Лучшие библиотеки Python для машинного обучения

Опубликовано: 25 Июля, 2021

Машинное обучение, как следует из названия, - это наука о программировании компьютера, с помощью которого они могут учиться на различных типах данных. Артур Самуэль дал более общее определение: «Машинное обучение - это область обучения, которая дает компьютерам возможность учиться без явного программирования». Обычно они используются для решения различных жизненных проблем.
Раньше люди выполняли задачи машинного обучения, вручную кодируя все алгоритмы и математические и статистические формулы. Это делало процесс трудоемким, утомительным и неэффективным. Но в наши дни это стало намного проще и эффективнее по сравнению с былыми днями с помощью различных библиотек, фреймворков и модулей Python. Сегодня Python является одним из самых популярных языков программирования для этой задачи, и он заменил многие языки в отрасли, одной из причин этого является его обширная коллекция библиотек. Библиотеки Python, которые используются в машинном обучении:

  • Numpy
  • Scipy
  • Scikit-Learn
  • Theano
  • TensorFlow
  • Керас
  • PyTorch
  • Панды
  • Матплотлиб

Numpy


NumPy - очень популярная библиотека Python для обработки больших многомерных массивов и матриц с помощью большого набора математических функций высокого уровня. Это очень полезно для фундаментальных научных вычислений в машинном обучении. Это особенно полезно для возможностей линейной алгебры, преобразования Фурье и случайных чисел. Высококачественные библиотеки, такие как TensorFlow, внутренне используют NumPy для управления тензорами.




# Python program using NumPy
# for some basic mathematical
# operations
import numpy as np
# Creating two arrays of rank 2
x = np.array([[ 1 , 2 ], [ 3 , 4 ]])
y = np.array([[ 5 , 6 ], [ 7 , 8 ]])
# Creating two arrays of rank 1
v = np.array([ 9 , 10 ])
w = np.array([ 11 , 12 ])
# Inner product of vectors
print (np.dot(v, w), " " )
# Matrix and Vector product
print (np.dot(x, v), " " )
# Matrix and matrix product
print (np.dot(x, y))

Выход:

219 

[29 67] 

[[19 22]
 [43 50]]

Для получения более подробной информации обратитесь к Numpy.

SciPy


SciPy - очень популярная библиотека среди энтузиастов машинного обучения, поскольку она содержит различные модули для оптимизации, линейной алгебры, интеграции и статистики. Есть разница между библиотекой SciPy и стеком SciPy. SciPy - один из основных пакетов, составляющих стек SciPy. SciPy также очень полезен для обработки изображений.




# Python script using Scipy 
# for image manipulation
  
from scipy.misc import imread, imsave, imresize
  
# Read a JPEG image into a numpy array
img = imread("D:/Programs / cat.jpg") # path of the image
print(img.dtype, img.shape)
  
# Tinting the image
img_tint = img * [1, 0.45, 0.3]
  
# Saving the tinted image
imsave("D:/Programs / cat_tinted.jpg", img_tint)
  
# Resizing the tinted image to be 300 x 300 pixels
img_tint_resize = imresize(img_tint, (300, 300))
  
# Saving the resized tinted image
imsave("D:/Programs / cat_tinted_resized.jpg", img_tint_resize)

Исходное изображение:

Тонированное изображение:

Изменен размер тонированного изображения:

Для получения более подробной информации обратитесь к документации.

Scikit-Learn


Skikit-learn - одна из самых популярных библиотек машинного обучения для классических алгоритмов машинного обучения. Он построен на основе двух базовых библиотек Python, а именно NumPy и SciPy. Scikit-learn поддерживает большинство контролируемых и неконтролируемых алгоритмов обучения. Scikit-learn также можно использовать для интеллектуального анализа и анализа данных, что делает его отличным инструментом для начинающих с машинного обучения.




