NumPy для ML: матричные операции, линейная алгебра

Почему NumPy важен для ML

NumPy использует многомерные массивы ndarray и выполняет операции быстрее обычных списков Python. Главная причина — векторизация: вычисления идут сразу над целыми массивами, без медленных циклов.

import numpy as np

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

print(x + y)   # [5 7 9]
print(x * y)   # [4 10 18]

Форма массива: shape

• (n,) — вектор
• (m, n) — матрица
• (batch, features) — частый формат датасета

X = np.array([[1, 2], [3, 4], [5, 6]])
print(X.shape)  # (3, 2)

Ошибка в размерностях — одна из самых частых причин багов в моделях.

Матричные операции

Поэлементное умножение и матричное умножение — не одно и то же.

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

print(A * B)        # поэлементно
print(A @ B)        # матричное умножение
print(np.dot(A, B)) # аналог для 2D

В ML матричное умножение используется постоянно: y = X @ w + b

Где:

• X — признаки
• w — веса
• b — смещение
• y — предсказание

Транспонирование

Меняет строки и столбцы местами. Часто нужно в формулах линейной регрессии и при вычислении градиентов.

print(A.T)

Полезные функции линейной алгебры

A = np.array([[2, 1], [1, 3]])

print(np.linalg.inv(A))   # обратная матрица
print(np.linalg.det(A))   # определитель
print(np.linalg.eig(A))   # собственные значения и векторы
print(np.linalg.norm(A))  # норма

Где это применяется:

• inv — аналитические решения, но в ML чаще избегают явного обращения матрицы
• eig — PCA, спектральные методы
• norm — расстояния, регуляризация, оценка ошибок

Broadcasting

Одна из самых мощных возможностей NumPy — автоматическое расширение размерностей.

X = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([10, 20])

print(X + b)

Это удобно для добавления смещения, нормализации и масштабирования признаков без циклов ⚙️

Что важно для практики

• Используйте @ для матричного умножения
• Проверяйте shape перед вычислениями
• Предпочитайте векторизацию вместо for
• Для ML полезно знать transpose, dot, mean, sum, norm, linalg

NumPy — это не просто библиотека для массивов, а язык математики в ML. Понимание матриц, размерностей и линейной алгебры напрямую влияет на то, насколько быстро вы начнёте читать код моделей и писать свой без лишних ошибок 🚀