北京网站的制作设计,免费的wordpress模板下载,新房地产网站开发,网站地图如何制作推荐#xff1a;使用 NSDT场景编辑器 助你快速搭建3D应用场景 这篇文章针对的是刚开始使用Python进行AI的人#xff0c;以及那些有经验的人#xff0c;但对下一步要学习什么有疑问的人。我们将不时花点时间向初学者介绍基本术语和概念。如果您已经熟悉它们#xff0c;我们鼓… 推荐使用 NSDT场景编辑器 助你快速搭建3D应用场景 这篇文章针对的是刚开始使用Python进行AI的人以及那些有经验的人但对下一步要学习什么有疑问的人。我们将不时花点时间向初学者介绍基本术语和概念。如果您已经熟悉它们我们鼓励您跳过更基本的材料并继续阅读以了解对图形执行和急切执行等更精细的观点的看法。这篇文章将解释人工智能最重要的 Python 库和包解释如何使用它们并介绍它们的优点和缺点。
用于AI和ML的最广泛使用的Python库
将正确的库组合添加到开发环境中至关重要。以下包和库对于大多数 AI 开发人员至关重要。所有这些都可以作为开源发行版免费提供。 Scikit-learn如果你需要做机器学习
它是什么Scikit-learn是一个用于实现机器学习算法的Python库。
背景一位名叫David Cournapeau的开发人员最初在2007年以学生身份发布了scikit-learn。开源社区迅速采用了它多年来已经多次更新它。
特征 Scikit-learn中的软件包专注于建模数据。
Scikit-learn包括所有核心机器学习算法其中包括向量机随机森林梯度提升k均值聚类和DBSCAN。它旨在与 NumPy 和 SciPy如下所述无缝协作以进行数据清理、准备和计算。它具有用于加载数据以及将其拆分为训练集和测试集的模块。它支持文本和图像数据的特征提取。
最适合Scikit-learn是任何从事机器学习工作的人的必备品。如果您需要实现分类、回归、聚类、模型选择等算法它被认为是可用的最佳库之一。
缺点Scikit-learn是在深度学习起飞之前建立的。虽然它非常适合核心机器学习和数据科学工作但如果你正在构建神经网络你将需要TensorFlow或Pytorch下图。最佳学习场所Python 中的机器学习与数据学校的 Scikit-Learn 一起。注意Scikit-learn是最容易学习的Python库之一。一旦你精通Python本身Scikit-learn就很容易了。 NumPy如果您需要处理数字
它是什么NumPy是一个Python包用于处理数组或大型同质数据集合。您可以将数组视为电子表格其中数字存储在列和行中。
背景Python在1991年推出时最初并不是为了数值计算。尽管如此它的易用性还是很早就引起了科学界的注意。多年来开源社区开发了一系列用于数值计算的软件包。2005年开发人员Travis Oliphant将十多年的开源开发合并到一个用于数值计算的库中他称之为NumPy。
特征NumPy的核心功能是对数组的支持它允许您快速处理和操作大型数据集合。
NumPy 中的数组可以是 n 维的。这意味着数据可以是单列数字也可以是多列和多行数字。NumPy有用于执行一些线性代数函数的模块。它还具有用于绘制和绘制数字数组的模块。NumPy 数组中的数据是同质的这意味着它必须全部定义为相同的类型数字、字符串、布尔值等。这意味着数据得到有效处理。
最适合操作和处理数据以进行更高级的数据科学或机器学习操作。如果你正在处理数字你需要NumPy。
缺点由于 NumPy 数组是同类的因此它们不适合混合数据。你最好使用Python列表。此外当处理超过 500000 列时NumPy 的性能往往会下降。最佳学习场所Linear Regression with NumPy and Python from Coursera。 Pandas如果您需要操作数据
它是什么Pandas是一个同时处理不同类型的标记数据的软件包。例如如果您需要分析包含数字、字母和字符串数据的 CSV 文件则可以使用它。
背景韦斯·麦金尼Wes McKinney于2008年发行了《熊猫》。它建立在 NumPy 之上事实上您必须安装 NumPy 才能使用 Pandas并扩展该包以处理异构数据。
特征Pandas的核心功能是其多样化的数据结构允许用户执行各种分析操作。
Pandas 有各种用于数据操作的模块包括重塑、连接、合并和透视。熊猫具有数据可视化功能。用户可以执行数学运算包括微积分和统计而无需调用外部库。它具有可帮助您解决丢失数据的模块。
最适合数据分析。
缺点在vanilla Python和Pandas之间切换可能会令人困惑因为后者的语法稍微复杂一些。熊猫的学习曲线也很陡峭。这些因素再加上糟糕的文档可能使其难以上手。最好的学习场所我从 DeepLearning.AI 开始介绍pandas。 SciPy如果你需要为数据科学做数学
它是什么SciPy是一个用于科学计算的Python库。它包含用于执行计算的包和模块可帮助科学家进行或分析实验。
背景在 1990 年代末和 2000 年代初Python 开源社区开始开发一系列工具以满足科学界的需求。2001年他们以SciPy的形式发布了这些工具。社区保持活跃并始终更新和添加新功能。
特征SciPy 的软件包包括一个完整的数学技术工具包包括微积分、线性代数、统计学、概率等。
它对数据科学家来说最受欢迎的一些软件包是用于插值、K 均值检验、数值积分、傅里叶变换、正交距离回归和优化。SciPy 还包括用于图像处理和信号处理的软件包。Weave功能允许用户在Python中用C / C编写代码。
