NumPy

Mengenal NumPy sebagai pustaka komputasi numerik open source untuk Python beserta konsep inti array dan ndarray-nya.

Menelusuri kelompok fungsi utama NumPy: operasi array, fungsi matematika, aljabar linear, bilangan acak, dan I/O data.

Membandingkan list Python dan ndarray NumPy dari sisi kecepatan, memori, tipe data, dan kenyamanan penulisan kode.

Memahami posisi NumPy sebagai fondasi bersama pandas, SciPy, Matplotlib, scikit-learn, dan pustaka sains data lainnya.

Menentukan situasi yang cocok untuk NumPy, situasi yang lebih tepat pakai Python murni, dan batasan yang perlu diketahui.

Menginstal Python 3 dan memastikan perintah python3 dikenali di sistem operasi Anda sebelum memasang NumPy.

Mengisolasi dependensi project dengan venv agar instalasi NumPy tidak berbenturan dengan paket Python lain di sistem.

Memasang NumPy dengan pip atau conda dan memverifikasi hasil instalasinya dengan import sederhana.

Menggunakan interpreter Python sebagai sarana eksperimen cepat untuk mencoba fungsi-fungsi NumPy baris demi baris.

Menyiapkan Jupyter Notebook sebagai ruang kerja interaktif yang menggabungkan narasi, kode, dan hasil dalam satu dokumen.

Memeriksa versi NumPy yang terpasang lewat pip dan atribut __version__, serta memahami arti nomor versinya.

Memigrasi kode NumPy 1.x ke 2.x dengan mengenali API yang dihapus, alias baru, dan perubahan repr scalar.

Memahami ndarray sebagai blok memori homogen dengan metadata bentuk dan tipe yang menjadi inti seluruh operasi NumPy.

Mengenal fungsi np.array dan berbagai cara dasar membuat array NumPy untuk memulai perhitungan.

Mengonversi list dan nested list Python menjadi array NumPy serta jebakan yang muncul saat bentuknya tidak seragam.

Membuat dan mengoperasikan array satu dimensi sebagai fondasi pemahaman struktur data NumPy.

Membentuk array dua dimensi dan lebih, memahami urutan data baris demi baris, serta cara membaca bentuknya.

Membuat array berisi nol, satu, atau nilai tak terdefinisi dengan zeros, ones, dan empty untuk kebutuhan inisialisasi.

Membentuk deret angka teratur dengan arange dan linspace beserta perbedaan perilakunya pada nilai pecahan.

Membuat matriks identitas dengan eye dan identity serta bekerja dengan diagonal matriks menggunakan diag.

Mengisi array dengan nilai konstanta atau pola tertentu menggunakan full, full_like, zeros_like, dan ones_like.

Membaca dan mengubah pemahaman bentuk array lewat atribut shape yang menyimpan panjang setiap dimensinya.

Menghitung jumlah dimensi array dengan atribut ndim dan mengenali hubungannya dengan panjang tuple shape.

Menghitung jumlah total elemen array dengan atribut size dan hubungannya dengan hasil perkalian shape.

Memeriksa tipe data elemen array lewat atribut dtype dan memahami notasi nama tipe NumPy seperti int64 dan float64.

Mengukur konsumsi memori array per elemen dan total menggunakan atribut itemsize dan nbytes.

Mengenal keluarga tipe numerik NumPy: bilangan bulat berbeda lebar, floating point, dan complex beserta rentang nilainya.

Menggunakan tipe bool NumPy pada array, pemicu konversi otomatis dari angka, dan perannya dalam boolean indexing.

Memahami dtype <U untuk string Unicode dan object untuk data campuran beserta konsekuensi performanya.

Mengubah tipe data array dengan astype dan parameter dtype, termasuk perilaku saat nilai tidak dapat dikonversi.

Merangkum kaidah memilih dtype: kecukupan rentang, kebutuhan presisi, konsumsi memori, dan kompatibilitas operasi.

