Sissejuhatus masinõppe raamatukogudesse
Iga algoritmi nullist rakendamine on stressirohke ülesanne. Suurte andmekogumitega töötades võib töö lõpuleviimine võtta päevi või võib-olla mitu kuud! Lihtsuse huvides ehitatakse masinõppe liidesed või raamatukogud, mis aitab arendajatel masinõppe algoritme hõlpsalt ja kiiresti üles ehitada. Raamatukogud on reeglite ja funktsioonide kogum, mis kirjutatakse programmeerimiskeeltes. Need teegid säästavad palju aega, korduvat tööd, kuna nad ei jää hirmuäratavate algoritmide alla. Masinõppe raamatukogud toetavad Pythoni, mistõttu on Python saavutanud palju populaarsust ja kasvab iga päevaga endiselt kiiremini.
Masinõppe raamatukogud
Järgnevalt on toodud mõned kõige populaarsemad masinõppe teegid
- Pandad
- Tuhm
- Matplotlib
- Scikit õppida
- Meresõit
- Tensorflow
- Theano
- Keras
- PyTorch
- OpenCV
- Kolb
Tutvume nendega lühidalt!
1. Pandad
Pandas on avatud lähtekoodiga python-teek, mis pakub paindlikku, suure jõudlusega ja hõlpsasti kasutatavaid andmestruktuure nagu seeriad, andmeraamid. Python on andmete ettevalmistamisel kasulik keel, kuid andmete analüüsimisel ja modelleerimisel jääb see maha. Sellest mahajäämusest aitab Pandas kogu andmeanalüüsi töövoo Pythonis lõpule viia, ilma et peaksite lülituma muudele domeenispetsiifilistele keeltele, näiteks R. Pandas võimaldab kasutajal lugeda / kirjutada andmestikke erinevates vormingutes nagu TEXT, CSV, XLS, JSON, SQL, HTML ja palju muud. See annab suure jõudluse andmete kaevandamisel, ümberkujundamisel, alamsäästmisel, andmete joondamisel, viilimisel, indekseerimisel, andmekogumite liitmisel / ühendamisel. Kuid pandad on mälu kasutamisel ebaefektiivsed. See loob liiga palju objekte, et muuta andmete manipuleerimine lihtsaks, mis kasutab palju mälu.
2. NumPy
NumPy on kõige põhilisem andmetöötlusraamatukogu, mida kasutatakse rahvapäraselt pythoni abil teaduslikuks arvutamiseks. See võimaldab kasutajal käsitleda suuri N-mõõtmetega massiive, võimalusega teha matemaatilisi operatsioone. NumPy on kuulus käitusaja kiiruse, paralleelsuse ja vektoriseerimise võimaluste poolest. See on kasulik maatriksandmetega manipuleerimiseks, näiteks ümberkujundamine, transponerimine, kiire matemaatiline / loogiline toiming. Muud toimingud, nagu sortimine, valimine, lineaarne algebra, diskreetne Fourieri teisend ja palju muud. NumPy tarbib vähem mälu ja tagab tööaja parema käitumise. Kuid see sõltub Cythonist, mis muudab NumPy teiste C / C ++ teekidega integreerimise keerukaks.
3. Matplotlib
Matplotlib on andmete visualiseerimise raamatukogu, mis töötab tuimade, pandade ja muude interaktiivsete keskkondadega platvormidel. See loob andmete kvaliteetse visualiseerimise. Matplotlibi saab kohandada diagrammide, telgede, jooniste või trükiste joonistamiseks ning seda on lihtne kasutada jupyteri märkmikes. Matplotlibi kood võib mõnele tunduda hirmutav, kuid seda on üsna lihtne rakendada, kui kasutaja sellega harjub. Kuid matplotlibi efektiivseks kasutamiseks on vaja palju tavasid.
4. Teaduskomplekti õppimine
Sci-kit õpitavat võib pidada klassikalise masinõppe keskmeks, mis keskendub täielikult andmete modelleerimisele, selle asemel, et neid laadida, manipuleerida või kokku võtta. Mis tahes ülesande saate lihtsalt nimetada ja sci-kit õpib seda tõhusalt täitma. Üks andmekaevandamise ja andmete analüüsi kõige lihtsamaid ja tõhusamaid teeke, sci-kit learning on avatud lähtekoodiga raamatukogu, mis on üles ehitatud NumPy, SciPy & Matplotlib peale. See töötati välja osana google'i suvekoodiprojektist, millest on nüüd saanud masinõppeülesannete jaoks laialt aktsepteeritud teek. Sci-kit abil õpitavaid saab kasutada klassifitseerimise, regressiooni, rühmitamise, mõõtmete vähendamise, mudeli valiku, funktsioonide eraldamise, normaliseerimise ja palju muu ettevalmistamiseks. Üks sci-kit õppetöö puudusi on see, et kategoorilisi andmeid pole mugav kasutada.
5. Merekaru
Seaborni raamatukogu on ehitatud matplotlibi ülaosale. Seaborn võimaldab andmete visualiseerimist hõlpsalt joonistada. See tõmbab atraktiivseks, teavet genereerivad graafikud vähem koodiridadega. Seaborn pakub spetsiaalset tuge kategooriliste ja mitme muutujaga andmete koondandmete kuvamiseks.
