Skip to main content
search

ویکی AI

منبعی معتبر و کامل جهت معرفی رودمپ یادگیری مفاهیم تخصصی هوش مصنوعی

بازگشت به صفحه اصلی ویکی
مشاهده رودمپ عمومی

جهت کسب اطلاع در مورد رودمپ عمومی هوش مصنوعی روی لینک رو به رو کلیک کنید.

معرفی کتابخانه های هوش مصنوعی

تمامی کتابخانه های هوش مصنوعی که در ادامه معرفی شده اند، رایگان بوده و بیشتر آنها اپن سورس می باشند.

یادگیری ماشین

یادگیری ماشین عمومی

  • scikit-learn – یادگیری ماشین در پایتون
  • Shogun – جعبه ابزار یادگیری ماشین
  • xLearn – پکیج یادگیری ماشین با کارکرد عالی، استفاده آسان و مقیاس پذیر
  • Reproducible Experiment Platform (REP) – جعبه ابزار یادگیری ماشین
  • modAL – یک فریمورک یادگیری فعال ماژولار برای Python3
  • Sparkit-learn – شامل PySpark + Scikit-learn
  • mlpack – کتابخانه مقیاس پذیر یادگیری ماشین بر پایه ++C
  • dlib – جعبه ابزار جهت ایجاد اپلیکیشن های واقعی یادگیری ماشین و آنالیز داده بر پایه ++C
  • MLxtend – افزونه و ماژول های جانبی برای کتابخانه های آنالیز داده و یادگیری ماشین در پایتون
  • tick – ماژول برای یادگیری آماری با تاکید بر مدلسازی وابسته به زمان
  • sklearn-extensions – پکیج یکپارچه از افزونه های کوچک برای scikit-learn
  • civisml-extensions – برآوردگرهای سازگار با scikit-learn از Civis Analytics
  • scikit-multilearn – طبقه بندی multi-label برای پایتون
  • tslearn – جعبه ابزار اختصاصی یادگیری ماشین برای داده های سری زمانی
  • seqlearn– جعبه ابزار طبقه بندی توالی برای پایتون
  • pystruct – فریمورک یادگیری ساختاریافته ساده برای پایتون
  • sklearn-expertsys -کلاسیفایرهای با تفسیرپذیری برای scikit learn، ایجاد قوانین تصمیم گیری با قابلیت درک آسان به جای مدل های black box
  • skutil – مجموعه ای از کلاس های اکستنشن scikit-learn و h2o (همچنین کلاس های caret برای پایتون)
  • sklearn-crfsuite – یک API الهام گرفته از scikit-learn برای CRFsuite
  • RuleFit – پیاده سازی rulefit
  • metric-learn – الگوریتم های یادگیری متریک در پایتون
  • pyGAM – مدل های جمعی تعمیم یافته در پایتون
  • luminol – کتابخانه اختصاصی برای داده های سری زمانی با قابلیت تشخیص ویژگیهای سری زمانی از قبیل آنومالی و..

یادگیری ماشین خودکار

  • TPOT – ابزار یادگیری ماشین خودکار جهت بهینه سازی پایپ لاین های یادگیری ماشین با استفاده از برنامه نویسی ژنتیک
  • auto-sklearn – جعبه ابزار یادگیری ماشین خودکار و جایگزین برای scikit-learn estimator
  • MLBox – کتابخانه قدرتمند پایتون برای یادگیری ماشین خودکار

متدهای گروهی

  • ML-Ensemble – یادگیری جمعی با کارکرد عالی
  • brew – رابط برنامه نویسی کاربردی (API) برای یادگیری جمعی پایتون
  • Stacking – کتابخانه ساده و قدرتمند stacking نوشته شده با پایتون
  • stacked_generalization – کتابخانه برای تعمیم machine learning stacking
  • vecstack – پکیج پایتون برای stacking (تکنیک یادگیری ماشین)

