摘要：库将可重用的代码模块打包，并通过接受用户输入并提供所需输出的函数来呈现它们。不仅如此，这些库还通过使用多线程等概念来使执行时间极快，从而为我们提供了最佳优化的函数形式。因此，了解这些库可以节省时间并阻止我们重新发明轮子。它使我们能够专注于机器学习的更高级部分，

库将可重用的代码模块打包，并通过接受用户输入并提供所需输出的函数来呈现它们。不仅如此，这些库还通过使用多线程等概念来使执行时间极快，从而为我们提供了最佳优化的函数形式。因此，了解这些库可以节省时间并阻止我们重新发明轮子。它使我们能够专注于机器学习的更高级部分，例如开发更新的架构或创建更新的算法。

一些最受欢迎的库是：

Numpy 是机器学习中非常流行的开源库，几乎可以在 ML 中使用的所有代码中找到它的存在。原因是 Numpy 用于执行数值计算。在机器学习中，将所有形式的数据集缩小到数字格式，然后将它们提供给我们的机器以提取有意义的隐藏模式。

它用于存储和执行对多维数组或矩阵的操作。它为各种数学函数提供的功能和支持，以执行从简单的线性代数到估计无限傅里叶级数的更广泛的运算，这远远超出了任何其他库。除此之外，与类似的库相比，它的计算速度很快，并作为其他库的基础。

Scipy是另一个建立在著名的 Numpy 库之上的开源库。它部分是用 Python 编写的，部分是用 C 语言编写的，以进一步提高数学计算的速度。它提供对线性代数、微积分、特征值问题、统计学等的支持。Scipy 是一个高级库，因此在深度学习或图形数据结构（如稀疏矩阵支持）中具有一些关键应用。

一个问题中：如果 Numpy 已经存在，为什么要使用 Scipy？Scipy 是一个成熟的软件包，包含与数值数据计算相关的所有内容，如线性代数、傅里叶级数、微积分、三角学等。如果我们需要这些数值支持，那么 Scipy 会更好。否则，对于简单的数组形成、排序索引和简单的数学计算，Numpy 绰绰有余。

Pandas 是一个主要专注于数据分析的 Python 库。它也是一个基于 Numpy 库构建的开源库，支持所有领域的大量数据集。机器学习初学者需要数据集来练习他们的学习，以执行分析或构建 ML 模型。Pandas 库为更广泛的数据集提供函数，他们可以轻松练习。

它支持两种类型的数据结构（一维的 Series 和多维的 DataFrame）以结构化或半结构化格式处理数据。

Matplotlib 是一个流行的Python 库，用于绘制各种数据类型、训练、性能分析和可视化的曲线。该库有助于就更好的培训所需的数据或流程做出明智的决策。它是该行业数据科学家或分析师最常用的库之一，也是其他可视化库（如 Seaborn）的基础，后者将美化应用于 matplotlib 图。

Scikit-learn 是许多机器学习初学者和专业人士的一站式库。它提供了许多功能，包括用于练习 ML 的虚拟数据、预处理模块、各种预定义的 ML 算法，以及对训练评估和部署的支持。早期的库，如 Pandas 和 Numpy 没有提供前面提到的额外支持。在我们的所需 ML 库列表中，Scikit-Learn 是唯一能够完成构建端到端 ML 管道所涉及的所有操作的库。

它是一个开源库，主要建立在 Scipy、Nampy 和 Matplotlib 库之上，这使其具有快速训练和评估的额外优势。它还支持可视化完整的模型开发管道，其中包括如何接收、处理、馈送到模型、进行训练、评估发生和发布结果等阶段。

来源：自由坦荡的湖泊AI一点号