Home-theater-designers
L’aprenentatge automàtic s’ha convertit en el centre de discussió de la intel·ligència artificial actual. Toca tots els camps, inclosos els de l’enginyeria, la medicina, els negocis, les ciències socials i molt més.
Utilitzant les diverses biblioteques d’aprenentatge automàtic disponibles avui en dia, l’aprenentatge automàtic amb Python, C ++, Java, Julia i R, entre d’altres, és més fàcil que mai. Aquí teniu algunes biblioteques populars d’aprenentatge automàtic amb les quals podeu començar si voleu endinsar-vos en aquesta prometedora trajectòria professional.
1. Difícil
Difícil forma part de les extenses utilitats d’aprenentatge automàtic de TensorFlow. Però és diferent pel fet que és una API de nivell superior que s’inclou amb TensorFlow. A més, és més amigable amb els humans i està escrit amb Python. Per tant, és més implementable, ja que ofereix una documentació concisa que es pot reduir fàcilment per als principiants d’aprenentatge automàtic.
Tanmateix, Keras ofereix una àmplia gamma de funcionalitats d’aprenentatge automàtic, perfectes per formar tant dades estructurades com suports en brut. La biblioteca, però, abasta algorismes basats en imatges i text per entrenar i provar el vostre conjunt de dades.
Una característica única de Keras és que us manté centrat en la biblioteca, ja que proporciona tot el que necessiteu per al vostre projecte en una sola peça. De manera que gairebé no necessiteu derivar-vos per demanar prestats serveis públics a altres biblioteques. La sintonització d’hiperparamètrics, la selecció de funcions, les capes de processament de dades riques i la neteja de dades són algunes de les seves funcions incorporades espectacularment.
Amb Keras, podeu llegir imatges i textos directament de carpetes dividides en un directori principal i obtenir-ne un conjunt de dades etiquetat. I si les vostres dades són grans i no es mantenen a la memòria de la màquina, Keras ofereix una opció d'objecte de conjunt de dades d'alt rendiment. Sempre es pot canviar a això.
Relacionat: Com actualitzar les vostres habilitats Python i IA amb biblioteques Python Machine Learning
A més, ofereix diverses unitats de processament gràfic (GPU) per processar un gran conjunt de dades. Per tant, us permet executar simultàniament els càlculs de la CPU juntament amb el processament de la GPU de manera asíncrona.
2. TensorFlow
Presentat per Google el 2015, TensorFlow és més un marc que una biblioteca. És una biblioteca de codi obert construïda amb C ++ i funciona mitjançant el seguiment de gràfics de flux de dades.
TensorFlow és molt versàtil i extens, i ofereix moltes biblioteques unitàries integrades per executar càlculs d’aprenentatge automàtic. En essència, TensorFlow ofereix una plataforma escalable per construir conceptes d’aprenentatge automàtic com xarxes neuronals artificials (ANN), xarxes neuronals profundes i aprenentatge profund.
Relacionat: Què és TensorFlow Lite i com és un marc d'aprenentatge profund?
canals de televisió en línia gratuïts de tot el món
Tensorflow també admet Java, C ++, Julia, Rust, Ruby i JavaScript, entre d'altres, a més de Python. Tot i que utilitzar TensorFlow amb llenguatges de programació diferents de Python pot oferir una fàcil integració de projectes, l’ús dels seus nuclis amb Python és més fàcil, ja que admet la implementació de TensorFlow.
A més, les canonades de desenvolupament en altres idiomes poden presentar problemes de compatibilitat de la versió de l'API si necessiteu canviar de versió més endavant. Tot i que els documents de TensorFlow són complets, a diferència de Keras, poden ser massa diversificats per als principiants. Dit això, té un sòlid suport comunitari i també hi trobareu molts exemples de codi obert de TensorFlow.
Un avantatge de TensorFlow sobre Keras és que podeu utilitzar TensorFlow directament sense Keras. Per descomptat, no es pot dir el mateix per a Keras, ja que és una classe ramificada del propi TensorFlow.
