Operaciones aritméticas en Numpy

Clase 10 de 32 • Curso de Machine Learning Aplicado con Python

Usuario anónimo

user•

Numpy es una librería muy util. los invito a ver esta conferencia donde muestran muy bien las herramientas de numpy https://www.youtube.com/watch?v=ZB7BZMhfPgk

Luis Hernando Sarmiento Garzón

student•

Gracias, esta muy buena.

Jimmy Buriticá Londoño

student•

Muy interesante el video.

Pedro Ortiz

student•

Como me dijo un gran amigo en el trabajo, "Cada ves que iteras con un loop un gatito se muere, intenta no hacer loops y mejor usa arrays"

Usuario anónimo

user•

Alberto Gobbi

student•

Ojo, en el experimento en el minuto 7, en el primer caso también se está sumando el tiempo de creación de los vectores y esto no debería ser considerado, ya que sólo queremos notar la diferencia al momento de la suma. En mi caso los puse aparte, igualmente el tiempo es menor en el segundo caso, pero son cosas que deben considerarse al momento de comparar.

Loren Johanna Vásquez Rivera

student•

Considero bastante pertinente el uso de funciones en Numpy para estadística, muy útil.

Jimmy Buriticá Londoño

student•

El módulo timeit proporciona una interfaz simple para determinar el tiempo de ejecución de pequeñas partes de código Python.

Alejandro Cuello Maure

student•

Es cierto pero te recomiendo que al momento de medir los tiempos de ejecución no uses este metodo ya que puede conducir a mediciones "mal hechas".

Por que puede tomar el tiempo dependiendo de muchos factores, por ejemplo de cuantos recursos estemos consumiendo al momento de hacer la medicion.

No es una buena forma de medir la "efectividad" de la ejecucion. Por que puede arrojar resultados un poquito sesgados.

Usuario anónimo

user•

Este tio si sabe explicar!

Franklin Gil

student•

a = np.range(4)

print("a        =", a)
print("a + 5    =", a + 5)
print("a - 5    =", a - 5)
print("a * 2    =", a * 2)
print("a / 2    =", a / 2)
print("a // 2   =", a // 2)
print("-a       =", -a)
print("a ** 2   =", a ** 2)
print("a % 2    =", a % 2)```

Wildin Mota

student•

np.arange(4)*

María José Medina

student•

Algunos ejemplos de broadcasting:

Juan José Mamani Tarqui

student•

Me hiciste recordar

Diego Andres Fonseca Soto

student•

Hay un error de edición en 7:35 😃

Jean Paul

teacher•

Jajajja si es verdad 😃

Jhon Fredy Beltrán León

student•

Creo que lo hacen para hacer al profesor mas divertido y no tenerle temor a numpy :v

Mario Álvaro Castro Barrón

student•

Más sobre las ufuncs

Darvin Orozco

student•

Gracias, muy buen aporte sobre las Universal Functions. Me fui directo a la sección "Methods"

Laura Manuela Osorio Gonzalez

student•

Recomendado este artículo de Nature: Array programming with NumPy https://www.nature.com/articles/s41586-020-2649-2

Usuario anónimo

user•

Muchas gracias por la explicación relacionada al rendimiendo al usar código 'vectorizado', ahora entiendo porque hace un par de meses mientras me encontraba haciendo un proyecto de redes neuronales sobre el torneo MeLiDataChallenge2019 de Mercado Libre me aparecía una advertencia (Warning) por usar ciclos 'for' en una de las etapas finales del proceso, y también por intentar crear una copia redundante de esta para poder realizar el proceso de unir dos tablas de datos (En Portugués y Español). Con esto aprendí a mejorar el rendimiento al momento de realizar el tratamiento de la información. Muchas gracias.

Hugo Alexander Gonzalez Bocanegra

student•

Cristian Orozco Benjumea

student•

En ésta clase vimos bases prácticas para lo siguiente del curso.

Alonso Diaz Gutierrez

student•

¡Hola! Si estas usando livewiere en la version 3.x puede ser que necesites usar "wire:model.live" ya que se hizo esto como un ajuste de rendimiento, ahora wire:model debe ser accionado con un botón (enviar, actualizar)

Wilson Fernando Antury Torres

student•

Documentación de numpy:

https://numpy.org/devdocs/

Usuario anónimo

user•

Gracias por el aporte

Jose Daniel Delgado Ballen

student•

Como funciona la instrucción %%timeit

Florelva Rozo Garcia

student•

El método timeit() ejecuta un bloque de instrucciones repetidamente, (el valor predeterminado es 1000000) para obtener una medición estadísticamente relevante del tiempo de ejecución del código y devuelve la cantidad de tiempo que paso.

Luis Alejandro Hernández Contreras

student•

Porque me aparece error... lo estoy haciendo con Google colab

Kevin J. Zea Alvarado

student•

Intenta con sólo un % o con ninguno y paréntesis al final, como si fuese una función.

Javier Guevara

student•

Cuál de los comandos?

