NumPy’\u0131n g\u00fcc\u00fcn\u00fc ke\u015ffedin! Bu kapsaml\u0131 rehberde NumPy ile etkili veri analizi, bilimsel hesaplamalar ve makine \u00f6\u011frenimi i\u00e7in temelden ileri seviyeye pratik uygulamalar \u00f6\u011frenin. Veri biliminde daha verimli ve h\u0131zl\u0131 \u00e7\u00f6z\u00fcmler \u00fcretmek i\u00e7in ad\u0131m ad\u0131m ilerleyece\u011fiz.<\/p>\n
Veri bilimi ve makine \u00f6\u011frenimi alan\u0131nda \u00e7al\u0131\u015fan herkesin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 temel sorunlardan biri, b\u00fcy\u00fck veri k\u00fcmeleriyle etkili bir \u015fekilde ba\u015fa \u00e7\u0131kmakt\u0131r. Python, genel ama\u00e7l\u0131 bir programlama dili olarak bu alanda olduk\u00e7a pop\u00fcler olsa da, saf Python listeleriyle yap\u0131lan matematiksel i\u015flemler, performans a\u00e7\u0131s\u0131ndan \u00e7o\u011fu zaman yetersiz kal\u0131r. \u0130\u015fte tam da bu noktada NumPy (Numerical Python) devreye girer. NumPy, \u00e7ok boyutlu diziler (ndarray) \u00fczerinde y\u00fcksek performansl\u0131 matematiksel i\u015flemler yapmay\u0131 sa\u011flayan a\u00e7\u0131k kaynakl\u0131 bir Python k\u00fct\u00fcphanesidir. Asl\u0131nda, Pandas, SciPy, Scikit-learn gibi bir\u00e7ok pop\u00fcler veri bilimi k\u00fct\u00fcphanesi de \u00e7ekirde\u011finde NumPy’\u0131 kullan\u0131r.<\/p>\n
Peki, NumPy’\u0131 bu kadar vazge\u00e7ilmez k\u0131lan nedir? \u00d6ncelikle, temel veri yap\u0131s\u0131 olan Ayr\u0131ca, NumPy geni\u015f bir matematiksel fonksiyon k\u00fct\u00fcphanesi sunar. Trigonometrik fonksiyonlardan logaritmik hesaplamalara, matris \u00e7arpmalar\u0131ndan determinant bulmaya kadar pek \u00e7ok i\u015flemi tek sat\u0131r kodla ger\u00e7ekle\u015ftirebilirsiniz. Bu fonksiyonlar, C veya Fortran gibi d\u00fc\u015f\u00fck seviyeli dillerde optimize edildi\u011fi i\u00e7in, Python’\u0131n esnekli\u011fi ile C’nin h\u0131z\u0131n\u0131 birle\u015ftirir. Dolay\u0131s\u0131yla, veri manip\u00fclasyonu ve analizi s\u00fcre\u00e7lerinde kar\u015f\u0131la\u015ft\u0131\u011f\u0131m\u0131z karma\u015f\u0131k problemleri \u00e7\u00f6zmek i\u00e7in g\u00fc\u00e7l\u00fc ve verimli bir ara\u00e7 seti sunar. K\u0131sacas\u0131, e\u011fer b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131yor, performans kayg\u0131s\u0131 ta\u015f\u0131yor ve matematiksel i\u015flemleri kolayca uygulamak istiyorsan\u0131z, NumPy bilmeniz gereken ilk k\u00fct\u00fcphanelerden biridir. Veri bilimindeki yolculu\u011funuzda kesinlikle en b\u00fcy\u00fck yard\u0131mc\u0131lar\u0131n\u0131zdan biri olacakt\u0131r.<\/p>\n NumPy’\u0131n g\u00fcc\u00fcnden faydalanmak i\u00e7in ilk ad\u0131m, k\u00fct\u00fcphaneyi sisteminize kurmak ve temel dizi olu\u015fturma y\u00f6ntemlerini \u00f6\u011frenmektir. Python ekosisteminde paket y\u00f6netimi genellikle E\u011fer sisteminizde Python ve pip y\u00fckl\u00fcyse, tek bir komutla NumPy’\u0131 kurabilirsiniz. Komut istemcinizi (Windows’ta Command Prompt, macOS\/Linux’ta Terminal) a\u00e7\u0131n ve a\u015fa\u011f\u0131daki komutu \u00e7al\u0131\u015ft\u0131r\u0131n:<\/p>\n <\/code><\/p>\n Bu komut, NumPy k\u00fct\u00fcphanesini ve ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 indirip sisteminize kuracakt\u0131r. Kurulum tamamland\u0131ktan sonra, herhangi bir Python ortam\u0131nda (\u00f6rne\u011fin Jupyter Notebook, Spyder veya bir metin d\u00fczenleyici ile) kullan\u0131ma haz\u0131r hale gelir.<\/p>\n NumPy'\u0131 kullanmaya ba\u015flamak i\u00e7in \u00f6ncelikle kodunuzda onu i\u00e7e aktarman\u0131z gerekir. Genellikle <\/code><\/p>\n Art\u0131k <\/code><\/p>\n Yukar\u0131daki \u00f6rnekte g\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, NumPy'\u0131n ger\u00e7ek g\u00fcc\u00fc, \u00e7ok boyutlu dizilerle \u00e7al\u0131\u015f\u0131rken ortaya \u00e7\u0131kar. \u0130ki boyutlu diziler, genellikle matris olarak adland\u0131r\u0131l\u0131r ve tablo benzeri verileri veya g\u00f6r\u00fcnt\u00fcleri temsil etmek i\u00e7in kullan\u0131l\u0131r.<\/p>\n <\/code><\/p>\n Burada NumPy, belirli desenlere sahip diziler olu\u015fturmak i\u00e7in de pratik fonksiyonlar sunar:<\/p>\n <\/code><\/p>\n Bu temel olu\u015fturma fonksiyonlar\u0131, veri bilimindeki bir\u00e7ok ba\u015flang\u0131\u00e7 senaryosu i\u00e7in olduk\u00e7a kullan\u0131\u015fl\u0131d\u0131r. \u00d6zellikle modelleme veya sim\u00fclasyon yaparken s\u0131f\u0131rlarla veya rastgele de\u011ferlerle ba\u015flayan dizilere s\u0131k\u00e7a ihtiya\u00e7 duyar\u0131z. NumPy'\u0131n bu kadar \u00e7e\u015fitli olu\u015fturma y\u00f6ntemleri sunmas\u0131, pratik s\u00fcre\u00e7leri \u00f6nemli \u00f6l\u00e7\u00fcde h\u0131zland\u0131r\u0131r.