# Python script using Scikit-learn
# for Decision Tree Clasifier
# Sample Decision Tree Classifier
from datasets import sklearn
from sklearn import metrics
from sklearn.tree import DecisionTreeClassifier
# load the iris datasets
dataset = datasets.load_iris()
# fit a CART model to the data
model = DecisionTreeClassifier()
model.fit(dataset.data, dataset.target)
print (model)
# make predictions
expected = dataset.target
predicted = model.predict(dataset.data)
# summarize the fit of the model
print (metrics.classification_report(expected, predicted))
print (metrics.confusion_matrix(expected, predicted))

Выход:

DecisionTreeClassifier (class_weight = None, критерий = 'gini', max_depth = None,
            max_features = Нет, max_leaf_nodes = Нет,
            min_impurity_decrease = 0,0, min_impurity_split = Нет,
            min_samples_leaf = 1, min_samples_split = 2,
            min_weight_fraction_leaf = 0,0, предварительная сортировка = False, random_state = None,
            splitter = 'лучший')
              точный отзыв поддержка f1-score

           0 1,00 1,00 1,00 50
           1 1,00 1,00 1,00 50
           2 1,00 1,00 1,00 50

   микро средн. 1,00 1,00 1,00 150
   макрос в среднем 1,00 1,00 1,00 150
средневзвешенный 1,00 1,00 1,00 150

[[50 0 0]
 [0 50 0]
 [0 0 50]]


Для получения более подробной информации обратитесь к документации.

Theano


Все мы знаем, что машинное обучение - это в основном математика и статистика. Theano - популярная библиотека Python, которая используется для эффективного определения, оценки и оптимизации математических выражений, включающих многомерные массивы. Это достигается за счет оптимизации использования CPU и GPU. Он широко используется для модульного тестирования и самопроверки для обнаружения и диагностики различных типов ошибок. Theano - это очень мощная библиотека, которая долгое время использовалась в крупномасштабных научных проектах с интенсивными вычислениями, но при этом проста и достаточно доступна для использования отдельными людьми в своих собственных проектах.




# Python program using Theano
# for computing a Logistic
# Function
import theano
import theano.tensor as T
x = T.dmatrix( 'x' )
s = 1 / ( 1 + T.exp( - x))
logistic = theano.function([x], s)
logistic([[ 0 , 1 ], [ - 1 , - 2 ]])

Выход:

массив ([[0,5, 0,73105858],
       [0,26894142, 0,11920292]])

Для получения более подробной информации обратитесь к документации.

TensorFlow


TensorFlow - очень популярная библиотека с открытым исходным кодом для высокопроизводительных численных вычислений, разработанная командой Google Brain в Google. Как следует из названия, Tensorflow - это фреймворк, который включает определение и выполнение вычислений с использованием тензоров. Он может обучать и запускать глубокие нейронные сети, которые можно использовать для разработки нескольких приложений искусственного интеллекта. TensorFlow широко используется в области исследований и приложений глубокого обучения.




# Python program using TensorFlow
# for multiplying two arrays
# import `tensorflow`
import tensorflow as tf
# Initialize two constants
x1 = tf.constant([ 1 , 2 , 3 , 4 ])
x2 = tf.constant([ 5 , 6 , 7 , 8 ])
# Multiply
result = tf.multiply(x1, x2)
# Initialize the Session
sess = tf.Session()
# Print the result
print (sess.run(result))
# Close the session
sess.close()

Выход:

[5 12 21 32]

Для получения более подробной информации обратитесь к документации.

Керас


Keras - очень популярная библиотека машинного обучения для Python. Это высокоуровневый API нейронных сетей, способный работать поверх TensorFlow, CNTK или Theano. Он может без проблем работать как на CPU, так и на GPU. Keras помогает новичкам в ML создавать и проектировать нейронную сеть. Одна из лучших особенностей Keras - это то, что он позволяет легко и быстро создавать прототипы.

Для получения более подробной информации обратитесь к документации.

PyTorch


PyTorch - популярная библиотека машинного обучения с открытым исходным кодом для Python, основанная на Torch, которая представляет собой библиотеку машинного обучения с открытым исходным кодом, которая реализована на C с оболочкой в Lua. Он имеет широкий выбор инструментов и библиотек, которые поддерживают компьютерное зрение, обработку естественного языка (NLP) и многие другие программы машинного обучения. Это позволяет разработчикам выполнять вычисления на тензорах с ускорением графического процессора, а также помогает в создании вычислительных графов.




