¿Sabes c贸mo calcula ChatGPT la relaci贸n entre las palabras? Multiplicando matrices (Producto Punto). Con NumPy, lo haces en una l铆nea.
import numpy as np
pesos = np.array([0.5, 0.8])
inputs = np.array([10, 20])
# 馃 Multiplicaci贸n de matrices (Dot Product)
resultado = np.dot(pesos, inputs)
print("Activaci贸n Neuronal:", resultado)
馃搶 GUARDA la base de la IA. Esto es lo que ocurre millones de veces por segundo en una tarjeta gr谩fica.
Tienes un registro de miles de IPs que visitaron tu servidor. Quieres saber exactamente cu谩ntos usuarios 脷NICOS entraron.
import numpy as np
registros = np.array(["IP_1", "IP_2", "IP_1", "IP_3"])
# 馃洝️ Filtrar duplicados
unicos = np.unique(registros)
print(unicos) # ['IP_1' 'IP_2' 'IP_3']
馃搶 GUARDA este post. Mucho m谩s r谩pido y eficiente que los sets nativos de Python cuando tratas con gigabytes de informaci贸n.
Cuando pasas una imagen a una Red Neuronal, a veces la IA necesita recibir los p铆xeles en una sola l铆nea plana. flatten() aplasta tus datos.
import numpy as np
matriz = np.array([[1, 2], [3, 4]])
# 馃敤 Aplastar a 1D
plana = matriz.flatten()
print(plana) # [1, 2, 3, 4]
馃搶 GUARDA el c贸digo. Este es el 煤ltimo paso antes de alimentar un algoritmo predictivo.
馃憞 ¿Conoc铆as este truco o segu铆as usando bucles anidados para extraer los datos?