6. Tensorflow
Google'i aju meeskonna poolt sisemiseks kasutamiseks välja töötatud TensorFlow on avatud lähtekoodiga platvorm masinõppe mudelite väljatöötamiseks ja koolitamiseks. See on ML-i teadlaste, arendajate ja tootmiskeskkondade seas laialt aktsepteeritud platvorm. Tensorflow täidab mitmesuguseid ülesandeid, sealhulgas mudeli optimeerimine, graafiline esitus, tõenäosuspõhjendus, statistiline analüüs. Tenorid on selle raamatukogu põhikontseptsioon, mis pakub vektorite ja maatriksite üldistust suure mõõtmega andmete jaoks. Tensorflow võib teha arvukalt ML-i ülesandeid, kuid seda kasutatakse väga sügavate närvivõrkude ehitamiseks.
7. Theano
Montreali instituudi poolt välja töötatud algoritmi (MILA) arendamiseks on theano python raamatukogu, mis võimaldab kasutajal hinnata matemaatilisi avaldisi N-mõõtmeliste massiividega. Jah, see sarnaneb Numpy teegiga. Ainus erinevus on see, et Numpy on abiks masinõppes, samas kui theano sobib hästi sügavaks õppimiseks. Theano pakub kiiremat arvutuskiirust kui CPU, tuvastab ja lahendab palju vigu.
8. Keras
'Sügavad närvivõrgud on lihtsaks tehtud' - see peaks olema selle teegi sildiliseks. Keras on inimestele mõeldud kasutajasõbralik, mis järgib parimat tunnetuskoormuse vähendamise protsessi. Keras pakub prototüüpimist hõlpsalt ja kiiresti. See on kõrgetasemeline närvivõrkude API, mis on kirjutatud pütoonis ja töötab CNTK, TensorFlow ja MXNET peal. Keras pakub suurt hulka juba koolitatud mudeleid. See toetab korduvaid ja konvolutsioonivõrke ning ka nende võrkude kombinatsiooni. Kasutaja saab hõlpsalt uusi mooduleid lisada, mis muudab Kerase sobivaks kõrgetasemeliseks uurimistööks. Kerase jõudlus sõltub täielikult kapoti tagaküljest (CNTK, TensorFlow ja MXNET)
9. PyTorch
PyTorchi arendas algselt välja Facebooki tehisintellekti meeskond, mis hiljem ühendas ka caffe2. Kuni TensorFlow jõudmiseni oli PyTorch ainus sügava õppe raamistik turul. See on pythoniga nii integreeritud, et seda saab kasutada koos teiste trendikateekidega, näiteks numpy, Python jne. PyTorch võimaldab kasutajal eksportida mudeleid standardses ONNX-is (Open Neural Network Exchange), et saada otsene juurdepääs ONNX-i platvormidele, tööaegadele ja rohkem.
10. OpenCV
OpenCV on arvutinägemisteek, mis on loodud arvutinägemisrakenduste keskseks taristuks ja masina tajumise parandamiseks. See raamatukogu on äriliseks kasutamiseks tasuta. OpenCV pakutavaid algoritme saab kasutada näotuvastuseks, objektide tuvastamiseks, liikuvate objektide jälgimiseks ja kaamera liikumiseks. OpenCV on kasulik kahe pildi ühendamiseks, mis võimaldavad toota suure eraldusvõimega pilte, jälgida silmade liikumist, eraldada objektide 3D-mudeleid ja teha palju muud. Sellel on võime toimida erinevatel platvormidel, see on C ++, Java ja Python liidesed toetavad Windowsi, macOS, iOS, Linux ja Android.
11. Kolb
Flaski töötas välja rahvusvaheline pütoni entusiastide rühm 2004. aastal. Kui soovite arendada veebirakendusi, võib Flask olla parim pythoni veebirakenduste raamistik. See tugineb Jinja mallmootorile ja Werkzeug WSGI tööriistakomplektile. See ühildub google'i rakenduste mootoriga ning sisaldab arendusserverit ja silurit. Mõned muud raamatukogud: - Scrapy, Plotly, Bokeh, Spacy, Dask, Gensim, andmed. laud, kohvik, NLTK, FastAI, Gluon ja nimekiri võivad jätkuda.
Järeldus
Niisiis, see artikkel andis ülevaate praegustest masinõppe raamatukogudest, nende kasutusvõimalustest ja ka mõningatest puudustest. Arutasime erinevaid raamatukogusid, mis võivad läbi viia tüütut ülesannet, näiteks maatriksi arvutused, andmete kaevandamine, andmete visualiseerimine ja näotuvastus. Kuid te ei tohiks piirduda ainult nende raamatukogudega. Turul on saadaval arvukalt vingeid raamatukogusid.
Soovitatavad artiklid
See on olnud masinõppe raamatukogude juhend. Siin käsitleme masinõppe tutvustamist ja erinevaid raamatukogusid. Lisateavet leiate ka meie muudest soovitatud artiklitest -
- Masinõppe arhitektuur
- Masinõppe tüübid
- Karjäär masinõppes
- Masinõppega intervjuu küsimused
- Hüperparameetri masinõpe
- Mitme muutujaga regressioon