دیتاست های نامتوازن

  • imbalanced-learn – ماژول جهت اجرا under sampling و over sampling با تکنیک های مختلف
  • imbalanced-algorithms – پیاده سازی الگوریتم ها مبتنی بر پایتون برای یادگیری از داده های نامتوازن

جنگل های تصادفی

  • rpforest – کتابخانه پایتون برای جستجوی تقریبی نزدیکترین همسایه
  • Random Forest Clustering – خوشه بندی بدون نظارت با استفاده از جنگل های تصادفی
  • sklearn-random-bits-forest – رپر(wrapper) برنامه Random Bits Forest نوشته شده توسط (Wang et al., 2016)
  • rgf_python – رپر(Wrapper) پایتون Regularized Greedy Forest

ماشین یادگیری افراطی (ELM)

  • Python-ELM – پیاده سازی ماشین یادگیری افراطی در پایتون
  • Python Extreme Learning Machine (ELM) – تکنیک یادگیری ماشین افراطی برای طبقه بندی و رگرسیون
  • hpelm ![alt text][gpu] – پیاده سازی ماشین یادگیری افراطی (شبکه های عصبی تصادفی سریع)

متدهای کرنل

  • pyFM – پیاده‌سازی برمبنای پایتون از Factorization Machines
  • fastFM – کتابخانه ای برای ماشین های فاکتورسازی
  • tffm – پیاده سازی یک ماشین arbitrary order Factorization با تنسورفلو
    liquidSVM – نوعی از پیاده سازی SVMs
  • scikit-rvm – پیاده سازی Relevance Vector Machine با استفاده از scikit-learn API

تقویت گرادیان

  • XGBoost – گرادیان بوستینگ مقیاس پذیر، پرتابل و توزیع شده
  • LightGBM – گردیان بوستینگ سریع، توزیع شده و با عملکرد عالی توسط مایکروسافت
  • CatBoost – گرادیان بوستینگ اوپن سورس بر اساس کتابخانه درخت های تصمیم توسط یاندکس
  • InfiniteBoost – ساخت infinite ensembles با gradient descent
    TGBoost – درخت گرادیان بوستینگ

یادگیری عمیق

Keras

  • Keras – یک API شبکه های عصبی سطح بالا، نوشته شده به زبان پایتون با امکان اجرا روی تنسورفلو، CNTK، یا Theano
  • keras-contrib – کانتریبیوشن های کامیونیتی Keras
  • Hyperas – یک wrapper بسیار آسان برای هایپرپارامتر ساده (Keras + Hyperopt)
  • Elephas – یادگیری عمیق توزیع شده با کراس و اسپارک
  • Hera – یادگیری/ارزیابی یک مدل Keras، دریافت سنجه های استریم شده به یک داشبورد در مرورگر
  • dist-keras – یادگیری عمیق توزیع شده با تمرکز بر آموزش توزیع شده
  • Conx – پیاده سازی الگوریتم های شبکه عصبی یادگیری عمیق

PyTorch

  • PyTorch – تنسورها و شبکه های عصبی داینامیک در پایتون از طریق ارتقای GPU قدرتمند
  • torchvision – دیتاست ها، ترنسفورمرها و مدل ها اختصاصی برای بینایی ماشین
  • torchtext – بارگذارهای داده و انتزاع ها برای متن و NLP
  • torchaudio – کتابخانه صوت برای پایتورچ
  • ignite – کتابخانه سطح بالا جهت آموزش شبکه های عصبی در پایتورچ
  • PyToune – فریمورک مشابه کراس و قابلیت هایی برای پایتورچ
  • skorch – کتابخانه شبکه عصبی سازگار با scikit-learn جهت wrap پایتورچ
  • PyTorchNet – یک انتزاع جهت آموزش شبکه های عصبی
  • Aorun – متمرکز بر پیاده سازی یک API مشابه کراس با پایتورچ به عنوان بک اند
  • pytorch_geometric – کتابخانه ژئومتریک اکستنشن یادگیری عمیق برای پایتورچ

