Libraries in Python อธิบาย: รายชื่อห้องสมุดที่สำคัญ

ห้องสมุดคืออะไร?

ไลบรารีเป็นชุดรหัสที่รวมกันก่อนหน้านี้ซึ่งสามารถนำมาใช้ซ้ำได้ ดังนั้นจึงลดเวลาลง ตามที่คำนี้แนะนำ มันคล้ายกับห้องสมุดกายภาพที่มีทรัพยากรที่นำกลับมาใช้ใหม่ได้ Python ได้ก่อตั้งไลบรารีโอเพ่นซอร์สหลายแห่งโดยพิจารณาจากข้อเท็จจริงที่ว่าแต่ละไลบรารีมีแหล่งที่มาของรูท

Python Libraries คืออะไร?

Python มีการใช้กันอย่างแพร่หลายในปัจจุบันเป็นภาษาโปรแกรมระดับสูง ความง่ายในการใช้งานอยู่ในรูปแบบซึ่งใช้รหัสน้อยกว่าเพื่อแสดงแนวคิด ดังนั้น สิ่งนี้ทำให้ผู้ใช้สามารถใช้ python และเขียนโปรแกรมได้ทั้งบนเครื่องชั่งขนาดใหญ่และขนาดเล็ก ภาษารองรับการจัดการหน่วยความจำอัตโนมัติและมีไลบรารีมาตรฐานขนาดใหญ่

ไลบรารี Python กำหนดบรรทัดของโค้ดที่สามารถนำมาใช้ซ้ำในโปรแกรมอื่นได้ โดยพื้นฐานแล้วมันคือชุดของโมดูล ประโยชน์ของพวกเขาอยู่ในความจริงที่ว่ารหัสใหม่ไม่จำเป็นต้องเขียนทุกครั้งที่ต้องใช้กระบวนการเดียวกัน ไลบรารีใน Python มีบทบาทสำคัญในด้านวิทยาศาสตร์ข้อมูล การเรียนรู้ของเครื่อง แอปพลิเคชันการจัดการข้อมูล ฯลฯ

ไลบรารีมาตรฐาน Python

ชีวิตของโปรแกรมเมอร์กลายเป็นเรื่องง่ายเมื่อมีไลบรารีมาตรฐานจำนวนมากใน python สาเหตุหลักมาจากโปรแกรมเมอร์ไม่จำเป็นต้องเขียนโค้ดต่อไป ตัวอย่างเช่น โปรแกรมเมอร์สามารถใช้ไลบรารี MySQLdb เพื่อเชื่อมต่อฐานข้อมูล MySQL กับเซิร์ฟเวอร์ ไลบรารี python ส่วน ใหญ่เขียนด้วยภาษาซีซึ่งจัดการการทำงาน เช่น I/O และโมดูลหลักอื่นๆ ไลบรารีมาตรฐานประกอบด้วยโมดูลหลักมากกว่า 200 โมดูล และ ไลบรารี python ประมาณ 137,000 รายการที่ ได้รับการพัฒนาจนถึงปัจจุบัน

ไลบรารี Python ที่สำคัญ

1. Matplotlib

ไลบรารีนี้ใช้สำหรับการพล็อตข้อมูลตัวเลขและใช้ในการวิเคราะห์ข้อมูล ไลบรารีโอเพนซอร์สนี้ใช้สำหรับเผยแพร่ตัวเลขคุณภาพสูง เช่น กราฟ แผนภูมิวงกลม แผนภาพกระจาย ฮิสโตแกรม เป็นต้น

2. หมีแพนด้า

แพนด้าเป็นห้องสมุดโอเพ่นซอร์สและได้รับอนุญาตจาก BSD ห้องสมุดมีการใช้กันอย่างแพร่หลายในด้านวิทยาศาสตร์ข้อมูล ส่วนใหญ่จะใช้สำหรับการวิเคราะห์ การจัดการ และการล้างข้อมูล โดยไม่จำเป็นต้องเปลี่ยนไปใช้ภาษาอื่นเช่น R แพนด้าทำให้การดำเนินการสร้างแบบจำลองและการวิเคราะห์ข้อมูลทำได้ง่าย

