數(shù)據(jù)科學(xué)家需要一種能夠?qū)?shù)據(jù)進行清理、轉(zhuǎn)換、分析和可視化的工具，本文提到的這 10 款工具可以幫助你成為更優(yōu)秀的數(shù)據(jù)科學(xué)家。 對于剛開始從事數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的人來說，我首先要恭喜你們，因為你們已經(jīng)做出了正確的決定并且學(xué)習(xí)了有用的技術(shù)。但是學(xué)習(xí)這些技術(shù)并不容易，有很多選擇要做，每個選擇都有自己的結(jié)果。 當我開始我的機器學(xué)習(xí)和數(shù)據(jù)科學(xué)之旅時，我不得不從 R 和 Python 這兩種編程語言中選擇合適的，因為這兩種語言都做得很好。 我最后還是選擇了 Python，原因是 Python 的社區(qū)規(guī)模更大，通用性更高，并且之前也有過編寫 Python 代碼的經(jīng)歷。不過，我之所以選擇 Python 作為數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的原因，那就是 Python 有很多非常棒的庫。 今天，我將向你介紹其中一些很棒的庫，如 TensorFlow、NumPy、Pandas、SciPy、Scikit-learn、Seaborn、Keras 和 Matplotlib。我知道還有很多庫，但以我有限的經(jīng)驗和接觸，到目前為止我只聽說過本文提到的這些主要庫。 當我遇到新的庫時，我肯定會在這個列表中添加新的庫，但在此之前，了解這些庫會對你有很大幫助，特別是如果你也在使用 Python 學(xué)習(xí)數(shù)據(jù)科學(xué)、人工智能和機器學(xué)習(xí)。 不管你是新手，還是對數(shù)據(jù)科學(xué)有一定的研究，學(xué)習(xí)這些庫能讓你更有效率，也能提升你的形象。另外，如果你是個新手，我推薦你從實踐課程開始，從頭學(xué)習(xí) Python 和數(shù)據(jù)科學(xué)。 不多說了，下面是對一些最流行的數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的 Python 庫的基本介紹。為使說明簡潔，我盡量說明簡短，并給出它的資源，以了解更多信息。 由于我也在學(xué)習(xí) Python 和機器學(xué)習(xí)，那么將來我會對這些庫進行詳細的闡述，因為你至少需要一篇文章來詳細說明它們。 1、TensorFlow這是最流行的機器學(xué)習(xí)庫之一，你很有可能已經(jīng)聽說過它了。你可能知道 TensorFlow 來自谷歌，是由他們的谷歌大腦團隊發(fā)明的，并用于 RankBrain 算法，該算法為谷歌搜索引擎上的數(shù)百萬個搜索問題提供動力。 一般來說，它是一個符號數(shù)學(xué)庫，也被用于機器學(xué)習(xí)應(yīng)用，如神經(jīng)網(wǎng)絡(luò)。TensorFlow 有很多應(yīng)用，你可以在網(wǎng)上找到很多故事，比如一個日本農(nóng)民如何使用 TensorFlow 來分揀黃瓜。 項目地址： 2、Keras創(chuàng)建機器學(xué)習(xí)和基于深度學(xué)習(xí)的解決方案的主要問題之一是，實現(xiàn)它們可能很繁瑣，需要編寫許多行復(fù)雜的代碼。Keras 是一個庫，使你更容易創(chuàng)建這些深度學(xué)習(xí)解決方案。 只需幾行代碼，你就可以創(chuàng)建一個可能需要數(shù)百行傳統(tǒng)代碼的模型。 項目地址： 3、Scikit-learn這是另一個流行的機器學(xué)習(xí)的 Python 庫。事實上，Scikit-learn 是機器學(xué)習(xí)的主要庫。它有用于預(yù)處理、交叉驗證和其他類似目的的算法和模塊。 其中一些算法涉及回歸、決策樹、集合建模和非監(jiān)督學(xué)習(xí)算法，如聚類。 項目地址： 4、NumPyNumPy 是另一個用于機器學(xué)習(xí)和重度計算的精彩 Python 庫。NumPy 促進了簡單而有效的數(shù)字計算。它有許多其他的庫建立在它的基礎(chǔ)上，如 Pandas。 