Scikit-learn je open-source knihovna pro Python určená ke klasickému strojovému učení. Nabízí jednotné nástroje pro klasifikaci, regresi, shlukování, redukci dimenzionality, předzpracování dat a hodnocení modelů, například křížovou validaci. Je postavena na NumPy a SciPy a díky jednoduchému, jednotnému rozhraní je široce rozšířená ve vzdělávání, výzkumu i praxi. Pro hluboké neuronové sítě se obvykle volí frameworky jako PyTorch nebo TensorFlow.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demopandas je open-source knihovna pro Python určená k analýze a úpravě tabulkových dat, kterou od roku 2008 vyvíjí Wes McKinney. Jejím ústředním objektem je DataFrame, který připomíná tabulku s pojmenovanými sloupci. Lze s ní načítat data ze souborů CSV, z Excelu nebo z databází a čistit je, filtrovat, seskupovat a spojovat. pandas je postavena na NumPy a je standardním nástrojem při analýze dat, reportingu a přípravě trénovacích dat.
NumPy je základní open-source knihovna pro Python určená k numerickým výpočtům. Nabízí vícerozměrná pole a rychlé funkce pro lineární algebru, statistiku a náhodná čísla, přičemž jádro běží ve zkompilovaném kódu. Na NumPy je postavena řada nástrojů pro analýzu dat a strojové učení, například pandas, scikit-learn a mnoho knihoven pro vizualizaci. Kdo v Pythonu pracuje s daty, používá ji tedy téměř vždy, přímo či nepřímo.
XGBoost (Extreme Gradient Boosting) je open-source knihovna, která zvlášť efektivně implementuje gradientní boosting s rozhodovacími stromy. Trénuje se po sobě mnoho malých stromů, z nichž každý opravuje chyby předchozích, zatímco regularizace pomáhá předcházet přeučení. XGBoost se považuje za osvědčenou volbu pro tabulková data, například při hodnocení úvěrového rizika, předpovídání odchodu zákazníků nebo předpovědích prodeje.
Strojové učení je odvětví umělé inteligence, v němž počítače odvozují vzorce z dat, místo aby měly každé pravidlo explicitně naprogramované. Podle úlohy se modely učí z označených příkladů (s učitelem), z neoznačených dat (bez učitele) nebo prostřednictvím odměn (zpětnovazební učení). Aplikace sahají od filtrů spamu a předpovědí poptávky po doporučování produktů. Kvalita výrazně závisí na množství a kvalitě trénovacích dat.
