Banyak persoalan nyata, dari perencanaan produksi sampai regresi data, berujung pada sistem persamaan linear. Section ini memperkenalkan submodul numpy.linalg yang menyediakan solusinya: fungsi solve, inverse, determinant, eigenvalue dan eigenvector, dekomposisi SVD, QR, dan Cholesky, hingga least squares. Kita juga membahas sifat numerik yang menentukan kapan hasil perhitungan layak dipercaya.
Mengenal submodul numpy.linalg, fungsi-fungsi utamanya, dan kapan submodul ini menjadi alat yang tepat.
Buka → # Penyelesaian Sistem Persamaan LinearMenerjemahkan sistem persamaan linear menjadi bentuk Ax = b dan menyelesaikannya dengan np.linalg.solve.
Buka → # Inverse MatriksMenghitung inverse matriks dengan np.linalg.inv dan memahami kapan inverse ada serta kapan sebaiknya dihindari.
Buka → # DeterminantMenghitung determinant dengan np.linalg.det dan menafsirkan nilai nol sebagai tanda matriks singular.
Buka → # Eigenvalue dan EigenvectorMencari eigenvalue dan eigenvector dengan np.linalg.eig dan membaca hasilnya, termasuk varian untuk matriks simetris.
Buka → # Singular Value DecompositionMemecah matriks dengan SVD menggunakan np.linalg.svd dan melihat penerapannya pada kompresi data sederhana.
Buka → # Matrix RankMenghitung rank matriks dengan np.linalg.matrix_rank untuk menilai banyaknya informasi bebas dalam sistem.
Buka → # Least SquaresMenyelesaikan sistem yang tidak memiliki solusi eksak dengan np.linalg.lstsq, dasar dari regresi linear.
Buka → # DecompositionsMenggunakan dekomposisi QR dan Cholesky sebagai alat pemecahan persoalan yang stabil dan efisien.
Buka → # Stabilitas NumerikMengenali pengaruh condition number dan urutan operasi terhadap kualitas hasil perhitungan linear algebra.
Buka → # Pseudo-inverse dan pinvMengatasi matriks singular dan rank-deficient dengan np.linalg.pinv sebagai generalisasi inverse untuk least squares.
Buka → # multi_dot, matrix_power, dan slogdetMengoptimalkan rantai perkalian matriks dengan multi_dot, memangkatkan matriks, dan menghitung log-determinan aman overflow.
Buka →