# Python program using PyTorch
# for defining tensors fit a
# two-layer network to random
# data and calculating the loss
import torch
dtype = torch. float
device = torch.device( "cpu" )
# device = torch.device("cuda:0") Uncomment this to run on GPU
# N is batch size; D_in is input dimension;
# H is hidden dimension; D_out is output dimension.
N, D_in, H, D_out = 64 , 1000 , 100 , 10
# Create random input and output data
x = torch.randn(N, D_in, device = device, dtype = dtype)
y = torch.randn(N, D_out, device = device, dtype = dtype)
# Randomly initialize weights
w1 = torch.randn(D_in, H, device = device, dtype = dtype)
w2 = torch.randn(H, D_out, device = device, dtype = dtype)
learning_rate = 1e - 6
for t in range ( 500 ):
# Forward pass: compute predicted y
h = x.mm(w1)
h_relu = h.clamp( min = 0 )
y_pred = h_relu.mm(w2)
# Compute and print loss
loss = (y_pred - y). pow ( 2 ). sum ().item()
print (t, loss)
# Backprop to compute gradients of w1 and w2 with respect to loss
grad_y_pred = 2.0 * (y_pred - y)
grad_w2 = h_relu.t().mm(grad_y_pred)
grad_h_relu = grad_y_pred.mm(w2.t())
grad_h = grad_h_relu.clone()
grad_h[h < 0 ] = 0
grad_w1 = xt().mm(grad_h)
# Update weights using gradient descent
w1 - = learning_rate * grad_w1
w2 - = learning_rate * grad_w2

Выход:

0 47168344,0
1 46385584,0
2 43153576,0
...
...
...
497 3.987660602433607e-05
498 3.945609932998195e-05
499 3.897604619851336e-05

Для получения более подробной информации обратитесь к документации.

Панды


Pandas - популярная библиотека Python для анализа данных. Это не имеет прямого отношения к машинному обучению. Как мы знаем, набор данных необходимо подготовить перед обучением. В этом случае вам пригодится Pandas, поскольку он был разработан специально для извлечения и подготовки данных. Он предоставляет высокоуровневые структуры данных и широкий спектр инструментов для анализа данных. Он предоставляет множество встроенных методов для поиска, объединения и фильтрации данных.




# Python program using Pandas for
# arranging a given set of data
# into a table
# importing pandas as pd
import pandas as pd
data = { "country" : [ "Brazil" , "Russia" , "India" , "China" , "South Africa" ],
"capital" : [ "Brasilia" , "Moscow" , "New Dehli" , "Beijing" , "Pretoria" ],
"area" : [ 8.516 , 17.10 , 3.286 , 9.597 , 1.221 ],
"population" : [ 200.4 , 143.5 , 1252 , 1357 , 52.98 ] }
data_table = pd.DataFrame(data)
print (data_table)

Выход:

Для получения более подробной информации обратитесь к Pandas.

Матплотлиб


Matpoltlib - очень популярная библиотека Python для визуализации данных. Как и Pandas, он не имеет прямого отношения к машинному обучению. Это особенно удобно, когда программист хочет визуализировать закономерности в данных. Это библиотека 2D-графиков, используемая для создания 2D-графиков и графиков. Модуль под названием pyplot упрощает для программистов построение графиков, поскольку он предоставляет функции для управления стилями линий, свойствами шрифтов, осями форматирования и т. Д. Он предоставляет различные виды графиков и графиков для визуализации данных, а именно, гистограммы, диаграммы ошибок, гистограммы. , так далее,




# Python program using Matplotib
# for forming a linear plot
# importing the necessary packages and modules
import matplotlib.pyplot as plt
import numpy as np
# Prepare the data
x = np.linspace( 0 , 10 , 100 )
# Plot the data
plt.plot(x, x, label = 'linear' )
# Add a legend
plt.legend()
# Show the plot
plt.show()

Выход:

Для получения более подробной информации обратитесь к документации.

Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.

Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.

РЕКОМЕНДУЕМЫЕ СТАТЬИ