开发 | 用 Python 做机器学习不得不收藏的重要库

Python通常被应用统计技术或者数据分析人员当做工作中的首选语言。数据科学家也会用python作为连接自身工作与WEB 应用程序/生产环境集成中。

Python在机器学习领域非常出色。它具有一致的语法、更短的开发时间和灵活性，非常适合开发能够直接插入生产系统的复杂模型和预测引擎。

Python的一个最大的资产是其广泛的库。

库是一组用给定语言编写的程序和功能的集合。一组健壮的库可以使开发人员更容易执行复杂的任务，而无需重写许多代码。

机器学习很大程度上是基于数学。具体来说就是数学优化、统计和概率。Python库帮助那些不具备开发人员知识的研究人员/数学家轻松地“进行机器学习”。

以下是机器学习中最常用的一些库:

• Scikit-learn   经典的ML算法

Scikit-learn 是最流行的ML 库之一，他支持很多监督学习和非监督学习算法。例如：线性回归，逻辑回归，决策树，聚类 ，k-means等。

他基于两个python库：Numpy 和 Scipy 。 他为常见的机器学习和数据挖掘提供了一组算法：聚类，回归和分类。甚至像数据转换，特征选择，集成学习这样的任务也可与通过简短几行代码实现。

对于机器学习的新手来说，Scikit-learn 是一个够用的工具，直到你自己开始实现更复杂的算法。

• Tensorflow for Deep Learning 深度学习

如果你在机器学习的世界里，你可能听过，尝试过或者实现过某种形式的深度学习的算法。但是他们是必要的吗？回答可能是不必要。但是完成他们后感觉很酷对吗？ 回答是：对的！酷毙了。

Tensorflow 有趣的地方在于，当你使用python 编写代码，你可以编译和运行在你的CPU 或者GPU 上，而且你不需要写 c++或者 CUDA 的代码，就可以运行在GPUs 集群上。

他使用一个多层节点的系统，允许你快速的简历，训练，部署具有大量数据集的人工神经网络。这让谷歌能够识别照片中的物体，通过语音识别程序理解在口语中的单词。

• Theano is also for Deep Learning

Theano 是另一个用于数值计算的优秀类库，有点类似于Numpy。Theano 允许你高效的定义，优化和评估涉及多维数组的数学表达式。

使Theano 与众不同的是它利用了计算机的GPU。这使得它能够比单独在CPU上运行时快100倍进行数据密集型计算。Theano的速度使得它对于深度学习和其他复杂的计算任务特别有价值。

Theano 库的最终发布是在去年——2017年，版本1.0.0包含了许多新特性、界面更改和改进。

• Pandas  数据提取与预处理
  

panda是一个非常流行的库，它提供了简单易用且直观的高级数据结构。

它有许多内建的方法来分组、组合数据和过滤以及执行时间序列分析。

panda可以轻松地从SQL数据库、CSV、Excel、JSON文件等不同来源获取数据，并对数据进行操作。图书馆有两个主要结构:

• Series“级数”---- 一维 。

• Data Frames“数据帧”---- 二维。

如果想得知关于如何使用序列和数据看框架的更多细节，请查看的我的其他文章。

• Matplotlib用于数据可视化

如果你不能很好的与其他人交流，那么最好的，最复杂的机器学习就显得没有意义。

那么如何从这些数据中转换出价值呢?你如何激励你的业务分析师，告诉他们充满“洞察力”的“故事”?

这就是Matplotlib发挥作用的地方。它是每个数据科学家用于创建2D图形和图形的标准Python库。它是命令行简单，这意味着它需要更多的命令来生成好看的图形和数字，而不是使用一些高级库。

然而，这也带来了灵活性。有了足够的命令，您可以使用Matplotlib制作任何您想要的图形。您可以构建不同的图表，从直方图和散点图到非笛卡尔坐标图。

它支持所有操作系统上的不同GUI后端，还可以将图形导出到通用矢量和图形格式，如PDF、SVG、JPG、PNG、BMP、GIF等。

• Seaborn是另一个数据可视化库
  

Seaborn是一个流行的可视化库，它建立在Matplotlib的基础之上。它是一个高级库，这意味着更容易生成某些类型的图，包括热图、时间序列和小提琴图。

最后

这是机器学习中最重要的Python库的集合。如果您打算使用Python和数据科学，那么这些库是值得一看的，同时也值得您熟悉。

我是否错过了任何重要的Python ML库?如果是，请务必在下面的评论中提到它。尽管我试图介绍最有用的库，但可能仍然没有介绍其他一些值得研究的库。

问题或建议吗?我很想听听你的意见——请随意留言。

点击阅读原文，查看 AI/机器学习年度2018进展综述