Úvod do knižníc strojového učenia
Implementácia každého algoritmu od nuly je stresujúca úloha. Pri práci s veľkými množinami údajov môže dokončenie vašej práce trvať niekoľko dní alebo možno mesiace! Na uľahčenie sú vytvorené rozhrania alebo knižnice strojového učenia, ktoré vývojárom pomáhajú vývojárom ľahko a rýchlo vytvárať algoritmy strojového učenia. Knižnice sú súborom pravidiel a funkcií, ktoré sú napísané v programovacích jazykoch. Tieto knižnice šetria veľa času a opakovanej práce tým, že sa nedostanú pod kapotu skľučujúcich algoritmov. Knižnice strojového učenia podporujú Python, čo je dôvod, prečo si Python získal veľa popularity a stále rastie rýchlejšie zo dňa na deň.
Knižnice strojového učenia
Nasledujú niektoré z najpopulárnejších knižníc strojového učenia
- pandy
- numpy
- Matplotlib
- Scikit učiť
- Seaborne
- Tensorflow
- Theano
- KERAS
- PyTorch
- OpenCV
- banka
Poznajme ich v skratke!
1. Pandy
Pandas je otvorená pythonová knižnica, ktorá poskytuje flexibilné, vysokovýkonné a ľahko použiteľné dátové štruktúry, ako sú série a dátové rámce. Python je užitočný jazyk na prípravu údajov, ale zaostáva, pokiaľ ide o analýzu a modelovanie údajov. Na prekonanie tohto oneskorenia pomáha spoločnosť Pandas dokončiť celý pracovný postup analýzy údajov v Pythone bez toho, aby prešla na iné jazyky špecifické pre danú doménu, napríklad R. Pandas umožňuje užívateľovi čítať / zapisovať datové súbory v rôznych formátoch ako TEXT, CSV, XLS, JSON, SQL, HTML a mnoho ďalších. Poskytuje vysoký výkon pri získavaní údajov, zmene tvaru, čiastkových nastaveniach, zarovnávaní údajov, krájaní, indexovaní, zlúčení / spájaní dátových súborov. Ale pandy sú neefektívne, pokiaľ ide o využitie pamäte. Vytvára príliš veľa objektov na uľahčenie manipulácie s dátami, ktoré využívajú veľkú pamäť.
2. NumPy
NumPy je najzákladnejšia knižnica na spracovanie údajov, ktorá sa bežne používa na vedecké práce s počítačmi python. Umožňuje používateľovi spracovať veľké N-dimenzionálne pole so schopnosťou vykonávať matematické operácie. NumPy je známy svojou rýchlosťou vykonávania runtime, paralelizáciou a vektorizáciou. Je to užitočné pri manipulácii s maticovými údajmi, ako je zmena tvaru, transpozícia, rýchle matematické / logické operácie. Ďalšie operácie ako triedenie, výber, základná lineárna algebra, diskrétna Fourierova transformácia a oveľa viac. NumPy spotrebuje menej pamäte a poskytuje lepšie behové správanie. Závisí to však od Cythonu, ktorý spôsobuje, že NumPy je ťažké integrovať do iných knižníc C / C ++.
3. Matplotlib
Matplotlib je knižnica vizualizácie dát, ktorá pracuje s numpy, pandami a inými interaktívnymi prostrediami naprieč platformami. Vytvára vysoko kvalitnú vizualizáciu údajov. Matplotlib je možné prispôsobiť tak, aby vykreslil mapy, osi, obrázky alebo publikácie a dá sa ľahko používať v notebookoch jupyter. Kód pre matplotlib môže vyzerať skľučujúco, ale je pomerne ľahké ho implementovať, keď si naň užívateľ zvykne. Efektívne využívanie matplotlibu však vyžaduje veľa praxe.
4. Sci-kit učiť
Sci-kit sa môže považovať za srdce klasického strojového učenia, ktoré je úplne zamerané na modelovanie údajov namiesto ich načítania, manipulácie alebo sumarizácie. Akákoľvek úloha, ktorú len pomenujete a sci-kit learn to dokáže efektívne. Jednou z najjednoduchších a najefektívnejších knižníc na dolovanie a analýzu údajov je sci-kit learn. Je to knižnica s otvoreným zdrojom, ktorá je postavená na platformách NumPy, SciPy a Matplotlib. Bol vyvinutý ako súčasť projektu letného kódu google, ktorý sa teraz stal široko akceptovanou knižnicou pre úlohy strojového učenia. Sci-kit sa môže použiť na prípravu klasifikácie, regresie, zoskupovania, zmenšenia rozmerov, výberu modelu, extrakcie prvkov, normalizácie a oveľa viac. Jednou z nevýhod učenia sci-kit je, že nie je vhodné využívať kategorické údaje.
5. Morské plody
Morská knižnica je postavená na vrchole matplotlibu. Seaborn uľahčuje vykreslenie vizualizácie dát. Je to atraktívne, informácie generujúce grafy s menším počtom riadkov kódu. Seaborn má osobitnú podporu pre kategorické a viacrozmerné údaje, ktoré ukazujú súhrnnú štatistiku.
