NumPy Dizilerinde İleri İşlemler Eğitimi

Eğitim Hakkında

Broadcasting, ileri indeksleme, ufunc, lineer cebir ve performans

Eğitim, NumPy dizileriyle ileri işlemleri kapsar. Broadcasting kuralları, boolean ve fancy indexing, np.where, take, put, np.ix_, ufunc ve reduce/accumulate, vektörleştirme, einsum, numpy.linalg ile çözüm ve ayrışımlar, structured ve record dizileri, görünüm ve kopya farkı, strides ve bellek yerleşimi (C/F sırası), memmap ve performans ölçümü uygulamalı işlenir.

Süre ve Format

2 Gün. Her gün dört modül; 1. gün İleri İndeksleme ve Broadcasting; 2. gün ufunc, Lineer Cebir ve Performans.

Seviye

İleri Seviye — Broadcasting, ileri indeksleme, ufunc, lineer cebir ve performans

Öğrenme Metodu

Her konuda döngülü sürüm ile vektörel sürüm yazılır ve timeit ile hız farkı ölçülür.

Neden Bu Eğitim?

🚀Vektörel Hız

Python döngülerini vektörel işlemlerle onlarca kat hızlandırırsınız.

🧠Bellek Bilinci

Görünüm, kopya ve stride kavramlarıyla gereksiz bellek kullanımını önlersiniz.

📐Lineer Cebir

linalg ve einsum ile matris işlemlerini kısa ve hızlı yazarsınız.

Anahtar Konular

numpy ilerinumpy broadcastingnumpy einsumnumpy linalgfancy indexingnumpy performansstructured arrayufuncpython bilimsel hesaplama

“Döngüyü yazmadan önce kendinize sorun: bunu bir dizi işlemi yapabilir mi?”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

NumPy temeli

ndarray oluşturma, dilimleme ve temel aritmetik bilinmelidir.

2

Geliştirme ortamı

Python 3.10+ ve VS Code veya PyCharm kurulu bir bilgisayar gerekir.

3

Matematik

Matris çarpımı ve vektör kavramları faydalıdır.

4

Jupyter

Notebook kullanımı beklenir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı karmaşık seçim işlemleri yapar ve broadcasting kurallarını doğru uygular.

Modül 1

Broadcasting

Kural: boyut hizalama
newaxis ve reshape
Dış çarpım ve mesafe matrisi
Hata mesajı okuma
Bellek maliyeti
Yaygın hatalar

Modül 2

İndeksleme

Boolean maskeleme
Fancy (tam sayı dizisi) indeksleme
np.ix_ ile ızgara seçimi
take_along_axis
Görünüm ve kopya farkı
Atama ve yan etkiler

Modül 3

Koşul ve Arama

np.where
select ve piecewise
argmax, argsort, partition
searchsorted
unique ve return_counts
isin

Modül 4

Şekil Manipülasyonu

reshape, ravel, flatten
transpose ve swapaxes
stack, concatenate, split
tile ve repeat
pad
roll

Günün hedefiKatılımcı ufunc ve lineer cebir araçlarını kullanır, bellek yerleşimi ve performansı optimize eder.

Modül 1

ufunc

Yerleşik ufunc'lar
reduce, accumulate, outer, at
out parametresi ile bellek tasarrufu
vectorize ve frompyfunc
Özel ufunc fikri (numba)
Sayısal hassasiyet (float32, float64)

Modül 2

Lineer Cebir

matmul ve @
linalg.solve, inv
det, rank, norm
SVD, QR, eig
lstsq ile regresyon
einsum ile tensör işlemleri

Modül 3

Yapılandırılmış Veri

dtype alanları
Structured ve record dizileri
Tarih (datetime64)
Maskeli diziler (ma)
Büyük dosya için memmap
Veri okuma (genfromtxt, load)

Modül 4

Performans

Bellek yerleşimi: C ve F sırası
strides ve as_strided
Önbellek dostu erişim
timeit ile ölçüm
Döngü-vektör karşılaştırması
numexpr/numba ne zaman

Eğitim Kazanımları

Program sonunda katılımcılar:

🔀

Broadcasting

Şekil uyumunu hesaplayarak döngüsüz işlem yazabilirsiniz.

🎯

Fancy indeksleme

Karmaşık seçimleri maske ve indeks dizileriyle yapabilirsiniz.

⚙️

ufunc

reduce ve accumulate ile toplulaştırma yapabilirsiniz.

📐

linalg

Doğrusal sistem, SVD ve en küçük kareler çözebilirsiniz.

🧮

einsum

Tensör işlemlerini einsum ile tek satırda yazabilirsiniz.

📦

Yapılandırılmış diziler

Structured dtype ile kayıt verisi işleyebilirsiniz.

🧠

Bellek

Görünüm, kopya ve stride davranışını yorumlayabilirsiniz.

⏱️

Performans

timeit ile vektörleştirme kazancını ölçebilirsiniz.

Kimler İçin Uygundur?

NumPy'ı temel düzeyde kullanan veri bilimciler
mühendisler
araştırmacılar içindir

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

NumPy'ı temel düzeyde kullanan veri bilimciler, mühendisler ve araştırmacılar içindir.

Hangi NumPy sürümü?

NumPy 1.26 veya 2.x kullanılır; sürüm farkları ayrıca vurgulanır.

numba işleniyor mu?

Yalnızca vektörleştirmenin yetersiz kaldığı durumlar için kısa tanıtım yapılır.

Pandas gerekir mi?

Hayır; konu NumPy'dır.

Eğitim sonunda belge verilir mi?

Katılımcılara Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir. Eğitim herhangi bir üretici sınavına doğrudan hazırlık vaat etmez; sınav söz konusu ise başvuru ve ücret ilgili kuruma aittir.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

PYTHON - ADVANCED OPERATIONS WITH NUMPY ARRAYS EĞİTİMİ