Drei Top-Bibliotheken für maschinelles Lernen für Python

Es stellt sich heraus, dass wir keine schwierigen Datenwissenschaften beherrschen müssen, um in die Welt des maschinellen Lernens einzutauchen. Natürlich erfordert diese Reise zwangsläufig die Hilfe verschiedener Big Data, künstlicher Intelligenz, Deep Learning und umfangreicher statistischer und analytischer Tools.

Im heutigen Artikel erfahren Sie mehr über die drei beliebtesten Python-Bibliotheken für maschinelles Lernen, von denen wir glauben, dass sie jedem zu einem reibungsloseren Erlebnis in der Datenwissenschaft verhelfen können.

1. Theano

   
   

Theano, eine Lösung für maschinelles Lernen, die vor etwa zehn Jahren geboren wurde , ist derzeit einer der am weitesten verbreiteten CPU- und GPU-Mathematik-Compiler im Bereich des maschinellen Lernens.

Im Artikel „Theano: A Python Framework for Rapid Implementation of Mathematical Expression Calculations“ gibt der Autor einen umfassenden Überblick über diesen Satz von Bibliotheken. „Theano enthält eine Vielzahl von Softwarepaketen, um seine Funktionalität zu erweitern. Es kann eine Benutzeroberfläche auf hohem Niveau bereitstellen, die ausreicht, um eine Vielzahl spezifischer Ziele zu bewältigen“, erklärt das Papier: „Lasagne und Keras können unter anderem Deep-Learning-Modelle effektiv vereinfachen.“ und dienen als architektonischer Ausdruck des Trainingsalgorithmus. Tatsächlich verwendet das probabilistische Programmierframework PyMC3 Theano, um Ausdrücke automatisch zu generieren und den generierten C-Code schnell auszuführen (Keras und Lasagne laufen sowohl auf TensorFLow als auch auf Theano). >

Theano hat derzeit mehr als 25.000 Einsendungen und fast 300 Mitwirkende auf GitHub, und die Anzahl der Forks wird nahe bei 2.000 liegen.

2.TensorFlow

TensorFlow ist eine Reihe von Open-Source-Bibliotheken, die Datenflussgrafiken für numerische Berechnungen verwenden. Obwohl es sich im Open-Source-Bereich noch um einen Neuling handelt, hat dieses von Google geleitete Projekt bereits fast 15.000 Einreichungen und mehr als 600 GitHub-Mitwirkende, und die Modellbibliothek verfügt über fast 12.000 Sternebewertungen.

Im ersten „Open Source Yearbook“ wurde TensorFlow 2016 zum würdigsten Fork-Projekt gewählt. Auch im neuesten „Open Source Yearbook“ tauchte TensorFlow mehrfach auf. Das auf TensorFlow basierende Magenta-Projekt versucht sogar, maschinelle Intelligenz mit dem Kunstbereich zu verbinden, untersucht, wie man sie für Musik und künstlerisches Schaffen nutzen kann und so eine gemischte Gemeinschaft aus Künstlern, Programmierern und Forschern für maschinelles Lernen aufzubauen. Darüber hinaus unterstützt Tensorflow mehrere Frontend-Sprachen, aber auch die Unterstützung für Python ist die beste. Python wurde 2017 auch in die Rangliste der beliebtesten Programmiertrends aufgenommen.

TensorFlow 1.0 wurde Mitte Februar dieses Jahres eingeführt. Google schrieb in seinem Entwicklerblog: „Obwohl TensorFlow erst seit einem Jahr auf dem Markt ist, hat es Forschern, Ingenieuren, Künstlern, Studenten und anderen Benutzern effektiv dabei geholfen, verschiedene Aufgaben zu erledigen, von der Sprachübersetzung bis zur Frühdiagnose von Hautkrebs.“ Bereiche wie die Prävention gleichzeitiger Blindheit bei Diabetikern.“

3.scikit-learn

Diese Lösung basiert auf NumPy, SciPy und Matplotlib und wird von Spotfiy-Ingenieuren für Musikempfehlungen verwendet. Bei OkCupid sind wir für die Bewertung und Verbesserung des Matching-Systems verantwortlich. Bei Birchbox erforschen die Mitarbeiter, wie sie scikit-learn nutzen können, um die Entwicklung neuer Produkte zu unterstützen.