ข้อมูลที่ใช้โดย ไลบรารีใน python คือ:

• ข้อมูลแบบตาราง
• อนุกรมเวลาที่มีข้อมูลที่เรียงลำดับและไม่เรียงลำดับ
• แถวและคอลัมน์การติดฉลากข้อมูลเมทริกซ์
• ข้อมูลที่ไม่มีป้ายกำกับ
• ข้อมูลสถิติรูปแบบอื่นใด

การติดตั้งแพนด้า

ผู้ใช้ต้องพิมพ์ "pip install pandas" ในบรรทัดคำสั่งหรือพิมพ์ "conda install pandas" หากอนาคอนด้าได้รับการติดตั้งในระบบแล้ว เมื่อการติดตั้งเสร็จสิ้น สามารถนำเข้าสู่ IDE ได้โดยพิมพ์คำสั่ง “import pandas as pd”

การดำเนินงานใน Panda

สามารถดำเนินการได้จำนวนมากในแพนด้า:

• การแบ่งส่วนของ data frame
• การรวมและการรวม data frames
• การต่อคอลัมน์จากเฟรมข้อมูลสองเฟรม
• การเปลี่ยนค่าดัชนีในกรอบข้อมูล
• การเปลี่ยนส่วนหัวในคอลัมน์
• การแปลงข้อมูลเป็นรูปแบบต่างๆ

3. นัมปี้

NumPy เบี่ยงเบนไปทางพื้นที่การคำนวณทางวิทยาศาสตร์ เป็นแพ็คเกจโอเพ่นซอร์สที่ใช้มากที่สุดที่เสนอโดย python รองรับเมทริกซ์ขนาดใหญ่และข้อมูลหลายมิติ และมีฟังก์ชันทางคณิตศาสตร์ในตัวเพื่อการคำนวณที่ง่ายดาย ชื่อ "NumPy" กำหนด "Numerical Python" สามารถใช้ในพีชคณิตเชิงเส้น ความสามารถเลขสุ่ม ฯลฯ และสามารถทำหน้าที่เป็นที่เก็บหลายมิติสำหรับข้อมูลทั่วไป Python NumPy Array เป็นอ็อบเจกต์ที่กำหนดอาร์เรย์ N-dimensional ในรูปแบบของแถวและคอลัมน์

NumPy เป็นที่ต้องการมากกว่ารายการใน python เนื่องจาก:

• หน่วยความจำน้อย
• เร็ว
• สะดวก

การติดตั้ง

การติดตั้งแพ็คเกจ NumPy ทำได้โดยการพิมพ์คำสั่ง “pip install numpy” บนพรอมต์คำสั่ง การนำเข้าแพ็คเกจใน IDE สามารถทำได้โดยใช้คำสั่ง “import numpy as np” แพ็คเกจการติดตั้งบน NumPy สามารถพบได้ในลิงค์

4. Scipy (งูหลามวิทยาศาสตร์)

Scipy เป็นไลบรารีหลามโอเพนซอร์สที่ใช้สำหรับการคำนวณทางวิทยาศาสตร์ การคำนวณข้อมูล และการคำนวณประสิทธิภาพสูง มีรูทีนที่เป็นมิตรต่อผู้ใช้จำนวนมากในไลบรารีเพื่อการคำนวณที่ง่ายดาย แพ็คเกจนี้สร้างขึ้นจากส่วนขยาย NumPy ทำให้สามารถจัดการและแสดงข้อมูลด้วยคำสั่งระดับสูงได้ นอกจาก NumPy แล้ว Scipy ยังใช้สำหรับการคำนวณทางคณิตศาสตร์ NumPy อนุญาตให้จัดเรียง จัดทำดัชนีของข้อมูลอาร์เรย์ ในขณะที่รหัสตัวเลขถูกเก็บไว้ใน SciPy

