کتابخانه‌های یادگیری ماشینی ( Pandas، Numpy، Matplotlib، OpenCV، Flask، Seaborn، و غیره) به عنوان یک واسط از مجموعه‌ای از قوانین یا توابع بهینه‌سازی شده تعریف می‌شوند که در یک زبان خاص برای انجام کارهای تکراری مانند محاسبات عددی، تجسم مجموعه داده‌ها، خواندن تصاویر و غیره نوشته شده‌اند. این باعث صرفه جویی در زمان زیادی از برنامه‌نویس می‌شود و زندگی او را آسان‌تر می‌کند زیرا برنامه نویسان می‌توانند مستقیماً از عملکردهای کتابخانه بدون اطلاع از نحوه ی اجرای الگوریتم‌ها استفاده کنند.

کتابخانه های یادگیری ماشینی

در زیر تعدادی از محبوب‌ترین کتابخانه‌های یادگیری ماشین آورده شده است

• Pandas
• Numpy
• Matplotlib
• Scikit learn
• Seaborn
• Tensorflow
• Theano
• Keras
• PyTorch
• OpenCV
• Flask

بیایید به طور خلاصه با آنها آشنا شویم!

1. Pandas (پانداس)

پانداس یک کتابخانه پایتون متن باز است که ساختارهای داده با قابلیت انعطاف پذیر، با کارایی بالا و استفاده آسان، فریم‌های داده را ارائه می‌دهد. پایتون زبان مفیدی برای آماده‌سازی داده‌ها است، اما وقتی به آنالیز و مدل‌سازی داده‌ها می‌رسد عقب می‌ماند. برای غلبه بر این تاخیر، پانداس به تکمیل گردش کار تحلیل داده‌ها در پایتون بدون تغییر به دیگر زبان‌های خاص حوزه مانند R کمک می‌کند.

پانداس کاربر را قادر می‌سازد تا مجموعه داده‌ها را در فرمت های مختلف مانند TEXT, CSV, XLS, JSON, SQL, HTML و بسیاری دیگر بخواند. این کتابخانه عملکرد بالایی برای داده کاوی، شکل دهی مجدد، تنظیم فرعی، تراز داده‌ها، برش، نمایه سازی، ادغام/پیوستن به مجموعه داده‌ها دارد. اما وقتی این مساله به کاربرد حافظه می‌رسد پانداس  کارایی چندانی ندارند. کد‌های مقصود (کد قابل خواندن برای ماشین) زیادی ایجاد می‌کند تا دستکاری داده‌هایی که از ناحیه بالایی حافظه استفاده می‌کند را آسان کند .

2. NumPy (نام‌پای)

نام‌پای اساسی ترین کتابخانه مدیریت داده است که به طور رایج برای محاسبات علمی با پایتون استفاده می‌شود. این به کاربر اجازه می‌دهد تا یک آرایه بزرگ N بعدی را با توانایی انجام عملیات ریاضی مدیریت کند. نام‌پای به دلیل سرعت بالای زمان اجرا، موازی‌سازی و قابلیت‌های بردارسازی معروف است. برای دستکاری داده‌های ماتریسی مانند تغییر شکل، جابجایی، عملیات سریع ریاضی/منطقی و سایر عملیات مانند مرتب سازی، انتخاب، جبر خطی پایه، تبدیل فوری گسسته و بسیاری موارد دیگر کارآمد است. نام‌پای حافظه کمتری مصرف می‌کند و رفتار بهتری در زمان اجرا ارائه می‌دهد با این حال به علت وابستگی که به سایتون (Cython)  دارد، ادغام  آن با سایر کتابخانه‌های C/C++ را دشوار می‌کند.

3. Matplotlib (مت پلات)

مت پلات  یک کتابخانه تجسم داده است که با  نام‌پای، پانداس و سایر محیط‌های تعاملی در سراسر پلتفرم‌ها کار می‌کند. این کتابخانه دیداری سازی با کیفیت بالایی از داده‌ها را تولید می‌کند. مت پلات را می‌توان برای نمودارها، محورها،  نشریات تنظیم کرد، و استفاده از ان در دفترچه‌های ژوپیتر آسان است. ممکن است کد مت پلات برای برخی دشوار به نظر برسد، اما زمانی که کاربر به استفاده از آن عادت کند، اجرای آن نسبتاً آسان است. اما برای استفاده موثر از مت پلات نیاز به تمرین زیادی دارید.