<\/p>\n NumPy dizilerini olu\u015fturmay\u0131 \u00f6\u011frendikten sonra, s\u0131ra onlar\u0131 manip\u00fcle etmeye ve \u00fczerinde \u00e7e\u015fitli matematiksel i\u015flemler yapmaya gelir. NumPy, veri eri\u015fimi, alt k\u00fcmeleme, yeniden \u015fekillendirme ve temel aritmetik i\u015flemler i\u00e7in olduk\u00e7a g\u00fc\u00e7l\u00fc ve sezgisel y\u00f6ntemler sunar. Bu k\u0131s\u0131m, veri \u00f6n i\u015fleme ve analiz s\u00fcre\u00e7lerinde en s\u0131k kullanaca\u011f\u0131n\u0131z becerileri i\u00e7erecektir.<\/p>\n NumPy dizilerindeki elemanlara eri\u015fim, Python listelerindeki ile benzerdir ancak \u00e7ok boyutlu diziler i\u00e7in daha geli\u015fmi\u015f se\u00e7enekler sunar.<\/p>\n <\/code><\/p>\n Dilimleme, b\u00fcy\u00fck veri setlerinden belirli bir aral\u0131\u011f\u0131 \u00e7ekmek i\u00e7in inan\u0131lmaz derecede kullan\u0131\u015fl\u0131d\u0131r:<\/p>\n <\/code><\/p>\n Uzman \u0130pucu: Dilimleme ile bir alt dizi olu\u015fturdu\u011funuzda, bu asl\u0131nda orijinal dizinin bir *g\u00f6r\u00fcn\u00fcm\u00fcd\u00fcr* (view). Yani, alt dizide yap\u0131lan de\u011fi\u015fiklikler orijinal diziyi de etkiler. E\u011fer ba\u011f\u0131ms\u0131z bir kopya istiyorsan\u0131z, Bazen, bir diziyi farkl\u0131 boyutlara sahip olacak \u015fekilde yeniden d\u00fczenlememiz gerekebilir. \u00d6rne\u011fin, tek boyutlu bir diziyi iki boyutlu bir matrise d\u00f6n\u00fc\u015ft\u00fcrmek veya bir matrisi farkl\u0131 sat\u0131r\/s\u00fctun d\u00fczenine sokmak gibi. <\/code><\/p>\n NumPy'\u0131n en b\u00fcy\u00fck avantajlar\u0131ndan biri, diziler \u00fczerinde do\u011frudan ve h\u0131zl\u0131 bir \u015fekilde aritmetik i\u015flemler yapabilmesidir. Bu i\u015flemler eleman baz\u0131nda (element-wise) ger\u00e7ekle\u015fir.<\/p>\n <\/code><\/p>\n Bu eleman baz\u0131nda i\u015flemler, b\u00fcy\u00fck veri setleri \u00fczerinde d\u00f6ng\u00fc yazmaya gerek kalmadan milyonlarca hatta milyarlarca i\u015flemi saniyeler i\u00e7inde yapabilmenizi sa\u011flar. Bu yetenek, veri manip\u00fclasyonu ve modelleme s\u00fcre\u00e7lerinde performans\u0131 ciddi oranda art\u0131r\u0131r. Ayr\u0131ca, NumPy matematiksel fonksiyonlar ( <\/code><\/p>\n Bu i\u015flemler, veri bilimi projelerinin temelini olu\u015fturur ve g\u00fcnl\u00fck olarak kullanaca\u011f\u0131n\u0131z yeteneklerdir. NumPy'\u0131n bu basit ama g\u00fc\u00e7l\u00fc \u00f6zelliklerini anlamak ve uygulamak, veri analizi s\u00fcre\u00e7lerinizi \u00e7ok daha verimli hale getirecektir.<\/p>\n NumPy'\u0131n teorik bilgilerini \u00f6\u011frendik\u00e7e, onun ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zmedeki pratik faydalar\u0131n\u0131 g\u00f6rmek daha da \u00f6nemlidir. \u0130\u015fte NumPy'\u0131n farkl\u0131 alanlarda nas\u0131l kullan\u0131ld\u0131\u011f\u0131na dair iki vaka analizi.<\/p>\n Finans sekt\u00f6r\u00fcnde, hisse senedi fiyatlar\u0131 veya di\u011fer finansal ara\u00e7lar\u0131n zaman i\u00e7indeki de\u011fi\u015fimlerini analiz etmek yayg\u0131n bir pratiktir. Hareketli ortalamalar (moving averages), fiyat verilerindeki k\u0131sa vadeli dalgalanmalar\u0131 yumu\u015fatarak trendleri belirlemeye yard\u0131mc\u0131 olan pop\u00fcler bir tekniktir. NumPy, bu t\u00fcr hesaplamalar\u0131 h\u0131zl\u0131 ve etkili bir \u015fekilde yapmam\u0131z\u0131 sa\u011flar.<\/p>\n Hayal edin ki, bir hisse senedinin son 10 g\u00fcnl\u00fck kapan\u0131\u015f fiyatlar\u0131na sahibiz ve son 3 g\u00fcnl\u00fck hareketli ortalamas\u0131n\u0131 hesaplamak istiyoruz. Saf Python ile d\u00f6ng\u00fcler ve alt listeler kullanmak performans sorunlar\u0131na yol a\u00e7abilirken, NumPy ile bu i\u015flem \u00e7ok daha zarif ve h\u0131zl\u0131d\u0131r.<\/p>\n <\/code><\/p>\n Bu \u00f6rnekte, bir for d\u00f6ng\u00fcs\u00fc i\u00e7inde NumPy'\u0131n G\u00f6r\u00fcnt\u00fcler, asl\u0131nda piksel de\u011ferlerinden olu\u015fan b\u00fcy\u00fck matrislerdir. Renkli bir g\u00f6r\u00fcnt\u00fc, genellikle \u00fc\u00e7 katmandan (K\u0131rm\u0131z\u0131, Ye\u015fil, Mavi - RGB) olu\u015fur ve her pikselin bu \u00fc\u00e7 kanal i\u00e7in bir yo\u011funluk de\u011feri vard\u0131r. Gri tonlamal\u0131 bir g\u00f6r\u00fcnt\u00fc ise tek bir katmana sahiptir, her pikselin parlakl\u0131\u011f\u0131n\u0131 temsil eden tek bir de\u011feri bulunur. NumPy, bu matrisleri manip\u00fcle etmek i\u00e7in m\u00fckemmel bir ara\u00e7t\u0131r.