มีแพ็คเกจย่อยจำนวนมากใน SciPy ซึ่งได้แก่: คลัสเตอร์ ค่าคงที่ fftpack รวม สอดแทรก io linalg ndimage odr ปรับให้เหมาะสม สัญญาณ เบาบาง เชิงพื้นที่ พิเศษ และสถิติ สิ่งเหล่านี้สามารถนำเข้าจาก SciPy ผ่าน “จากชื่อแพ็คเกจย่อยการนำเข้า scipy”

อย่างไรก็ตาม แพ็คเกจหลักของ SciPy คือ NumPy, ไลบรารี SciPy, Matplotlib, IPython, Sympy และ Pandas

5. SQLAlchemy

ไลบรารีของ python นี้ส่วนใหญ่จะใช้สำหรับการเข้าถึงข้อมูลจากฐานข้อมูลที่สนับสนุนฐานข้อมูลและเลย์เอาต์ที่หลากหลาย เพื่อให้เข้าใจได้ง่าย จึงสามารถใช้ SQLAlchemy ในระดับเริ่มต้นได้ รองรับแพลตฟอร์มจำนวนมาก เช่น Python 2.5, Jython และ Pypy ทำให้การสื่อสารระหว่างภาษา Python และฐานข้อมูลเป็นไปอย่างรวดเร็ว

สามารถติดตั้งแพ็คเกจได้จากลิงค์

6. Scrapy

Scrapy เป็นเฟรมเวิร์กโอเพ่นซอร์สใน Python สำหรับการดึงข้อมูลจากเว็บไซต์ เป็นไลบรารีการขูดและการรวบรวมข้อมูลเว็บระดับสูงที่รวดเร็วภายใต้ "Scrapinghub ltd" การขูดหลายหน้าภายในหนึ่งนาที Scrapy เป็นวิธีที่เร็วกว่าสำหรับการขูดเว็บ

สามารถใช้สำหรับ:

• เปรียบเทียบราคาในพอร์ทัลเว็บสำหรับผลิตภัณฑ์เฉพาะ
• การขุดข้อมูลเพื่อดึงข้อมูล
• การคำนวณข้อมูลในเครื่องมือวิเคราะห์ข้อมูล
• รวบรวมข้อมูลและให้บริการแก่ศูนย์กลางข้อมูลเช่นพอร์ทัลข่าว

การติดตั้ง

สำหรับสภาพแวดล้อม conda การติดตั้งสามารถทำได้โดยใช้คำสั่ง “conda install -c conda-forge scrapy” หากไม่ได้ติดตั้ง conda จะใช้คำสั่ง “pip install scrapy”

7. ซุปสวย

คล้ายกับ Scrapy BeautifulSoup เป็นห้องสมุดภายใต้การเขียนโปรแกรม Python ที่ใช้สำหรับการดึงและรวบรวมข้อมูลจากเว็บไซต์ มีไลบรารี XML-HTML ที่ยอดเยี่ยมสำหรับผู้เริ่มต้น

8. Scikit- เรียนรู้

Scikit-learn เป็นไลบรารีโอเพ่นซอร์สภายใต้สภาพแวดล้อมการเขียนโปรแกรม Python ที่ใช้สำหรับแนวทางการเรียนรู้ของเครื่อง รองรับอัลกอริธึมการเรียนรู้ภายใต้การดูแลและไม่ได้รับการดูแลที่หลากหลาย ไลบรารีมีอัลกอริธึมยอดนิยมพร้อมกับแพ็คเกจ NumPy, Matplotlib และ SciPy แอปพลิเคชั่นที่มีชื่อเสียงของ Scikit-learn อยู่ใน Spotify เพื่อแนะนำเพลง

การติดตั้ง

สำหรับการติดตั้ง Scikit-learn จะต้องติดตั้งแพ็คเกจด้านบนก่อน เนื่องจาก Scikit-learn สร้างขึ้นบนแพลตฟอร์ม SciPy จึงต้องติดตั้ง SciPy ก่อน การติดตั้งสามารถทำได้ผ่าน pip

