NumPy Advanced — Broadcasting

01

Broadcasting

⏱ ১৫ মিনিট

a = np.array([[1], [2], [3]])
b = np.array([10, 20, 30])
print(a + b)  # broadcasts

02

⏱ ২০ মিনিট

x = np.random.randn(1000)
print(x.mean(), x.std())
y = x.reshape(10, 100)

03

⏱ ১৫ মিনিট

Broadcasting কেন দরকার?

Loop ছাড়াই different-shape arrays-এ operation — fast ML prep

04

⏱ ১০ মিনিট

import numpy as np
a = np.array([[1], [2], [3]])
b = np.array([10, 20, 30])
print(a + b)  # broadcasts to (3,3)

Shape align না হলে error — reshape/broadcast rules বুঝতে হবে।

05

⏱ ১০ মিনিট

x = np.random.randn(100_000)
# Slow: Python loop
# Fast:
y = x * 2 + 1
print(y.mean(), y.std())

06

⏱ ১০ মিনিট

reshape(-1) কী করে?

Flatten বা auto-infer dimension

axis=0 vs axis=1?

axis=0 column-wise aggregate; axis=1 row-wise

কেন vectorization?

C-level loops — Python loop-এর চেয়ে অনেক গুণ দ্রুত