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.
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.
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.
XGBoost (Extreme Gradient Boosting) je odprtokodna knjižnica, ki posebej učinkovito izvaja gradientno ojačevanje z odločitvenimi drevesi. Veliko majhnih dreves se uči eno za drugim, vsako popravlja napake prejšnjih, regularizacija pa pomaga preprečevati preveliko prileganje. XGBoost velja za preverjeno izbiro pri tabelaričnih podatkih, na primer pri ocenjevanju kreditnega tveganja, napovedovanju odliva strank ali napovedovanju prodaje.
Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.