Bekerja dengan complex64 dan complex128 beserta real, imag, conj, angle, dan emath untuk perhitungan bilangan kompleks.

Memprediksi dtype hasil operasi dengan result_type, promote_types, dan can_cast sesuai kaidah promosi tipe NumPy 2.x.

Mengenal StringDType sebagai dtype string variabel-panjang NumPy 2.x dan namespace np.dtypes untuk membuat dtype secara eksplisit.

Menggunakan fungsi dasar np.strings seperti upper, lower, strip, dan zfill untuk mengolah array string secara vectorized.

Mencari, menghitung, dan mengganti teks pada array string dengan find, count, replace, startswith, dan endswith dari np.strings.

Membandingkan namespace legasi np.char dengan np.strings dan Python str untuk memilih pendekatan yang tepat serta memigrasi kode lama.

Menerapkan alur pembersihan data teks yang kotor secara vectorized dengan menggabungkan fungsi string dan mask boolean.

Mengambil satu elemen dari array menggunakan indeks dan memahami hasilnya sebagai view, bukan salinan.

Menggunakan indeks numerik pada array satu dimensi, dari akses tunggal hingga kesalahan out of bounds yang umum terjadi.

Mengakses elemen array dua dimensi dan lebih dengan notasi [baris, kolom] serta pola berpikirnya untuk dimensi lebih tinggi.

Mengambil rentang elemen dengan sintaks start:stop:step pada array satu dimensi maupun multidimensi.

Menghitung indeks dari belakang menggunakan angka negatif untuk mengambil elemen akhir atau membalik urutan data.

Mengambil satu baris, satu kolom, atau kombinasi keduanya dari array dua dimensi dengan teknik slicing dan indexing.

Memilih banyak elemen sekaligus menggunakan array indeks, termasuk pola pasangan baris-kolom dan bentuk hasilnya.

Menyaring elemen array menggunakan mask boolean yang dihasilkan operasi perbandingan untuk seleksi data kondisional.

Menggunakan np.where untuk menemukan posisi elemen dan memilih nilai antara dua pilihan berdasarkan kondisi.

Membedakan view dan copy, mengenali operasi mana yang mengembalikan tampilan memori yang sama, dan menghindari perubahan tak disengaja.

Memilih elemen array secara fungsional dengan take, put, choose, compress, dan extract beserta kapan lebih tepat daripada fancy indexing.

Menjalankan penjumlahan, pengurangan, perkalian, dan pembagian array secara elemen demi elemen.

Membandingkan dua array atau array dengan angka sehingga menghasilkan array boolean per elemen.

Menggabungkan kondisi dengan operator & | ~ dan fungsi all serta any untuk kesimpulan logika atas array.

Memahami prinsip element-wise: bentuk operan yang sama, perilaku pada array multidimensi, dan error saat bentuk tak cocok.

Menerapkan fungsi matematika seperti abs, sqrt, exp, dan log pada seluruh elemen array sekaligus.

Mengenal ufunc sebagai mesin di balik operasi NumPy: tipe-tipe ufunc, parameter keluaran, dan metode pendukungnya.

Mengubah isi array langsung dengan operator augmented dan parameter out untuk menghemat memori pada data besar.

Memetakan hubungan operator Python dengan fungsi NumPy yang setara, misalnya + dengan np.add dan ** dengan np.power.

Mengenali overflow pada tipe bulat dan pembulatan presisi pada floating point serta cara mencegahnya memengaruhi hasil.

Mengoperasikan bit bilangan bulat dengan bitwise_and, bitwise_or, left_shift, dan packbits untuk flag serta pola biner.

Mengubah bentuk array tanpa mengubah datanya menggunakan reshape dan aturan jumlah elemen yang harus terpenuhi.

Mengubah array multidimensi menjadi satu dimensi dengan flatten yang menyalin data dan ravel yang mengembalikan view bila bisa.