你至少應(yīng)該確保學(xué)習(xí) NumPy 數(shù)組，它是基本的，在機器學(xué)習(xí)、數(shù)據(jù)科學(xué)和基于人工智能的程序中有很多應(yīng)用。 項目地址： 5、SciPy這是一個用于科學(xué)和技術(shù)計算的 Python 庫。它將為你提供科學(xué)和技術(shù)計算所需的所有工具。 它有優(yōu)化、線性代數(shù)、積分、插值、特殊函數(shù)、快速傅立葉變換、信號和圖像處理、獨依賴估計求解器和其他任務(wù)等模塊。 有一個很好的免費課程來學(xué)習(xí) SciPy 與 Python：《深度學(xué)習(xí)的先決條件：Python 中的 Numpy 棧》（Deep Learning Prerequisites: The Numpy Stack in Python）。這是我的最愛，有超過 10 萬名其他開發(fā)者也報名參加了這個課程。你可以在它轉(zhuǎn)換為付費課程之前看看這個。 項目地址： 6、Matplotlib如果你需要繪圖，那么 Matlotlib 是一個選擇。它提供了一個靈活的繪圖和可視化庫，Matplotlib 很強大。但是，它很麻煩，所以，你可以選擇 Seaborn 來代替。 項目地址： 7、Pandas這是一個建立在 NumPy 之上的 Python 庫。它在數(shù)據(jù)結(jié)構(gòu)和探索性分析方面很方便。它提供的另一個重要功能是 DataFrame，一個具有潛在不同類型的列的二維數(shù)據(jù)結(jié)構(gòu)。 Pandas 將是你一直需要的最重要的庫之一，這就是為什么學(xué)好 Pandas 非常重要。 項目地址： 8、Seaborn和 Matplotlib 一樣，它也是一個很好的繪圖庫，但有了 Seaborn，繪制普通的數(shù)據(jù)可視化就比以前更容易了。 它建立在 Matplotlib 的基礎(chǔ)上，提供了一個更令人愉快的高級包裝器。你應(yīng)該學(xué)習(xí)有效的數(shù)據(jù)可視化。 項目地址： 9、OpenCV這是 Python 開發(fā)人員在計算機視覺方面的另一個重要庫。如果你不知道，計算機視覺是機器學(xué)習(xí)和人工智能中最令人興奮的領(lǐng)域之一。 它在許多行業(yè)都有應(yīng)用，如自動駕駛汽車、機器人、增強現(xiàn)實等，而 OpenCV 是最好的計算機視覺庫。 盡管你可以用許多編程語言如 C++ 來使用 OpenCV，但它的 Python 版本對初學(xué)者友好，易于使用，這使它成為一個偉大的庫，被列入這個列表。 如果你想學(xué)習(xí) Python 和 OpenCV 進行基本的圖像處理，并進行圖像分類和物體檢測，并且需要一個課程，那么我強烈建議你參加一個實踐課程，該課程將通過幾個實驗和練習(xí)教你一個 OpenCV。 項目地址： 10、PyTorch這是另一個用于數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的令人興奮和強大的 Python 庫，是每個數(shù)據(jù)科學(xué)家都應(yīng)該學(xué)習(xí)的東西。 如果你不知道，PyTorch 是 Facebook 開發(fā)的最好的深度學(xué)習(xí)庫之一，可用于深度學(xué)習(xí)應(yīng)用，如人臉識別自動駕駛汽車等。 你也可以使用 PyTorch 來構(gòu)建機器學(xué)習(xí)模型，如 NLP 和計算機視覺，僅舉幾例。你也可以使用 PyTorch 來創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)。 項目地址： 結(jié)語這就是關(guān)于數(shù)據(jù)科學(xué)、機器學(xué)習(xí)和人工智能的一些最佳 Python 庫的全部內(nèi)容。根據(jù)你在機器學(xué)習(xí)和數(shù)據(jù)科學(xué)方面的具體工作，你可以選擇這些庫來幫助你。 如果你重新開始，我建議你學(xué)習(xí) TensorFlow 或 Scikit-learn，在我看來，這是兩個最受歡迎的機器學(xué)習(xí)的主要庫。 原文鏈接： https:///articles/10-best-data-science-data-analysis-and-machine-lea |
|
|