Tensorflow

  • TensorFlow – محاسبات با استفاده از نمودارهای گردش داده برای یادگیری ماشین مقیاس پذیر توسط گوگل
  • TensorLayer – کتابخانه یادگیری عمیق و یادگیری تقویتی برای پژوهشگران و مهندسان
  • TFLearn – کتابخانه یادگیری عمیق شامل یک API سطح بالاتر برای تنسورفلو
  • Sonnet – کتابخانه شبکه عصبی مبتنی بر تنسورفلو توسط DeepMind
  • TensorForce – کتابخانه تنسورفلو برای یادگیری تقویتی کاربردی
  • tensorpack – اینترفیس آموزش شبکه عصبی بر روی تنسورفلو
  • Polyaxon – پلتفرمی جهت ایجاد، مدیریت و مانیتورینگ مدل های یادگیری عمیق
  • Horovod – فریمورک آموزش توزیع شده برای تنسورفلو
  • tfdeploy – پیاده سازی نمودارهای تنسورفلو جهت ارزیابی سریع و خروجی به tensorflow
  • hiptensorflow – تنسورفلو با قابلیت ROCm/HIP
  • TensorFlow Fold – یادگیری عمیق با نمودارهای محاسباتی داینامیک در تنسورفلو
  • tensorlm – کتابخانه wrapper برای تولید متن/مدل های زبانی در سطح کاراکتر و کلمه با RNN
  • TensorLight – فریمورک سطح بالا برای تنسورفلو
  • Mesh TensorFlow – کتابخانه تسهیل موازی سازی مدل

Theano

  • Theano – کتابخانه پایتون با امکان تعریف، بهینه سازی و ارزیابی عبارات ریاضی
  • Lasagne – کتابخانه کم حجم به منظور ایجاد و آموزش شبکه های عصبی در Theano Lasagne add-ons…
  • nolearn – کتابخانه شبکه عصبی سازگار با scikit-learn (عمدتا برای Lasagne)
  • Blocks – یک فریمورک Theano برای ایجاد و تعلیم شبکه های عصبی
  • platoon – مینی فریمورک Multi-GPU برای Theano
  • NeuPy – کتابخانه پایتون برای شبکه های عصبی مصنوعی و یادگیری عمیق
  • scikit-neuralnetwork – شبکه های عصبی عمیق بدون learning cliff
  • Theano-MPI – آموزش مدل های یادگیری عمیق ساخته شده در Theano

MXNet

  • MXNet – فریمورک جهت آموزش و پیاده سازی شبکه های عصبی عمیق
  • Gluon – یک API شفاف، دقیق، ساده و همزمان بسیار قدرتمند و اثربخش برای یادگیری عمیق (قابل دسترس در MXNet)
  • MXbox – جعبه ابزار ساده، اثربخش و منعطف بینایی (vision) برای فریمورک mxnet
  • gluon-cv – فراهم نمودن قابلیت پیاده سازی مدل های پیشرفته یادگیری عمیق در بینایی ماشین
  • gluon-nlp – ساده سازی NLP
  • MXNet ![alt text][amd] – پورت HIP از MXNet

Caffe

  • Caffe – فریمورک سریع برای یادگیری عمیق
  • Caffe2 – فریمورک سبک، ماژولار و مقیاس پذیر برای یادگیری عمیق
  • hipCaffe – پورت HIP از Caffe

CNTK

  • CNTK – جعبه ابزار اوپن سورس یادگیری عمیق

Chainer

  • Chainer – فریمورک انعطاف پذیر برای شبکه های عصبی
  • ChainerRL – کتابخانه یادگیری تقویتی عمیق مبتنی بر Chainer
  • ChainerCV – کتابخانه ای برای یادگیری عمیق در بینایی ماشین
  • ChainerMN – یادگیری عمیق توزیع شده مقیاس پذیر با Chainer
  • scikit-chainer – رابط مشابه scikit-learn برای Chainer
  • chainer_sklearn – رابط مشابه Sklearn (Scikit-learn) برای Chainer

