Scikit-learn je open-source knižnica Pythonu na klasické strojové učenie. Poskytuje jednotné nástroje na klasifikáciu, regresiu, zhlukovanie, redukciu dimenzionality, predspracovanie dát a vyhodnotenie modelov, napríklad krížovú validáciu. Je postavená na NumPy a SciPy a vďaka jednoduchému, jednotnému rozhraniu sa široko používa vo vzdelávaní, výskume aj praxi. Pre hlboké neurónové siete sa zvyčajne volia frameworky ako PyTorch alebo TensorFlow.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demopandas je open-source knižnica Pythonu na analýzu a úpravu tabuľkových dát, ktorú od roku 2008 vyvíja Wes McKinney. Jej centrálny objekt DataFrame pripomína tabuľku s pomenovanými stĺpcami. Dá sa použiť na načítanie dát zo súborov CSV, Excelu alebo databáz a na ich čistenie, filtrovanie, zoskupovanie a spájanie. pandas je postavená na NumPy a je štandardným nástrojom pri analýze dát, reportingu a príprave trénovacích dát.
NumPy je základná open-source knižnica Pythonu na numerické výpočty. Poskytuje viacrozmerné polia a rýchle funkcie pre lineárnu algebru, štatistiku a náhodné čísla, pričom jej jadro beží v kompilovanom kóde. Na NumPy je postavených mnoho nástrojov na analýzu dát a strojové učenie, ako pandas, scikit-learn a početné knižnice na vizualizáciu. Kto pracuje s dátami v Pythone, používa ju preto takmer vždy, priamo alebo nepriamo.
XGBoost (Extreme Gradient Boosting) je open-source knižnica, ktorá obzvlášť efektívne implementuje gradient boosting s rozhodovacími stromami. Postupne sa trénuje mnoho malých stromov, z ktorých každý opravuje chyby predchádzajúcich, pričom regularizácia pomáha predchádzať preučeniu. XGBoost sa považuje za osvedčenú voľbu pre tabuľkové dáta, napríklad pri hodnotení úverového rizika, predpovedaní odchodu zákazníkov alebo predpovedaní predaja.
Strojové učenie je odvetvie umelej inteligencie, v ktorom počítače odvodzujú vzorce z údajov namiesto toho, aby sa každé pravidlo explicitne programovalo. Podľa úlohy sa modely učia z označených príkladov (s učiteľom), z neoznačených údajov (bez učiteľa) alebo prostredníctvom odmien (posilňované učenie). Aplikácie siahajú od filtrov spamu a predpovedí dopytu až po odporúčania produktov. Kvalita výrazne závisí od množstva a kvality trénovacích údajov.