<\/p>\n Bir renkli g\u00f6r\u00fcnt\u00fcy\u00fc gri tonlamaya d\u00f6n\u00fc\u015ft\u00fcrmek, genellikle RGB de\u011ferlerinin a\u011f\u0131rl\u0131kl\u0131 ortalamas\u0131n\u0131 alarak yap\u0131l\u0131r. \u00d6rne\u011fin, bir pikselin RGB de\u011ferleri (R, G, B) ise, gri tonlama de\u011feri yakla\u015f\u0131k olarak <\/code><\/p>\n Bu \u00f6rnekte, NumPy'\u0131n temel \u00f6zelliklerini anlad\u0131ktan sonra, daha karma\u015f\u0131k ve performans odakl\u0131 tekniklere ge\u00e7mek, veri bilimi projelerinizde size ciddi bir avantaj sa\u011flayacakt\u0131r. Bu b\u00f6l\u00fcmde, \u00f6zellikle b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken h\u0131z\u0131 ve verimlili\u011fi art\u0131ran baz\u0131 ileri d\u00fczey konulara odaklanaca\u011f\u0131z.<\/p>\n Broadcasting, NumPy'\u0131n farkl\u0131 boyutlardaki diziler \u00fczerinde aritmetik i\u015flemler yapmas\u0131n\u0131 sa\u011flayan \u00e7ok g\u00fc\u00e7l\u00fc ve esnek bir mekanizmad\u0131r. Daha \u00f6nce tek bir say\u0131y\u0131 diziyle \u00e7arpt\u0131\u011f\u0131m\u0131zda bunun nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 g\u00f6rm\u00fc\u015ft\u00fck (\u00f6rne\u011fin, Temel fikir \u015fudur: E\u011fer iki dizinin boyutlar\u0131 uyumlu de\u011filse, NumPy, daha k\u00fc\u00e7\u00fck boyutlu diziyi daha b\u00fcy\u00fck boyutlu diziye uyacak \u015fekilde \"yay\u0131nlamaya\" \u00e7al\u0131\u015f\u0131r. Uyumluluk kurallar\u0131 basittir:<\/p>\n <\/code><\/p>\n Broadcasting, a\u00e7\u0131k\u00e7a dizileri kopyalamak veya d\u00f6ng\u00fclerle tek tek elemanlara eri\u015fmek yerine \u00e7ok daha az haf\u0131za kullan\u0131r ve \u00e7ok daha h\u0131zl\u0131 \u00e7al\u0131\u015f\u0131r. Bu sayede kodunuz daha temiz ve verimli olur.<\/p>\n NumPy, diziler \u00fczerinde eleman baz\u0131nda h\u0131zl\u0131 i\u015flemler yapmak i\u00e7in Universal Fonksiyonlar (ufuncs)<\/b> ad\u0131 verilen \u00f6zel fonksiyonlar setine sahiptir. Bunlar, genellikle matematiksel i\u015flemler ( Ufuncs, C koduyla optimize edilmi\u015f d\u00f6ng\u00fcler kullanarak Python d\u00f6ng\u00fclerinden \u00e7ok daha h\u0131zl\u0131d\u0131r. \u00d6rne\u011fin, iki diziyi toplamak i\u00e7in <\/code><\/p>\n Uzman \u0130pucu: M\u00fcmk\u00fcn oldu\u011funca broadcasting ve ufuncs kullanmaya \u00f6zen g\u00f6sterin. Bu, Python d\u00f6ng\u00fclerini ( NumPy, <\/code><\/p>\n Bu ileri d\u00fczey teknikler, NumPy'\u0131 sadece bir veri depolama arac\u0131 olmaktan \u00e7\u0131kar\u0131p, bilimsel ve m\u00fchendislik hesaplamalar\u0131 i\u00e7in g\u00fc\u00e7l\u00fc bir i\u015flem motoru haline getirir. Bu konulara hakim olmak, karma\u015f\u0131k veri bilimi problemlerini daha etkin bir \u015fekilde \u00e7\u00f6zmenizi sa\u011flayacakt\u0131r.<\/p>\n NumPy'\u0131n kendisi bir web k\u00fct\u00fcphanesi olmamas\u0131na ra\u011fmen, veri bilimi ve makine \u00f6\u011frenimi uygulamalar\u0131n\u0131n mobil cihazlarda verimli bir \u015fekilde \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131, dolayl\u0131 yoldan NumPy'\u0131n optimizasyon yetenekleriyle ili\u015fkilidir. Mobil uyumlu tasar\u0131m (responsive design), web sayfalar\u0131n\u0131n farkl\u0131 ekran boyutlar\u0131na (mobil, tablet, masa\u00fcst\u00fc) otomatik olarak adapte olmas\u0131n\u0131 sa\u011flayan bir yakla\u015f\u0131md\u0131r. Peki, NumPy burada nas\u0131l bir rol oynar?<\/p>\n Mobil uygulamalar veya mobil web siteleri genellikle k\u0131s\u0131tl\u0131 i\u015flem g\u00fcc\u00fcne ve batarya \u00f6mr\u00fcne sahiptir. E\u011fer mobil cihazda \u00e7al\u0131\u015fan bir uygulama, arkada veri analizi veya makine \u00f6\u011frenimi inference'\u0131 yap\u0131yorsa, bu i\u015flemlerin olabildi\u011fince h\u0131zl\u0131 ve kaynaklar\u0131 t\u00fcketmeden ger\u00e7ekle\u015fmesi hayati \u00f6nem ta\u015f\u0131r. \u0130\u015fte burada NumPy'\u0131n performans\u0131 devreye girer. Python tabanl\u0131 bir mobil uygulama (\u00f6rne\u011fin Kivy, BeeWare ile geli\u015ftirilmi\u015f bir uygulama) veya bir mobil cihazda \u00e7al\u0131\u015fan bir mikroservis, b\u00fcy\u00fck veri setleriyle i\u015flem yapmas\u0131 gerekti\u011finde, bu i\u015flemleri NumPy \u00fczerinden ger\u00e7ekle\u015ftirdi\u011finde \u00e7ok daha az kaynak t\u00fcketir ve \u00e7ok daha h\u0131zl\u0131 sonu\u00e7 verir.