
#7. Функции потерь в задачах линейной бинарной классификации | Машинное обучение
#7. Функции потерь в задачах линейной бинарной классификации | Машинное обучение
1 307 просмотров
#9. Пример использования SGD при бинарной классификации образов | Машинное обучение
#9. Пример использования SGD при бинарной классификации образов | Машинное обучение
891 просмотров
#2. Установка PyTorch совместно с CUDA | Нейросети на PyTorch
#2. Установка PyTorch совместно с CUDA | Нейросети на PyTorch
3 840 просмотров
#3. Создание тензоров. Конвертирование в NumPy | Нейросети на PyTorch
#3. Создание тензоров. Конвертирование в NumPy | Нейросети на PyTorch
2 038 просмотров
#9. Использование CPU и GPU на примере простой НС | Нейросети на PyTorch
#9. Использование CPU и GPU на примере простой НС | Нейросети на PyTorch
1 118 просмотров
Back propagation - алгоритм обучения по методу обратного распространения | #3 нейросети на Python
Back propagation - алгоритм обучения по методу обратного распространения | #3 нейросети на Python
2 429 просмотров
#4. Способы оценивания степени переобучения моделей | Машинное обучение
#4. Способы оценивания степени переобучения моделей | Машинное обучение
1 237 просмотров
#38. Позиционные и именованные аргументы. Параметры со значениями | Python для начинающих
#38. Позиционные и именованные аргументы. Параметры со значениями | Python для начинающих
726 просмотров