8. ทางลาด

ไลบรารี Ramp ใช้สำหรับการสร้างต้นแบบอย่างรวดเร็วของโมเดลแมชชีนเลิร์นนิงด้วยไวยากรณ์ง่ายๆ สำหรับการสำรวจอัลกอริธึม คุณลักษณะ และการแปลง สามารถใช้กับแพ็คเกจการเรียนรู้ของเครื่องและเครื่องมือทางสถิติ ประกอบด้วยการเรียนรู้ของเครื่องและไลบรารีสถิติต่างๆ เช่น หมีแพนด้า scikit-learn ฯลฯ คอลเลกชันของ ไลบรารีหลาม เหล่านี้ มีไวยากรณ์ง่ายๆ ที่ช่วยในการสำรวจคุณลักษณะและการแปลงอย่างมีประสิทธิภาพ

รายละเอียดของห้องสมุด Ramp สามารถเข้าถึงได้จากลิงค์

9. ซีบอร์น

แพ็คเกจนี้สามารถใช้สำหรับการแสดงภาพแบบจำลองทางสถิติได้ ไลบรารีนี้ใช้ Matplotlib และอนุญาตให้สร้างกราฟิกเชิงสถิติผ่าน:

• การเปรียบเทียบตัวแปรผ่าน API ตามชุดข้อมูล
• การสร้างภาพข้อมูลที่ซับซ้อนอย่างง่ายรองรับกริดแบบหลายพล็อต
• การเปรียบเทียบชุดย่อยของข้อมูลผ่านการแสดงภาพแบบตัวแปรเดียวและแบบสองตัวแปร
• ตัวเลือกของจานสีต่างๆ เพื่อแสดงรูปแบบ
• การประมาณการถดถอยเชิงเส้นและการพล็อตโดยอัตโนมัติ

การติดตั้ง

คำสั่งต่อไปนี้สามารถใช้สำหรับการติดตั้ง Seaborn:

• pip ติดตั้ง seaborn
• conda ติดตั้ง seaborn (สำหรับสภาพแวดล้อม conda)

การติดตั้งไลบรารีตามด้วยการติดตั้งการพึ่งพา: NumPy , SciPy , Matplotlib และ Pandas การพึ่งพาอาศัยกันที่แนะนำอีกประการหนึ่งคือ statsmodels

นำเข้าชุดข้อมูลประเภทใดก็ได้จาก GIT ผ่าน seaborn โดยใช้ฟังก์ชัน load_dataset() ชุดข้อมูลสามารถดูได้ผ่านฟังก์ชัน get_dataset_names()

10. สถิติโมเดล

Statsmodels เป็นไลบรารี python ที่มีประโยชน์ในการวิเคราะห์และการประมาณค่าของตัวแบบทางสถิติ ห้องสมุดถูกรวมไว้เพื่อทำการทดสอบทางสถิติ ฯลฯ ให้ผลลัพธ์ที่มีประสิทธิภาพสูง

11. เทนเซอร์โฟลว์

TensorFlow เป็นไลบรารีโอเพ่นซอร์สที่ใช้สำหรับการคำนวณเชิงตัวเลขที่มีประสิทธิภาพสูง นอกจากนี้ยังใช้ในแนวทางการเรียนรู้ของเครื่องและอัลกอริธึมการเรียนรู้เชิงลึก พัฒนาโดยนักวิจัยของทีม Google Brain ภายในองค์กร Google AI ปัจจุบันนักวิจัยจากคณิตศาสตร์ ฟิสิกส์ และแมชชีนเลิร์นนิงใช้กันอย่างแพร่หลายสำหรับการคำนวณทางคณิตศาสตร์ที่ซับซ้อน TensorFlow รองรับ macOS 10.12.6 (Sierra) หรือใหม่กว่า Windows 7 หรือสูงกว่า; Ubuntu 16.04 หรือใหม่กว่า; และ Raspbian 9.0 หรือใหม่กว่า