<\/p>\n \u00d6rne\u011fin, mobil cihaz \u00fczerinde bir g\u00f6r\u00fcnt\u00fc i\u015fleme uygulamas\u0131 \u00e7al\u0131\u015ft\u0131r\u0131yorsan\u0131z, g\u00f6r\u00fcnt\u00fcleri NumPy dizileri olarak i\u015flemek ve gri tonlama, filtreleme gibi i\u015flemleri optimize edilmi\u015f NumPy fonksiyonlar\u0131yla yapmak, uygulaman\u0131z\u0131n daha ak\u0131c\u0131 ve tepkisel olmas\u0131n\u0131 sa\u011flar. Mobil platformlarda web tabanl\u0131 \u00e7\u00f6z\u00fcmler kullan\u0131l\u0131rken, HTML ve CSS ile mobil uyumlu aray\u00fczler tasarlamak esast\u0131r. Bu, \u00f6zellikle veri g\u00f6rselle\u015ftirme \u00e7\u0131kt\u0131lar\u0131n\u0131n veya interaktif \u00f6\u011felerin mobil ekranda d\u00fczg\u00fcn g\u00f6r\u00fcnmesi i\u00e7in \u00f6nemlidir. Performansl\u0131 veri i\u015flemleri, aray\u00fcz\u00fcn de daha h\u0131zl\u0131 ve sorunsuz \u00e7al\u0131\u015fmas\u0131na katk\u0131da bulunur.<\/p>\n Mobil uyumlu HTML tasar\u0131m\u0131na bir \u00f6rnek olarak, CSS medya sorgular\u0131n\u0131 (media queries) d\u00fc\u015f\u00fcnebiliriz. Bu sorgular, ekran boyutuna veya cihaz\u0131n \u00f6zelliklerine g\u00f6re farkl\u0131 CSS stillerinin uygulanmas\u0131n\u0131 sa\u011flar. Bu sayede, ayn\u0131 HTML i\u00e7eri\u011fi farkl\u0131 cihazlarda farkl\u0131 g\u00f6r\u00fcn\u00fcmler sergileyebilir. A\u015fa\u011f\u0131da, temel bir medya sorgusu \u00f6rne\u011fi verilmi\u015ftir, bu genellikle bir web sayfas\u0131n\u0131n stil dosyas\u0131na (CSS) eklenir:<\/p>\n <\/code><\/p>\n Bu kod blo\u011fu, 768 pikselden daha geni\u015f ekranlarda Bu makalede, NumPy'\u0131n veri bilimi d\u00fcnyas\u0131ndaki merkezi rol\u00fcn\u00fc derinlemesine inceledik. Temel kurulumundan ba\u015flayarak, \u00e7ok boyutlu dizilerin nas\u0131l olu\u015fturuldu\u011funu, indeksleme, dilimleme, yeniden \u015fekillendirme ve eleman baz\u0131nda aritmetik i\u015flemler gibi temel manip\u00fclasyon tekniklerini ad\u0131m ad\u0131m \u00f6\u011frendik. Ayr\u0131ca, finansal veri analizi ve g\u00f6r\u00fcnt\u00fc i\u015fleme gibi ger\u00e7ek d\u00fcnya senaryolar\u0131nda NumPy'\u0131n nas\u0131l pratik \u00e7\u00f6z\u00fcmler sundu\u011funa dair vaka analizleri ger\u00e7ekle\u015ftirdik. Son olarak, broadcasting, ufuncs ve lineer cebir operasyonlar\u0131 gibi ileri d\u00fczey tekniklerle performans optimizasyonunun \u00f6nemine de\u011findik. NumPy, sadece bir Python k\u00fct\u00fcphanesi olman\u0131n \u00f6tesinde, b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken verimlilik ve h\u0131z sunan, veri bilimciler i\u00e7in vazge\u00e7ilmez bir ara\u00e7t\u0131r. Bu bilgileri prati\u011fe d\u00f6kerek, veri analizi ve makine \u00f6\u011frenimi projelerinizde \u00f6nemli ba\u015far\u0131lar elde edebilirsiniz.<\/p>\n Unutmay\u0131n, veri bilimindeki yolculu\u011funuzda teorik bilgiyi pratik uygulamalarla peki\u015ftirmek esast\u0131r. NumPy ile ne kadar \u00e7ok pratik yaparsan\u0131z, o kadar yetkin hale gelir ve karma\u015f\u0131k problemleri \u00e7\u00f6zme beceriniz geli\u015fir.<\/p>\n NumPy ile Python listeleri aras\u0131ndaki temel fark nedir?<\/strong><\/p>\n NumPy dizileri ( NumPy'\u0131 hangi alanlarda kullanabilirim?<\/strong><\/p>\n NumPy; veri bilimi, makine \u00f6\u011frenimi, derin \u00f6\u011frenme, istatistiksel analiz, finansal modelleme, m\u00fchendislik sim\u00fclasyonlar\u0131, fiziksel hesaplamalar ve g\u00f6r\u00fcnt\u00fc\/sinyal i\u015fleme gibi bir\u00e7ok alanda temel bir ara\u00e7 olarak kullan\u0131l\u0131r.<\/p>\n<\/li>\n Broadcasting neden \u00f6nemlidir?<\/strong><\/p>\n Broadcasting, farkl\u0131 boyutlardaki NumPy dizileri \u00fczerinde aritmetik i\u015flemler yapmay\u0131 sa\u011flayan bir mekanizmad\u0131r. Bu sayede, a\u00e7\u0131k d\u00f6ng\u00fcler veya manuel kopyalamalar olmadan verimli ve h\u0131zl\u0131 hesaplamalar yap\u0131labilir, kod daha okunur ve performans\u0131 art\u0131r\u0131r.<\/p>\n<\/li>\n NumPy ile performans sorunlar\u0131 ya\u015farsam ne yapmal\u0131y\u0131m?<\/strong><\/p>\n Performans sorunlar\u0131 ya\u015f\u0131yorsan\u0131z, \u00f6ncelikle kodunuzda Python d\u00f6ng\u00fcleri yerine NumPy'\u0131n vekt\u00f6rel i\u015flemlerini (ufuncs, broadcasting) kullan\u0131p kullanmad\u0131\u011f\u0131n\u0131z\u0131 kontrol edin. B\u00fcy\u00fck dizilerle \u00e7al\u0131\u015f\u0131rken bellek kullan\u0131m\u0131 ve veri tipi optimizasyonu da \u00f6nemlidir.<\/p>\n<\/li>\n NumPy'\u0131 Pandas ile birlikte kullanmak ne gibi avantajlar sa\u011flar?