3. Mlib Spark
Aquí hi ha alguna cosa força útil d’Apache Spark. Llançat i creat de codi obert el 2010, Mlib Spark utilitza càlculs iteratius per executar algoritmes d’aprenentatge automàtic. A causa de la seva naturalesa iterativa, Mlib pot fer ús de fonts de flux i de treball Hadoop o de dades locals. A més, és capaç d’executar una lògica complexa en un període curt.
En última instància, segueix sent una de les biblioteques d’aprenentatge automàtic més ràpides que hi ha. Executa una àmplia gamma d’algoritmes d’aprenentatge automàtic, inclosos models de regressió, agrupació, classificació i recomanació. També destaca en termes de preprocessament de dades i mineria de patrons.
Relacionat: Què són els algorismes d'aprenentatge automàtic? Aquí teniu com funcionen
La biblioteca és dinàmica i ofereix una API sòlida que es connecta amb Scala, Python, R i Java. Mlib Spark és una inserció de la pròpia Spark, de manera que s'actualitza amb cada versió de Spark.
Mlib Spark té documentació explicativa, de manera que un principiant pot recollir-la fàcilment. Però una mica en contra és que només s’integra amb alguns llenguatges de programació, de manera que això pot ser un problema si no esteu familiaritzat amb els llenguatges que admet actualment.
4. mlpack
mlpack es va llançar el 2008 i es va desenvolupar amb C ++ mitjançant una biblioteca d’àlgebra lineal anomenada Armadillo. Igual que Mlib Spark, us permet aplicar la majoria d’algoritmes i conceptes d’aprenentatge automàtic disponibles directament al vostre conjunt de dades mitjançant línies de codi concises i llegibles.
A més d’estar disponible en llenguatges de programació com Python, C ++, Go i Julia, també admet l’execució de CLI, que us permet executar el vostre codi i rebre respostes instantànies. Tot i que admet la vinculació amb aquests altres llenguatges, executar mlpack en conjunts de dades grans que requereixin un càlcul complex pot no ser una gran idea quan s’utilitza amb un altre llenguatge de programació. Per tant, l’escalabilitat amb altres llenguatges a més de C ++ sol ser un problema amb mlpack.
Si sou un principiant d’aprenentatge automàtic i coneixeu C ++, encara podeu provar-ho. La documentació conté guies i exemples fàcils de seguir disponibles per a diversos llenguatges de programació. Com que executa càlculs sobre conceptes C ++, mlpack utilitza codi de baix nivell per executar tasques d’aprenentatge automàtic complexes a senzilles ràpidament.
5. Pytorch
Facebook desenvolupat Pytorch i el va llançar oficialment el 2016. Conegut pel seu ús extensiu en visió per computador, aprenentatge profund i processament del llenguatge natural, Pytorch és una biblioteca de codi obert construïda a partir del marc Torch.
Igual que Keras i Tensorflow, Pytorch admet el processament de CPU de conjunts de dades. I si el vostre conjunt de dades és gran, compta amb un processador GPU per gestionar els vostres càlculs. A més, es basa en el tensor.
A més de Python, la biblioteca admet la vinculació tant per a C ++ com per a Java. Pytorch, a més d'altres utilitats, ofereix biblioteques filials incloses torchvision , text de la torxa , torchaudio , i TorchServe .
restauració de Windows 8 des de Windows 10
Aquestes biblioteques formen part de les funcionalitats d’aprenentatge automàtic Pytorch i les trobareu mentre escriviu els vostres models Pytorch. Amb una documentació detallada i completa basada en tutories, Pytorch és fàcil d’entendre, sempre que conegueu els conceptes d’aprenentatge automàtic.
Pytorch també us permet transformar els vostres conjunts de dades en un format compatible amb la màquina. Per tant, també és una biblioteca perfecta per preprocessar dades. Invariablement, l’extracció de funcions, la neteja de dades, la divisió de dades i l’ajustament de l’hiperparàmetre són possibles amb Pytorch.
6. Scikit-Aprendre
Construït immersivament amb Python, scikit-aprendre , també anomenat sklearn , es va publicar públicament el 2010. La biblioteca, però, ofereix una àmplia gamma d'aplicacions d'aprenentatge automàtic, inclosa la modelització de conjunts de dades destacats i no caracteritzats.