12. PyGame

แพ็คเกจ PyGame มีส่วนต่อประสานกับไลบรารีกราฟิก เสียง และอินพุตที่ไม่ขึ้นกับแพลตฟอร์ม Simple Directmedia Library (SDL)

การติดตั้ง

จำเป็นต้องติดตั้ง Python 2.7 ก่อนการติดตั้ง PyGame เมื่อติดตั้ง Python 2.7 แล้ว จะต้องดาวน์โหลดโปรแกรมติดตั้ง PyGame อย่างเป็นทางการ ไฟล์ที่เกี่ยวข้องจะถูกดำเนินการ

• ต้องใช้คำสั่ง “import pygame” เพื่อนำเข้าโมดูลที่จำเป็นสำหรับ PyGame
• คำสั่ง “pygame.init()” จำเป็นสำหรับการเริ่มต้นโมดูลที่จำเป็นสำหรับ PyGame
• ฟังก์ชัน “pygame.display.set_mode((ความกว้าง, ความสูง))” จะเปิดหน้าต่างที่จะดำเนินการกราฟิก
• คำสั่ง “pygame.event.get()” ช่วยในการล้างเหตุการณ์ที่เข้าคิว มิฉะนั้น เหตุการณ์จะกองพะเนินเทินทึก นำไปสู่ความเสี่ยงที่เกมจะไม่ตอบสนอง
• เฟอร์ออกจากเกม "pygame.QUIT" ใช้ฟังก์ชัน
• คำสั่ง “pygame.display.flip()” ใช้สำหรับแสดงการอัปเดตใดๆ ที่เกิดขึ้นกับเกม

13. PyTorch

PyTorch เป็นไลบรารี่ที่ใช้ python ซึ่งผสมผสานคุณสมบัติระดับสูงสองประการ:

• การคำนวณเทนเซอร์ (เช่น NumPy) พร้อมการเร่งความเร็ว GPU ที่แข็งแกร่ง
• แพลตฟอร์ม Deep Neural Network ให้ความยืดหยุ่นและความเร็ว

เปิดตัวโดย Facebook ในปี 2560 ฟีเจอร์บางอย่างของ PyTorch ได้แก่:

• รองรับ Python และไลบรารี่ของมัน
• ใช้ในการพัฒนา Facebook สำหรับความต้องการการเรียนรู้เชิงลึก
• API ที่ใช้งานง่ายเพื่อการใช้งานและความเข้าใจที่ดีขึ้น
• ที่จุดใด ๆ ของการรันโค้ด กราฟสามารถสร้างขึ้นไดนามิกและสามารถคำนวณไดนามิกที่รันไทม์
• การเข้ารหัสที่ง่ายและการประมวลผลที่รวดเร็ว
• สามารถดำเนินการในเครื่อง GPU ได้เนื่องจาก CUDA รองรับ

การติดตั้ง

สามารถติดตั้ง PyTorch ผ่านพรอมต์คำสั่งหรือภายใน IDE

14. ธีอาโน

เช่นเดียวกับไลบรารีอื่นๆ ที่ใช้สำหรับการดำเนินการทางคณิตศาสตร์ Theano ช่วยให้ผู้ใช้กำหนด เพิ่มประสิทธิภาพ และประเมินนิพจน์ทางคณิตศาสตร์ได้ มันเกี่ยวข้องกับอาร์เรย์หลายมิติขนาดใหญ่สำหรับการคำนวณทางคณิตศาสตร์อย่างมีประสิทธิภาพ โค้ด C-based ปกติจะช้าลงเมื่อพิจารณาจากข้อมูลจำนวนมาก อย่างไรก็ตาม ด้วยความพร้อมใช้งานของไลบรารี Theano จึงสามารถปรับใช้โค้ดได้อย่างรวดเร็ว นิพจน์ที่ไม่เสถียรสามารถรับรู้และคำนวณได้ ทำให้ไลบรารีมีประโยชน์มากกว่า NumPy