Menukar urutan dimensi array dengan transpose dan atribut T untuk kebutuhan aljabar maupun pengaturan orientasi data.

Mengatur posisi dimensi secara presisi dengan swapaxes dan moveaxis pada array tiga dimensi ke atas.

Menyisipkan sumbu baru berukuran satu dengan expand_dims dan np.newaxis agar broadcasting berjalan sesuai rencana.

Menghilangkan sumbu berukuran satu dengan squeeze sebagai pasangan dari expand_dims beserta jebakannya.

Merangkum teknik menambah dan menghapus dimensi: newaxis, expand_dims, squeeze, dan aturan memilih sumbu.

Membandingkan shape dua array sebelum operasi, memahami pesan broadcast error, dan menerapkan perbaikan yang lazim.

Menambahkan tepi array dengan np.pad untuk mode constant, edge, reflect, dan wrap pada kasus citra dan jendela bergerak.

Menggeser dan memutar array secara sirkular dengan roll dan rot90 serta membedakan resize dari reshape.

Mengenal broadcasting sebagai mekanisme NumPy mengoperasikan array dengan bentuk berbeda tanpa menyalin data.

Membedah dua aturan resmi broadcasting: perataan bentuk dari belakang dan syarat dimensi kompatibel.

Menerapkan aturan broadcasting pada array dua dan tiga dimensi dengan visualisasi perluasan dimensi.

Menghitung array dengan satu angka: scalar dianggap array berbentuk kosong yang kompatibel dengan semua bentuk.

Membentuk kolom vektor dan baris vektor dengan np.newaxis untuk pola broadcasting yang paling sering dipakai.

Memahami vectorization sebagai gaya penulisan operasi pada seluruh array tanpa loop eksplisit.

Membandingkan waktu eksekusi loop Python dan operasi ter-vektorisasi untuk memahami sumber percepatannya.

Menggantikan if-else per elemen dengan np.where dan np.select agar keputusan logika ikut ter-vektorisasi.

Mengenali pola broadcasting yang membengkakkan memori dan menerapkan alternatif perhitungan yang lebih hemat.

Menghitung total dan hasil kali elemen array dengan sum dan prod, termasuk agregasi per axis dan nilai awal.

Menemukan nilai terkecil dan terbesar array beserta posisi indeksnya dengan min, max, argmin, dan argmax.

Menghitung ukuran pemusatan data dengan mean dan median serta mengenal percentile sebagai ukuran posisi.

Mengukur penyebaran data dengan var dan std, memahami parameter ddof, serta menghubungkannya dengan mean.

Mengatur arah agregasi array multidimensi dengan parameter axis dan membaca hasilnya tanpa kebingungan.

Membuat akumulasi berjalan dengan cumsum dan cumprod untuk analisis pertumbuhan dan tren kumulatif.

Menghitung kemunculan nilai dengan bincount, histogram, dan kombinasi unique dengan return_counts.

Memotong distribusi data pada posisi tertentu dengan quantile dan percentile beserta pilihan metode interpolasinya.

Mengukur hubungan dua variabel dengan cov dan corrcoef serta membaca bentuk matriks hasilnya.

Menghitung rata-rata berbobot dengan np.average dan mengenali perilakunya bila bobot tidak diberikan.

Mengelompokkan nilai ke dalam bin dengan digitize dan memetakan distribusi dua variabel menggunakan histogram2d.

Menyambung dua array atau lebih sepanjang satu axis dengan np.concatenate dan syarat kesesuaian bentuknya.

Menumpuk array menjadi dimensi baru dengan stack dan menempelkan array searah baris dengan vstack.

Menggabungkan array searah kolom dengan hstack dan searah kedalaman dengan dstack untuk data multidimensi.

Mengubah vektor satu dimensi menjadi kolom atau baris lalu menggabungkannya dengan column_stack dan row_stack.

