Red de conocimiento informático - Problemas con los teléfonos móviles - Cómo utilizar la biblioteca de aprendizaje automático de Python

Cómo utilizar la biblioteca de aprendizaje automático de Python

1. Scikit-learn (principalmente recomendado)

www. github. com/scikit-learn/scikit-learn

Scikit-learn es un módulo de Python para aprendizaje automático basado en Scipy. Cuenta con una amplia gama de algoritmos de clasificación, regresión y agrupamiento, que incluyen máquinas de vectores de soporte, regresión logística, clasificadores Bayes ingenuos, bosques aleatorios, aumento de gradiente, algoritmos de agrupamiento y DBSCAN. Y también diseñó las bibliotecas científicas y numéricas de Python Numpy y Scipy 2, Keras (aprendizaje profundo).

/fchollet/keras

Keras es un marco de aprendizaje profundo basado en Theano. Su diseño hace referencia a Torch y está escrito en lenguaje Python. Es una biblioteca de redes neuronales altamente modular que admite GPU y CPU.

3. Lasaña (Deep Learning)

No solo es un delicioso plato italiano, sino también una biblioteca de aprendizaje profundo con funciones similares a Keras, pero su diseño es algo diferente a ellas. .

4.Pylearn2

www. github. com/lisa-lab/pylearn2

Pylearn es una biblioteca basada en Theano que simplifica la investigación del aprendizaje automático. Encapsula muchos modelos y algoritmos de entrenamiento de uso común en la investigación de aprendizaje profundo e inteligencia artificial, como el descenso de gradiente estocástico, en un único paquete experimental.

5. github. com/numenta/nupic

NuPIC es una plataforma de inteligencia artificial que utiliza el algoritmo de aprendizaje HTM como herramienta. HTM es un método para calcular con precisión la corteza. El núcleo de HTM es un algoritmo de aprendizaje continuo basado en el tiempo y el almacenamiento y extracción de patrones espaciotemporales. NuPIC es adecuado para una variedad de problemas, especialmente para la detección de anomalías y la predicción de fuentes de datos de transmisión.

6. github. com/nilearn/nilearn

Nilearn es un módulo de Python que permite un rápido aprendizaje estadístico de datos de neuroimagen. Realiza estadísticas multivariadas utilizando la caja de herramientas scikit-learn para el lenguaje Python y varias aplicaciones para modelado predictivo, clasificación, decodificación y análisis de conectividad.

7.PyBrain

www. github. com/pybrain/pybrain

Pybrain es la abreviatura de biblioteca de aprendizaje por refuerzo, inteligencia artificial y redes neuronales basada en el lenguaje Python. Su objetivo es proporcionar algoritmos de aprendizaje automático flexibles, fáciles de usar y potentes y comparar sus algoritmos a través de varias pruebas en entornos predefinidos.

8. Modo

www. github. com/clips/Pattern

Pattern es un módulo de minería de red del lenguaje Python. Proporciona herramientas para minería de datos, procesamiento de lenguaje natural, análisis de redes y aprendizaje automático. Admite modelos de espacio vectorial, agrupación, máquinas de vectores de soporte y perceptrones, y utiliza el método de clasificación KNN para la clasificación.

9. Combustible

www. github. com/mila-udem/fuel

Fuel proporciona datos para sus modelos de aprendizaje automático. Tiene una interfaz para disfrutar de conjuntos de datos como MNIST, CIFAR-10 (conjunto de datos de imágenes) y Billion Words (texto) de Google. Puede usarlo para reemplazar sus propios datos de varias maneras.

10. Subir y bajar

www. github. com/idiap/bob

Bob es una herramienta gratuita para procesamiento de señales y aprendizaje automático.

Su caja de herramientas está escrita en Python y C y está diseñada para ser más eficiente y reducir el tiempo de desarrollo. Consiste en una gran cantidad de paquetes de software para herramientas de procesamiento de imágenes, procesamiento de audio y video, aprendizaje automático y reconocimiento de patrones.

11.Skdata

www. github. com/jaberg/skdata

Skdata es un programa de biblioteca de conjuntos de datos para aprendizaje automático y estadísticas. Este módulo proporciona el uso del lenguaje Python estándar en problemas de juguetes, visión por computadora popular y conjuntos de datos en lenguaje natural.