<\/strong><\/p>\n Pandas, NumPy \u00fczerine in\u015fa edilmi\u015ftir ve etiketli s\u00fctunlar (DataFrame) ile daha y\u00fcksek seviye veri manip\u00fclasyonu sa\u011flar. NumPy, Pandas'\u0131n arka plan\u0131ndaki h\u0131zl\u0131 say\u0131sal i\u015flemleri sa\u011flarken, Pandas veri temizleme, analizi ve modellemeye haz\u0131rl\u0131k s\u00fcre\u00e7lerini basitle\u015ftirir. \u0130kisi bir arada kullan\u0131ld\u0131\u011f\u0131nda veri biliminde \u00e7ok g\u00fc\u00e7l\u00fc bir ikili olu\u015ftururlar.<\/p>\n<\/li>\n<\/ul>\n <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"NumPy’\u0131n g\u00fcc\u00fcn\u00fc ke\u015ffedin! Bu kapsaml\u0131 rehberde NumPy ile etkili veri analizi, bilimsel hesaplamalar ve makine \u00f6\u011frenimi i\u00e7in temelden…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-34420","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nndarray<\/code> (n-dimensional array), standart Python listelerinden \u00e7ok daha h\u0131zl\u0131 ve haf\u0131za a\u00e7\u0131s\u0131ndan daha verimlidir. Bu diziler, ayn\u0131 t\u00fcrden verileri (\u00f6rne\u011fin, t\u00fcm\u00fc tamsay\u0131 veya t\u00fcm\u00fc ondal\u0131k say\u0131) i\u00e7erir ve bellekte biti\u015fik olarak saklan\u0131r. Bu yap\u0131sal avantaj, vekt\u00f6rel i\u015flemleri (yani dizinin t\u00fcm elemanlar\u0131na ayn\u0131 anda uygulanan i\u015flemleri) son derece h\u0131zl\u0131 bir \u015fekilde ger\u00e7ekle\u015ftirmemizi sa\u011flar. \u00d6rne\u011fin, bir milyon elemanl\u0131 iki diziyi toplamak, saf Python d\u00f6ng\u00fcleri ile saatler s\u00fcrebilirken, NumPy ile saniyeler i\u00e7inde tamamlanabilir. Bu, bilimsel hesaplamalar, istatistiksel analizler, sinyal i\u015fleme ve makine \u00f6\u011frenimi modellerinin e\u011fitimi gibi yo\u011fun hesaplama gerektiren g\u00f6revler i\u00e7in kritik bir \u00f6zelliktir.<\/p>\nNumPy Kurulumu ve \u0130lk Dizileri Olu\u015fturma: Prati\u011fe Nas\u0131l Ba\u015flan\u0131r?<\/h2>\n
pip<\/code> ile yap\u0131l\u0131r ve NumPy’\u0131 kurmak da olduk\u00e7a basittir.<\/p>\nNumPy Kurulumu Ad\u0131m Ad\u0131m:<\/h3>\n
pip install numpy<\/span><\/pre>\nNumPy'\u0131 \u0130\u00e7e Aktarma ve Temel Dizi Olu\u015fturma:<\/h3>\n
np<\/code> takma ad\u0131yla i\u00e7e aktar\u0131l\u0131r, bu sayede kodunuz daha k\u0131sa ve okunur olur.<\/p>\nimport numpy as np<\/span><\/pre>\nnp<\/code> \u00f6nekiyle NumPy fonksiyonlar\u0131na eri\u015febilirsiniz. En temel NumPy i\u015flevi, Python listelerinden veya demetlerinden (tuple) ndarray<\/code> olu\u015fturmakt\u0131r. \u0130\u015fte birka\u00e7 \u00f6rnek:<\/p>\nTek Boyutlu Dizi Olu\u015fturma:<\/h4>\n
\n# Python listesinden tek boyutlu dizi olu\u015fturma\nliste_verisi = [1, 2, 3, 4, 5]\ntek_boyutlu_dizi = np.array(liste_verisi)\nprint(\"Tek boyutlu dizi:\", tek_boyutlu_dizi)\nprint(\"Dizinin tipi:\", type(tek_boyutlu_dizi))\nprint(\"Dizinin boyutu (shape):\", tek_boyutlu_dizi.shape) # (5,) \u00e7\u0131kt\u0131s\u0131n\u0131 verir\nprint(\"Dizinin veri tipi (dtype):\", tek_boyutlu_dizi.dtype) # int64 gibi bir \u00e7\u0131kt\u0131 verir\n <\/span><\/pre>\nnp.array()<\/code> fonksiyonu ile bir listeyi kolayca NumPy dizisine d\u00f6n\u00fc\u015ft\u00fcrebiliriz. shape<\/code> \u00f6zelli\u011fi dizinin boyutlar\u0131n\u0131, dtype<\/code> \u00f6zelli\u011fi ise dizideki elemanlar\u0131n veri tipini g\u00f6sterir.<\/p>\n\u00c7ok Boyutlu Dizi (Matris) Olu\u015fturma:<\/h4>\n
\n# \u0130ki boyutlu dizi (matris) olu\u015fturma\nmatris_verisi = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]\nmatris = np.array(matris_verisi)\nprint(\"\\n\u0130ki boyutlu dizi (matris):\\n\", matris)\nprint(\"Matrisin boyutu (shape):\", matris.shape) # (3, 3) \u00e7\u0131kt\u0131s\u0131n\u0131 verir\nprint(\"Matristeki eleman say\u0131s\u0131 (size):\", matris.size) # 9 \u00e7\u0131kt\u0131s\u0131n\u0131 verir\nprint(\"Matrisin boyut say\u0131s\u0131 (ndim):\", matris.ndim) # 2 \u00e7\u0131kt\u0131s\u0131n\u0131 verir\n <\/span><\/pre>\nshape<\/code> (3, 3) \u00e7\u0131kt\u0131s\u0131n\u0131 vererek matrisin 3 sat\u0131r ve 3 s\u00fctundan olu\u015ftu\u011funu belirtir. size<\/code> ise toplam eleman say\u0131s\u0131n\u0131, ndim<\/code> ise dizinin ka\u00e7 boyutu oldu\u011funu g\u00f6sterir.<\/p>\n\u00d6zel Diziler Olu\u015fturma Fonksiyonlar\u0131:<\/h4>\n
\n
