目录
介绍
这是我们学习Python及其在机器学习（ML）和人工智能（AI）中使用的系列文章的第四个模块。我们已经学习了Python基础知识，因此现在我们可以看看哪些库可用于AI和ML任务。
请注意，这更多是Python库的清单，其中包含可了解更多信息的链接。我们将深入探讨在以后的模块中使用这些库的示例。
NLTK
NLTK（自然语言工具包）提供了许多用于处理自然语言处理（NLP）的软件包，这是与计算语言学有关的人工智能的一个分支，其重点是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来处理图像、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）、面部检测、对象跟踪等应用。
Keras
Keras是Python中深度学习和神经网络的高级库。它在TensorFlow、Theano或CNTK深度学习框架之上运行。与单独使用TensorFlow或使用PyTorch框架相比，Keras赢得了广泛的欢迎，因为这是这三种方法中最简单的一种，用于快速构建深度学习项目的原型。
TensorFlow
TensorFlow是一个用于开发和训练机器学习模型的开源库。它提供了高级和低级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。它着重于张量计算（如NumPy，但使用GPU进行了加速）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。但是，它不包含深度学习功能，因为深度学习是相当专业的，并且机器学习库通常专注于那种学习方法或传统机器学习方法。这使得scikit-learn与Keras、TensorFlow和PyTorch完全不同。
NumPy和SciPy
NumPy和SciPy并不是专门用于机器学习的库，但是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之类的其他库顺利协作（这并不奇怪，因为它们全部都建立在NumPy之上）。
SciPy在NumPy的数组之上工作，并提供用于数值分析的功能，例如插值、优化、积分、微分方程求解器、统计信息等等。
Matplotlib
Matplotlib是一个用于在Python中创建可视化效果的库。您可以使用它以2D或3D方式创建静态、动画或交互式图表。
Pandas
Pandas是一个用于数据分析和处理的库。它可以读取/写入许多不同格式的文件，并提供许多功能来管理数据：索引编制、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，则可能需要选择一个高级库，例如NLTK，OpenCV或Keras。这将使您尽快上路。
TensorFlow或PyTorch的高级部分之类的库可帮助您构建神经网络，而不必担心底层复杂性。
低级解决方案（例如TensorFlow的某些部分或使用NumPy进行的所有操作）通常需要做大量工作，因此交付解决方案需要更长的时间，而且这些解决方案更难维护。
下一步
现在，我们已经看到了可用库的概述，我们可以深入学习如何使用它们。在接下来的四个模块将谈论的OpenCV、NLTK、Keras、SciPy、NumPy和TensorFlow的使用。
4309
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