Others

  • Neon – فریمورک مرجع Intel Nervana™ برای یادگیری عمیق با کارکرد عالی در تمامی سخت افزارها
  • Tangent – کتابخانه جدید، رایگان و اوپن سورس برای مشتق گیری خودکار در سورس کد خود پایتون
  • autograd – محاسبه اثربخش گرادیان ها در numpy
  • Myia – فریمورک یادگیری عمیق (pre-alpha)
  • nnabla – کتابخانه های شبکه عصبی توسط سونی

تشریح مدل

  • Auralisation – مدلسازی آکوستیک ویژگی های یادگرفته شده در CNN (برای اصوات)
  • CapsNet-Visualization – مصورسازی لایه های CapsNet جهت درک بهتر کارکرد آن
  • lucid – مجموعه ای زیرساخت و ابزارها جهت تحقیقات در رابطه با تفسیرپذیری شبکه عصبی
  • Netron – مصورسازی و نمایش مدل های یادگیری ماشین و یادگیری عمیق (بدون کدنویسی پایتون، مصورسازی مدل ها از اغلب فریمورک های یادگیری پایتون)
  • FlashLight – ابزار مصورسازی شبکه عصبی tensorboard-pytorch – تنسورد بورد برای PyTorch (و chainer، mxnet، numpy و غیره)
  • anchor – کتابخانه ای بر اساس مقاله “High-Precision Model-Agnostic Explanations”
  • aequitas – کتابخانه ای جهت بررسی Bias و Fairness
  • Contrastive Explanation – توضیحات Contrastive یا (Foil trees)
  • yellowbrick – تحلیل بصری و ابزارهای تشخیص جهت تسهیل انتخاب مدل یادگیری ماشین
  • scikit-plot – کتابخانه بصری جهت افزودن قابلیت Plotting به آبجکت های scikit-learn
  • shap– رویکردی یکپارچه جهت تشریح خروجی هر مدل یادگیری ماشین
  • ELI5 – کتابخانه جهت دیباگ/بررسی classifierهای یادگیری ماشین و تشریح پیش بینی های آنها
  • Lime – تشریح پیش بینی های هر classifier یادگیری ماشین
  • FairML – جعبه ابزار پایتون جهت بررسی Bias در مدل های یادگیری ماشین
  • L2X – کدی برای تکرار آزمایش‌ها در مقاله یادگیری برای توضیح: دیدگاه نظری اطلاعاتی در مورد تفسیر مدل
  • PDPbox – نمایش بصری تاثیر ویژگی های مشخص نسبت به پیش بینی مدل برای هر الگوریتم نظارت شده با استفاده از partial dependence plots
  • pyBreakDown – پیاده سازی R package breakDown در پایتون
  • PyCEbox – جعبه ابزار Individual Conditional Expectation Plot در پایتون
  • Skater – کتابخانه پایتون برای تفسیر مدل
  • tensorflow/model-analysis – ابزارهای آنالیز مدل برای تنسورفلو
  • themis-ml – کتابخانه ای جهت بکارگیری الگوریتم های یادگیری ماشین fairness-aware
  • treeinterpreter – تفسیر درخت تصمیم scikit-learn و پیش بینی های جنگل تصادفی

یادگیری تقویتی

  • OpenAI Gym – مجموعه ای از ابزارها برای توسعه و مقایسه الگوریتم های یادگیری تقویتی

سیستم های محاسباتی توزیع شده

  • PySpark – یک اینترفیس برای Apache Spark در پایتون جهت توسعه اپلیکیشن های Spark و آنالیز تعاملی داده در یک محیط توزیع شده
  • Veles – پلتفرم توزیع شده یادگیری ماشین توسط سامسونگ
  • Jubatus – فریمورک و کتابخانه برای یادگیری ماشین آنلاین و توزیع شده
  • DMTK – جعبه ابزار توزیع شده یادگیری ماشین توسط مایکروسافت
  • PaddlePaddle – یادگیری عمیق توزیع شده همزمان توسط Baidu
  • dask-ml – یادگیری ماشین همزمان و توزیع شده
  • Distributed – محاسبات توزیع شده در پایتون

