[[399295]]

本文轉(zhuǎn)載自微信公眾號(hào)「Python學(xué)會(huì)」，作者Huangwei AI。轉(zhuǎn)載本文請(qǐng)聯(lián)系Python學(xué)會(huì)公眾號(hào)。

前言

Python對(duì)數(shù)據(jù)科學(xué)如此重要的原因之一是它海量的數(shù)據(jù)分析和可視化庫。在本文中，我們討論了最受歡迎的一些。

1.Tensorflow

谷歌開發(fā)的TensorFlow深度學(xué)習(xí)框架無疑是最流行的訓(xùn)練神經(jīng)網(wǎng)絡(luò)的工具。谷歌積極地使用自己的框架來實(shí)現(xiàn)Gmail和谷歌Translate這樣的大型服務(wù)。TensorFlow被Uber、Airbnb、小米、Dropbox等品牌所使用。

• 使用TensorFlow，您可以可視化神經(jīng)網(wǎng)絡(luò)的各個(gè)部分。
• Tensorflow模塊可以獨(dú)立制作。
• TensorFlow允許你在CPU和GPU上訓(xùn)練神經(jīng)網(wǎng)絡(luò)。
• 輸送學(xué)習(xí)過程。
• 一個(gè)大型團(tuán)隊(duì)正在不斷地改進(jìn)穩(wěn)定性和新特性。

2. Scikit-Learn

Scikit-Learn是用Python、C和c++編寫的一個(gè)流行的機(jī)器學(xué)習(xí)庫。用一個(gè)通用的選擇來解決機(jī)器學(xué)習(xí)的經(jīng)典問題。用于工業(yè)系統(tǒng)和科學(xué)研究。

廣泛的監(jiān)督和無監(jiān)督學(xué)習(xí)算法。

Scikit-learn專門研究機(jī)器學(xué)習(xí)算法。庫的任務(wù)不包括加載、處理、數(shù)據(jù)操作和可視化。

大型社區(qū)和詳細(xì)的文檔。

3. NumPy

NumPy是機(jī)器學(xué)習(xí)中最流行的Python庫之一。TensorFlow和其他庫在內(nèi)部使用它來對(duì)多維數(shù)組執(zhí)行操作。

用解釋語言(Python)實(shí)現(xiàn)的數(shù)學(xué)算法通常比用編譯語言實(shí)現(xiàn)的算法要慢得多。NumPy庫提供了針對(duì)多維數(shù)組進(jìn)行優(yōu)化的計(jì)算算法實(shí)現(xiàn)。

4. Keras

如果您需要快速且容易地組裝一個(gè)深度學(xué)習(xí)模型，Keras是一個(gè)完美的選擇。P是TensorFlow和Theano框架上的一個(gè)附加組件。該庫的目標(biāo)是深度學(xué)習(xí)網(wǎng)絡(luò)的操作工作，同時(shí)被設(shè)計(jì)成緊湊、模塊化和可擴(kuò)展的。Keras提供了一組高級(jí)的、直觀的抽象，使得構(gòu)建神經(jīng)網(wǎng)絡(luò)變得容易，而不考慮作為計(jì)算后端使用的科學(xué)計(jì)算庫。

• 工作出色的CPU和GPU。
• 支持幾乎所有的神經(jīng)網(wǎng)絡(luò)模型，可以組合起來建立更復(fù)雜的模型。
• 該平臺(tái)完全是用Python編寫的，也就是說，您可以使用標(biāo)準(zhǔn)的調(diào)試工具。

5. PyTorch

PyTorch是處理神經(jīng)網(wǎng)絡(luò)的最佳選擇之一，神經(jīng)網(wǎng)絡(luò)是TensorFlow的長期競爭對(duì)手。主要由Facebook的人工智能小組開發(fā)。生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networking)中使用PyTorch作為深度學(xué)習(xí)框架。學(xué)習(xí)如何在PyTorch上編寫自己的GAN。

• 簡單的GPU的支持。
• 在GPU模式下，PyTorch提供了高質(zhì)量的優(yōu)化，有一個(gè)c++ API運(yùn)行環(huán)境。
• 支持異步計(jì)算執(zhí)行。
• 直接訪問基于ONNX的框架，渲染器和運(yùn)行時(shí)。

6. LightGBM

LightGBM是一個(gè)梯度增強(qiáng)框架，是Kaggle比賽中最流行的算法之一。梯度推進(jìn)是一種用于分類和回歸問題的機(jī)器學(xué)習(xí)技術(shù)，它以預(yù)測(cè)模型集成的形式建立一個(gè)預(yù)測(cè)模型，通常是決策樹。

• 學(xué)習(xí)速度快，效率高。
• 低內(nèi)存消耗。
• 支持并行和GPU計(jì)算。
• 您可以處理大量的數(shù)據(jù)。

7. Pandas

Pandas是一個(gè)庫，它提供用于處理數(shù)據(jù)的高級(jí)結(jié)構(gòu)和用于分析數(shù)據(jù)的廣泛工具。這個(gè)庫允許您用少量代碼執(zhí)行許多復(fù)雜的命令:對(duì)數(shù)據(jù)排序和分組、處理丟失的數(shù)據(jù)、時(shí)間序列等。所有數(shù)據(jù)都以數(shù)據(jù)幀表的形式表示。

8. SciPy

SciPy對(duì)于科學(xué)和工程計(jì)算是必不可少的，包括機(jī)器學(xué)習(xí)任務(wù)。

• 特點(diǎn):搜索函數(shù)的極小值和極大值，計(jì)算積分，支持特殊函數(shù)，信號(hào)和圖像處理，解微分方程等。
• SciPy與NumPy密切相關(guān)，所以默認(rèn)情況下支持NumPy數(shù)組。
• SciPy庫可以與PyTables交互，PyTables是一個(gè)分層數(shù)據(jù)庫，設(shè)計(jì)用于管理HDF5文件中的大量數(shù)據(jù)。

9. Eli5

Eli5是一個(gè)Python庫，用于使用統(tǒng)一的API可視化和調(diào)試機(jī)器學(xué)習(xí)模型。它內(nèi)置了對(duì)幾個(gè)ML框架和庫的支持:scikit-learn、Keras、上面提到的LightGBM，以及XGBoost、lightning和CatBoost。

10. NLTK

NLTK是一套用于自然語言的符號(hào)和統(tǒng)計(jì)處理的庫和程序。它附帶了大量的文檔，包括一本書，解釋了可以用這個(gè)包執(zhí)行的自然語言處理任務(wù)背后的概念。

11. Pillow

Pillow是PIL (Python Image Library)圖像庫的改進(jìn)版本。支持多種文件類型:PDF、WebP、PCX、PNG、JPEG、GIF、PSD、WebP、PCX、GIF、IM、EPS、ICO、BMP等。有許多過濾工具可以用于計(jì)算機(jī)視覺任務(wù)。