4. Sci-kit learn

Sci-kit learn را می‌توان به عنوان قلب یادگیری ماشینی کلاسیک در نظر گرفت که به جای بارگذاری، دستکاری یا خلاصه کردن داده‌ها کاملاً بر مدل سازی داده‌ها متمرکز است. مهم نیست چه کاری مد نظر شما باشد، شما فقط آن را انتخاب می‌کنید Sci-kit learn می‌تواند آن را به بهترین نحو انجام دهد. Sci-kit learn  یکی از ساده‌ترین و کارآمدترین کتابخانه‌ها برای داده کاوی و تجزیه و تحلیل داده‌ها و همچنین یک کتابخانه متن باز است که بر اساس نام‌پای، سای پای و مت‌پلات ساخته شده است.

این کتابخانه به عنوان بخشی از پروژه تابستان کد گوگل توسعه داده شد، که اکنون به یک کتابخانه پذیرفته شده برای کارهای یادگیری ماشینی تبدیل شده است. از  Sci-Kit Learn می‌توان برای تهیه طبقه بندی، رگرسیون، دسته بندی، کاهش ابعاد، انتخاب مدل، استخراج ویژگی، عادی سازی و موارد دیگر استفاده کرد. یکی از اشکالات Sci-Kit Learn این است که استفاده از آن در داده‌های طبقه بندی شده راحت نیست.

5. Seaborn

کتابخانه Seaborn در بالای مت‌پلات ساخته شده است.  Seaborn دیداری ‌سازی داده‌‌ها را آسان می‌کند. نمودارهای تولید اطلاعات جالب را با خطوط کد کمتر ترسیم می‌کند.  Seaborn از داده‌های مطلق و چند متغیری پشتیبانی می‌کند تا آمار کلی را نشان دهد.

6. تنسور فلو (Tensorflow)

تنسورفلو که توسط تیم  google brain برای استفاده داخلی آن توسعه یافته است، یک پلتفرم متن باز برای توسعه و آموزش مدل‌های یادگیری ماشینی است. این یک نوع پلتفرمی است که به طور گسترده در میان محققان، برنامه نویسان و محیط های تولید ماشین لرنینگ استفاده می‌شود. تنسورفلو وظایف مختلفی از جمله بهینه سازی مدل، نمایش گرافیکی، استدلال احتمالی، تجزیه و تحلیل آماری را انجام می‌دهد. تنسو‌ر‌ها مفهوم اصلی این کتابخانه است که تعمیم بردارها و ماتریس‌ها را برای داده‌هایی با ابعاد بالا ارائه می‌دهد. تنسورفلو می‌تواند وظایف متعدد یادگیری ماشینی  را انجام دهد، اما برای ساخت شبکه‌های عصبی عمیق بسیار استفاده می‌شود.

7. تیانو (theano)

تیانوکه توسط موسسه مونترال برای الگوریتم یادگیری (MILA) توسعه یافته است، یک کتابخانه پایتون است که کاربر را قادر می‌سازد تا عبارات ریاضی را با آرایه‌های N-بعدی ارزیابی کند. بله، این کتابخانه فرایندی شبیه به کتابخانه نام‌پای دارد. تنها تفاوت این است که نام‌پای در یادگیری ماشینی به کار می‌آید در حالی که تیانو برای یادگیری عمیق خوب کار می کند. علاوه بر این، تیانو سرعت محاسباتی سریع‌تری نسبت به CPU ارائه می‌کند، می‌تواند بسیاری از خطاها را شناسایی و برطرف‌کند.