6. Tensorflow
TensorFlow bol vyvinutý tímom mozgov spoločnosti Google pre jeho interné použitie a je platformou s otvoreným zdrojovým kódom na vývoj a školenie modelov strojového učenia. Je to široko akceptovaná platforma medzi výskumníkmi, vývojármi a výrobnými prostrediami ML. Tensorflow vykonáva rôzne úlohy vrátane optimalizácie modelu, grafického znázornenia, pravdepodobnostného zdôvodnenia, štatistickej analýzy. Tenzory sú základným konceptom tejto knižnice, ktorá poskytuje zovšeobecnenie vektorov a matíc pre vysokorozmerné údaje. Tensorflow môže robiť mnoho úloh ML, ale je veľmi používaný na budovanie hlbokých neurónových sietí.
7. Theano
Theano, vyvinuté Montrealským inštitútom pre výučbový algoritmus (MILA), je pythonovou knižnicou, ktorá umožňuje užívateľovi hodnotiť matematické výrazy pomocou N-dimenzionálnych polí. Áno, je to podobné ako knižnica Numpy. Jediný rozdiel je, že Numpy je užitočný pri strojovom učení, zatiaľ čo divadlo funguje dobre pre hlboké učenie. Theano poskytuje rýchlejšiu výpočtovú rýchlosť ako CPU, detekuje a rieši mnoho chýb.
8. Keras
„Hlboké neurónové siete sú ľahké“ - to by malo byť označenie tejto knižnice. Keras je užívateľsky prívetivý navrhnutý pre ľudí, ktorý sleduje najlepší proces znižovania kognitívnej záťaže. Keras poskytuje jednoduché a rýchle prototypovanie. Jedná sa o vysokoúrovňové API pre neurónové siete, ktoré je napísané v pythone a beží na vrchole CNTK, TensorFlow a MXNET. Keras ponúka veľké množstvo už vopred trénovaných modelov. Podporuje opakujúce sa a konvolučné siete a kombináciu oboch sietí. Užívateľ môže ľahko pridať nové moduly, vďaka čomu je Keras vhodný pre výskum na vysokej úrovni. Výkon systému Keras úplne závisí od zadných krytov kapiel (CNTK, TensorFlow a MXNET).
9. PyTorch
PyTorch bol pôvodne vyvinutý tímom umelej inteligencie Facebooku, ktorý sa neskôr kombinoval s caffe2. Pokiaľ neprišiel TensorFlow, bol PyTorch jediným hlbokým vzdelávacím rámcom na trhu. Je tak integrovaný s pythonom, že môže byť použitý s inými trendovými knižnicami ako numpy, Python, atď. PyTorch umožňuje užívateľovi exportovať modely v štandardnej ONNX (Open Neural Network Exchange), aby získal priamy prístup k platformám ONNX, runtime a viac.
10. OpenCV
OpenCV je knižnica počítačového videnia, ktorá je navrhnutá tak, aby poskytovala centrálnu infraštruktúru pre aplikácie počítačového videnia a zlepšovala vnímanie strojov. Táto knižnica je zadarmo na komerčné použitie. Algoritmy poskytované OpenCV sa dajú použiť na detekciu tváre, identifikáciu objektu, sledovanie pohybujúcich sa objektov a pohyby kamery. OpenCV je užitočné na spojenie dvoch obrázkov, ktoré dokážu vytvárať obrázky s vysokým rozlíšením, sledovať pohyby očí, extrahovať 3D modely objektov a oveľa viac. Má schopnosť pôsobiť na rôznych platformách, rozhrania C ++, Java a Python môžu podporovať systémy Windows, MacOS, iOS, Linux a Android.
11. Banka
Flask bol vyvinutý skupinou medzinárodných nadšencov pythonu v roku 2004. Ak chcete vyvíjať webové aplikácie, môže byť Flask najlepším rámcom webových aplikácií pre Python. Spolieha sa na stroj šablóny Jinja a sadu nástrojov Werkzeug WSGI. Je kompatibilný s motorom aplikácií Google a obsahuje vývojový server a debugger. Niektoré ďalšie knižnice: - Scrapy, Plotly, Bokeh, Spacy, Dask, Gensim, dáta. tabuľky, Caffe, NLTK, FastAI, Gluon a zoznam môžu pokračovať ďalej a ďalej.
záver
Tento článok poskytol prehľad súčasných knižníc strojového vzdelávania, ich použitia a niektoré nevýhody. Diskutovali sme o rôznych knižniciach, ktoré môžu vykonávať zdĺhavé úlohy, ako sú výpočty Matice, získavanie údajov, vizualizácia údajov a detekcia tváre. Nemali by ste sa však obmedzovať len na tieto knižnice. Na trhu je veľa úžasných knižníc.
Odporúčané články
Toto bol návod pre knižnice strojového učenia. Tu diskutujeme predstavenie a rôzne knižnice strojového učenia. Viac informácií nájdete aj v ďalších navrhovaných článkoch -
- Architektúra strojového učenia
- Druhy strojového učenia
- Kariéra v strojovom vzdelávaní
- Otázky týkajúce sa rozhovoru o strojovom učení
- Hyperparameter Machine Learning
- Viacrozmerná regresia