Scikit-learn je Python biblioteka otvorenog koda za klasično strojno učenje. Nudi dosljedne alate za klasifikaciju, regresiju, klasteriranje, smanjenje dimenzionalnosti, predobradu podataka i evaluaciju modela, primjerice unakrsnu validaciju. Izgrađen je na NumPyju i SciPyju te se zahvaljujući jednostavnom, ujednačenom sučelju naširoko koristi u obrazovanju, istraživanju i praksi. Za duboke neuronske mreže obično se biraju okviri poput PyTorcha ili TensorFlowa.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demopandas je Python biblioteka otvorenog koda za analizu i obradu tabličnih podataka, koju od 2008. razvija Wes McKinney. Njezin središnji objekt, DataFrame, nalikuje tablici s imenovanim stupcima. Pomoću nje mogu se učitavati podaci iz CSV datoteka, Excela ili baza podataka te ih čistiti, filtrirati, grupirati i spajati. pandas je izgrađen na NumPyju i standardan je alat u analizi podataka, izvještavanju i pripremi podataka za učenje.
NumPy je temeljna Python biblioteka otvorenog koda za numeričko računanje. Nudi višedimenzionalna polja i brze funkcije za linearnu algebru, statistiku i slučajne brojeve, a njezina jezgra radi u kompiliranom kodu. Mnogi alati za analizu podataka i strojno učenje, poput pandasa, scikit-learna i brojnih biblioteka za vizualizaciju, izgrađeni su na NumPyju. Tko god radi s podacima u Pythonu, gotovo ga uvijek koristi, izravno ili neizravno.
XGBoost (Extreme Gradient Boosting) je biblioteka otvorenog koda koja posebno učinkovito implementira gradijentno pojačavanje sa stablima odlučivanja. Mnogo malih stabala trenira se jedno za drugim, pri čemu svako ispravlja pogreške prethodnih, a regularizacija pomaže spriječiti pretreniranost. XGBoost se smatra provjerenim izborom za tablične podatke, primjerice kod procjene kreditnog rizika, predviđanja odljeva klijenata ili prognoziranja prodaje.
Strojno učenje je grana umjetne inteligencije u kojoj računala iz podataka izvode obrasce umjesto da im se svako pravilo izričito programira. Ovisno o zadatku, modeli uče iz označenih primjera (nadzirano), iz neoznačenih podataka (nenadzirano) ili putem nagrada (podržano). Primjene sežu od filtara za spam i prognoza potražnje do preporuka proizvoda. Kvaliteta uvelike ovisi o količini i kvaliteti podataka za treniranje.