8. کراس (Keras)

“ساختن شبکه‌های عصبی عمیق آسان شد” – این باید شعار این کتابخانه باشد. کراس کاربرپسندی است که برای انسان طراحی شده است. همچنین بهترین فرآیند را برای کاهش بار شناختی دنبال می‌کند. کراس نمونه سازی آسان و سریعی را ارائه می‌دهد. این یک API شبکه‌های عصبی سطح بالا است که به زبان پایتون نوشته شده است و در بالای CNTK، تنسورفلو و MXNET اجرا می‌شود. کراس تعداد زیادی مدل از قبل آموزش دیده را ارائه می‌دهد.

از شبکه‌های تکراری و شبکه عصبی پیچشی و ترکیبی از هر دو شبکه را نیز پشتیبانی می‌کند. کاربر می‌تواند ماژول‌های جدید را به راحتی اضافه کند، که کراس را برای تحقیقات سطح بالا مناسب می‌کند. عملکرد کراس کاملاً به پشتیبان‌های زیر هود ( CNTK، تنسورفلو و  MXNET ) بستگی دارد.

9. PyTorch (پای تورچ)

پای تورچ در ابتدا توسط تیم هوش مصنوعی فیس بوک توسعه داده شدکه بعداً با caffe2  ادغام شد. تا قبل از زمانی که تنسورفلو به بازار آمد، پای تورچ تنها چارچوب یادگیری عمیق در بازار بود. به قدری با پایتون ادغام شده است که می‌توان از آن با سایر کتابخانه‌های پرطرفدار مانند  نام‌پای، پایتون و غیره استفاده کرد. علاوه بر این، پای تورچ به کاربر اجازه می‌دهد تا مدل‌ها را در ONNX استاندارد (مبادله شبکه عصبی باز) صادر کند تا دسترسی مستقیم بیشتری به پلتفرم‌های ONNX، در زمان اجرا داشته باشد.

10. OpenCV (اوپن‌سی‌وی)

اوپن‌سی‌وی یک کتابخانه بینایی کامپیوتری است که برای ارائه زیرساخت مرکزی برای برنامه‌های بینایی کامپیوتر و بهبود ادراک ماشین ساخته شده است. این کتابخانه برای استفاده تجاری رایگان است. الگوریتم‌های ارائه شده توسط اوپن‌سی‌وی را می‌توان برای تشخیص چهره، شناسایی اشیا، ردیابی اجسام متحرک و حرکات دوربین استفاده کرد. علاوه بر این، اوپن‌سی‌وی برای ترکیب دو تصویری مفید است که نیاز وضوح بالا داشته باشند همچنین می‌تواند حرکات چشم را دنبال کند، مدل‌های سه بعدی اشیاء را استخراج کند و خیلی چیزهای دیگر. قابلیت اجرا بر روی پلتفرم های مختلف را دارد. رابط های C++، جاوا و پایتون آن می‌توانند از ویندوز،مک،ای او اس و اندروید پشتیبانی کنند.

11. Flask

گروهی از علاقه مندان بین المللی پایتون در سال 2004 Flask را توسعه دادند. اگر می‌خواهید برنامه‌های تحت وب را توسعه دهید، Flask می تواند بهترین فریم ورک برنامه کاربردی وب پایتون باشد. این موتور به موتور قالب  Jinja  (جینجا) و جعبه ابزار Werkzeug WSGI متکی است. این برنامه با موتور برنامه گوگل سازگار است و شامل سرور توسعه و اشکال یاب است.

برخی از کتابخانه‌های دیگر: –  Scrapy, Plotly, Bokeh, Spacy, Dask, Gensim, data. table, Caffe, NLTK, FastAI, Gluon می‌باشند و لیست می‌تواند ادامه داشته باشد.

نتیجه

بنابراین، این مقاله مروری بر کتابخانه‌های یادگیری ماشینی فعلی، کاربردهای آن‌ها و برخی از معایب نیز ارائه می‌دهد. ما کتابخانه‌های مختلفی را مورد بحث قرار دادیم که می‌توانند کارهای خسته‌کننده‌ای مانند محاسبات ماتریس، داده‌کاوی، تجسم داده‌ها و تشخیص چهره را انجام دهند. با این حال، شما نباید خود را به این کتابخانه ها محدود کنید. تعداد زیادی کتابخانه عالی در بازار موجود است.

منبع

همچنین اخبار های علمی را بخوانید:

اخبار