机器学习中的数据
· 我们前面提到了机器学习的四个核心是数据、模型、损失函数和优化，其中，数据基本都是以矩阵（Matrices）的形式来提供的，因此学会如何处理矩阵非常重要。
· 接下来我们会选择使用Python中的NumPy库进行矩阵运算与处理。
为何选择以矩阵的方式表达数据
· 世界上的数据基本上都可以用矩阵的方式来表达，接下来我们看一点例子。
· 时间序列数据（以音频数据为例）
我们把随着时间而产生的数据称为时间序列（Timeseries）数据，如上图表示的音频，它可以用1*n矩阵（向量）来表示每一秒的声音大小。
· 图片（灰度图与彩色图）
灰度图就是一个矩阵，每一个像素表示的灰度值就是矩阵该位置的值；而彩色图就是R、G、B三张矩阵叠加出来的。
· 自然语言（Natural Language）
计算机科学家会把一句话转换为一个矩阵，例如字典向量法，具体方法留到NLP课程再讲。
NumPy的基础使用
· 创建一个NumPy数组（ndarray）：
np.array([1,2,3])
· 其他创建数组的方法：
np.ones(3) # 创建一个长度为3的向量，用1填充数据
np.zeros(3) # 创建一个长度为3的向量，用0填充数据
np.random.random(3) # 创建一个长度为3的向量，内容随机
· 注意！上述创建的都是向量而不是矩阵！向量在NumPy中进行计算的时候会进行广播（Broadcasting），运算结果可能和想象的有所不同，比如：
print([1,2,3]) # 是一个向量，不是矩阵
print([[1,2,3]]) # 是一个矩阵，一行三列的矩阵· 矩阵的加减乘除运算：
可以发现，乘法并不是线性代数中的矩阵乘法，而是元素对应相乘，相应的，线性代数中的矩阵是没有除法的，而NumPy是支持除法的，但是是对应元素相除。在矩阵乘1.6的时候，可以发现NumPy进行了一次广播，把1.6变为了一个向量进行乘法。
· 向量取元素的方式
· 求最大、最小、和
· 创建一个矩阵
np.array([[1,2],[3,4]]) # 创建一个两行两列矩阵
· 同理，可使用ones、zeros和random创建矩阵
· 矩阵的加减乘除运算跟向量是一样的
可以看到当data+ones_row的时候，NumPy进行了广播，使得加法可以进行。
· 线性代数上的矩阵乘法
可以看到，使用.dot函数就可以进行线性代数含义的矩阵乘法，在新版NumPy中，可以直接使用@符号进行乘法：
· 取出矩阵中的元素的方法和向量有一点不一样
可以看到，下标是[行,列]格式组成的。
· 矩阵也可以求最大最小值
· 如果想求所有行或所有列的最大值，指定axis参数即可，axis=0的时候是求行最大值，axis=1的时候是求列最大值
· 矩阵的转置（行变列、列变行）
· 更改矩阵的维度（形状）
· NumPy还支持创建张量（Tensor）