15. SymPy

แพ็คเกจนี้อยู่ใกล้กับห้องสมุด Theano ที่สุดและใช้ในคณิตศาสตร์เชิงสัญลักษณ์ทั้งหมด ด้วยรหัสอย่างง่ายที่จัดมาให้ในแพ็คเกจ ทำให้ห้องสมุดสามารถใช้ระบบพีชคณิตของคอมพิวเตอร์ได้อย่างมีประสิทธิภาพ เขียนด้วย python เท่านั้น SymPy สามารถปรับแต่งและนำไปใช้กับแอปพลิเคชันอื่นได้ ซอร์สโค้ดของแพ็คเกจสามารถพบได้ใน GitHub

16. Caffe2

Caffe2 เป็นเฟรมเวิร์กที่ใช้ python สำหรับการเรียนรู้เชิงลึก คุณสมบัติบางอย่างของแพ็คเกจ Caffe2 คือ:

• รองรับการฝึกอบรมแบบกระจายขนาดใหญ่
• รองรับฮาร์ดแวร์ใหม่
• การนำไปใช้กับการคำนวณหลายอย่างเช่นการคำนวณเชิงปริมาณ

แพ็คเกจนี้เข้ากันได้กับระบบปฏิบัติการเช่น MacOSX, Ubuntu, CentOS, Windows, iOS, Android, Raspbian และ Tegra สามารถติดตั้งได้จากไลบรารีที่สร้างไว้ล่วงหน้า สร้างขึ้นจากแหล่งที่มา อิมเมจนักเทียบท่า หรือคลาวด์ มีคู่มือการติดตั้งให้

17. นูปิก

Library ย่อมาจาก Numenta Platform for Intelligent Computing (NuPIC) เป็นแพลตฟอร์มสำหรับการนำอัลกอริธึมการเรียนรู้ HTM ไปใช้ อัลกอริธึมการเรียนรู้ของเครื่องในอนาคตสามารถสร้างขึ้นบนไลบรารีนี้โดยอิงจากนีโอคอร์เท็กซ์ HTM มีอัลกอริธึมการเรียนรู้ต่อเนื่องตามเวลาและเป็นทฤษฎีการคำนวณโดยละเอียดของนีโอคอร์เท็กซ์ อัลกอริธึมเกี่ยวข้องกับการจัดเก็บและการเรียกคืนรูปแบบเชิงพื้นที่และเวลา ปัญหาต่างๆ เช่น การตรวจหาสิ่งผิดปกติ ฯลฯ สามารถแก้ไขได้ด้วยการใช้ NuPIC

สามารถดาวน์โหลดไฟล์ได้จากลิงค์ “https://pypi.org/project/nupic/”

18. Pipenv

Pipenv ถูกรวมไว้ใน ไลบรารี python อย่างเป็นทางการใน ปี 2560 เป็นเครื่องมือบรรจุภัณฑ์ python ที่แก้ปัญหาของเวิร์กโฟลว์ วัตถุประสงค์หลักของแพ็คเกจคือเพื่อให้สภาพแวดล้อมที่ผู้ใช้ตั้งค่าได้ง่าย มันรวบรวมโลกแห่งบรรจุภัณฑ์ทั้งหมด เช่น ผู้รวบรวม, ผู้แต่ง, npm, สินค้า, เส้นด้าย ฯลฯ และรวมเข้ากับสภาพแวดล้อมของหลาม ปัญหาบางอย่างที่ Pipenv แก้ไขได้คือ:

• ผู้ใช้ไม่จำเป็นต้องใช้ "pip" และ "virtualenv" แยกกันอีกต่อไปเพื่อทำงานร่วมกัน
• ผู้ใช้จะได้รับข้อมูลเชิงลึกที่เหมาะสมในกราฟการพึ่งพา
• ปรับปรุงเวิร์กโฟลว์การพัฒนาผ่านไฟล์ .env

