Python如何帮助解决机器学习挑战？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

Python如何帮助解决机器学习挑战？
简介：Python的开放源代码和高级性质以及其全面的库，使其非常适合解决众多现实生活中的ML挑战。
人工智能解决方案的日益普及和可访问性正在迅速重塑许多行业，从医疗保健到金融再到航空。尽管最新技术的应用一直是力争领先的公司的重要考虑因素，但AI的普及意味着它已成为许多运营的核心。
但是，越来越多地使用ML（被理解为AI概念的技术实现），已经产生了广泛的问题，需要创新的方法和有效的工具来解决。
Python是一种通用性很强的编程语言，对两者都有帮助。它的显着灵活性和全面性以及库的可用性和支持社区，使其成为创建ML解决方案的开发人员的理想选择。
让我们仔细看看下面一些Python的特质。
a）灵活性
Python是一个高度灵活，可扩展的可移植平台，允许开发人员在OOP和脚本之间进行选择，以及将语言与其他语言结合在一起。
b）受欢迎程度
根据Python软件基金会（Python Software Foundation ）进行的2018年Python开发人员调查，该语言的采用率已经达到84％，并且在全球范围内正在迅速增长。Stack Overflow 发现 Python是增长最快的主要编程语言。
由于其广泛传播，Python在数据科学家中也越来越受欢迎。
c）社区支持
作为一种广受欢迎的开源语言，Python拥有强大且反应迅速的开发人员社区，并不断努力改进它，并使之对初学者更易使用。
d）库
大量与Python兼容的开源库的可用性是该语言的最大资产之一。尽管它们可以用于多种目的，但仍有许多库提供了针对ML挑战的解决方案。
但是，Python可以帮助解决哪些ML挑战？
有监督的机器学习
a）问题
迄今为止，在各种用例中，监督式机器学习是最常见的方法，其中算法从标记的数据集中学习算法，并且其输出是已知的。这是应用监督学习的两个主要领域，以及它们在现实生活中的用法示例。
分类：此技术用于将数据分类为所需的不同类别。它预测一个离散值。
例如，分类可用于评估信誉度，或获得更准确的X射线扫描读数，以检测癌症的早期征兆。
回归：预测结果是对数值的估计，即所谓的“因变量”，它依赖于其他变量（称为自变量）。回归是最常见的算法之一，用于涉及连续数的问题。它的一些用途包括需求预测，房地产价格估计和财务预测。
b）Python解决方案
有许多Python库可用于解决分类和回归问题。在社区的大力支持下，一些最受欢迎的游戏包括：
scikit学习（例如，SVM算法，线性和二次判别分析，最近邻，朴素贝叶斯，决策树，集成方法等）
TensorFlow
凯拉斯
火炬
Caffe2（深度学习）
XGBoost
猫助推器
LightGBM（渐变增强）
根据Python开发者调查2018最受欢迎的数据科学框架和库：
资料来源：https : //www.jetbrains.com/research/python-developers-survey-2018/
2018年Python开发人员调查的38％的受访者表示，他们将Python用于机器学习，高于一年前的31％：
无监督机器学习
a）问题
在无人监督的学习中，机器学习将在没有任何训练说明或已知结果的情况下被传递给未标记的数据集。它依靠自身的能力根据输入数据解决复杂的问题。
聚类和矩阵分解是无监督学习方法的两个示例。它们用于根据对象属性之间的相似性对元素进行分组。集群已经以用户细分的形式在许多行业中成功使用，矩阵分解是Netflix，YouTube和许多在线购物平台所使用的推荐系统的基础。
b）解决方案
尽管没有像监督学习那样经常使用它，但无监督方法也可以依靠广泛的Python兼容库。最受欢迎的是scikit-learn（具有k-means，层次聚类，DBSCAN，OPTICS和BIRCH等算法）。推荐系统中使用的一些最受欢迎的库是：
惊喜（基于邻居的方法，SVD，PMF，SVD ++，NMF）
LightFM（混合型潜在表示推荐器和矩阵分解）
Spotlight（使用PyTorch构建推荐器模型）
强化学习
a）问题
强化学习是指通过采取一些行动并获得反馈来学习实现特定目标并做出正确决策的算法。他们能够修改自己的行为以获得最佳结果并避免错误。
强化学习算法已用于视频游戏中，以达到超越人类的表现，例如在AlphaGo的情况下。
强化学习也在交通信号灯控制系统中进行了测试，并据报告显示出优于传统方法的结果。
b）解决方案
强化学习中发现的问题往往比与有监督和无监督机器学习有关的问题更加具体，解决方案也更难找到。但是，有一些库在处理这些问题时会派上用场，其中包括：
keras-rl（用于Keras的深度强化学习）
TensorForce（用于增强应用学习的TensorFlow库）
教练（NAF，DQN，DFP等）
鉴于Python具有解决各种ML挑战的能力，它已在从金融科技到医疗保健的许多行业中使用。该语言的高级和开放源代码性质意味着它在程序员和数据科学家中的流行程度正在不断提高。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：python 机器学习 scikit-learn foundation Developers