Python是最流行的编程语言之一。 原因是它的多功能性，因为它是一种多功能工具，可以针对各种需求“锐化”。 今天，我们将发布一个选集，描述为数据科学家和AI专家使用的10种有用工具。
机器学习，神经网络，大数据是一个日益增长的趋势，这意味着需要越来越多的专家。 Python语法在数学上是准确的，因此程序员不仅可以理解它，而且所有技术科学人员都可以理解，这就是为什么使用这种语言创建了许多新工具的原因。
Skillbox建议： Python开发人员从头开始 实践课程。
我们提醒您： 对于所有“哈勃”读者来说，使用“哈勃”促销代码注册任何Skillbox课程时均可享受10,000卢布的折扣。
但是足以描述Python的优点，让我们最后开始选择。
机器学习工具
Shogun是一种机器学习解决方案，专注于支持向量机（SVM）。 它是用C ++编写的。 Shogun提供了多种基于可靠且易于理解的算法的统一机器学习方法。
幕府将军有据可查。 缺点之一可以称为使用API的相对复杂性。 免费分发。
Keras是高级神经网络API，可为Python提供深度学习库。 对于那些开始成为机器学习专家的人来说，这是最好的工具。 与其他库相比，Keras更易于理解。 TensorFlow，CNTK或Theano等流行的Python框架都可以使用它。
Keras理念的4个关键原则是用户友好性，模块化，可扩展性和Python兼容性。 与其他库相比，这些缺点可以称为相对较慢的速度。
Scikit-Learn是用于数据挖掘和分析的开源工具。 它也可以用于数据科学。 该工具API方便实用，可用于创建大量服务。 主要优势之一是工作速度：Scikit-Learn可以打破记录。 该工具的主要功能是回归，聚类，模型选择，预处理，分类。
模式是一个Web挖掘模块，为数据收集，语言处理，机器学习，网络分析和各种可视化提供机会。 它有据可查，有50个案例以及350个单元测试。 而且他是自由的！
Theano以古希腊哲学家和数学家的名字命名，他们为世界带来了许多有用的东西。 Theano的主要功能是与NumPy集成，GPU资源的透明使用，速度和稳定性，自我验证，动态C代码生成。 缺点之一是，与其他库相比，API相对复杂且速度较慢。
数据科学工具
SciPy是面向数学家，IT专业人员和工程师的基于Python的开源软件生态系统。 SciPy使用各种软件包，例如NumPy，IPython，Pandas，可让您使用流行的库来解决数学和科学问题。 如果您需要显示重要的计算数据，则此工具是一项很棒的功能。 而且他是自由的。
Dask是一种解决方案，可通过与NumPy，Pandas和Scikit-Learn等程序包集成来实现分析中的数据并行化。 使用Dask，您只需更改几行即可快速并行化现有代码。 事实是它的DataFrame与Pandas库中的相同，并且NumPy使用它可以并行化用纯Python编写的任务。
Numba是一个开源编译器，它使用LLVM编译器框架将Python语法编译为机器代码。 在NumPy数组中使用代码时，可以将Numba与科学研究应用程序一起使用的主要优势称为其速度。 与Scikit-Learn一样，Numba也适用于构建机器学习应用程序。 值得注意的是，基于Numba的解决方案在设计用于机器学习或研究应用程序的设备上将特别有效。
高性能分析工具包（
HPAT ）是用于大数据的基于编译器的框架。 它会自动将分析程序和机器学习程序缩放到云服务的性能水平，并可以使用
jit装饰器优化某些功能。
Cython是使用数学代码的最佳选择。 Cython是基于Pyrex的源代码翻译器，可让您轻松编写Python的C扩展名。 此外，除了支持与IPython / Jupyter集成之外，使用Cython编写的代码可以在带有内置注释的Jupyter中使用，就像其他任何Python代码一样。
以上工具几乎适合科学家，程序员以及任何与机器学习和大数据有关的人员。 当然，值得记住的是，这些工具在Python下得到了改进。
Skillbox建议：