Топ 10 библиотека за машинско учење за Питхон

Шта желите да створите? Важно питање!

Овде сте дошли да користите машинско учење (МЛ) . Да ли сте пажљиво размислили за шта? Када одаберете Библиотеку за машинско учење, морате да започнете са начином на који ћете је користити. Чак и ако вас само занима учење, требало би да размислите где се користи машинско учење и шта је најближе вашем главном интересу. Такође бисте требали размислити да ли желите да се усредсредите на покретање нечега на вашој локалној машини или ако сте заинтересовани за ширење рачунара на више сервера.

У почетку почните тако што ћете нешто успети.

Где се користи машинско учење

Можете пронаћи много пројеката који користе МЛ, заправо толико да свака категорија има странице. Кратка верзија је „свуда“, то није истина, али почните се питати. Очигледни су механизми за препоруке, препознавање слика и откривање нежељене поште. Пошто већ програмирате на Питхону, занимаће вас и софтвер за довршавање кода Тхе Ките. Ово је Друга употреба је откривање грешака при ручном уносу података, медицинској дијагнози и одржавању за велике фабрике и друге индустрије

Укратко, библиотеке:

Сцикит-леарн, Фром сцикит; Рутине и библиотеке на врху НумПи, СциПи и Матплотлиб. Ова библиотека се директно ослања на рутине у математичким библиотекама изворних за Питхон. Сцикит-леарн инсталирате са редовним управитељем пакета Питхон. Сцикит-леарн је мали и не подржава ГПУ прорачуне, ово вас можда занима, али то је свестан избор. Овај пакет је мањи и с њим је лакше започети. То и даље функционише прилично добро у већем контексту, иако су вам потребни други пакети да бисте направили гигантски кластер калкулисања.
Сцикит-слика Посебно за слике! Сцикит-имаге има алгоритме за анализу и манипулацију сликама. Можете га користити за поправљање оштећених слика, као и за манипулисање бојом и другим атрибутима слике. Главна идеја овог пакета је да учини све слике доступним НумПи-у како бисте могли да радите на њима као ндарраис. На овај начин имате слике на располагању као податке за покретање било којих алгоритама.
Схогун: Ц ++ база са јасним АПИ интерфејсима за Питхон, Јава, Сцала итд. Многи, можда и већина алгоритама доступних за експериментисање. Овај је написан на Ц ++ ради ефикасности, постоји и начин да се испроба у облаку. Схогун користи СВИГ за повезивање са многим програмским језицима, укључујући Питхон. Схогун покрива већину алгоритама и широко се користи у академском свету. Пакет има пакет алата доступан на хттпс: // ввв.схогун-тоолбок.орг.
Спарк МЛлиб: Углавном је за Јаву, али је доступан путем НумПи библиотеке за програмере Питхона. Спарк МЛлиб је развио Апацхе тим тако да је усмерен на дистрибуирана рачунарска окружења и мора се покретати са мајсторима и радницима. То можете учинити у самосталном режиму, али права снага Спарка је способност дистрибуције послова на многим машинама. Дистрибуирана природа Спарка чини га популарним код многих великих компанија, попут ИБМ-а, Амазона и Нетфлика. Главна сврха је ископавање „великих података“, што значи све оне презле које остављате за собом када сурфујете и купујете путем Интернета. Ако желите да радите са машинским учењем, Спарк МЛлиб је добро место за почетак. Алгоритми које подржава раширени су по читавом опсегу. Ако започињете хоби пројекат, то можда није најбоља идеја.
Х2О: Усмерен је на пословне процесе, тако да подржава предвиђања за препоруке и спречавање превара. Посао, Х20.аи има за циљ проналажење и анализу скупова података из дистрибуираних система датотека. Можете га покренути на већини конвенционалних оперативних система, али главна сврха је подршка системима заснованим на облаку. Укључује већину статистичких алгоритама, тако да се може користити за већину пројеката.
Махоут: Направљен је за дистрибуиране алгоритме машинског учења. Део је Апацхе-а због дистрибуиране природе израчунавања. Идеја иза Махоут-а је да математичари примене сопствене алгоритме. Ово није за почетнике, ако само учите, боље је да користите нешто друго. Кад је то рекао, Махоут се може повезати са многим позадинским крајевима, па када сте креирали нешто, погледајте да ли желите да користите Махоут за свој фронтенд.
Цлоудера Орик: Углавном се користи за машинско учење на подацима у реалном времену. Орик 2 је архитектура која слоји сав посао да створи систем који може да реагује на податке у реалном времену. Слојеви такође раде у различитим временским оквирима, са групним слојем који гради основни модел и слојем брзине који модификује модел како нови подаци долазе. Орик је изграђен на врху Апацхе Спарк-а и креира читаву архитектуру која имплементира све делове апликације.
Тхеано: Тхеано је Питхон библиотека која је интегрисана са НумПи. Ово је најближе Питхону које можете добити. Када користите Тхеано, саветује вам се да инсталирате гцц. Разлог томе је што Тхеано може да компајлира ваш код у најприкладнији могући код. Иако је Питхон одличан, у неким случајевима Ц је бржи. Дакле, Тхеано може претворити у Ц и компајлирати чинећи ваш програм бржим. По жељи можете додати подршку за ГПУ.
Тенсорфлов: Тензор у називу показује на математички тензор. Такав тензор има 'н' места у матрици, међутим, тензор је вишедимензионални низ. ТенсорФлов има алгоритме за израчун прорачуна за тензоре, па отуда и назив, можете их позвати из Питхона. Изграђен је у Ц и Ц ++, али има предњи крај за Питхон. Ово га чини једноставним за употребу и брзим радом. Тенсорфлов може да ради на ЦПУ, ГПУ или дистрибуира преко мреже, то се постиже извршним механизмом који делује као слој између вашег кода и процесора.
Матплотлиб: Када наиђете на проблем који можете решити помоћу машинског учења, највероватније ћете желети да визуализујете своје резултате. Овде долази матплотлиб. Дизајниран је да прикаже вредности било ког математичког графикона и у великој мери се користи у академском свету.

ЗАКЉУЧАК

Овај чланак вам даје идеју о томе шта је све могуће програмирати у машинском учењу. Да бисте добили јасну слику онога што вам треба, морате започети са израдом неколико програма и видети како они функционишу. Тек кад сазнате како се ствари могу учинити, не можете пронаћи савршено решење за ваш следећи пројекат.