การติดตั้ง

• ผ่านคำสั่ง “$ sudo apt install pipenv” ใน Debian Buster
• ผ่านคำสั่ง “$ sudo dnf install pipenv” ใน Fedora
• ผ่านคำสั่ง “pkg install py36-pipenv” ใน FreeBSD
• ผ่าน Pipx โดยใช้ “$ pipx ติดตั้ง pipenv”

19. PyBrain

PyBrain เป็นไลบรารีโอเพ่นซอร์สจากไลบรารีที่มีอยู่ ใน python ที่ใช้สำหรับอัลกอริธึม Machine Learning สำหรับนักเรียนระดับเริ่มต้นทุกคนในการวิจัย เป้าหมายของ PyBrain คือการนำเสนออัลกอริทึมที่ยืดหยุ่นและใช้งานง่ายสำหรับงานการเรียนรู้ของเครื่อง นอกจากนี้ยังมีสภาพแวดล้อมที่กำหนดไว้ล่วงหน้าสำหรับการเปรียบเทียบอัลกอริทึม PyBrain ย่อมาจาก Python-Based Reinforcement Learning, ปัญญาประดิษฐ์ และ Neural Network Library เมื่อเทียบกับไลบรารีแมชชีนเลิร์นนิงอื่นๆ ที่จัดเตรียมโดย python แล้ว PyBrain นั้นรวดเร็วและเข้าใจง่าย

คุณสมบัติบางอย่างของ PyBrain คือ:

1. เครือข่าย: เครือข่ายถูกกำหนดให้เป็นโมดูลที่เชื่อมต่อผ่านลิงก์ PyBrain รองรับเครือข่ายไม่กี่เครือข่าย ได้แก่ Feed-Forward Network, Recurrent Network เป็นต้น

• • เครือข่ายที่ส่งข้อมูลจากโหนดหนึ่งไปยังอีกโหนดหนึ่งในทิศทางไปข้างหน้าเรียกว่าเครือข่าย Feed-Forward ข้อมูลจะไม่เดินทางย้อนกลับในเครือข่ายประเภทนี้ เป็นหนึ่งในเครือข่ายแรกและง่ายที่สุดที่นำเสนอโดยโครงข่ายประสาทเทียม การไหลของข้อมูลมาจากโหนดอินพุตไปยังโหนดที่ซ่อนอยู่และสุดท้ายไปยังโหนดเอาต์พุต
  • คล้ายกับโหนด Feed-Forward คือโหนดที่เกิดซ้ำ ซึ่งต้องจดจำข้อมูลในแต่ละขั้นตอน

2. ชุดข้อมูล: ชุดข้อมูลรวมถึงข้อมูลที่จะจัดเตรียมให้กับเครือข่ายสำหรับการทดสอบ การตรวจสอบความถูกต้อง และการฝึกอบรมของเครือข่าย ขึ้นอยู่กับงานที่ต้องทำด้วยการเรียนรู้ของเครื่อง PyBrain รองรับชุดข้อมูลสองประเภทเป็นส่วนใหญ่ เช่น SupervisedDataSet และ ClassificationDataSet

• • SupervisedDataSet: ชุดข้อมูลประเภทนี้ส่วนใหญ่จะใช้สำหรับงานการเรียนรู้ภายใต้การดูแล ฟิลด์ในชุดข้อมูลคือ "อินพุต" และ "เป้าหมาย"
  • ClassificationDataSet: ชุดข้อมูลประเภทนี้ส่วนใหญ่จะใช้สำหรับงานการจัดประเภท นอกจากฟิลด์ "อินพุต" และ "เป้าหมาย" แล้ว ยังมีฟิลด์เพิ่มเติมเช่น "คลาส" “คลาส” รวมถึงการสำรองข้อมูลอัตโนมัติของเป้าหมาย