Memecah array menjadi beberapa bagian dengan split dan array_split beserta perilaku pembagian tak meratanya.

Menambah dan menghapus elemen array dengan append, insert, dan delete beserta biaya penyalinannya.

Menggandakan elemen atau blok array dengan repeat dan tile untuk membentuk pola data yang berulang.

Mengurutkan array dengan sort dan argsort, termasuk pengurutan per baris, per kolom, dan pada beberapa kunci.

Mengambil nilai unik array dan melakukan operasi himpunan: union, intersect, setdiff, dan setxor.

Mencari posisi elemen dengan argwhere, nonzero, dan searchsorted lalu memfilter data berdasarkan kondisi.

Meninjau matriks sebagai array dua dimensi: baris, kolom, ordo, dan cara NumPy merepresentasikannya.

Membedakan operator * yang mengalikan elemen demi elemen dengan @ yang mengalikan matriks secara aljabar.

Mengalikan matriks dengan operator @ dan np.matmul beserta aturan kesesuaian ukuran dan sifat tidak komutatifnya.

Menghitung dot product vektor dan matriks dengan np.dot serta kaitannya dengan perkalian matriks.

Menggunakan inner dan outer product untuk menghitung proyeksi dan tabel kombinasi antar vektor.

Memanfaatkan transpose pada operasi matriks: sifat (AB)^T, vektor kolom, dan perhitungan yang memanfaatkannya.

Mengambil diagonal matriks dengan np.diag dan np.diagonal serta menjumlahkannya dengan np.trace.

Menghitung panjang vektor dan ukuran matriks dengan np.linalg.norm untuk norm L1, L2, dan lainnya.

Mengalikan banyak pasangan matriks sekaligus dengan matmul pada array tiga dimensi berisi tumpukan matriks.

Merumuskan operasi multidimensi ringkas dengan notasi einsum: dari dot product sampai perhitungan per baris.

Mengkontraksi tensor dengan tensordot dan membangun pola blok berulang dengan produk Kronecker kron.

Mengenal submodul numpy.linalg, fungsi-fungsi utamanya, dan kapan submodul ini menjadi alat yang tepat.

Menerjemahkan sistem persamaan linear menjadi bentuk Ax = b dan menyelesaikannya dengan np.linalg.solve.

Menghitung inverse matriks dengan np.linalg.inv dan memahami kapan inverse ada serta kapan sebaiknya dihindari.

Menghitung determinant dengan np.linalg.det dan menafsirkan nilai nol sebagai tanda matriks singular.

Mencari eigenvalue dan eigenvector dengan np.linalg.eig dan membaca hasilnya, termasuk varian untuk matriks simetris.

Memecah matriks dengan SVD menggunakan np.linalg.svd dan melihat penerapannya pada kompresi data sederhana.

Menghitung rank matriks dengan np.linalg.matrix_rank untuk menilai banyaknya informasi bebas dalam sistem.

Menyelesaikan sistem yang tidak memiliki solusi eksak dengan np.linalg.lstsq, dasar dari regresi linear.

Menggunakan dekomposisi QR dan Cholesky sebagai alat pemecahan persoalan yang stabil dan efisien.

Mengenali pengaruh condition number dan urutan operasi terhadap kualitas hasil perhitungan linear algebra.

Mengatasi matriks singular dan rank-deficient dengan np.linalg.pinv sebagai generalisasi inverse untuk least squares.

Mengoptimalkan rantai perkalian matriks dengan multi_dot, memangkatkan matriks, dan menghitung log-determinan aman overflow.

Mengenal modul numpy.random, perbedaan API lama dan baru, serta alasan Generator menjadi cara yang disarankan.

Membuat Generator dengan default_rng dan mengenal BitGenerator PCG64 yang berada di baliknya.

Menghasilkan angka acak yang sama setiap eksekusi dengan seed pada Generator untuk pengujian dan berbagi hasil.

