<!DOCTYPE HTML>
<html lang="en" >
<head>
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge" />
<title>数学:矩阵 | 机器学习(常用科学计算库的使用)基础定位、目标</title>
<meta content="text/html; charset=utf-8" http-equiv="Content-Type">
<meta name="description" content="">
<meta name="generator" content="GitBook 2.6.7">
<meta name="HandheldFriendly" content="true"/>
<meta name="viewport" content="width=device-width, initial-scale=1, user-scalable=no">
<meta name="apple-mobile-web-app-capable" content="yes">
<meta name="apple-mobile-web-app-status-bar-style" content="black">
<link rel="apple-touch-icon-precomposed" sizes="152x152" href="../gitbook/images/apple-touch-icon-precomposed-152.png">
<link rel="shortcut icon" href="../gitbook/images/favicon.ico" type="image/x-icon">
<link rel="stylesheet" href="../gitbook/style.css">
<link rel="stylesheet" href="../gitbook/plugins/gitbook-plugin-katex/katex.min.css">
<link rel="stylesheet" href="../gitbook/plugins/gitbook-plugin-expandable-chapters/expandable-chapters.css">
<link rel="stylesheet" href="../gitbook/plugins/gitbook-plugin-splitter/splitter.css">
<link rel="stylesheet" href="../gitbook/plugins/gitbook-plugin-highlight/website.css">
<link rel="stylesheet" href="../gitbook/plugins/gitbook-plugin-search/search.css">
<link rel="stylesheet" href="../gitbook/plugins/gitbook-plugin-fontsettings/website.css">
<link rel="next" href="../Pandas/index.html" />
<link rel="prev" href="../Numpy/section5.html" />
</head>
<body>
<div class="book"
data-level="4.6"
data-chapter-title="数学:矩阵"
data-filepath="Numpy/section6.md"
data-basepath=".."
data-revision="Sat Jul 20 2019 23:53:14 GMT+0800 (CST)"
data-innerlanguage="">
<div class="book-summary">
<nav role="navigation">
<ul class="summary">
<li class="chapter " data-level="0" data-path="index.html">
<a href="../index.html">
<i class="fa fa-check"></i>
机器学习(常用科学计算库的使用)基础定位、目标
</a>
</li>
<li class="chapter " data-level="1" data-path="ml_pre/index.html">
<a href="../ml_pre/index.html">
<i class="fa fa-check"></i>
<b>1.</b>
机器学习概述
</a>
<ul class="articles">
<li class="chapter " data-level="1.1" data-path="ml_pre/section1.html">
<a href="../ml_pre/section1.html">
<i class="fa fa-check"></i>
<b>1.1.</b>
人工智能概述
</a>
</li>
<li class="chapter " data-level="1.2" data-path="ml_pre/section2.html">
<a href="../ml_pre/section2.html">
<i class="fa fa-check"></i>
<b>1.2.</b>
人工智能发展历程
</a>
</li>
<li class="chapter " data-level="1.3" data-path="ml_pre/section3.html">
<a href="../ml_pre/section3.html">
<i class="fa fa-check"></i>
<b>1.3.</b>
人工智能主要分支
</a>
</li>
<li class="chapter " data-level="1.4" data-path="ml_pre/section4.html">
<a href="../ml_pre/section4.html">
<i class="fa fa-check"></i>
<b>1.4.</b>
机器学习工作流程
</a>
</li>
<li class="chapter " data-level="1.5" data-path="ml_pre/section5.html">
<a href="../ml_pre/section5.html">
<i class="fa fa-check"></i>
<b>1.5.</b>
机器学习算法分类
</a>
</li>
<li class="chapter " data-level="1.6" data-path="ml_pre/section6.html">
<a href="../ml_pre/section6.html">
<i class="fa fa-check"></i>
<b>1.6.</b>
模型评估
</a>
</li>
<li class="chapter " data-level="1.7" data-path="ml_pre/section7.html">
<a href="../ml_pre/section7.html">
<i class="fa fa-check"></i>
<b>1.7.</b>
Azure机器学习模型搭建实验
</a>
</li>
<li class="chapter " data-level="1.8" data-path="ml_pre/section8.html">
<a href="../ml_pre/section8.html">
<i class="fa fa-check"></i>
<b>1.8.</b>
深度学习简介
</a>
</li>
</ul>
</li>
<li class="chapter " data-level="2" data-path="env/index.html">
<a href="../env/index.html">
<i class="fa fa-check"></i>
<b>2.</b>
机器学习基础环境安装与使用
</a>
<ul class="articles">
<li class="chapter " data-level="2.1" data-path="env/section1.html">
<a href="../env/section1.html">
<i class="fa fa-check"></i>
<b>2.1.</b>
库的安装
</a>
</li>
<li class="chapter " data-level="2.2" data-path="env/section2.html">
<a href="../env/section2.html">
<i class="fa fa-check"></i>
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
Numpy(Numerical Python)是一个开源的Python科学计算库,用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务,使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组,该对象是一个快速而灵活的大数据容器。 Numpy专门针对ndarray的操作和运算进行了设计,所以数组的存储效率和输入输出性能远优于Python中的嵌套列表,数组越大,Numpy的优势就越明显。 从图中我们可以看出ndarray在存储数据的时候,数据与数据的地址都是连续的,这样就给使得批量操作数组元素时速度更快。 这是因为ndarray中的所有元素的类型都是相同的,而Python列表中的元素类型是任意的,所以ndarray在存储元素时内存可以连续,而python原生list就只能通过寻址方式找到下一个元素,这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list,但在科学计算中,Numpy的ndarray就可以省掉很多循环语句,代码使用方面比Python原生list简单的多。
资源推荐
资源详情
资源评论
收起资源包目录
Numpy.rar (24个子文件)
Numpy
image
image-20190620005224076.png 1.39MB
image-20190620081842007.png 18KB
section2.html 33KB
section1.html 36KB
section4.html 35KB
index.html 23KB
section6.html 130KB
images
numpy内存地址.png 253KB
计算量大.png 77KB
矩阵乘法计算过程.png 211KB
离散程度.png 56KB
array和asarray的区别.png 173KB
均匀分布.png 11KB
Numpy.png 160KB
单位矩阵.png 41KB
随机生成正态分布.png 14KB
学生成绩数据.png 190KB
正态分布.png 264KB
标准差公式.png 13KB
数组1.png 55KB
学生成绩计算.png 89KB
数组2.png 128KB
section5.html 31KB
section3.html 55KB
共 24 条
- 1
资源评论
青枫浦上看桃花
- 粉丝: 6817
- 资源: 22
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功