机器学习常用框架
机器学习常用框架
本文仅是我个人为了记录在学习机器学习过程中使用的各个软件工具,以便于有整体的理解
先转载一个图,我觉得概括的很好:
来源:https://blog.csdn.net/u014410989/article/details/89947128
Pandas
Pandas是一个强大的分析结构化数据的工具集;它的使用基础是Numpy(提供高性能的矩阵运算);用于数据挖掘和数据分析,同时也提供数据清洗功能。
numpy
NumPy 是什么?
NumPy是使用Python进行科学计算的基础软件包。除其他外,它包括:
- 功能强大的N维数组对象。
- 精密广播功能函数。
- 集成 C/C+和Fortran 代码的工具。
- 强大的线性代数、傅立叶变换和随机数功能。
来源:https://www.runoob.com/numpy/numpy-tutorial.html
NumPy 通常与 SciPy(Scientific Python)和 Matplotlib(绘图库)一起使用, 这种组合广泛用于替代 MatLab,是一个强大的科学计算环境,有助于我们通过 Python 学习数据科学或者机器学习。
SciPy
来源:https://zh.wikipedia.org/wiki/SciPy
SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。与其功能相类似的软件还有MATLAB、GNU Octave和Scilab。
sklearn
SciKit learn的简称是SKlearn,是一个开源的python库,专门用于机器学习、数据挖掘和数据分析的模块。它建立在 NumPy ,SciPy 和 matplotlib 上。
来源:https://www.zhihu.com/question/53740695
Tensorflow和Caffe、MXNet等是针对深度学习特制的工具包,而Scikit-learn是对传统的机器学习,包括预处理,特征工程,模型构建,验证等的完整实现。这两类工具压根不是做同一件事的。
说实话,即使现在深度学习大行其道,很多时候你还是要用传统机器学习方法解决问题的。首先不是每个人都有一个彪悍的电脑/服务器,其次,大多数问题真的不需要深度网络。最后,只会调用工具包的程序员不是好的机器学习者。
caffe
来源:https://zh.wikipedia.org/wiki/Caffe
Convolutional Architecture for Fast Feature Embedding)是一个深度学习框架,最初开发于加利福尼亚大学伯克利分校。Caffe在BSD许可下开源,使用C++编写,带有Python接口[4][5]。
pyTorch
来源:https://zh.wikipedia.org/wiki/PyTorch
PyTorch是一个开源的Python机器学习库,基于Torch[1][2][3],底层由C++实现,应用于人工智能领域,如自然语言处理。[4] 它最初由Facebook的人工智能研究团队开发,[5][6][7]并且被用于Uber的概率编程软件Pyro。[8]
PyTorch主要有两大特征:[9]
PyTorch包括torch.nn、torch.optim等子模块[12]。
tensorflow
TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设备等等。TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度神经网络方面的研究,但这个系统的通用性使其也可广泛用于其他计算领域。
相关文章
- Spark2.0机器学习系列之6:GBDT(梯度提升决策树)、GBDT与随机森林差异、参数调试及Scikit代码分析
- 机器学习 Out-of-Fold 折外预测详解 | 使用折外预测 OOF 评估模型的泛化性能和构建集成模型
- 机器学习:基于PCA对人脸识别数据降维并建立KNN模型检验
- 十大经典机器学习算法
- 【机器学习】Learning to Rank入门小结 + 漫谈
- 【机器学习】聚类算法:层次聚类、K-means聚类
- Andrew Ng机器学习课程6
- 机器学习-有监督学习-回归算法:线性回归【值域符合正态分布律 ==似然函数最大化 ==> 平方损失函数】【LASSO回归(L1)、Ridge岭回归(L2)、ElasticNet回归(L1&L2)】
- Python粉都应该知道的开源机器学习框架:Scikit-learn入门指南
- Python 7步机器学习
- 能逃避机器学习检测的 Cerber 勒索变种
- 人工智能、机器学习、深度学习的区别在哪?
- 机器学习之蒙特卡洛方法
- 机器学习算法总结(十)——朴素贝叶斯
- TensorFlow机器学习框架-学习笔记-001
- 机器学习-day02-数据标准化方法
- 机器学习笔记之遗传算法(GA)
- 机器学习之混淆矩阵
- 机器学习笔记之jupyter自动代码补全
- Python3入门机器学习经典算法与应用 第3章 更多相关操作
- 七月算法机器学习5 回归分析与工程应用
- 七月算法机器学习1 概率论
- 《中国人工智能学会通讯》——8.19 多目标优化中的机器学习
- 王家林大咖清华新书预发布:《企业级AI技术内幕:深度学习框架开发+机器学习案例+Alluxio解密》之盘古人工智能框架多层次神经网络的实现
- Python3机器学习—Tensorflow数字识别实践
- 【机器学习算法-python实现】采样算法的简单实现
- 机器学习与计算机视觉(计算机视觉的嵌入式平台)
- 在 Airbnb 使用机器学习预测房源的价格
- 想知道机器学习掌握的怎么样了吗?这有一份自测题