简介

这是我们学习 Python 及其在机器学习 (ML) 和人工智能 (AI) 中的应用系列的第四个模块。在前面三个模块文章的学习，我们已经对Python相关基础知识有了了解。现在，我们可以开始学习Python中哪一些库可以用来处理AI和ML任务。

请注意，这更像是 Python 库的清单，其中包含您可以了解更多信息的链接。我们将深入研究将这些库用于未来模块的示例。

NLTK

NLTK（Natural Language Toolkit）提供了许多处理自然语言处理（NLP）的软件包，NLP是与计算语言学相关的人工智能的一个分支，专注于理解和解释书面人类语言。使用 NLTK，您可以分析句子、对单词进行分类、执行情感分析等等。

OpenCV

OpenCV（开放计算机视觉）是一个用于优化实时计算机视觉和机器学习的库。它可以使用过滤器和转换处理图像，检测图像中的特征并从中提取数据；它用于光学字符识别 (OCR)、人脸检测、对象跟踪等应用。

Keras

Keras是 Python 中用于深度学习和神经网络的高级库。它运行在 TensorFlow、Theano 或 CNTK 深度学习框架之上。与单独使用 TensorFlow 或使用 PyTorch 框架相比，Keras 更受欢迎，因为它是这三者中最容易使用的快速原型设计深度学习项目。

TensorFlow

TensorFlow是一个用于开发和训练机器学习模型的开源库。它提供高级和低级 API。与 Keras 相比，它具有更高的性能，因此更常用于大型数据集。Keras 现在作为 TensorFlow 的高级 API 包含在 TensorFlow 工具包中，用于构建和训练深度学习模型的原型。

PyTorch

PyTorch是一个深度学习框架。它专注于张量计算（如 NumPy，但使用 GPU 加速）和深度神经网络。

scikit-learn

scikit-learn是一个提供各种“传统”机器学习方法（线性模型、支持向量机、决策树等）的库。然而，它不包含深度学习功能，因为深度学习相当专业，而机器学习库通常专注于深度学习或传统机器学习方法。这使得 scikit-learn 成为与 Keras、TensorFlow 和 PyTorch 完全不同的野兽。

NumPy 和 SciPy

NumPy和SciPy不是专门用于机器学习的库，但它们是本概述的重要组成部分，因为它们提供了科学计算的基本工具。

NumPy 提供了强大的 N 维数组、线性代数、傅立叶变换，并且可以与 OpenCV 等其他库顺利协同工作（这并不奇怪，因为它们都建立在 NumPy 之上）。

SciPy 在 NumPy 的数组之上工作，并提供用于数值分析的函数，例如插值、优化、积分、微分方程求解器、统计等。

Matplotlib

Matplotlib是一个用于在 Python 中创建可视化的库。您可以使用它以 2D 或 3D 格式创建静态、动画或交互式图表和图形。

Pandas

Pandas是一个用于数据分析和操作的库。它可以读/写许多不同格式的文件，并提供许多功能来管理您的数据：索引、选择、合并、重塑等等。

选择什么？

如您所见，您可以做出很多选择。

如果您是企业开发人员，您可能希望选择高级库，例如 NLTK、OpenCV 或 Keras。这将使您尽可能快地走上正轨。

TensorFlow 或 PyTorch 的高级部分等库可帮助您构建神经网络，而无需担心低级复杂性。

低级解决方案，例如 TensorFlow 的某些部分，或者用 NumPy 做所有事情，通常需要更多的工作，因此交付解决方案需要更长的时间，并且这些解决方案更难维护。

结论

以上内容就是关于Python中人工智能（AI）和机器学习（ML）相关的一些库，接下来的模块，将要学习如何深入地使用它们。