Diego Cesar Lerma Torres

student•

Dato cursioso sobre %%timeit timeit es una "cell magic". Esto es, un tipo de comando que sólo existe en IPython (y no está disponible en el shell estándar de Python). Los comandos "mágicos" ++nos permiten controlar el comportamiento del propio IPython++. Para llamarlos se usa una % (debido a que este no es un caracter comúnmente usado en el lenguaje, lo que lo dejaba relativamente disponible)

Las funciones mágicas pueden ser de dos tipos:

Line magic Inician con el caracter %. El resto de la línea Su efecto es similar al de las llamadas a la linea de comandos.
Cell magic Inician con %% y DEBEN ESCRIBIRSE AL INICIO DE LA CELDA. Pueden operar en múltiples líneas. Estas funciones pueden hacer modificaciones arbitrarias en el input que reciben

De hecho con esto me acabo de enterar que cuando hacemos

%matplotlib inline

Es también una función mágica

Para obtener más información sobre cualquier función mágica, basta con escribirla y agregarle un ? al final, tal como:

%timeit?

Esto desplegará información acerca de cómo funciona este comando, su sintaxis y algunos ejemplos

P.D. Por si a alguno le pasó lo mismo que a mí: Cuando escribí la función %%timeit, le puse un comentario arriba para anotar lo que el profesor explicó que iba a pasar de la siguiente forma

# comentario
%%timeit
a = np.arange(1000000)
b = np.zeros(1000000)
i = 0
for el in a:
    b[i] = el+el
    i+=1

Lo cual me mandaba este error:

UsageError: Line magic function `%%timeit` not found.

La solucion fue eliminar el comentario de ahi y colocarlo debajo (o quitarlo completamente)

%%timeit
# Comentario
a = np.arange(1000000)
b = np.zeros(1000000)
i = 0
for el in a:
    b[i] = el+el
    i+=1

Las funciones cell magic requieren ser lo primero que se escribe en la celda. Cuando no son lo primero, IPython piensa que es una line magic (y manda error porque la sintaxis usada no es correcta para esta forma)

Kevin Henriquez

student•

++Si necesitas saber como poner Texto en Jupyer Notebook ++

En el menu superior donde dice **Code **debes cambiarlo por Markdown
Y luego escribes en la cel # + (El texto que quieres escribir)

Wilman Hermenegildo Jiménez Moreno

student•

<code>

#Operaciones con escalares
import numpy as np

b = np.array([2, 3, 4, 5,6])
b + 2
array([4, 5, 6, 7, 8])


---------------------------------------------------------------------------------
#Operaciones con escalares
import numpy as np

b = np.array([2, 3, 4, 5,6])

3**b

array([  9,  27,  81, 243, 729])
------------------------------------------------------------------------------
Multiplicación matricial

import numpy as np
c = np.ones((4, 4))
c.dot(c)   
array([[4., 4., 4., 4.],
       [4., 4., 4., 4.],
       [4., 4., 4., 4.],
       [4., 4., 4., 4.]])
--------------------------------------------------------
#Transposición

import numpy as np

a = np.triu(np.ones((3, 3)), 1)   
a
array([[ 0.,  1.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  0.]])
a.T   # tambien, a.transpose()
array([[ 0.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  1.,  0.]])

a = np.range(4)

print("a        =", a)
print("a + 5    =", a + 5)
print("a - 5    =", a - 5)
print("a * 2    =", a * 2)
print("a / 2    =", a / 2)
print("a // 2   =", a // 2)
print("-a       =", -a)
print("a ** 2   =", a ** 2)
print("a % 2    =", a % 2)```

<code>

#Operaciones con escalares
import numpy as np

b = np.array([2, 3, 4, 5,6])
b + 2
array([4, 5, 6, 7, 8])


---------------------------------------------------------------------------------
#Operaciones con escalares
import numpy as np

b = np.array([2, 3, 4, 5,6])

3**b

array([  9,  27,  81, 243, 729])
------------------------------------------------------------------------------
Multiplicación matricial

import numpy as np
c = np.ones((4, 4))
c.dot(c)   
array([[4., 4., 4., 4.],
       [4., 4., 4., 4.],
       [4., 4., 4., 4.],
       [4., 4., 4., 4.]])
--------------------------------------------------------
#Transposición

import numpy as np

a = np.triu(np.ones((3, 3)), 1)   
a
array([[ 0.,  1.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  0.]])
a.T   # tambien, a.transpose()
array([[ 0.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  1.,  0.]])

Operaciones aritméticas en Numpy

Introducción al curso

Introducción al curso de Machine Learning Aplicado con Python

Cómo definir un problema de Machine Learning

Importancia de definir el problema en Machine Learning

Predecir el ingreso de películas de IMDB

Terminología de Machine Learning

Materiales del curso: Notebooks de Jupyter

El ciclo de ingeniería de Machine Learning

El ciclo de Machine Learning

Montar un ambiente de trabajo Pydata

Configuración del ambiente de trabajo con Google Collab

Qué es y cómo se utiliza Numpy

Arrays en Numpy

Operaciones aritméticas en Numpy

Preparación de los datos

Cargar los datos necesarios para el proyecto

Inspección de los tipos de datos

Inspección cuantitativa y de salud de los datos

Limpiar los datos

Manejo de datos faltantes

Modelación y evaluación

El objeto estimador de Scikit-Learn

Implementar un modelo de regresión (Lasso)

Ajustando Modelos de Machine Learning, Underfitting y Overfitting

Evaluando el modelo

Feature Engineering

Feedback del modelamiento

Análisis exploratorio

Continuando con el análisis exploratorio

Creación de features

Creando más features

Selección de features y la maldición de la dimensionalidad

Modelos y Evaluación más avanzada

Cross Validation

Selección de modelos

Curvas de aprendizaje

Introducción a Ensembles y Árboles de Decisión

Random Forest y Gradient Boosting Trees

Optimización de hiperparámetros

Conclusiones del curso