3. ผู้ฝึกสอน: ข้อมูลในโครงข่ายประสาทเทียมได้รับการฝึกอบรมด้วยข้อมูลการฝึกอบรมที่จัดให้กับเครือข่าย เพื่อตรวจสอบว่าเครือข่ายได้รับการฝึกอบรมอย่างเหมาะสมหรือไม่ การวิเคราะห์การคาดคะเนข้อมูลการทดสอบบนเครือข่ายนั้น ผู้ฝึกสอนสองประเภทที่ส่วนใหญ่ใช้ใน PyBrain คือ:

• • Backprop Trainer: พารามิเตอร์ในเครือข่ายได้รับการฝึกอบรมตามชุดข้อมูลภายใต้การดูแลหรือ ClassificationDataSet โดยการเผยแพร่ข้อผิดพลาดย้อนกลับ
  • TrainUntilConvergence: โมดูลได้รับการฝึกอบรมจนถึงการบรรจบกัน

4. การ สร้างภาพ : การสร้างภาพข้อมูลสามารถทำได้ผ่านเฟรมเวิร์กอื่นๆ เช่น Mathplotlib, pyplot เป็นต้น

20. นม

แพ็คเกจการเรียนรู้ของเครื่อง “MILK” ใน python มุ่งเน้นไปที่การใช้ตัวแยกประเภทที่มีอยู่สำหรับการจำแนกประเภทภายใต้การดูแล ตัวแยกประเภทที่มีคือ SVM, k-NN, ฟอเรสต์แบบสุ่ม และแผนผังการตัดสินใจ นอกจากการจัดประเภทแล้ว MILK ยังช่วยในกระบวนการเลือกคุณสมบัติ การรวมกันของตัวแยกประเภทจะแตกต่างกันไปตามระบบการจำแนกประเภท

• สำหรับปัญหาการจำแนกประเภทที่ไม่มีผู้ดูแล MILK ใช้การจัดกลุ่ม -mean และการเผยแพร่ความสัมพันธ์
• อินพุตสำหรับ MILK แตกต่างกันไป ส่วนใหญ่ได้รับการปรับให้เหมาะสมสำหรับอาร์เรย์ NumPy แต่สามารถยอมรับรูปแบบอื่น ๆ ของอินพุตได้
• รหัสใน MILK เขียนด้วย C ++ ซึ่งใช้หน่วยความจำต่ำและมีความเร็วสูง

การติดตั้ง

สามารถเรียกรหัสการติดตั้งสำหรับ MILK ได้จาก Github คำสั่งที่ใช้สำหรับการติดตั้งคือ “easy_install milk” หรือ “pip install milk”

ข้อมูลเพิ่มเติมเกี่ยวกับชุดเครื่องมือสามารถเรียกค้นได้จากลิงค์

บทสรุป

ภาษาไพ ธ อนที่ใช้งานง่ายมีการใช้งานอย่างกว้างขวางในหลาย ๆ ด้านของโลกแห่งความเป็นจริง เนื่องจากเป็นภาษาระดับสูง พิมพ์แบบไดนามิก และตีความ ภาษาจึงเติบโตอย่างรวดเร็วในด้านข้อผิดพลาดในการดีบัก แอปพลิเคชันระดับโลกบางตัวที่มีการใช้ python มากขึ้น ได้แก่ YouTube, DropBox เป็นต้น นอกจากนี้ ด้วยความพร้อมใช้งานของ ไลบรารีใน python ผู้ ใช้จึงสามารถทำงานมากมายโดยไม่ต้องเขียนโค้ดของตนเอง

หากคุณอยากเรียนรู้เกี่ยวกับไลบรารี Python และ data science ให้ลองดูที่ IIIT-B & upGrad's Executive PG Program in Data Science ซึ่งสร้างขึ้นสำหรับมืออาชีพที่ทำงานและเสนอกรณีศึกษาและโครงการมากกว่า 10+ เวิร์กช็อปภาคปฏิบัติ การให้คำปรึกษากับอุตสาหกรรม ผู้เชี่ยวชาญ ตัวต่อตัวกับที่ปรึกษาในอุตสาหกรรม การเรียนรู้มากกว่า 400 ชั่วโมงและความช่วยเหลือด้านงานกับบริษัทชั้นนำ