NumPy je temeljna odprtokodna knjižnica za Python za numerično računanje. Nudi večdimenzionalne tabele in hitre funkcije za linearno algebro, statistiko in naključna števila, njeno jedro pa teče v prevedeni kodi. Številna orodja za analizo podatkov in strojno učenje, kot so pandas, scikit-learn in številne knjižnice za vizualizacijo, temeljijo na NumPy. Kdor v Pythonu dela s podatki, ga zato skoraj vedno uporablja, neposredno ali posredno.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevpandas je odprtokodna knjižnica za Python za analizo in obdelavo tabelaričnih podatkov, ki jo od leta 2008 razvija Wes McKinney. Njen osrednji objekt, DataFrame, spominja na tabelo z imenovanimi stolpci. Z njo je mogoče naložiti podatke iz datotek CSV, Excela ali podatkovnih zbirk ter jih čistiti, filtrirati, združevati v skupine in spajati. pandas temelji na NumPy in je standardno orodje pri analizi podatkov, poročanju in pripravi podatkov za učenje.
Scikit-learn je odprtokodna knjižnica za Python za klasično strojno učenje. Nudi enotna orodja za razvrščanje, regresijo, gručenje, zmanjševanje dimenzionalnosti, predobdelavo podatkov in vrednotenje modelov, na primer navzkrižno preverjanje. Zgrajena je na NumPy in SciPy ter se zaradi preprostega, enotnega vmesnika veliko uporablja v izobraževanju, raziskavah in praksi. Za globoke nevronske mreže se običajno izberejo ogrodja, kot sta PyTorch ali TensorFlow.
Jupyter Notebook je odprtokodna aplikacija v brskalniku projekta Jupyter, ki v enem dokumentu združuje izvedljivo kodo, rezultate, grafikone in razlagalno besedilo. Zvezki se pogosto uporabljajo pri analizi podatkov, strojnem učenju, raziskavah in poučevanju, ker je vsak korak mogoče dokumentirati in deliti na sledljiv način. Najpogostejši jezik je Python. Primer: analitik naloži podatke o prodaji, jih očisti in rezultate prikaže kot grafikon neposredno pod kodo.
TensorFlow je odprtokodno ogrodje za strojno učenje, ki ga je razvil Google in izdal leta 2015. Uporablja se za gradnjo, učenje in uvajanje nevronskih mrež v aplikacijah, na strežnikih ali mobilnih napravah. Keras nudi dostopen vmesnik na visoki ravni; tipične uporabe so razvrščanje slik, napovedovanje in priporočilni sistemi.