12.Leche

www. github. com/luispedro/milk

MILK es un conjunto de herramientas de aprendizaje automático para el lenguaje Python. Utiliza principalmente clasificación supervisada entre las muchas clasificaciones disponibles, como SVMS, K-NN, Random Forest y Decision Tree. También realiza la selección de funciones. Estos clasificadores se pueden combinar de muchas maneras para formar diferentes sistemas de clasificación, como el aprendizaje no supervisado, la propagación de similitudes y la agrupación de K-medias respaldada por MILK.

13.IEPY

www. github. com/machinalis/iepy

IEPY es una herramienta de extracción de información de código abierto que se centra en la extracción de relaciones. Está dirigido principalmente a usuarios que necesitan extraer información de grandes conjuntos de datos y a científicos que quieran probar nuevos algoritmos.

14. github. com/machinalis/quepy

Quepy es un marco de Python que utiliza un lenguaje de consulta de base de datos para realizar consultas cambiando preguntas en lenguaje natural. Se puede definir simplemente como diferentes tipos de preguntas en lenguaje natural y consultas de bases de datos. Por lo tanto, puede crear su propio sistema para acceder a su base de datos en lenguaje natural sin codificación.

Quepy ahora soporta los lenguajes de consulta Sparql y MQL. Hay planes para extenderlo a otros lenguajes de consulta de bases de datos.

15. github. com/hannes-brt/hebel

Hebel es un programa de biblioteca para el aprendizaje profundo de redes neuronales en lenguaje Python. Utiliza PyCUDA para acelerar GPU y CUDA. Es la herramienta más importante para los modelos de redes neuronales y puede proporcionar funciones de activación para algunas funciones de actividad diferentes, como potencia, potencia de Nesterov, pérdida de señal y métodos de parada.

16.mlxtend

www. github. com/rasbt/mlxtend

Es un programa de biblioteca que consta de herramientas y extensiones útiles para las tareas diarias de ciencia de datos.

17

www. github. com/dnouri/nolearn

Este paquete contiene una gran cantidad de módulos prácticos que pueden ayudarlo a completar tareas de aprendizaje automático. Muchos de estos módulos funcionan con scikit-learn, mientras que otros suelen ser más útiles.

18. Difundir

www. github. com/kvh/ramp

Ramp es un programa de biblioteca que utiliza Python para diseñar una solución para acelerar la creación de prototipos en el aprendizaje automático. Es un marco liviano y conectable para el aprendizaje automático basado en pandas y sus herramientas estadísticas y de aprendizaje automático en lenguaje Python existentes (como scikit-learn, rpy2, etc.). Ramp proporciona una función de exploración de sintaxis declarativa simple, lo que permite algoritmos y transformaciones. implementado de manera rápida y eficiente.

19. Falsificación de reportajes

www. github. com/machinalis/featureforge

Esta familia de herramientas crea y prueba funciones de aprendizaje automático a través de una API compatible con scikit-learn.

Esta biblioteca proporciona un conjunto de herramientas que serán útiles en muchos programas de aprendizaje automático. Cuando utilice esta herramienta scikit-learn, sentirá que ha recibido una gran ayuda. (Aunque esto sólo funciona si tienes un algoritmo diferente). 20. Representa

www. github. com/yandex/rep

REP es un entorno para dirigir los controladores de movimiento de datos de manera armoniosa y actualizable.

Cuenta con un paquete clasificador unificado para proporcionar diversas operaciones como TMVA TMVA, Sklearn, XGBoost, uBoost, etc. Y puede entrenar clasificadores en un grupo de forma paralela. También ofrece una trama interactiva.

21. Muestras de máquinas de aprendizaje Python

Www.github.com/awslabs/machine-learning-samples es una colección simple de software creada por Machine Learning de Amazon.

22.Python-ELM

www. github. com/dclambert/Python-ELM

Esta es una máquina de aprendizaje extremo implementada en lenguaje Python basada en scikit-learn.

23.gensim

Implementación en Python del modelo temático

Semántica estadística extensible

Analizar la estructura semántica de documentos de texto sin formato para recuperar la semántica Documentos similares