Scikit-learn er et open source Python-bibliotek til klassisk machine learning. Det leverer ensartede værktøjer til klassifikation, regression, clustering, dimensionsreduktion, databehandling før modellering og modelevaluering, f.eks. krydsvalidering. Bygget på NumPy og SciPy er det udbredt i uddannelse, forskning og praksis takket være sin enkle, ensartede grænseflade. Til dybe neurale netværk vælger man som regel frameworks som PyTorch eller TensorFlow i stedet.
pandas er et open source Python-bibliotek til analyse og bearbejdning af tabeldata, udviklet fra 2008 af Wes McKinney. Dets centrale objekt, DataFrame, ligner en tabel med navngivne kolonner. Med det kan man indlæse data fra CSV-filer, Excel eller databaser og rense, filtrere, gruppere og samle dem. pandas bygger på NumPy og er et standardværktøj inden for dataanalyse, rapportering og forberedelse af træningsdata.
NumPy er det grundlæggende open source Python-bibliotek til numeriske beregninger. Det leverer flerdimensionale arrays og hurtige funktioner til lineær algebra, statistik og tilfældige tal, hvor kernen kører i kompileret kode. Mange værktøjer til dataanalyse og machine learning, som pandas, scikit-learn og talrige visualiseringsbiblioteker, bygger på NumPy. Den, der arbejder med data i Python, bruger det derfor næsten altid, direkte eller indirekte.
XGBoost (Extreme Gradient Boosting) er et open source-bibliotek, der implementerer gradient boosting med beslutningstræer særligt effektivt. Mange små træer trænes efter hinanden, hvor hvert enkelt retter fejlene fra de foregående, mens regularisering er med til at forebygge overfitting. XGBoost regnes for et gennemprøvet valg til tabeldata, f.eks. til kreditrisikoscoring, churn-forudsigelse eller salgsprognoser.
Maskinlæring er en gren af kunstig intelligens, hvor computere udleder mønstre af data i stedet for at få hver regel programmeret eksplicit. Afhængigt af opgaven lærer modeller af mærkede eksempler (overvåget), af umærkede data (uovervåget) eller gennem belønninger (reinforcement). Anvendelserne spænder fra spamfiltre og efterspørgselsprognoser til produktanbefalinger. Kvaliteten afhænger i høj grad af mængden og kvaliteten af træningsdataene.