最适合SciPy是数据科学家最好的朋友。
缺点一些用户发现 SciPy 的文档缺乏并批评它的几个软件包不如 MatLab 中的类似软件包。
最佳学习场所Ahmad Bazzi 的 SciPy 编程。
如果你需要做机器学习TensorFlow vs. PyTorch
TensorFlow和PyTorch执行与深度学习相关的相同基本任务它们使获取数据训练模型和生成预测变得容易。从人脸识别到大型语言模型许多神经网络都是使用TensorFlow或PyTorch进行编码的。这些库曾经在前端和后端都明显不同。随着时间的推移他们围绕同一套最佳实践趋同。
尽管如此人工智能社区内部仍在争论哪个是最好的。2015年发布的TensorFlow是第一个出现在现场。它在商业人工智能和产品开发中占主导地位但许多用户抱怨它的复杂性。
PyTorch于2016年发布被广泛认为它更容易学习实施起来更快。它是学术界的最爱并在工业界稳步普及。但是众所周知它在缩放方面很困难。
选择哪个
TensorFlow仍然是业界占主导地位的深度学习库。这部分是由于惯性部分原因是TensorFlow在处理大型项目和复杂工作流程方面比PyTorch更好。它能够处理针对商业部署进行扩展的 AI 产品使其成为产品开发的最爱。
如果你只是跳入深度学习并希望专注于快速构建和原型设计模型PyTorch可能是更好的选择。请注意根据你的工作要求和公司技术你可能有一天必须学习TensorFlow特别是如果你梦想的工作是在TensorFlow的故乡谷歌。
在下面详细了解这两个库的优缺点。 TensorFlow
这是什么 TensorFlow 是一个端到端的开源库用于开发、训练和部署深度学习模型。
背景 TensorFlow最初由Google Brain于2015年发布。最初它的前端不是用户友好的并且它具有冗余的API这使得构建和实现模型变得繁琐。随着时间的推移其中许多问题已经通过更新以及通过将 Keras见下文集成为默认前端而得到解决。
特征 TensorFlow有许多用于构建深度学习模型并将其扩展以进行商业部署的软件包。
TensorFlow用户可以调用Dev Hub和Model Garden中的数百个预先训练的模型。开发人员中心包含即插即用模型而模型花园适用于习惯于进行自定义的更高级用户。它在使用内存方面非常有效可以并行训练多个神经网络。TensorFlow 应用程序可以在各种硬件系统上运行包括 CPU、GPU、TPU 等。TensorFlow Lite针对移动和嵌入式机器学习模型进行了优化。用户可以在 Tensorboard.dev 上自由上传和分享他们的机器学习实验。
最适合大规模构建生产就绪的深度学习模型。
缺点一些用户仍然抱怨前端相当复杂。您可能还会遇到TensorFlow执行缓慢的批评。这主要是TensorFlow 1.0的遗留问题当时它默认以图形模式执行操作。TensorFlow 2.0默认为预先执行模式。
最佳学习场所来自 DeepLearning.ai 的TensorFlow开发人员专业证书。 Keras
它是什么Keras是一个适合初学者的工具包用于处理神经网络。它是TensorFlow的前端接口。
背景谷歌工程师Francois Choillet于2015年发布了Keras作为许多深度学习库的API。截至 2020 年Keras 是 TensorFlow 独有的。
特征 Keras 处理在 TensorFlow 中构建神经网络的高级任务因此包含激活函数、层、优化器等基本模块。
Keras 支持原版神经网络、卷积神经网络和递归神经网络以及实用程序层包括批量归一化、辍学和池化。它旨在简化深度神经网络的编码。
最适合开发深度学习网络。
缺点它仅适用于TensorFlow用户。如果你使用TensorFlow你就是在使用Keras。
最佳学习场所 IBM 的 Keras 深度学习和神经网络简介。 PyTorch
它是什么PyTorch是Facebook AI研究实验室对TensorFlow的回答。它是一个开源的通用库用于机器学习和数据科学特别是深度学习。
背景 Facebook在2016年发布了PyTorch比TensorFlow晚了一年它迅速受到对快速原型感兴趣的学者和其他研究人员的欢迎。这是由于其简化的前端以及其默认模式立即执行操作的事实而不是像TensorFlow那样将它们添加到图形中以供以后处理。
特征PyTorch有许多类似于TensorFlow的特性。事实上自推出以来的几年里每个库都进行了更新以包含用户最喜欢的功能。
PyTorch有自己的预训练模型库。PyTorch Hub 面向想要尝试模型设计的学术用户生态系统工具包含预先训练的模型。PyTorch 具有内存效率可以并行训练多个模型。它支持多种硬件类型。
最适合深度学习模型的快速原型设计。Pytorch 代码运行快速高效。
缺点一些用户报告说PyTorch 在处理大型项目、大型数据集和复杂的工作流程时遇到了困难。构建要大规模部署的AI产品的开发人员可能更喜欢TensorFlow。
最佳学习地点来自 PyTorch.org 的 PyTorch 教程。
结论
Python库的成熟是它在AI社区中如此受欢迎的主要原因之一。它们可以轻松地将Python扩展到远远超出其原始设计的任务。一旦你牢牢掌握了 Python 语言和与你的工作相关的库你将能够为广泛的应用程序构建、训练和迭代机器学习模型。
原文链接7个用于机器学习和数据科学的基本 Python 库 (mvrlink.com)
