عملیات ماتریسی با NumPy: راهنمای جامع برای علم داده و یادگیری ماشین

NumPy (Numerical Python) یکی از مهم‌ترین کتابخانه‌های پایتون برای محاسبات علمی است. این کتابخانه، پشتیبانی قدرتمندی از آرایه‌های چند بعدی (ماتریس‌ها) و توابع ریاضی برای کار با آن‌ها فراهم می‌کند. در علم داده و یادگیری ماشین، عملیات ماتریسی نقش اساسی در الگوریتم‌های مختلف ایفا می‌کنند. این مقاله به بررسی جامع عملیات ماتریسی با استفاده از NumPy می‌پردازد.

مقدمه‌ای بر آرایه‌های NumPy

آرایه‌های NumPy، ساختارهای داده‌ای هستند که می‌توانند مجموعه‌ای از عناصر هم‌نوع را در خود جای دهند. این عناصر می‌توانند اعداد صحیح، اعداد اعشاری، یا حتی اشیاء پایتون باشند. با این حال، در علم داده و یادگیری ماشین، معمولاً با آرایه‌هایی از اعداد اعشاری کار می‌کنیم.

برای ایجاد یک آرایه NumPy، می‌توان از تابع numpy.array() استفاده کرد. به عنوان مثال:

import numpy as np

# ایجاد یک آرایه یک بعدی
arr1d = np.array([1, 2, 3, 4, 5])

# ایجاد یک آرایه دو بعدی (ماتریس)
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print(arr1d)
print(arr2d)

ویژگی‌های مهم آرایه‌های NumPy عبارتند از:

• Shape: ابعاد آرایه را نشان می‌دهد (تعداد سطرها و ستون‌ها).
• dtype: نوع داده عناصر آرایه را مشخص می‌کند.
• ndim: تعداد ابعاد آرایه را نشان می‌دهد.
• size: تعداد کل عناصر آرایه را نشان می‌دهد.

عملیات پایه ماتریسی

NumPy امکان انجام عملیات پایه ماتریسی را به سادگی فراهم می‌کند. این عملیات شامل جمع، تفریق، ضرب در اسکالر، و ضرب ماتریسی می‌شوند.

جمع و تفریق ماتریس‌ها

برای جمع یا تفریق دو ماتریس، آن‌ها باید ابعاد یکسانی داشته باشند. عمل جمع یا تفریق به صورت عنصر به عنصر انجام می‌شود.

import numpy as np

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])

# جمع دو ماتریس
sum_arr = arr1 + arr2

# تفریق دو ماتریس
diff_arr = arr1 - arr2

print("جمع:", sum_arr)
print("تفریق:", diff_arr)

ضرب در اسکالر

ضرب یک ماتریس در یک اسکالر (عدد ثابت) به معنای ضرب تمام عناصر ماتریس در آن اسکالر است.

import numpy as np

arr = np.array([[1, 2], [3, 4]])
scalar = 2

# ضرب ماتریس در اسکالر
scaled_arr = arr * scalar

print("ماتریس ضرب شده در اسکالر:", scaled_arr)

ضرب ماتریسی

ضرب ماتریسی یک عملیات پیچیده‌تر است که نیاز به رعایت شرایط خاصی دارد. برای ضرب دو ماتریس A و B، تعداد ستون‌های A باید با تعداد سطر‌های B برابر باشد. حاصل ضرب، یک ماتریس جدید خواهد بود که ابعاد آن برابر با تعداد سطر‌های A و تعداد ستون‌های B است.