np.zeros((sat\u0131r, s\u00fctun))<\/code>: Tamamen s\u0131f\u0131rlardan olu\u015fan bir dizi olu\u015fturur.<\/li>\nnp.ones((sat\u0131r, s\u00fctun))<\/code>: Tamamen birlerden olu\u015fan bir dizi olu\u015fturur.<\/li>\nnp.full((sat\u0131r, s\u00fctun), de\u011fer)<\/code>: Belirli bir de\u011ferle doldurulmu\u015f dizi olu\u015fturur.<\/li>\nnp.arange(ba\u015flang\u0131\u00e7, biti\u015f, ad\u0131m)<\/code>: Belirli bir aral\u0131kta ve ad\u0131mlarla dizi olu\u015fturur (Python'daki range<\/code> fonksiyonuna benzer).<\/li>\nnp.linspace(ba\u015flang\u0131\u00e7, biti\u015f, eleman_say\u0131s\u0131)<\/code>: Belirli bir aral\u0131kta e\u015fit aral\u0131kl\u0131 say\u0131larla dizi olu\u015fturur.<\/li>\nnp.random.rand(sat\u0131r, s\u00fctun)<\/code>: 0 ile 1 aras\u0131nda rastgele say\u0131larla dizi olu\u015fturur.<\/li>\n<\/ul>\n\n# S\u0131f\u0131rlardan olu\u015fan 2x3 matris\nsifirlar = np.zeros((2, 3))\nprint(\"\\nS\u0131f\u0131rlar matrisi:\\n\", sifirlar)\n\n# Birlerden olu\u015fan 3x2 matris\nbirler = np.ones((3, 2))\nprint(\"\\nBirler matrisi:\\n\", birler)\n\n# Belirli bir de\u011ferle doldurulmu\u015f matris\ndolu_matris = np.full((2, 2), 7)\nprint(\"\\n7 ile dolu matris:\\n\", dolu_matris)\n\n# 0'dan 10'a kadar 2'\u015fer ad\u0131mla dizi\naralik_dizi = np.arange(0, 10, 2)\nprint(\"\\nAral\u0131k dizisi:\", aralik_dizi)\n\n# 0 ile 1 aras\u0131nda 5 e\u015fit aral\u0131kl\u0131 say\u0131\nlinspace_dizi = np.linspace(0, 1, 5)\nprint(\"\\nLinspace dizisi:\", linspace_dizi)\n\n# Rastgele say\u0131larla 2x2 matris\nrastgele_matris = np.random.rand(2, 2)\nprint(\"\\nRastgele matris:\\n\", rastgele_matris)\n <\/span><\/pre>\nNumPy Dizileriyle Temel \u0130\u015flemler: Veri Manip\u00fclasyonu Nas\u0131l Yap\u0131l\u0131r?<\/h2>\n
Dizilere Eri\u015fim ve Alt K\u00fcmeleme (Indexing ve Slicing):<\/h3>\n
\n
\n# Tek boyutlu dizi\ndizi = np.array([10, 20, 30, 40, 50, 60])\nprint(\"Dizinin 3. eleman\u0131:\", dizi[2]) # 30\n\n# \u00c7ok boyutlu dizi (matris)\nmatris = np.array([\n [1, 2, 3],\n [4, 5, 6],\n [7, 8, 9]\n])\nprint(\"\\nMatrisin 2. sat\u0131r, 1. s\u00fctun eleman\u0131:\", matris[1, 0]) # 4 (indeksler 0'dan ba\u015flar)\nprint(\"Matrisin 0. sat\u0131r\u0131n\u0131n tamam\u0131:\", matris[0, :]) # [1 2 3]\nprint(\"Matrisin 1. s\u00fctununun tamam\u0131:\", matris[:, 1]) # [2 5 8]\n <\/span><\/pre>\n\n# Diziden 2. indexten ba\u015flay\u0131p 4. indexe kadar (dahil de\u011fil) elemanlar\u0131 al\ndilim = dizi[2:4] # [30 40]\nprint(\"\\nDilimlenmi\u015f dizi:\", dilim)\n\n# Matristen 1. ve 2. sat\u0131rlar\u0131, 0. ve 1. s\u00fctunlar\u0131 al\nalt_matris = matris[1:3, 0:2]\nprint(\"\\nAlt matris (dilimleme ile):\\n\", alt_matris)\n <\/span><\/pre>\n.copy()<\/code> metodunu kullan\u0131n.<\/p>\nDiziyi Yeniden \u015eekillendirme (Reshaping):<\/h3>\n
.reshape()<\/code> metodu bu i\u015f i\u00e7in kullan\u0131l\u0131r.<\/p>\n\n# 1'den 9'a kadar bir dizi\ndizi_tek = np.arange(1, 10) # [1 2 3 4 5 6 7 8 9]\nprint(\"\\nOrijinal dizi (tek boyutlu):\", dizi_tek)\n\n# 3x3 matrisine d\u00f6n\u00fc\u015ft\u00fcrme\nmatris_yeniden_sekillendirilmis = dizi_tek.reshape(3, 3)\nprint(\"3x3 matrisine yeniden \u015fekillendirilmi\u015f:\\n\", matris_yeniden_sekillendirilmis)\n\n# -1 kullanarak otomatik boyutland\u0131rma\n# E\u011fer bir boyutu -1 olarak verirseniz, NumPy di\u011fer boyutlara g\u00f6re otomatik hesaplar\nmatris_otomatik_boyut = dizi_tek.reshape(3, -1) # 3 sat\u0131r, s\u00fctun say\u0131s\u0131 otomatik hesaplan\u0131r (3)\nprint(\"Otomatik boyutland\u0131r\u0131lm\u0131\u015f matris:\\n\", matris_otomatik_boyut)\n <\/span><\/pre>\nTemel Aritmetik \u0130\u015flemler:<\/h3>\n
\ndizi1 = np.array([1, 2, 3])\ndizi2 = np.array([4, 5, 6])\n\n# Toplama\ntoplam = dizi1 + dizi2 # [5 7 9]\nprint(\"\\nToplama:\", toplam)\n\n# \u00c7\u0131karma\ncikarma = dizi1 - dizi2 # [-3 -3 -3]\nprint(\"\u00c7\u0131karma:\", cikarma)\n\n# \u00c7arpma (eleman baz\u0131nda)\ncarpma = dizi1 * dizi2 # [ 4 10 18]\nprint(\"Eleman baz\u0131nda \u00e7arpma:\", carpma)\n\n# B\u00f6lme\nbolme = dizi2 \/ dizi1 # [4. 2.5 2. ]\nprint(\"B\u00f6lme:\", bolme)\n\n# Tek bir say\u0131yla i\u015flem (broadcasting)\nsabit_carpim = dizi1 * 2 # [2 4 6]\nprint(\"Sabit ile \u00e7arp\u0131m (broadcasting):\", sabit_carpim)\n <\/span><\/pre>\nnp.sin()<\/code>, np.cos()<\/code>, np.sqrt()<\/code> vb.) \u00fczerinde de eleman baz\u0131nda do\u011frudan \u00e7al\u0131\u015fabilir. \u00d6rne\u011fin:<\/p>\n\nkarekok_dizi = np.sqrt(dizi2) # [2. 2.23606798 2.44948974]\nprint(\"Karek\u00f6k alma:\", karekok_dizi)\n <\/span><\/pre>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131nda NumPy: Vaka Analizleri<\/h2>\n
Vaka Analizi 1: Finansal Veri Analizi ve Hareketli Ortalamalar<\/h3>\n