Membuat bilangan bulat acak dengan integers dan mengambil sampel dengan atau tanpa pengembalian.

Membangkitkan angka acak berdistribusi uniform dengan random dan mengenali karakter penyebarannya.

Membangkitkan data berdistribusi normal dengan normal dan standard_normal serta menghubungkannya dengan mean dan std.

Memodelkan jumlah keberhasilan dengan binomial dan jumlah kejadian per interval dengan Poisson.

Memilih elemen dari array secara acak dengan choice, termasuk pembobotan peluang tiap pilihan.

Mengacak urutan array dengan permutation dan shuffle serta membedakan hasil salinan dan perubahan langsung.

Mengestimasi nilai yang sulit dihitung eksak dengan simulasi Monte Carlo berbasis angka acak NumPy.

Menyimulasikan waktu tunggu dan proporsi dengan distribusi eksponensial, gamma, dan beta dari Generator.

Membangkitkan sampel multivariat normal dengan kovarians tertentu dan mengaitkannya dengan dekomposisi Cholesky.

Mengestimasi interval kepercayaan statistik dengan bootstrap resampling berbasis Generator yang dapat direproduksi.

Mengenal konstanta np.nan dan np.inf, asal-usulnya dalam perhitungan, dan perilaku khasnya saat dihitung.

Menghitung banyaknya nilai valid dan tidak valid dalam array sebagai langkah awal penilaian kualitas data.

Mendeteksi elemen khusus dengan isfinite, isnan, dan isinf serta membaca pola hasil ketiganya.

Menghitung statistik yang mengabaikan NaN dengan nansum, nanmean, dan saudarinya.

Menyaring elemen NaN dan inf keluar dari array menggunakan boolean mask hasil deteksi.

Mengganti NaN atau nilai lain dengan angka pengganti secara aman menggunakan boolean indexing dan np.where.

Menyusun mask dari beberapa kondisi untuk seleksi data yang presisi dan mudah dibaca ulang.

Merangkai alur pembersihan data numerik: deteksi, keputusan penggantian, dan verifikasi ulang hasilnya.

Mengatur kebijakan error floating-point global dengan seterr dan geterr, dari ignore hingga raise, untuk data yang kritis.

Menghitung sin, cos, tan beserta konversi derajat-radian dan fungsi kebalikannya pada array.

Menerapkan exp, expm1, log, log10, log2, dan log1p pada array untuk pertumbuhan dan skala data.

Membulatkan nilai array dengan round, around, dan fix serta membedakan aturan pembulatan NumPy.

Mengarahkan pembulatan ke bawah dan ke atas dengan floor dan ceil serta memisahkan bagian pecahan dengan modf.

Membatasi nilai array dalam rentang tertentu menggunakan np.clip untuk menjaga data tetap valid.

Membentuk aturan nilai berbeda per rentang input dengan np.piecewise dan np.select.

Mengisi nilai di antara titik data dengan np.interp untuk melengkapi data yang hilang pada deret.

Mengamati efek presisi float32 dan float64 terhadap hasil perhitungan serta cara menjaga akurasi.

Memahami DFT sebagai dekomposisi sinyal menjadi komponen sinus dan cara np.fft.fft menghitungnya secara efisien.

Membangun spektrum frekuensi dengan np.fft.fftfreq dan np.abs untuk mengenali frekuensi dominan sebuah sinyal.

Memanfaatkan rfft dan irfft untuk sinyal riil yang hanya membutuhkan setengah spektrum sehingga lebih hemat memori.

Menyaring noise dengan menolkan komponen frekuensi tertentu lalu mengembalikan sinyal bersih menggunakan ifft.

Meredam kebocoran spektral dengan window functions seperti hanning, hamming, blackman, dan kaiser sebelum FFT.

Menerapkan FFT dua dimensi pada data citra sintetis dan menata ulang spektrum dengan fftshift.

