A 10 legjobb gépi tanulási könyvtár a Python számára

Mit akarsz létrehozni? A fontos kérdés!

A gépi tanulás (ML) használatára jött ide . Gondosan átgondolta, mire? Amikor kiválaszt egy Gépi tanulási könyvtárat, el kell kezdenie, hogyan fogja használni. Még ha csak a tanulás is érdekelne, érdemes megfontolnia, hogy hol használják a Gépi tanulást, és melyik áll a legközelebb a fő érdeklődéséhez. Fontolja meg azt is, ha arra akar összpontosítani, hogy valami működjön a helyi gépen, vagy ha érdekli a számítástechnika sok szerveren történő elosztása.

Az elején kezdje azzal, hogy valami működik.

Ahol a gépi tanulást használják

Számos olyan projekt található, amely ML-t használ, sőt annyi, hogy minden kategória oldalakból áll. A rövid változat „mindenhol” van, ez nem igaz, de el kell gondolkodni. A nyilvánvalóak az ajánlási motorok, a képfelismerés és a spamfelismerés. Mivel Ön már programoz a Pythonban, a The Kite kódfeltöltő szoftver is érdekli majd. Ez az Egyéb felhasználások a manuális adatbevitel, az orvosi diagnózis és a karbantartás hibáinak felderítésére a nagy gyárak és más iparágak számára

A könyvtárak röviden:

1. Scikit-tanulni, Scikitből; Rutinok és könyvtárak a NumPy, a SciPy és a Matplotlib tetején. Ez a könyvtár közvetlenül a Python-ban honos matematikai könyvtárak rutinjaira támaszkodik. A scikit-learn programot a szokásos Python csomagkezelővel telepíti. A Scikit-learn kicsi, és nem támogatja a GPU-számításokat, ez megteheti, de tudatos választás. Ez a csomag kisebb, és könnyebb elkezdeni. Nagyobb összefüggésekben még mindig elég jól működik, bár egy óriási számítási fürt létrehozásához más csomagokra van szükség.
2. Scikit-kép Különleges képekhez! A Scikit-image algoritmusokkal rendelkezik a képelemzéshez és manipulációhoz. Használhatja a sérült képek kijavítására, valamint a kép színének és egyéb tulajdonságainak manipulálására. Ennek a csomagnak az az alapötlete, hogy az összes képet elérhetővé tegye a NumPy számára, hogy ndarrays-ként végezhesse velük a műveleteket. Így a képek elérhetővé válnak az algoritmusok futtatásához.
3. Shogun: C ++ bázis tiszta API interfészekkel Python, Java, Scala stb. Sok, talán a legtöbb algoritmus elérhető a kísérletezéshez. Ez C ++ nyelven van írva a hatékonyság érdekében, a felhőben is van mód kipróbálni. Shogun a SWIG segítségével számos programozási nyelvhez kapcsolódik, beleértve a Pythont is. Shogun a legtöbb algoritmust lefedi, és széles körben használják az akadémiai világban. A csomagnak van egy eszköztára, amely a https: // www címen érhető el.shogun-toolbox.org.
4. Spark MLlib: Főleg Java-ra szolgál, de a NumPy Library-n keresztül érhető el Python fejlesztők számára. A Spark MLlib-et az Apache csapata fejlesztette ki, így elosztott számítástechnikai környezetekre irányul, és a mesterrel és a dolgozókkal kell futtatni. Ezt önálló módban is megteheti, de a Spark valódi ereje a munkák sok gépen történő elosztása. A Spark elosztott jellege sok nagy cég, például az IBM, az Amazon és a Netflix körében népszerűvé teszi. A fő cél a „Big Data” bányászata, vagyis mindazok a morzsák, amelyeket maga mögött hagy, amikor szörfözik és online vásárol. Ha a Gépi Tanulással szeretne dolgozni, a Spark MLlib egy jó hely a kezdéshez. Az általa támogatott algoritmusok a teljes tartományban vannak elosztva. Ha hobbi projektbe kezd, nem biztos, hogy ez a legjobb ötlet.
5. H2O: Az üzleti folyamatokra irányul, így támogatja az ajánlásokkal és a csalások megelőzésével kapcsolatos előrejelzéseket. A vállalkozás, H20.Az ai célja az elosztott fájlrendszerek adatkészleteinek megkeresése és elemzése. Futtathatja a legtöbb hagyományos operációs rendszeren, de a fő cél a felhőalapú rendszerek támogatása. Ez magában foglalja a legtöbb statisztikai algoritmust, így a legtöbb projekthez használható.
6. Elefántápoló: Elosztott gépi tanulási algoritmusok számára készült. A számítások elosztott jellege miatt az Apache része. A Mahout ötlete az, hogy a matematikusok saját algoritmusaikat valósítsák meg. Ez nem egy kezdőnek szól, ha csak tanulsz, akkor jobb, ha mást használsz. Ennek ellenére a Mahout sok háttérhez csatlakozhat, így ha létrehozott valamit, nézzen utána, hogy a Mahout-ot szeretné-e használni a frontendjén.
7. Cloudera Oryx: Főleg valós idejű adatok gépi tanulásához használják. Az Oryx 2 egy olyan architektúra, amely minden munkát rétegezve létrehoz egy olyan rendszert, amely reagálni tud a valós idejű adatokra. A rétegek különböző időkeretekben is működnek, egy kötegelt réteggel, amely felépíti az alapmodellt, és egy sebességréteggel, amely módosítja a modellt, amikor új adatok érkeznek. Az Oryx az Apache Spark tetejére épül, és egy teljes architektúrát hoz létre, amely az alkalmazás minden részét megvalósítja.
8. Theano: A Theano egy Python könyvtár, amely a NumPy-vel van integrálva. Ez áll a legközelebb a Pythonhoz. A Theano használatakor javasoljuk, hogy telepítse a gcc-t. Ennek oka az, hogy a Theano a lehető legmegfelelőbb kódba fordíthatja a kódot. Míg a Python nagyszerű, bizonyos esetekben a C gyorsabb. Tehát a Theano konvertálhat C-ra és lefordíthatja a program gyorsabb futtatását. Opcionálisan hozzáadhatja a GPU-támogatást is.
9. Tensorflow: A névben szereplő tenzor matematikai tenzorra mutat. Egy ilyen tenzornak 'n' helye van a mátrixban, azonban a tenzor többdimenziós tömb. A TensorFlow algoritmusokkal rendelkezik a Tensors számításaihoz, ezért a név, ezeket a Pythonból hívhatja. C és C ++ nyelven épül fel, de rendelkezik egy előtérrel a Python számára. Ez megkönnyíti a használatát és a gyors futást. A Tensorflow futhat CPU-n, GPU-n vagy hálózaton keresztül elosztva, ezt egy végrehajtó motor érheti el, amely rétegként működik a kód és a processzor között.
10. Matplotlib: Ha előállt egy probléma, amelyet a Gépi tanulással megoldhat, akkor valószínűleg meg akarja jeleníteni az eredményeket. Itt jön be a matplotlib. Úgy tervezték, hogy bármilyen matematikai grafikon értékét mutassa, és az akadémiai világban nagyon használják.

KÖVETKEZTETÉS

Ez a cikk ötletet adott arról, hogy mit lehet programozni a Gépi tanulásban. Ahhoz, hogy tiszta képet kapjon arról, amire szüksége van, el kell kezdenie néhány programot, és meg kell néznie, hogyan működnek. Amíg nem tudja, hogyan lehet a dolgokat megoldani, megtalálja a tökéletes megoldást a következő projektjéhez.