\n# Son 10 g\u00fcnl\u00fck hisse senedi kapan\u0131\u015f fiyatlar\u0131 (\u00f6rnek veri)\nkapanis_fiyatlari = np.array([100, 102, 101, 105, 103, 107, 106, 110, 109, 112])\nprint(\"Kapan\u0131\u015f Fiyatlar\u0131:\", kapanis_fiyatlari)\n\n# 3 g\u00fcnl\u00fck hareketli ortalamay\u0131 hesaplama\npencere_boyutu = 3\nhareketli_ortalamalar = []\n\n# Dizinin \u00fczerinde kayan bir pencere olu\u015fturarak ortalamalar\u0131 hesaplayal\u0131m\nfor i in range(len(kapanis_fiyatlari) - pencere_boyutu + 1):\n pencere = kapanis_fiyatlari[i : i + pencere_boyutu]\n hareketli_ortalamalar.append(np.mean(pencere))\n\nhareketli_ortalamalar_np = np.array(hareketli_ortalamalar)\nprint(f\"{pencere_boyutu} G\u00fcnl\u00fck Hareketli Ortalamalar:\", hareketli_ortalamalar_np)\n <\/span><\/pre>\nnp.mean()<\/code> fonksiyonunu kullanarak her pencerenin ortalamas\u0131n\u0131 ald\u0131k. NumPy'\u0131n g\u00fcc\u00fc, \u00f6zellikle kapanis_fiyatlari<\/code> dizisi \u00e7ok daha b\u00fcy\u00fck oldu\u011funda (\u00f6rne\u011fin binlerce g\u00fcnl\u00fck veri), np.mean()<\/code> gibi optimize edilmi\u015f fonksiyonlar\u0131n performans\u0131 sayesinde ortaya \u00e7\u0131kar. Ayn\u0131 i\u015flemi, NumPy'\u0131n geli\u015fmi\u015f fonksiyonlar\u0131n\u0131 kullanarak daha da verimli hale getirebiliriz, ancak bu temel yakla\u015f\u0131m bile Python listelerine g\u00f6re \u00e7ok daha h\u0131zl\u0131d\u0131r. Finans uzmanlar\u0131, bu t\u00fcr hareketli ortalamalar\u0131 kullanarak al\u0131m\/sat\u0131m sinyalleri olu\u015fturabilir ve piyasa trendlerini daha iyi anlayabilirler.<\/p>\nVaka Analizi 2: G\u00f6r\u00fcnt\u00fc \u0130\u015fleme Temelleri ve Gri Tonlama<\/h3>\n
0.2989 * R + 0.5870 * G + 0.1140 * B<\/code> form\u00fcl\u00fcyle hesaplanabilir. NumPy ile bu i\u015flemi eleman baz\u0131nda yapmak \u00e7ok kolayd\u0131r.<\/p>\n\n# \u00d6rnek bir 3x3x3 RGB g\u00f6r\u00fcnt\u00fc matrisi (3 sat\u0131r, 3 s\u00fctun, 3 renk kanal\u0131)\n# Her pikselin R, G, B de\u011ferleri 0-255 aras\u0131ndad\u0131r\nrenkli_goruntu = np.array([\n [[255, 0, 0], [0, 255, 0], [0, 0, 255]], # K\u0131rm\u0131z\u0131, Ye\u015fil, Mavi pikseller\n [[128, 128, 0], [0, 128, 128], [128, 0, 128]], # Sar\u0131, Camg\u00f6be\u011fi, Magenta\n [[200, 100, 50], [50, 100, 200], [150, 150, 150]] # Kar\u0131\u015f\u0131k renkler\n], dtype=np.uint8) # Piksel de\u011ferleri 0-255 oldu\u011fu i\u00e7in uint8 kullan\u0131yoruz\n\nprint(\"Orijinal Renkli G\u00f6r\u00fcnt\u00fc Matrisi (3D):\\n\", renkli_goruntu)\nprint(\"\u015eekil:\", renkli_goruntu.shape) # (3, 3, 3)\n\n# Renkli g\u00f6r\u00fcnt\u00fcy\u00fc gri tonlamaya \u00e7evirme\n# RGB kanallar\u0131n\u0131 a\u011f\u0131rl\u0131kl\u0131 ortalama ile tek bir kanala d\u00fc\u015f\u00fcrelim\n# Her kanal i\u00e7in ayr\u0131 ayr\u0131 a\u011f\u0131rl\u0131klar belirleyip eleman baz\u0131nda \u00e7arp\u0131yoruz\ngri_tonlama_goruntu = (\n 0.2989 * renkli_goruntu[:, :, 0] + # K\u0131rm\u0131z\u0131 kanal\n 0.5870 * renkli_goruntu[:, :, 1] + # Ye\u015fil kanal\n 0.1140 * renkli_goruntu[:, :, 2] # Mavi kanal\n)\n\n# Sonu\u00e7lar\u0131 yuvarlay\u0131p tekrar uint8'e d\u00f6n\u00fc\u015ft\u00fcrelim\ngri_tonlama_goruntu = np.round(gri_tonlama_goruntu).astype(np.uint8)\n\nprint(\"\\nGri Tonlamal\u0131 G\u00f6r\u00fcnt\u00fc Matrisi (2D):\\n\", gri_tonlama_goruntu)\nprint(\"\u015eekil:\", gri_tonlama_goruntu.shape) # (3, 3)\n <\/span><\/pre>\nrenkli_goruntu[:, :, 0]<\/code> ifadesi ile g\u00f6r\u00fcnt\u00fcn\u00fcn t\u00fcm sat\u0131r ve s\u00fctunlar\u0131ndaki k\u0131rm\u0131z\u0131 kanal de\u011ferlerine eri\u015fiyoruz. NumPy'\u0131n eleman baz\u0131nda \u00e7arpma ve toplama yetene\u011fi sayesinde, karma\u015f\u0131k bir form\u00fcl\u00fc tek bir sat\u0131rda uygulayabiliriz. Bu sayede, binlerce hatta milyonlarca piksel i\u00e7eren ger\u00e7ek g\u00f6r\u00fcnt\u00fcler \u00fczerinde d\u00f6n\u00fc\u015f\u00fcm i\u015flemlerini saniyeler i\u00e7inde tamamlayabiliriz. Bu, bilgisayar g\u00f6r\u00fc\u015f\u00fc ve g\u00f6r\u00fcnt\u00fc i\u015fleme uygulamalar\u0131 i\u00e7in NumPy'\u0131 vazge\u00e7ilmez k\u0131lar.<\/p>\n\u0130leri D\u00fczey NumPy Teknikleri: Performans\u0131 Art\u0131ran \u0130pu\u00e7lar\u0131<\/h2>\n
Broadcasting (Yay\u0131nlama):<\/h3>\n
dizi * 2<\/code>). Broadcasting, bu prensibi daha karma\u015f\u0131k senaryolara geni\u015fletir.<\/p>\n\n