Menyimpan satu array ke berkas .npy dengan np.save dan memahami metadata yang ikut tersimpan.

Memuat kembali array dari berkas .npy dengan np.load beserta pelestarian bentuk dan tipe datanya.

Mengemas banyak array dalam satu arsip .npz dengan np.savez dan np.savez_compressed.

Membuka arsip .npz dengan np.load dan mengakses array di dalamnya lewat atribut maupun kunci.

Menukar data array dengan format CSV menggunakan savetxt dan loadtxt serta mengatasi data berlabel.

Membaca berkas teks dengan struktur tak rapi menggunakan genfromtxt dan parameter penunjangnya.

Membandingkan format biner dan teks dari sisi ukuran, kecepatan, dan pelestarian tipe data array.

Mengakses berkas besar tanpa memuat seluruh isinya ke memori menggunakan np.memmap.

Mengubah array menjadi list dan bytes, serta menyimpan array dengan modul pickle Python.

Memahami risiko allow_pickle=True saat memuat data dan menerapkan praktik memuat yang aman.

Mengukur durasi kode NumPy secara adil dengan time.perf_counter dan timeit serta menjaga pengukuran tetap andal.

Mengenal susunan data C-order dan F-order di memori serta pengaruhnya terhadap kecepatan operasi.

Membedakan array contiguous dan non-contiguous lewat flags dan melihat dampaknya pada performa.

Membaca atribut strides untuk memahami cara NumPy melangkah di memori saat mengakses elemen.

Menekan konsumsi memori array lewat pemilihan dtype, operasi in-place, dan penghapusan data tak terpakai.

Menghemat memori dan waktu dengan dtype yang tepat: int32 vs int64, float32 vs float64, dan trade-off presisinya.

Mengenali operasi yang menyalin data dan menerapkan kebiasaan view serta out untuk menghemat pekerjaan.

Mengukur selisih performa loop dan vectorization pada berbagai ukuran data untuk menentukan kapan vektorisasi menguntungkan.

Merangkai pola optimasi praktis: kurangi array sementara, manfaatkan out, gabungkan operasi, dan ukur ulang.

Mengenali situasi ketika NumPy kurang pas: data lebih kecil dari biaya overhead, data sangat besar, atau struktur tak beraturan.

Memahami peran BLAS di balik operasi matriks, mengontrol thread dengan variabel lingkungan, dan menghindari oversubscription.

Mengonversi antara list Python dan ndarray dua arah serta konsekuensi data yang ikut tersalin.

Menukar data antara ndarray dan Series atau DataFrame pandas serta pembedaan NaN dan None di antara keduanya.

Menampilkan data array sebagai grafik dengan Matplotlib dan menyimpan hasilnya tanpa lingkungan tampilan grafis.

Melengkapi NumPy dengan SciPy untuk kebutuhan statistik, optimasi, dan sinyal yang tidak disediakan NumPy.

Menyiapkan array NumPy sebagai input model scikit-learn dan membaca kembali hasil prediksinya.

Mengonversi ndarray menjadi tensor PyTorch dan sebaliknya, termasuk pola pemeriksaan ketersediaan pustaka.

Menghubungkan array NumPy dengan tensor TensorFlow serta pola integrasi yang aman bila pustaka belum terpasang.

Membedakan konversi yang menyalin data dan yang berbagi memori menggunakan salinan nol antar pustaka.

Mengenal inisiatif Python Array API dan np.array_api sebagai langkah penyeragaman pustaka array.

Membuat array dengan field bertipe berbeda menggunakan structured dtype untuk data mirip tabel.

Mengakses field structured array sebagai atribut menggunakan recarray dan mempertimbangkan biayanya.

Menyembunyikan elemen tertentu dari perhitungan dengan masked array tanpa menghapus datanya.

Menyimpan dan menghitung data tanggal-waktu secara ter-vektorisasi dengan dtype datetime64 dan timedelta64.

