仔细研究用于机器学习和数据科学的十大Python工具

毫无疑问，Python是最流行的语言之一，其成功的原因之一是它为科学计算提供了广泛的报道。 在这里，我们仔细研究用于机器学习和数据科学的十大Python工具。学会这些，程序员年薪百万没问题，工资都快溢出银行卡。

据调查显示，人工智能人才需求到达井喷期，真正供不应求。从业者年薪30万起 ，工智能从业者薪资水平居IT行业首位。0年经验AI工程师年薪30万起，算法工程师等年薪40万+。AI应届博士80万起！

专家们已经明确表示2019年将是人工智能和机器学习的光明年。 他们中的一些人也表达了他们的观点，“机器学习往往具有Python风格，因为它比Java更加用户友好”。

在数据科学方面，Python的语法最接近数学语法，因此，是数学家或经济学家等专业最容易理解和学习的语言。

在这里，我将介绍我的十大最有用的Python工具列表，用于机器学习和数据科学应用程序。 如果您想深入了解这两个领域的知识而且您不知道从哪里开始，那么这是您的最佳选择！ 看一下清单，选择最适合您的选择！

机器学习工具

Shogun- Shogun是一个开源机器学习工具箱，专注于支持向量机（SVM），它是用C ++编写的，它是1999年创建的最古老的机器学习工具之一！ 它提供了广泛的统一机器学习方法，其创建背后的目标是为机器学习提供透明和可访问的算法以及免费的机器学习工具给任何对该领域感兴趣的人。

Shogun提供了一个记录良好的Python界面，它主要用于统一的大规模学习，并提供高性能的速度。 但是，有些人发现它的API难以使用。

Keras- Keras是一个高级神经网络API，提供了一个Python深度学习库。 对于任何初学者来说，这是机器学习的最佳选择，因为与其他图书馆相比，它提供了一种表达神经网络的简便方法。 Keras是用Python编写的，能够运行在流行的神经网络框架之上，如TensorFlow，CNTK或Theano。

根据官方网站，Keras专注于4个主要指导原则，即用户友好性，模块化，易于扩展和使用Python。 然而，当谈到速度时，Keras比其他库更不利。

Scikit-Learn- 这是一个用于数据挖掘和数据分析的开源工具。 虽然它在本文的机器学习中列出，但它也适用于数据科学。 Scikit-Learn提供一致且易于使用的API以及网格和随机搜索。 其主要优势之一是其在玩具数据集上执行不同基准测试的速度。 Scikit-Learn的主要功能包括分类，回归，聚类，降维，模型选择和预处理。

Pattern- Pattern是一个Web挖掘模块，提供数据挖掘，自然语言处理，机器学习，网络分析和可视化的工具。 它还附带了良好的文档和超过50个示例以及350多个单元测试。 最重要的是，它是免费的！

Theano- 可以说是最成熟的Python深度学习库之一，Theano以希腊毕达哥拉斯哲学家和数学家的名字命名，据称他是毕达哥拉斯的学生，女儿或妻子。 Theano的主要功能包括与NumPy的紧密集成，GPU的透明使用，高效的符号区分，速度和稳定性优化，动态C代码生成以及广泛的单元测试和自我验证。

它提供了定义，优化和评估数学表达式的工具，并且可以在探索其数据结构的Theano上构建许多其他库。 尽管如此，与Theano合作时还存在一些缺点; 它的API可能会增加一些人的学习曲线，而另一些人认为Theano由于无法适应生产环境而不如其他图书馆效率高。

数据科学工具

SciPy- 这是一个基于Python的数学，科学和工程开源软件生态系统。 SciPy使用各种软件包，如NumPy，IPython或Pandas，为常见的数学和科学编程任务提供库。 当您想要在计算机上操作数字并显示或发布结果时，此工具是一个很好的选项，它也是免费的。

Dask- Dask是一种通过集成到其他社区项目（如NumPy，Pandas和Scikit-Learn）来为分析提供并行性的工具。 通过这种方式，您可以通过仅更改几行代码来快速并行化现有代码，因为它的DataFrame与Pandas库中的相同，其Array对象的工作方式类似于NumPy，以及。它能够并行化用纯Python编写的作业。

Numba- 此工具是一个开源优化编译器，它使用LLVM编译器基础结构将Python语法编译为机器代码。 在数据科学应用程序中使用Numba的主要优点是它在使用NumPy数组的代码时的速度，因为Numba是一个NumPy识别编译器。 与Scikit-Learn一样，Numba也适用于机器学习应用程序，因为它的加速可以在专为机器学习或数据科学应用程序特别构建的硬件上运行得更快。

HPAT- 高性能分析工具包（HPAT）是一种基于编译器的大数据框架。 它可以自动将Python中的分析/机器学习代码扩展到裸机群集/云性能，并可以使用@jit装饰器优化特定功能。

Cython- 使用数学繁重的代码或在紧密循环中运行的代码时，Cython是您的最佳选择。 Cython是一个基于Pyrex的源代码转换器，允许您轻松编写Python的C扩展。 此外，通过增加对与IPython / Jupyter笔记本集成的支持，使用Cython编译的代码可以通过内联注释在Jupyter笔记本中使用，就像任何其他Python代码一样。

人工智能实践与机器学习训练加速

如果你想更加了解Python，或者说想实践一下人工智能项目？如何让自己使用Python开发的机器学习模型快捷低成本的跑起来呢？

谷歌的另一款工具或许可以帮到你，也就是谷歌的AIY Projects 项目。在2017 年上半年，谷歌宣布了一个新的开源计划--AIY Projects（AIY计划），其目标是让每个Maker（创客）都能DIY自己的 AI 人工智能产品，让更多人能学习、探索并体验人工智能。

谷歌目前为 AIY Projects 推出了两款硬件产品--AIY Voice Kit 和 AIY Vision Kit。AIY Vision Kit（视觉套件）是一套简单的计算机视觉系统，可运行 3 种基于 TensorFlow 的类神经网路模型应用程序。

同时，谷歌还将推出专用的人工智能芯片，帮助加速和运行机器学习训练——Edge TPU 是谷歌专用的 ASIC 芯片，专为在 Edge 运行 TensorFlow Lite ML 模型而设计, 用来处理 AI 预测部分。它的特点是比训练模型的计算强度要小。针对Edge TPU的新设备是：AIY Edge TPU Dev 开发板和 AIY Edge TPU 加速器，二者皆采用 Google 的 Edge TPU 芯片。