
numpy
نامپای یک بسته پردازش آرایه همه منظوره شناخته شده است. مجموعه گسترده ای از توابع ریاضی با پیچیدگی بالا، NumPy را برای پردازش آرایه ها و ماتریس های چند بعدی بزرگ قدرتمند می کند. NumPy برای مدیریت جبر خطی، تبدیل فوریه و اعداد تصادفی بسیار مفید است. کتابخانه های دیگری مانند TensorFlow از NumPy در باطن برای دستکاری تانسورها استفاده می کنند.
با NumPy، می توانید انواع داده دلخواه را تعریف کنید و به راحتی با اکثر پایگاه های داده یکپارچه شوید. NumPy همچنین می تواند به عنوان یک محفظه چند بعدی کارآمد برای هر داده عمومی که در هر نوع داده ای است عمل کند
ویژگی های کلیدی آن به شرح زیر است:
scipy
با رشد یادگیری ماشینی با سرعت مافوق صوت، بسیاری از توسعه دهندگان پایتون در حال ایجاد کتابخانه های پایتون برای یادگیری ماشین ، به ویژه برای محاسبات علمی و تحلیلی بودند. تراویس اولیفانت، اریک جونز و پیرو پترسون در سال 2001 تصمیم گرفتند که بیشتر این کدها را ادغام کرده و آن را استاندارد کنند. کتابخانه حاصل سپس به عنوان کتابخانهSciPy نامگذاری شد.
توسعه فعلی کتابخانهSciPy توسط یک جامعه باز از توسعه دهندگان پشتیبانی و حمایت می شود و تحت مجوز رایگان BSD توزیع می شود.
کتابخانه SciPy ماژول هایی را برای جبر خطی، بهینه سازی تصویر، درون یابی یکپارچه سازی، توابع ویژه، تبدیل فوریه سریع، پردازش سیگنال و تصویر، حل معادله دیفرانسیل معمولی (ODE) و سایر وظایف محاسباتی در علم و تجزیه و تحلیل ارائه می دهد.
ساختار داده زیربنایی مورد استفاده توسط SciPy یک آرایه چند بعدی است که توسط ماژولNumPy ارائه شده است. SciPy برای زیرروال های دستکاری آرایه بهNumPy بستگی دارد. کتابخانه SciPy برای کار با آرایه های NumPy همراه با ارائه توابع عددی کاربرپسند و کارآمد ساخته شده است.
pandas
پانداها در حال تبدیل شدن به محبوبترین کتابخانه پایتون هستند که برای تجزیه و تحلیل دادهها با پشتیبانی از ساختارهای داده سریع، انعطافپذیر و رسا استفاده میشود. امروزه پانداها یک کتابخانه اجتناب ناپذیر برای حل تحلیل داده های عملی و واقعی در پایتون است. پانداها بسیار پایدار هستند و عملکرد بسیار بهینه ای را ارائه می دهند. کد پشتیبان صرفاً به زبانC یا Python نوشته شده است.
این کتابخانه به عنوان یک کتابخانه منبع باز پایتون در سال 2009 راه اندازی شد. در حال حاضر، به یکی از کتابخانه های پایتون مورد علاقه برای یادگیری ماشین در میان بسیاری از علاقه مندان به ML تبدیل شده است. دلیل آن این است که برخی از تکنیک های قوی برای تجزیه و تحلیل داده ها و دستکاری داده ها ارائه می دهد. علاوه بر این، از حوزه های تجاری مختلف مانند تجزیه و تحلیل تجاری و وب، اقتصاد، آمار، علوم اعصاب، مالی، تبلیغات و غیره پشتیبانی می کند. همچنین به عنوان یک کتابخانه پایه برای بسیاری از کتابخانه های پیشرفته پایتون کار می کند.
در اینجا برخی از ویژگی های کلیدی آن را ذکر کرده ایم:
ادامه این مطلب جذاب را میتوانید در لینک زیر بخوانید:
https://becode.ir/machine-learning-libraries-in-python/