Membuat dan mengevaluasi polinomial dengan numpy.polynomial untuk fitting dan evaluasi fungsi.

Mendefinisikan dtype sendiri dari field gabungan dan membuat array sesuai struktur data domain.

Menjelajahi kemampuan ufunc lanjutan: metode reduce, accumulate, outer, at, dan pembuatan ufunc sendiri.

Menjelajah nditer dan pola iterasi efisien pada array multidimensi ketika vectorization tidak memungkinkan.

Mengatur tampilan array di output dengan np.set_printoptions agar hasil panjang tetap mudah dibaca.

Memahami tata letak memori ndarray sebagai jembatan interoperabilitas dengan kode C dan ctypes.

Mengubah susunan field structured array dengan recfunctions, dari structured_to_unstructured hingga merge_arrays.

Menafsirkan pesan error khas NumPy, dari IndexError hingga ValueError, untuk menemukan akar masalah lebih cepat.

Menelusuri ketidakcocokan shape antar array dan menerapkan langkah diagnosis yang sistematis.

Mendeteksi masalah yang berakar pada tipe data tak sesuai, dari casting diam-diam hingga error saat dioperasikan.

Membandingkan bilangan floating point dengan aman menggunakan allclose dan isclose, bukan operator ==.

Mengenal modul numpy.testing beserta fungsi asersi khusus untuk menguji hasil perhitungan array.

Menguji kesamaan dua array secara elemen demi elemen dengan assert_array_equal dan varian ndim-nya.

Menguji hasil numerik dengan toleransi relatif dan absolut menggunakan assert_allclose.

Merancang kasus uji untuk operasi array: kasus batas, nilai khusus, dan properti matematis yang harus dipertahankan.

Membuat pengujian numerik yang hasilnya konsisten antar eksekusi dengan seed dan kontrol lingkungan.

Melihat pola penggunaan NumPy dalam alur data science: eksplorasi, pembersihan, dan ringkasan data.

Membangun model machine learning sederhana, regresi linear dengan gradient descent, hanya dengan NumPy.

Memahami komponen deep learning: forward pass, fungsi aktivasi, dan backpropagation dalam bentuk NumPy.

Mengolah gambar sebagai array: membaca piksel, mengubah kecerahan, memangkas, dan merotasi citra sederhana.

Menyusun simulasi berbasis angka acak untuk memodelkan proses yang mengandung ketidakpastian.

Menghitung statistik bergerak, perubahan persentase, dan korelasi antar deret waktu menggunakan NumPy.

Mengenali batas memori dan skala data yang menuntut pustaka lain, serta strategi mengaturnya.

Menganalisis data suhu dan curah hujan tahunan dengan NumPy: pembersihan, statistik, hingga pola musiman.

Mengolah deret harga harian komoditas: perubahan harga, statistik volatilitas, dan simulasi sederhana.

Mengestimasi nilai pi dan probabilitas proses nyata dengan simulasi Monte Carlo berbasis numpy.random.

Merumuskan persoalan alokasi produksi sebagai sistem persamaan linear lalu menyelesaikannya dengan numpy.linalg.

Merancang dan menjalankan benchmark loop Python versus NumPy vectorization beserta analisis hasilnya.

Mengenali bagian-bagian numpy.org yang wajib dibookmark: user guide, API reference, dan release notes.

Membaca halaman referensi API NumPy secara efektif untuk menemukan parameter dan perilaku fungsi.

Mengumpulkan buku dan materi rujukan yang membahas NumPy secara mendalam dan terstruktur.

Memilih tutorial dan artikel berkualitas untuk melanjutkan belajar NumPy secara mandiri.

Menemukan dataset yang layak dipakai untuk berlatih mengolah data dengan NumPy.

Merangkum istilah teknis NumPy beserta artinya sebagai rujukan cepat saat membaca materi lain.