适合初学者的8大最火爆的机器学习库！

机器学习生态系统在过去十年中发展了很多。人工智能相关的社区已经发展的非常强大，开放、乐于助人是开源精神之一，这也让我们接触到很多优秀的机器学习库，帮助我们一步步成长。

本文就带您了解8大最火爆的机器学习库！

以下是根据使用目的不同，整理的一份最火爆的机器学习开源库，您可以收藏下来以便后续学习：

作用	开源库
科学计算	Numpy
数据处理	Pandas
数据建模和预处理	Scikit Learn
时间序列分析	Statsmodels
文本处理	Regular Expressions, NLTK
深度学习	Tensorflow, Pytorch

接下来我们将详细介绍这些库的作用。

Numpy—科学计算

Numpy 可以说是机器学习中最重要的Python包之一。

Numpy主要用于科学计算领域。

科学计算需要使用大量的矩阵运算，而这些操作的计算量是非常大的，所以实现它们很容易导致内存不足并且效率低下。

而Numpy的优势就在于此！Numpy 数组是一类特殊的数组，这些数组是用 C 编程语言实现的，可在几毫秒内执行这些复杂的计算操作。

在像自然语言处理这样的任务中，您有一大堆词汇和数十万个句子，单个矩阵可以有数百万个数字，而这用Numpy处理效率却十分高效。所以作为初学者，您首先应该掌握使用此库的技能。

Pandas—数据处理

Pandas是处理数据表格最优秀的库！它相当于Python中的Excel。

当你有表格数据时，你首先应该考虑使用 Pandas 来处理它。

Pandas的好处是，几行代码就可以搞定复杂的表格处理工作。譬如当你想做一些复杂的事情时，发现自己需要编写很多代码，那么这时候很有可能存在一个Pandas命令，可以在一两行内帮你完成。

从数据操作到转换，可视化，Pandas都能做到。如果你想成为一名数据科学家，那么我相信您必须要掌握 Pandas 库。

Scikit Learn—数据建模、预处理

Scikit Learn 可能是最受欢迎的机器学习库。它提供了几乎所有流行的模型——线性回归、套索岭、物流回归、决策树、SVM等等。不仅如此，它还提供了一套广泛的工具来预处理数据，使用 BOW、TF-IDF 或哈希矢量化等对文本进行矢量化。

它唯一的缺点是不能很好地支持大规模生产环境应用程序的分布式计算。如果你想成为一名数据科学家或机器学习工程师，目前来看，这个库是必须要掌握的！

Statsmodels—时序建模

Statsmodels 是另一个实现统计学习算法的库。但是，它更受欢迎的是其有助于实现时序模型的模块。您可以轻松地将时间序列分解为其趋势分量、季节性分量和残差分量。

您还可以实现流行的 ETS 方法，如指数平滑、霍尔特-温特斯方法和模型，如 ARIMA和季节性 ARIMA 或 SARIMA。唯一的缺点是这个库没有全面的文档。

正则表达式—文本处理

正则表达式我想你应该不陌生。它可能是最简单但最有用的文本处理库。它有助于根据文本中定义的字符串模式来查找符合模式的文本，并且可以用你选择的字符替换它们。

它的缺点是在编写正确的匹配模型时，初学者会比较混乱，但一旦你掌握了窍门，它就会很有用！

NLTK—自然语言处理

NLTK 是一个用于自然语言任务的工具库。它是满足您所有文本处理需求的首选软件包。

文本处理对于任何 NLP 任务（如语言建模、神经机器翻译或命名实体识别）都非常重要。它还提供了一个名为wordnet的同义词库。

Tensorflow、Pytorch—深度学习

Tensorflow 是迄今为止最受欢迎的库，拥有广泛的文档和开发人员社区支持。

对于基于产品的公司来说，使用 Tensorflow 是非常容易的，因为它提供了模型原型设计的生态系统。并且拥有基于Web的可视化工具 Tensorboard，它可以帮助开发人员将模型性能、模型参数和梯度等信息都可视化，十分好用。

Pytorch是原始库Torch的Pythonic版本，Torch就是为Lua编程语言编写的深度学习框架。

动态计算图(Dynamic Computation Graphs)是Pytorch的一大亮点，对CUDA的支持保证了代码可以在GPU上运行，从而减少了运行代码所需的时间，提高了系统的整体性能。