NumPy är det grundläggande Python-biblioteket med öppen källkod för numeriska beräkningar. Det tillhandahåller flerdimensionella matriser och snabba funktioner för linjär algebra, statistik och slumptal, med en kärna som körs i kompilerad kod. Många verktyg för dataanalys och maskininlärning, som pandas, scikit-learn och en mängd visualiseringsbibliotek, bygger på NumPy. Den som arbetar med data i Python använder det därför nästan alltid, direkt eller indirekt.
pandas är ett Python-bibliotek med öppen källkod för analys och bearbetning av tabelldata, utvecklat från 2008 av Wes McKinney. Dess centrala objekt, DataFrame, liknar en tabell med namngivna kolumner. Med det kan man läsa in data från CSV-filer, Excel eller databaser och rensa, filtrera, gruppera och slå ihop dem. pandas bygger på NumPy och är ett standardverktyg för dataanalys, rapportering och förberedelse av träningsdata.
Scikit-learn är ett Python-bibliotek med öppen källkod för klassisk maskininlärning. Det erbjuder enhetliga verktyg för klassificering, regression, klustring, dimensionsreduktion, förbehandling av data och modellutvärdering, som korsvalidering. Byggt på NumPy och SciPy används det flitigt inom utbildning, forskning och praktik tack vare sitt enkla, enhetliga gränssnitt. För djupa neurala nätverk väljer man vanligtvis ramverk som PyTorch eller TensorFlow i stället.
Jupyter Notebook är en webbläsarbaserad applikation med öppen källkod från Project Jupyter som kombinerar körbar kod, resultat, diagram och förklarande text i ett enda dokument. Anteckningsböcker används flitigt inom dataanalys, maskininlärning, forskning och undervisning eftersom varje steg kan dokumenteras och delas på ett spårbart sätt. Python är det vanligaste språket. Exempel: en analytiker läser in försäljningsdata, rensar dem och visar resultaten som ett diagram direkt nedanför.
TensorFlow är ett ramverk för maskininlärning med öppen källkod, utvecklat av Google och släppt 2015. Det används för att bygga, träna och driftsätta neurala nätverk i applikationer, på servrar eller på mobila enheter. Keras erbjuder ett lättillgängligt högnivågränssnitt; typiska användningsområden är bildklassificering, prognoser och rekommendationssystem.
