0 added
0 removed
Original
2026-01-01
Modified
2026-02-26
1
<p>В последние десятилетия цифровизация и автоматизация привели к накоплению больших объемов информации. Эти накопленные данные стали полезным источником информации для бизнеса, но принесли с собой много инфраструктурных проблем и головной боли разработчиков. Так появилась потребность в<strong>Data Mining</strong>- глубоком анализе данных с применением методов машинного обучения. Он выявляет неочевидные закономерности и таким образом решает бизнес-задачи.</p>
1
<p>В последние десятилетия цифровизация и автоматизация привели к накоплению больших объемов информации. Эти накопленные данные стали полезным источником информации для бизнеса, но принесли с собой много инфраструктурных проблем и головной боли разработчиков. Так появилась потребность в<strong>Data Mining</strong>- глубоком анализе данных с применением методов машинного обучения. Он выявляет неочевидные закономерности и таким образом решает бизнес-задачи.</p>
2
<p>Стандартные типы языка Python и его встроенные методы помогают решать разные аналитические задачи с данными. Но изначально Python не задумывался для таких задач, и поэтому не всегда стандартных инструментов достаточно. Для решения более сложных аналитических задач была разработана библиотека Numpy ("Numerical Python extensions"). В основном она направлена на удобство работы с массивами данных и ускорение вычислений с ними.</p>
2
<p>Стандартные типы языка Python и его встроенные методы помогают решать разные аналитические задачи с данными. Но изначально Python не задумывался для таких задач, и поэтому не всегда стандартных инструментов достаточно. Для решения более сложных аналитических задач была разработана библиотека Numpy ("Numerical Python extensions"). В основном она направлена на удобство работы с массивами данных и ускорение вычислений с ними.</p>
3
<p>В Numpy используется особый тип данных - массив. Чтобы его создать, нужно конвертировать данные из списка (list). Посмотрим, как это выглядит в коде:</p>
3
<p>В Numpy используется особый тип данных - массив. Чтобы его создать, нужно конвертировать данные из списка (list). Посмотрим, как это выглядит в коде:</p>
4
<p>Работа с массивами в некоторых операциях аналогична действиями над списками, но предоставляет ряд дополнительных возможностей. Например, различие есть в операциях получения элементов по списку индексов - типом list она не поддерживается:</p>
4
<p>Работа с массивами в некоторых операциях аналогична действиями над списками, но предоставляет ряд дополнительных возможностей. Например, различие есть в операциях получения элементов по списку индексов - типом list она не поддерживается:</p>
5
<p>Еще Numpy упрощает логику арифметических операций. Например, вот так выглядят операции сложения и умножения массива на число:</p>
5
<p>Еще Numpy упрощает логику арифметических операций. Например, вот так выглядят операции сложения и умножения массива на число:</p>
6
<p>Если бы мы работали со списками, для тех же операций потребовался бы еще и генератор списков:</p>
6
<p>Если бы мы работали со списками, для тех же операций потребовался бы еще и генератор списков:</p>
7
<p>Кроме того, Numpy ускоряет многие операции, что особенно заметно при работе с большими массивами. На примере ниже посмотрим, за какое время находится максимальный элемент списка и массива Numpy с аналогичным набором элементов:</p>
7
<p>Кроме того, Numpy ускоряет многие операции, что особенно заметно при работе с большими массивами. На примере ниже посмотрим, за какое время находится максимальный элемент списка и массива Numpy с аналогичным набором элементов:</p>
8
<p>Время выполнения в примере выше может отличаться в зависимости от производительности среды. Тем не менее операции над массивом Numpy в любом случае происходят в разы быстрее аналогичных операций над списком.</p>
8
<p>Время выполнения в примере выше может отличаться в зависимости от производительности среды. Тем не менее операции над массивом Numpy в любом случае происходят в разы быстрее аналогичных операций над списком.</p>
9
<p>Еще одно преимущество библиотеки Numpy - широкая функциональность. Она включает в себя разные математические функции, модули для работы со случайными числами и матрицами, а также с преобразованиями Фурье.</p>
9
<p>Еще одно преимущество библиотеки Numpy - широкая функциональность. Она включает в себя разные математические функции, модули для работы со случайными числами и матрицами, а также с преобразованиями Фурье.</p>
10
<p>Производительность Numpy, широкий спектр методов работы с массивами и удобный интерфейс подтолкнули разработчиков использовать библиотеку в качестве основы для модулей. Например, есть такие модули для работы с:</p>
10
<p>Производительность Numpy, широкий спектр методов работы с массивами и удобный интерфейс подтолкнули разработчиков использовать библиотеку в качестве основы для модулей. Например, есть такие модули для работы с:</p>
11
<ul><li>Табличными данными - Pandas</li>
11
<ul><li>Табличными данными - Pandas</li>
12
<li>Визуализацией данных - Matplotlib, Plotly, Seaborn</li>
12
<li>Визуализацией данных - Matplotlib, Plotly, Seaborn</li>
13
<li>Алгоритмами машинного обучения - Sklearn</li>
13
<li>Алгоритмами машинного обучения - Sklearn</li>
14
<li>Тензорами и глубокими нейронными сетями - TensorFlow</li>
14
<li>Тензорами и глубокими нейронными сетями - TensorFlow</li>
15
<li>Изображениями - OpenCV</li>
15
<li>Изображениями - OpenCV</li>
16
</ul><h2>Выводы</h2>
16
</ul><h2>Выводы</h2>
17
<p>В самом начале курса мы познакомимся с основным компонентом библиотеки Numpy - массивом numpy.ndarray. Далее вы научитесь конвертировать стандартные структуры языка Python в указанный тип данных, а также использовать разные методы работы с данными.</p>
17
<p>В самом начале курса мы познакомимся с основным компонентом библиотеки Numpy - массивом numpy.ndarray. Далее вы научитесь конвертировать стандартные структуры языка Python в указанный тип данных, а также использовать разные методы работы с данными.</p>
18
<p>Чтобы доступнее объяснить такие непростые темы, мы воспользуемся примерами из практики - поможем гипотетическому бизнесу с анализом данных по работе сети магазинов.</p>
18
<p>Чтобы доступнее объяснить такие непростые темы, мы воспользуемся примерами из практики - поможем гипотетическому бизнесу с анализом данных по работе сети магазинов.</p>
19
<p>Даже если вы не работаете аналитиком, вы почерпнете из курса много полезных практик. Эти знания помогут оптимизировать программы так, чтобы они работали в разы быстрее благодаря библиотеке Numpy.</p>
19
<p>Даже если вы не работаете аналитиком, вы почерпнете из курса много полезных практик. Эти знания помогут оптимизировать программы так, чтобы они работали в разы быстрее благодаря библиотеке Numpy.</p>