Berkenalan dengan NumPy: Library Python untuk Komputasi Ilmiah – Bagian 1
5. Fungsi Matematika dan Statistik
NumPy menyediakan berbagai fungsi untuk melakukan operasi matematika dan statistik pada array. Ini memungkinkan Anda untuk melakukan berbagai operasi numerik dengan mudah dan efisien pada data yang disimpan dalam array NumPy.
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
# Rata-rata
print(np.mean(arr)) # Output: 3.0
# Median
print(np.median(arr)) # Output: 3.0
# Standar deviasi
print(np.std(arr)) # Output: 1.4142135623730951
Anda juga dapat melakukan operasi matematika lainnya, seperti menghitung nilai minimum dan maksimum, menghitung jumlah elemen, serta melakukan operasi matematika lainnya seperti eksponensial dan logaritma.
# Nilai minimum dan maksimum
print(np.min(arr)) # Output: 1
print(np.max(arr)) # Output: 5
# Jumlah elemen
print(np.sum(arr)) # Output: 15
# Eksponensial
print(np.exp(arr)) # Output: [ 2.71828183 7.3890561 20.08553692 54.59815003 148.4131591 ]
# Logaritma
print(np.log(arr)) # Output: [0. 0.69314718 1.09861229 1.38629436 1.60943791]
Fungsi-fungsi matematika dan statistik ini sangat berguna dalam berbagai aplikasi analisis data dan komputasi ilmiah. Dengan menggunakan NumPy, Anda dapat dengan mudah melakukan analisis statistik pada data yang disimpan dalam array NumPy. Selanjutnya, kita akan menjelajahi penggunaan NumPy dalam pengolahan gambar dan aplikasi praktis lainnya.
6. Pengolahan Gambar dengan NumPy
NumPy dapat digunakan secara efektif untuk pengolahan gambar, karena gambar dapat direpresentasikan sebagai array multidimensi di mana setiap elemen array mewakili nilai piksel dari gambar. NumPy menyediakan berbagai fungsi untuk membaca, menulis, dan memanipulasi gambar dalam bentuk array NumPy.
import numpy as np
import matplotlib.pyplot as plt
# Membaca gambar menggunakan matplotlib
image = plt.imread('gambar.jpg')
# Menampilkan gambar
plt.imshow(image)
plt.axis('off')
plt.show()
Setelah membaca gambar, Anda dapat melakukan berbagai operasi pengolahan gambar menggunakan NumPy, seperti mengubah ukuran gambar, mengonversi gambar ke skala abu-abu, menerapkan filter, dan banyak lagi.
# Mengubah ukuran gambar
resized_image = np.resize(image, (image.shape[0] // 2, image.shape[1] // 2, image.shape[2]))
# Menampilkan gambar yang diubah ukurannya
plt.imshow(resized_image)
plt.axis('off')
plt.show()
Selain itu, Anda dapat melakukan konversi gambar ke skala abu-abu dengan mengambil rata-rata nilai RGB dari setiap piksel.
# Konversi gambar ke skala abu-abu
gray_image = np.mean(image, axis=2)
# Menampilkan gambar skala abu-abu
plt.imshow(gray_image, cmap='gray')
plt.axis('off')
plt.show()
Dengan menggunakan NumPy, Anda memiliki fleksibilitas untuk melakukan berbagai operasi pengolahan gambar dengan mudah dan efisien. Selanjutnya, kita akan menjelajahi penggunaan NumPy dalam machine learning dan aplikasi praktis lainnya.
7. Penggunaan NumPy dalam Machine Learning
NumPy merupakan salah satu library yang paling penting dalam ekosistem Python untuk pengembangan model machine learning. Dalam machine learning, data sering kali direpresentasikan dalam bentuk array atau matriks, dan NumPy menyediakan struktur data array multidimensi yang sangat efisien untuk tujuan ini. Selain itu, NumPy juga menyediakan berbagai fungsi untuk operasi matriks, aljabar linear, dan pengacakan data, yang semuanya sangat berguna dalam pengembangan model machine learning.
import numpy as np
# Membuat data training dan label
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([0, 1, 1])
# Menampilkan data training dan label
print("Data Training:")
print(X)
print("Label:")
print(y)
Dalam pengembangan model machine learning, sering kali diperlukan operasi matriks seperti perkalian matriks, invers matriks, dan dekomposisi matriks. NumPy menyediakan fungsi-fungsi ini dengan mudah.
# Perkalian matriks
X_transpose = X.T # Transpose matriks X
result = np.dot(X_transpose, X) # Perkalian matriks X_transpose dengan X
print("Hasil Perkalian Matriks:")
print(result)
NumPy juga menyediakan berbagai fungsi matematika yang berguna dalam pengembangan model machine learning, seperti fungsi sigmoid, softmax, dan banyak lagi.
# Fungsi sigmoid
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# Fungsi softmax
def softmax(x):
exp_values = np.exp(x - np.max(x, axis=1, keepdims=True))
return exp_values / np.sum(exp_values, axis=1, keepdims=True)
Dengan berbagai fitur dan fungsi yang disediakan, NumPy menjadi pilihan utama dalam pengembangan model machine learning dalam Python. Selanjutnya, kita akan menyimpulkan artikel ini.
0 Comments