机器学习是一种编程技术,让计算机能够从多种数据中自动学习。过去,开发人员需要手动编写算法来进行机器学习任务。而现在,使用各种Python库,我们能够更高效地完成机器学习任务。这种技术的发展使得机器学习变得更加普遍和易于实施。
NumPy是一个强大的Python库,专门用于处理大型多维数组和矩阵。它提供了丰富的高级数学函数,非常适用于机器学习中的基础计算。其中包括线性代数、傅里叶变换和随机数功能等等。
相应代码
import numpy as np x=np.array([[1,2],[3,4]]) y=np.array([[5,6],[7,8]]) v=np.array([9,10]) w=np.array([11,12]) print(np.dot(v,w),"\n") print(np.dot(x,v),"\n") print(np.dot(x,y))
SciPy在机器学习爱好者中非常受欢迎,因为它包含优化、线性代数、集成和统计等模块,SciPy对于图像处理也非常有用。
SciPy库和SciPy堆栈之间存在差异,SciPy是构成SciPy堆栈的核心包之一。
from scipy.misc import imread,imsave,imresize img=imread('D:/Programs/cat.jpg')#path of the image print(img.dtype,img.shape) img_tint=img*[1,0.45,0.3] imsave('D:/Programs/cat_tinted.jpg',img_tint) img_tint_resize=imresize(img_tint,(300,300)) imsave('D:/Programs/cat_tinted_resized.jpg',img_tint_resize)
Scikit-learn是用于经典ML算法库之一。它是基于NumPy和SciPy库建立的。Scikit-learn支持大多数有监督和无监督学习算法。Scikit-learn还可用于数据挖掘和数据分析。
from sklearn import datasets from sklearn import metrics from sklearn.tree import DecisionTreeClassifier dataset=datasets.load_iris() model=DecisionTreeClassifier() model.fit(dataset.data,dataset.target) print(model) expected=dataset.target predicted=model.predict(dataset.data) print(metrics.classification_report(expected,predicted)) print(metrics.confusion_matrix(expected,predicted))
机器学习基本上是数学和统计学。Theano是一个流行的Python库,以有效的方式定义、评估和优化涉及多维数组的数学表达式。它是通过优化CPU和GPU的利用率来实现的。它广泛用于单元测试和自我验证,以检测和诊断不同类型的错误。
Theano是一个非常强大的库,无论是大规模计算密集型科学项目,还是个人都能被应用到项目中。
import theano import theano.tensor as T x=T.dmatrix('x') s=1/(1+T.exp(-x)) logistic=theano.function([x],s) logistic([[0,1],[-1,-2]])
TensorFlow是一个非常流行的高性能数值计算开源库,由谷歌的Google Brain团队开发。顾名思义,Tensorflow是一个涉及定义和运行涉及张量的计算的框架。它可以训练和运行可用于开发多个AI应用程序的深度神经网络。TensorFlow广泛应用于深度学习研究和应用领域。
import tensorflow as tf x1=tf.constant([1,2,3,4]) x2=tf.constant([5,6,7,8]) result=tf.multiply(x1,x2) sess=tf.Session() print(sess.run(result)) sess.close()
Keras是一个非常流行的Python机器学习库。提供了许多用于探索、组合和过滤数据的内置方法。能够在TensorFlow、CNTK或Theano之上运行。它可以在CPU和GPU上无缝运行。
Keras的优点之一是它可以轻松快速地进行原型设计。Keras让ML初学者真正能够构建和设计神经网络。
PyTorch是一个流行的基于Torch的Python开源机器学习库,用C语言实现,并在Lua中封装。它有很多工具和库可供选择,支持计算机视觉、自然语言处理(NLP)和更多ML程序。它允许开发人员使用GPU加速对张量执行计算,还有助于创建计算图。
import torch dtype=torch.float device=torch.device("cpu") N,D_in,H,D_out=64,1000,100,10 x=torch.random(N,D_in,device=device,dtype=dtype) y=torch.random(N,D_out,device=device,dtype=dtype) w1=torch.random(D_in,H,device=device,dtype=dtype) w2=torch.random(H,D_out,device=device,dtype=dtype) learning_rate=1e-6 for t in range(500): h=x.mm(w1) h_relu=h.clamp(min=0) y_pred=h_relu.mm(w2) loss=(y_pred-y).pow(2).sum().item() print(t,loss) grad_y_pred=2.0*(y_pred-y) grad_w2=h_relu.t().mm(grad_y_pred) grad_h_relu=grad_y_pred.mm(w2.t()) grad_h=grad_h_relu.clone() grad_h[h<0]=0 grad_w1=x.t().mm(grad_h) w1-=learning_rate*grad_w1 w2-=learning_rate*grad_w2
Pandas是一个流行的Python数据分析库。它与机器学习没有直接关系。众所周知,数据集必须在训练前准备好。在这种情况下,Pandas就派上用场了,因为它是专门为数据提取和准备而开发的。它为数据分析提供了高级数据结构和各种工具。它提供了许多用于分组、组合和过滤数据的内置方法。
import pandas as pd data={"country":["Brazil","Russia","India","China","South Africa"], "capital":["Brasilia","Moscow","New Delhi","Beijing","Pretoria"], "area":[8.516,17.10,3.286,9.597,1.221], "population":[200.4,143.5,1252,1357,52.98]} data_table=pd.DataFrame(data) print(data_table)
Matplotlib是一个非常流行的用于数据可视化的Python库。和Pandas一样,它与机器学习没有直接关系。
但它在可视化方面非常有用,作为2D绘图库,可以创建2D图形和绘图,提供了控制线条样式、字体属性、格式化轴等的功能。
用于数据可视化的各种图形和绘图,即直方图、错误图表、条形聊天等均可以通过Matplotlib实现。
import matplotlib.pyplot as plt import numpy as np x=np.linspace(0,10,100) plt.plot(x,x,label='linear') plt.legend() plt.show()
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!