در NumPy، می‌توان از تابع numpy.dot() یا عملگر @ برای انجام ضرب ماتریسی استفاده کرد.

import numpy as np

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])

# ضرب ماتریسی با استفاده از numpy.dot()
dot_product = np.dot(arr1, arr2)

# ضرب ماتریسی با استفاده از عملگر @
at_product = arr1 @ arr2

print("حاصل ضرب با numpy.dot():", dot_product)
print("حاصل ضرب با عملگر @:", at_product)

عملیات پیشرفته ماتریسی

NumPy علاوه بر عملیات پایه، امکان انجام عملیات پیشرفته‌تری مانند ترانهاده، معکوس، دترمینان، و تجزیه ماتریسی را نیز فراهم می‌کند.

ترانهاده ماتریس

ترانهاده یک ماتریس، ماتریسی است که سطرها و ستون‌های آن با هم جابجا شده‌اند. در NumPy، می‌توان از ویژگی .T برای محاسبه ترانهاده یک ماتریس استفاده کرد.

import numpy as np

arr = np.array([[1, 2], [3, 4]])

# محاسبه ترانهاده
transpose_arr = arr.T

print("ماتریس اصلی:", arr)
print("ترانهاده:", transpose_arr)

معکوس ماتریس

معکوس یک ماتریس مربعی، ماتریسی است که وقتی در ماتریس اصلی ضرب شود، ماتریس همانی (Identity Matrix) را تولید می‌کند. برای محاسبه معکوس یک ماتریس، می‌توان از تابع numpy.linalg.inv() استفاده کرد.

import numpy as np

arr = np.array([[1, 2], [3, 4]])

# محاسبه معکوس
try:
    inverse_arr = np.linalg.inv(arr)
    print("معکوس:", inverse_arr)
except np.linalg.LinAlgError:
    print("ماتریس معکوس پذیر نیست.")

دترمینان ماتریس

دترمینان یک ماتریس مربعی، یک عدد اسکالر است که اطلاعات مهمی در مورد ماتریس ارائه می‌دهد. برای محاسبه دترمینان یک ماتریس، می‌توان از تابع numpy.linalg.det() استفاده کرد.

import numpy as np

arr = np.array([[1, 2], [3, 4]])

# محاسبه دترمینان
determinant = np.linalg.det(arr)

print("دترمینان:", determinant)

تجزیه ماتریسی

تجزیه ماتریسی، فرایندی است که در آن یک ماتریس به حاصل ضرب چند ماتریس ساده‌تر تجزیه می‌شود. NumPy از انواع مختلفی از تجزیه ماتریسی پشتیبانی می‌کند، از جمله تجزیه LU، تجزیه SVD، و تجزیه Eigen.

به عنوان مثال، برای انجام تجزیه LU، می‌توان از تابع numpy.linalg.lu() استفاده کرد.

import numpy as np

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

# تجزیه LU
P, L, U = np.linalg.lu(arr)

print("P:", P)
print("L:", L)
print("U:", U)

کاربردهای عملی در علم داده و یادگیری ماشین

عملیات ماتریسی با NumPy در بسیاری از الگوریتم‌های علم داده و یادگیری ماشین کاربرد دارند. برخی از این کاربردها عبارتند از:

• رگرسیون خطی: حل معادلات نرمال برای یافتن ضرایب رگرسیون.
• شبکه‌های عصبی: انجام محاسبات مربوط به انتشار رو به جلو و انتشار به عقب.
• کاهش ابعاد: انجام تجزیه SVD برای کاهش ابعاد داده‌ها.
• خوشه‌بندی: محاسبه ماتریس فاصله بین نقاط داده.
• پردازش تصویر: انجام عملیات مختلف بر روی تصاویر، مانند فیلتر کردن و تبدیل.

نتیجه‌گیری

NumPy یک ابزار قدرتمند برای انجام عملیات ماتریسی در پایتون است. با استفاده از NumPy، می‌توان به سادگی و کارایی عملیات پیچیده ماتریسی را انجام داد و از آن‌ها در الگوریتم‌های علم داده و یادگیری ماشین استفاده کرد. تسلط بر NumPy و عملیات ماتریسی، برای هر دانشمند داده و مهندس یادگیری ماشین ضروری است.