Machine Learning (Udemy Kurs)

Theorie

Praxis

Module

Numpy

import numpy as np

Ein Array mit Numpy erstellen 

x = np.array([-2, 1, 3, -10, 22])

 Matplotlib

import matplotlib.pyplot as plt

Einen Plot erstellen 

x = np.array([1,2,3,4,5])
y = np.array([2,-3,5,10,12])

# Scatter Plot # Punkte ohne Verbindung

plt.scatter(x, y, color="red")
plt.legend(['f(x)'])
plt.title('This is a title')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.show()

Mit zeilen verbinden 

# Plot

plt.scatter(x, y, color="red")
plt.plot(x,y,color="blue")
plt.legend(['f(x)'])
plt.title('This is a title')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.show()

 Listslicing und Arrays

import numpy as np

l1 = [i for i in range(20)] # Erstellt eine Liste mit Werten von 0 bis 19

l2 = l1[0:20:2] # Erstellt eine Liste aus der ersten Liste und zwar nur jeden 2. Wert

l3 = l1[:10] # Gibt die ersten 10 wieder

# Arrays mit Numpy erstellen
my_array = np.zeros(shape=(2,2)) # erstellt ein array mit 2 x 2 Zellen

my_rershaped_array = np.reshape(my_array, newshape=(4,))


# Zufallszahlen generieren
my_random_array = np.random.randint(low=0, high=11, size=20) # Ganzzahlen mit Randint

my_random_array2 = np.random.uniform(low=0.0, high=10.0, size=20) # Floatzahlen erstellen

Type Annotations

Festlegen welche Dateitypen für einen Parameter infrage kommen 

class Car: 
  def __init__(self, name: str, oem: str, hp: int, year: int) -> None: # -> None bedeutet es wird nichts zurück gegeben 
    self.name = name
    self.oem = oem
    self.hp = hp
    self.year = year 
    
  def get_info(self) -> str: # -> str bedeutet es wird ein String zurück gegeben 
    return "Name: " # self.name
  
def main(): 
  car1 = Car(10, "Audi", 400, 2022)
  info1 = car1.get_info()
  print(info1) 
  
  
if __name__ == "__main__"": 
  main()

f-Strings

# Mit f-string kann man die Variable direkt in den String schreiben 

f"Name: {self.name} OEM: {self.oem} HP: {self.hp}"