متدهای احتمال گرایانه

  • pomegranate – مدل های نموداری و احتمالی برای پایتون
  • pyro – کتابخانه مقیاس پذیر و منعطف برنامه نویسی احتمالی عمیق مبتنی بر PyTorch
  • ZhuSuan – یادگیری عمیق بیزی
  • PyMC – مدلسازی استوکستیک بیزی ( بیزی تصادفی) در پایتون
  • PyMC3 – پکیج پایتون برای مدلسازی آماری بیزی و یادگیری ماشین احتمالی
  • sampled – دکوراتور برای مدل های قابل استفاده مجدد در PyMC3
  • Edward – کتابخانه برای مدلسازی، استنتاج یا عیب یابی احتمالی
  • InferPy – مدلسازی احتمال گرایانه عمیق تسهیل شده
  • GPflow – فرآیندهای گاوسی در تنسورفلو
  • PyStan – استنتاج بیزی با استفاده از No-U-Turn sampler (رابط پایتون)
  • gelato – Bayesian dessert for Lasagne
  • sklearn-bayes – پکیج پایتون برای یادگیری ماشین بیزی با scikit-learn API
  • bayesloop – فریمورک برنامه نویسی احتمالی جهت تسهیل انتخاب مدل Objective برای مدل های پارامتر time-varying
  • PyFlux – کتابخانه سری های زمانی اوپن سورس برای پایتون
  • skggm – تخمین مدل های گرافیکی عمومی
  • pgmpy – کتابخانه پایتون جهت کار با مدل های گرافیکی احتمالی
  • skpro – فریمورک پیش بینی domain-agnostic برای مدلسازی احتمالی توسط موسسه آلن تورینگ
  • Aboleth – فریمورک مبتنی بر تنسور فلو برای یادگیری عمیق بیزی و تقریب فرآیند گاوسی
  • PtStat – برنامه نویسی احتمالی و استنتاج آماری در PyTorch
  • PyVarInf – متدهای یادگیری عمیق بیزی با استنتاج متغیر برای PyTorch
  • emcee – جعبه ابزار ensemble sampling در پایتون برای affine-invariant MCMC
  • hsmmlearn – کتابخانه برای یادگیری بدون نظارت مدل های semi-Markov
  • pyhsmm – استنتاج بیزی در HSMMs و HMMs
  • GPyTorch – پیاده سازی ماژولار و اثربخش فرآیندهای گاوسی در PyTorch
  • Bayes – پیاده سازی الگوریتم های Naive Bayes در پایتون

برنامه نویسی ژنتیک

  • gplearn – برنامه نویسی ژنتیک در پایتون
  • DEAP – الگوریتم های تکاملی توزیع شده در پایتون
  • karoo_gp – پلتفرم برنامه نویسی ژنتیک برای پایتون با پشتیبانی از GPU
  • monkeys – فریمورک برنامه نویسی ژنتیک strongly-typed برای پایتون
  • sklearn-genetic – ماژول انتخاب ویژگی ژنتیک برای scikit-learn

بهینه سازی

  • Spearmint – بهینه سازی بیزی
  • SMAC3 – بهینه سازی پارامترهای الگوریتم بیزی
  • Optunity – کتابخانه ای شامل بهینه سازهای مختلف برای تنظیم هایپرپارامتر
  • hyperopt – بهینه سازی هایپرپارامتر Asynchronous توزیع شده در پایتون
  • hyperopt-sklearn – بهینه سازی هایپرپارامتر در sklearn
  • sklearn-deap – استفاده از الگوریتم های تکاملی به جای grid search در scikit-learn
  • sigopt_sklearn – بکارگیری SigOpt wrappers برای متدهای scikit-learn
  • Bayesian Optimization – اجرای بهینه سازی بیزین global در پایتون با فرآیندهای گاوسی
  • SafeOpt – بهینه سازی بیزی امن
  • scikit-optimize – بهینه سازی Sequential model-based با رابط scipy.optimize
  • Solid – یک فریمورک جامع بهینه سازی gradient-free نوشته شده به زبان پایتون
  • PySwarms – جعبه ابزاری برای بهینه سازی ازدحام ذرات (PSO) در پایتون
  • Platypus – کتابخانه رایگان و اوپن سورس پایتون برای بهینه سازی چندهدفه
  • GPflowOpt – بهینه سازی بیزی با استفاده از GPflow
  • POT – کتابخانه انتقالی بهینه پایتون
  • Talos – بهینه سازی هایپرپارامتر برای مدل های کراس

