Python AI 和机器学习库

引言

这是我们学习 Python 及其在机器学习 (ML) 和人工智能 (AI) 中的应用系列文章的第四个模块。我们已经完成了Python 基础知识的学习，现在可以了解有哪些可用于处理 AI 和 ML 任务的库。

请注意，这更像是一个 Python 库的清单，其中包含可以了解更多信息的链接。我们将在以后的模块中深入探讨使用这些库的示例。

NLTK

NLTK（自然语言工具包）提供了许多用于处理自然语言处理 (NLP) 的软件包，自然语言处理是人工智能的一个分支，涉及计算语言学，专注于理解和解释书写的人类语言。 使用 NLTK，您可以分析句子、对单词进行分类、执行情感分析等等。

OpenCV

OpenCV（开放计算机视觉）是一个用于优化实时计算机视觉和机器学习的库。 它可以利用过滤器和转换来处理图像、检测特征并从图像中提取数据；它用于诸如光学字符识别 (OCR)、人脸检测、对象跟踪等应用程序。

Keras

Keras 是一个用于 Python 中深度学习和神经网络的高级库。它运行在 TensorFlow、Theano 或 CNTK 深度学习框架之上。 与单独使用 TensorFlow 或使用 PyTorch 框架相比，Keras 获得了很大的普及，因为它是这三者中最容易使用的一种，可以快速构建深度学习项目的原型。

TensorFlow

TensorFlow 是一个用于开发和训练机器学习模型的开源库。它提供高级和低级 API。 与 Keras 相比，它具有更高的性能，因此更常用于大型数据集。 Keras 现在作为 TensorFlow 的高级 API 包含在 TensorFlow 工具包中，用于构建和训练深度学习模型的原型。

PyTorch

PyTorch 是一个深度学习框架。它侧重于张量计算（类似于 NumPy，但使用 GPU 加速）和深度神经网络。

scikit-learn

scikit-learn 是一个库，提供了各种“传统”的机器学习方法（线性模型、支持向量机、决策树等）。 然而，它不包含深度学习功能，因为深度学习相当专业，并且机器学习库通常侧重于深度学习或传统的机器学习方法。 这使得 scikit-learn 与 Keras、TensorFlow 和 PyTorch 完全不同。

NumPy 和 SciPy

NumPy 和 SciPy 不是专门用于机器学习的库，但它们是本概述的重要组成部分，因为它们提供了科学计算的基本工具。

NumPy 提供强大的 N 维数组、线性代数、傅里叶变换，并与其他库（如 OpenCV）顺利协同工作（这并不奇怪，因为它们都是建立在 NumPy 之上的）。

SciPy 在 NumPy 的数组之上工作，并提供用于数值分析的函数，例如插值、优化、积分、微分方程求解器、统计等。

Matplotlib

Matplotlib 是一个用于在 Python 中创建可视化的库。您可以使用它来创建静态、动画或交互式图表和图形，可以是 2D 或 3D 的。

Pandas

Pandas 是一个用于数据分析和操作的库。它可以读取/写入多种不同格式的文件，并提供许多功能来管理您的数据：索引、选择、合并、重塑等等。

如何选择？

如您所见，您有很多选择。

如果您是企业开发人员，您可能需要选择高级库，例如 NLTK、OpenCV 或 Keras。 这将使您能够尽快步入正轨。

诸如 TensorFlow 或 PyTorch 的更高级别部分之类的库可以帮助您构建神经网络，而无需担心低级别的复杂性。

低级解决方案，例如 TensorFlow 的某些部分，或者使用 NumPy 完成所有操作，通常需要更多的工作，因此交付解决方案需要更长的时间，并且这些解决方案更难维护。

后续步骤

现在我们已经了解了可用库的概述，我们可以深入学习如何使用它们。 接下来的四个模块将讨论 OpenCV、NLTK、Keras、SciPy、NumPy 和 TensorFlow 的用法。