Scikit-learn ofereix algoritmes supervisats familiars, inclosos els models de regressió lineal i logística, màquina de vectors de suport (SVM), Naive Bayes, arbres de decisió, veïns més propers, entre d’altres, immediatament. També és una rica font de mètodes d’aprenentatge sense supervisió, com ara el clúster, el model gaussià, juntament amb els models de xarxes neuronals i molt més.
En essència, scikit-learn admet models supervisats i no supervisats. És un gran punt de partida si encara sou nou a Python o a l’aprenentatge automàtic en general, ja que està completament basat en Python. I si tot just comenceu per l’aprenentatge automàtic o la ciència de les dades, potser voldreu començar amb les funcions d’aprenentatge supervisat de scikit-learn.
En general, és més apte per a principiants que altres biblioteques de la llista. A diferència de les altres biblioteques esmentades anteriorment, scikit-learn depèn enormement de Numpy i Scipy per executar càlculs matemàtics d'alt rendiment. I també utilitza Matplotlib per presentar convincents visualitzacions narratives.
com veure pel·lícules amb amics
7. Theano
Si voleu que una biblioteca us ajudi a dividir problemes complexos en algorismes flexibles, llavors Theano pot ser el que vulgueu. Creada el 2007 per Yoshua Bengio a Montreal, Canadà, Theano és una poderosa biblioteca per executar càlculs petits fins a d’alt rendiment.
Igual que Scikit-Learn, Theano depèn de Numpy per executar càlculs numèrics. La biblioteca admet càlculs basats en GPU, a més de generar codi C de baix nivell. Això agilitza les avaluacions matemàtiques amb Theano, per grans que siguin. A més, els seus models d’aprenentatge profund funcionen amb tensors.
Amb Theano, podeu convertir el vostre conjunt de dades en punts flotables, binaris o enters llegibles, independentment del tipus de dades inicial. És possible que no obtingueu prou suport comunitari. Això es deu al fet que Theano no és tan popular com les altres biblioteques que hem esmentat anteriorment. Això no fa que sigui menys apte per a principiants.
El tutorial dels documents és fàcil d’entendre. La seva capacitat per simplificar matrius complexos i optimitzar infinits càlculs el fa perfecte per crear models d’aprenentatge automàtic escalables.
Quina biblioteca heu d'utilitzar per al vostre proper projecte d'aprenentatge automàtic?
Tot i que hem esmentat algunes de les biblioteques d’aprenentatge automàtic més utilitzades, trobar-ne la millor pot ser difícil, ja que totes tenen un propòsit molt similar amb només algunes diferències en les seves característiques.
Per descomptat, començar amb una biblioteca més adaptada per a principiants com Scikit-Learn o Keras és útil si només esteu entrant al camp. Més enllà d’això, escollir una biblioteca a propòsit per a un projecte us ajudarà a reduir les complexitats al llarg de la vostra canalització de desenvolupament. Però això sí, és útil familiaritzar-se amb els fonaments de l’aprenentatge automàtic mitjançant cursos i tutorials.
Compartir Compartir Tweet Correu electrònic Què són els algorismes d'aprenentatge automàtic? Aquí teniu com funcionenEls algoritmes d’aprenentatge automàtic estan dissenyats per facilitar la vida i millorar els sistemes, però poden anar malament amb conseqüències negatives.
Llegiu a continuació Temes relacionats- Programació
- Aprenentatge automàtic
- Programació
Idowu és un apassionat de qualsevol tecnologia intel·ligent i productivitat. Durant el temps lliure, juga amb la codificació i canvia al tauler d’escacs quan s’avorreix, però també li agrada deixar de banda la rutina de tant en tant. La seva passió per mostrar a la gent el camí cap a la tecnologia moderna el motiva a escriure més.
Més de Idowu OmisolaSubscriu-te al nostre butlletí
Uniu-vos al nostre butlletí per obtenir consells tècnics, ressenyes, llibres electrònics gratuïts i ofertes exclusives.
Feu clic aquí per subscriure-us