Coursera에서 사용할 수있는 기계 학습 과정의 기능을 벡터화하는 방법을 이해하는 데 문제가 있습니다. 과정에서 , 앤드류 응은 가설이 X 곱한 세타의 전치에 벡터화 할 수 있다는 설명 : 나는 연습에이를 구현할 때 H(x) = theta' * X
내 첫 번째 문제입니다. 왜 종이의 벡터화는 세타의 전치이고 x를 곱한 것이고 옥타브의 경우 X 배의
포인트 클러스터의 중심 좌표를 계산하는 방법을 찾았습니다. 그러나, 초기 좌표의 수가 증가 할 때 (내 약 100 000 좌표를 가짐) 내 방법은 상당히 느립니다. 병목 현상은 코드의 for-loop입니다. 나는 np.apply_along_axis를 사용하여 그것을 제거하려고 시도했으나 이것이 숨겨진 파이썬 루프 이상의 것임을 발견했다. 벡터화 된 방식으로
이 가짜 데이터 프레임이 있습니다. 나는 데이터 포인트를 막대 그래프 위에 추가하는보다 빠른 벡터화를 검토 중이다. 내 솔루션은 많은 열이있을 때 적용하기 어려울 것입니다. 내 문제는 벡터와 행렬이 "포인트"기능에 허용된다는 것입니다. 현명한 해결책이 있습니까? df <- data.frame(Test = 1:5,
Factor= c("A","A","
Stan을 사용하여 베이 즈 분석을하고 있으며 코드를보다 효율적으로 만들려고합니다. 내 Stan 모델 문자열에 NxJ 매트릭스 변수가 있습니다. 이것은 빠른 매트릭스 연산과 할당을 사용하도록이 방법으로 선언되었습니다. 그러나 최종 모델링 단계 (분포 지정)에서이 NxJ 행렬을 각 배열 요소의 J 실제 값을 포함하는 N 길이 배열로 변환해야합니다. matri
Nan 나이 값을 평균값 또는 이와 유사한 것으로 바꾸는 대신 문제가되는 사람이 아이인지 아닌지를 추측하여 시도한 다음 a는 데이터 세트의 하위 열이며 알려진 연령의 가능한 값과 Nan의 가능한 값을 추가합니다. 그래서 이름에 Mr 또는 Mrs.이 있으면, 그것은 확실히 확실히 아이가 아니고 반면에 주인이 있다는 것을 압니다. 또는 미스. 아이 일 수도 있
NumPy (또는 Pandas)를 사용하여 Arnaud Legoux Moving Average를 계산하는 벡터화 된 버전의 코드를 작성하고 싶습니다. 이걸 좀 도와 주실 수 있나요? 감사. 비 벡터화 버전은 다음과 같습니다 (아래 참조). def NPALMA(pnp_array, **kwargs) :
'''
ALMA - Arnaud Lego
2 차원 배열이 있습니다 (회색 음영 이미지라고 생각합니다). 나는 그런 것을,이 배열에 좌표 목록에 특정 값을 할당 할 : img = np.zeros((5, 5))
coords = np.array([[0, 1], [1, 2], [2, 3], [3, 4]])
def bad_use_of_numpy(img, coords):
for i, coord
SSE 요소에서 작동하는 지수 함수의 근사값을 찾고 있습니다. 즉 - __m128 exp(__m128 x). 나는이 빠른 있지만 정확도가 매우 낮은 것으로 보인다 구현 : static inline __m128 FastExpSse(__m128 x)
{
__m128 a = _mm_set1_ps(12102203.2f); // (1 << 23)/ln(2