NumPy to podstawowa otwartoźródłowa biblioteka Pythona do obliczeń numerycznych. Udostępnia tablice wielowymiarowe oraz szybkie funkcje algebry liniowej, statystyki i liczb losowych, a jej rdzeń działa w skompilowanym kodzie. Na NumPy opiera się wiele narzędzi do analizy danych i uczenia maszynowego, takich jak pandas, scikit-learn i liczne biblioteki wizualizacji. Kto pracuje z danymi w Pythonie, korzysta z niej więc niemal zawsze, bezpośrednio lub pośrednio.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demopandas to otwartoźródłowa biblioteka Pythona do analizy i przetwarzania danych tabelarycznych, rozwijana od 2008 roku przez Wesa McKinneya. Jej centralny obiekt, DataFrame, przypomina tabelę z nazwanymi kolumnami. Umożliwia wczytywanie danych z plików CSV, Excela lub baz danych oraz ich czyszczenie, filtrowanie, grupowanie i łączenie. pandas opiera się na NumPy i jest standardowym narzędziem w analizie danych, raportowaniu i przygotowaniu danych treningowych.
Scikit-learn to otwartoźródłowa biblioteka Pythona do klasycznego uczenia maszynowego. Udostępnia spójne narzędzia do klasyfikacji, regresji, klasteryzacji, redukcji wymiarowości, wstępnego przetwarzania danych i oceny modeli, na przykład walidacji krzyżowej. Zbudowana na NumPy i SciPy, dzięki prostemu, jednolitemu interfejsowi jest szeroko stosowana w edukacji, badaniach i praktyce. Do głębokich sieci neuronowych zwykle wybiera się natomiast frameworki takie jak PyTorch lub TensorFlow.
Jupyter Notebook to otwartoźródłowa aplikacja działająca w przeglądarce, rozwijana przez Project Jupyter, która łączy w jednym dokumencie wykonywalny kod, wyniki, wykresy i tekst objaśniający. Notatniki są szeroko stosowane w analizie danych, uczeniu maszynowym, badaniach i nauczaniu, ponieważ każdy krok można udokumentować i udostępnić w sposób dający się prześledzić. Najczęstszym językiem jest Python. Przykład: analityk wczytuje dane sprzedaży, czyści je i pokazuje wyniki jako wykres bezpośrednio poniżej.
TensorFlow to otwartoźródłowy framework do uczenia maszynowego, opracowany przez Google i opublikowany w 2015 roku. Służy do budowania, trenowania i wdrażania sieci neuronowych w aplikacjach, na serwerach lub urządzeniach mobilnych. Keras zapewnia przystępny interfejs wysokiego poziomu; typowe zastosowania to klasyfikacja obrazów, prognozowanie i systemy rekomendacji.
