Аналитика, машинное обучение и наука о данных для начинающих / Analytics, machine learning, and data science for beginners. Просто о сложных технологиях — numpy основы

Что понять по статистике

Аудитория канала — 118 подписчиков.

Средний охват поста за 30 дней — 90 просмотров, вовлечённость (ER) — 0.5%.

За последнюю неделю опубликовано 1 постов.

Вопросы о канале Аналитика, машинное обучение и наука о данных для начинающих / Analytics, machine learning, and data science for beginners. Просто о сложных технологиях

О чём канал Аналитика, машинное обучение и наука о данных для начинающих / Analytics, machine learning, and data science for beginners. Просто о сложных технологиях?

На этом канале освещаются numpy основы, включая ось и многомерность массивов, создание массивов с нуля и работу с dtype. Видео приводит примеры использования функций вроде zeros и разъясняет выбор форм и типов данных. Материал полезен начинающим в аналитике данных и машинном обучении, а запрос numpy основы отражает направление канала.

Сколько подписчиков у канала Аналитика, машинное обучение и наука о данных для начинающих / Analytics, machine learning, and data science for beginners. Просто о сложных технологиях?

На канал подписаны 118 человек, средний охват поста за 30 дней — 90 просмотров.

Последние посты канала Аналитика, машинное обучение и наука о данных для начинающих / Analytics, machine learning, and data science for beginners. Просто о сложных технологиях

• 09.09.2026 — 🔍 Первичный осмотр данных в Pandas После загрузки данных в DataFrame важно убедиться, что файл отображается правильно (не съехали столбцы, правильный разделитель, верная кодировка). Стандартное превью — достаточно неудобное и затратное по ресурсам. Здесь опишу базовые практики. (9 просмотров)
• 30.08.2026 — 📥 Как загрузить и сохранить данные в Pandas Pandas работает с файлами самых разных форматов. Таблицу можно создать прямо в коде. 🆕 Создание DataFrame с нуля import pandas as pd df = pd.DataFrame({ 'город': ['Москва', 'СПб'], 'продажи': [15000, 12000] }) print(df) Таб (63 просмотров)
• 24.08.2026 — 🆚 Pandas против SQL Pandas и SQL сравнивают, т.к. они решают одну задачу — агрегацию данных. Хотя сам вопрос некорректный и возникает из-за непонимания экосистем и ролей: • SQL — пром-агрегации (быстро, масштабируемо, вычисления прямо на стороне сервера БД (In-Database Processi (126 просмотров)
• 17.08.2026 — 📚 Pandas. Индексы и доступ к данным Учимся ориентироваться в данных: выбирать строки и столбцы, понимать индексы и правильно к ним обращаться. 🔢 Индекс в Pandas Индекс — это метки (label) строк, отдельная сущность, не входящая в состав колонок. Он служит для идентификации стро (163 просмотров)
• 08.08.2026 — 📚 Pandas для начинающих: Series и DataFrame 🎯 В чём суть? Pandas — это надстройка над NumPy. Зачем? NumPy отлично работает с многомерными массивами, но имеет ограничения: - Массивы «безликие»: нет подписей у строк и столбцов - Плохо работает с разнотипными данными (числа + текс (188 просмотров)
• 06.08.2026 — NumPy. Бродкастинг / Broadcasting — работа с разными формами Как сложить массивы разной формы? Например, матрица продаж (5,3) и вектор скидок (3,) из API. Писать циклы? Нет, есть бродкастинг! • Основы NumPy • Оси (axis) в NumPy • Индексация и срезы 🤔 Разные формы — разные ошиб (161 просмотров)
• 20.07.2026 — NumPy. Меняем форму массивов (reshape, flatten, transpose) Ключевой навык для подготовки данных — менять форму без изменения самих данных. 🔍 Непрерывность массивов (contiguity) По умолчанию массивы NumPy (np.array()) — непрерывны, но теряют это свойство при: - транспонировании (199 просмотров)
• 28.06.2026 — ➡️ Оси (axis) в NumPy Понимание осей критично для работы с многомерными данными и вызывает путаницу 🔢 Что такое axis? В NumPy axis — целочисленный параметр, указывающий индекс (номер) измерения в n-мерном массиве (начинается с 0). Для 2D массива: • axis=0 — измерение для стро (151 просмотров)