\na = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # \u015eekil: (3, 3)\nb = np.array([10, 20, 30]) # \u015eekil: (3,)\n\n# a ve b dizilerini toplama\n# b dizisi otomatik olarak [[10, 20, 30], [10, 20, 30], [10, 20, 30]] gibi yay\u0131nlan\u0131r\nsonuc = a + b\nprint(\"Broadcasting ile Toplama:\\n\", sonuc)\n\n# Farkl\u0131 bir broadcasting \u00f6rne\u011fi\nc = np.array([[1], [2], [3]]) # \u015eekil: (3, 1)\nd = np.array([10, 20, 30]) # \u015eekil: (3,)\n\n# c matrisi 3x3'e, d matrisi 3x3'e yay\u0131nlan\u0131r\nsonuc2 = c + d\nprint(\"\\n\u0130kinci Broadcasting \u00d6rne\u011fi:\\n\", sonuc2)\n <\/span><\/pre>\nUniversal Fonksiyonlar (Ufuncs):<\/h3>\n
np.add<\/code>, np.subtract<\/code>, np.sin<\/code>, np.exp<\/code> vb.) veya kar\u015f\u0131la\u015ft\u0131rmalar (np.maximum<\/code>, np.greater<\/code>) i\u00e7in kullan\u0131l\u0131r.<\/p>\n+<\/code> operat\u00f6r\u00fcn\u00fc kullanmak asl\u0131nda arkada np.add()<\/code> ufunc'\u0131n\u0131 \u00e7a\u011f\u0131r\u0131r.<\/p>\n\ndizi1 = np.array([1, 2, 3, 4, 5])\ndizi2 = np.array([6, 7, 8, 9, 10])\n\n# np.add ufunc kullan\u0131m\u0131\ntoplam_ufunc = np.add(dizi1, dizi2)\nprint(\"Ufunc ile Toplama:\", toplam_ufunc)\n\n# np.sqrt ufunc kullan\u0131m\u0131\nkarekok_ufunc = np.sqrt(dizi1)\nprint(\"Ufunc ile Karek\u00f6k:\", karekok_ufunc)\n <\/span><\/pre>\nfor<\/code> d\u00f6ng\u00fcleri) NumPy dizileri \u00fczerinde kullanmaktan \u00e7ok daha h\u0131zl\u0131 olacakt\u0131r. Genellikle bu teknikle performans\u0131 %40 veya daha fazla art\u0131rabilirsiniz.<\/p>\nLineer Cebir \u0130\u015flemleri:<\/h3>\n
numpy.linalg<\/code> mod\u00fcl\u00fc arac\u0131l\u0131\u011f\u0131yla kapsaml\u0131 bir lineer cebir fonksiyonlar\u0131 seti sunar. Matris \u00e7arp\u0131m\u0131, determinant, ters matris, \u00f6zde\u011fer\/\u00f6zvekt\u00f6r hesaplamalar\u0131 gibi i\u015flemler makine \u00f6\u011frenimi algoritmalar\u0131 ve fiziksel sim\u00fclasyonlar i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n\nmatris_a = np.array([[1, 2], [3, 4]])\nmatris_b = np.array([[5, 6], [7, 8]])\n\n# Matris \u00e7arp\u0131m\u0131 (dot product)\ncarpim_matris = np.dot(matris_a, matris_b)\nprint(\"Matris \u00c7arp\u0131m\u0131:\\n\", carpim_matris)\n\n# Alternatif olarak, @ operat\u00f6r\u00fc de matris \u00e7arp\u0131m\u0131 i\u00e7in kullan\u0131labilir\ncarpim_matris_op = matris_a @ matris_b\nprint(\"\\n@ Operat\u00f6r\u00fc ile Matris \u00c7arp\u0131m\u0131:\\n\", carpim_matris_op)\n\n# Matrisin tersini alma\nters_matris = np.linalg.inv(matris_a)\nprint(\"\\nMatrisin Tersi:\\n\", ters_matris)\n\n# Matrisin determinant\u0131\ndeterminant = np.linalg.det(matris_a)\nprint(\"\\nMatrisin Determinant\u0131:\", determinant)\n <\/span><\/pre>\nNumPy ve Mobil Uyumlu Tasar\u0131m \u0130li\u015fkisi: Performans Optimizasyonu<\/h2>\n
\n\/* Varsay\u0131lan stil (t\u00fcm ekranlar i\u00e7in) *\/\nbody {\n font-family: Arial, sans-serif;\n background-color: #f4f4f4;\n}\n\n.container {\n width: 960px;\n margin: 0 auto;\n padding: 20px;\n}\n\n\/* Ekran geni\u015fli\u011fi 768 pikselden az oldu\u011funda uygulanacak stiller (mobil cihazlar) *\/\n@media screen and (max-width: 768px) {\n .container {\n width: 100%; \/* Mobil cihazlarda geni\u015fli\u011fi tam yap *\/\n padding: 10px;\n }\n h2 {\n font-size: 1.5em; \/* Mobil i\u00e7in ba\u015fl\u0131k boyutunu k\u00fc\u00e7\u00fclt *\/\n }\n \/* Di\u011fer mobil spesifik ayarlamalar *\/\n}\n <\/span><\/pre>\n.container<\/code> s\u0131n\u0131f\u0131na sahip \u00f6\u011felerin 960 piksel geni\u015fli\u011finde olmas\u0131n\u0131 sa\u011flarken, daha k\u00fc\u00e7\u00fck ekranlarda (mobil cihazlar gibi) geni\u015fli\u011fi %100'e \u00e7\u0131kar\u0131r ve dolgu (padding) miktar\u0131n\u0131 azalt\u0131r. Bu, kullan\u0131c\u0131 deneyimini iyile\u015ftirirken, NumPy gibi k\u00fct\u00fcphanelerle optimize edilmi\u015f arka u\u00e7 i\u015flemleri, uygulaman\u0131n genel performans\u0131n\u0131 ve duyarl\u0131l\u0131\u011f\u0131n\u0131 art\u0131r\u0131r. Dolay\u0131s\u0131yla, bir veri bilimci olarak, hem veri i\u015fleme taraf\u0131nda (NumPy) hem de kullan\u0131c\u0131 aray\u00fcz\u00fc taraf\u0131nda (mobil uyumlu tasar\u0131m) optimizasyonun \u00f6nemini kavramak b\u00fct\u00fcnc\u00fcl bir yakla\u015f\u0131md\u0131r.<\/p>\nSonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n
ndarray<\/code>), Python listelerine g\u00f6re daha h\u0131zl\u0131d\u0131r, daha az bellek kullan\u0131r ve matematiksel i\u015flemleri eleman baz\u0131nda \u00e7ok daha verimli bir \u015fekilde ger\u00e7ekle\u015ftirir. NumPy dizileri ayn\u0131 veri tipindeki elemanlar\u0131 bar\u0131nd\u0131r\u0131rken, Python listeleri farkl\u0131 tiplerdeki elemanlar\u0131 i\u00e7erebilir.<\/p>\n<\/li>\n