پردازش زبان طبیعی

پردازش زبان طبیعی (NLP) یکی از حوزه های پرطرفدار هوش مصنوعی است که مربوط به توانایی کامپیوتر جهت درک، تفسیر، پردازش و تولید زبان انسانی توسط ماشین است.

کتابخانه های پردازش زبان طبیعی با هدف حل مشکلات طراحی، پیاده سازی و استقرار سیستم های مبتنی بر NLP ایجاد شده اند. ما در این پست، ۷ مورد از کتابخانه های کاربردی پردازش زبان طبیعی را معرفی کردیم که میتوانید از آن ها در پروژه های خود استفاده نمایید.

  • NLTK – یک کتابخانه به زبان پایتون شامل مجموعه ای از ابزارهای اپن سورس به منظور راحت تر کردن عملیات NLP همچون کلاس بندی، قطعه بندی، توکن سازی، ریشه یابی، برچسب زدن، تجزیه و استدلال معنایی و غیره.
  • CLTK – جعبه ابزار زبان کلاسیک یا CLTK یک کتابخانه پایتون جهت ارائه پردازش زبان طبیعی برای زبان های کلاسیک همچون یونانی، سانسکریت و غیره.
  • gensim – کتابخانه زبان برنامه‌نویسی پایتون برای مدل‌سازی موضوعی، اندیس‌گذاری اسناد و بازیابی مشابهت. این کتابخانه در پیاده سازی الگوریتم‌های مدل سازی موضوعی LDA، بسیار قوی، کارآمد و مقیاس پذیر است.
  • PSI-Toolkit – مجموعه ای از ابزارهای پیشرفته پردازش متن به منظور طراحی برنامه های مبتنی بر پردازش زبان طبیعی
  • pyMorfologik – یک کتابخانه پایتون جهت کمک به توسعه‌دهندگان برای انجام وظایف زبان‌شناسی مختلف مانند کاهش واژگان، تجزیه واژه‌ها به اجزای قابل تحلیل، برچسب‌گذاری نقش و جابجایی و اصلاح املایی.
  • skift – یک کتابخانه پایتون موجود در PyPI با امکان فراهم سازی روش‌های کدگذاری کارآمد برای متغیرهای دسته‌ای. این کتابخانه شامل روش‌های کدگذاری مختلف مانند کدگذاری برچسب، کدگذاری one-hot، کدگذاری بر مبنای frequency ، کدگذاری بر مبنای target و کدگذاری leave-one-out است.
  • Phonemizer – یک کتابخانه ضروری برای تبدیل متن به بازنمایی های صوتی. پلی میان زبان نوشتاری و تلفظ مربوط به آنها جهت استفاده در کاربردهایی همچون ترجمه ماشینی، سنتز گفتار، بازشناسی گفتار و پردازش و تولید دقیق زبان گفتاری.

شنوایی ماشین

  • librosa – کتابخانه پایتون برای آنالیز صوت و موسیقی
  • Yaafe – استخراج ویژگی های صوت
  • aubio – کتابخانه ای برای آنالیز صوت و موسیقی
  • Essentia – کتابخانه آنالیز صوت و موسیقی‏، توصیف و تلفیق
  • LibXtract – کتابخانه ساده، پرتابل و کم حجم شامل فانکشن های استخراج ویژگی صوتی
  • Marsyas – آنالیز موسیقی، بازیابی و تلفیق سیگنال های صوتی
  • muda – کتابخانه ای برای افزایش داده های صوتی برچسب گذاری شده
  • madmom – کتابخانه پایتون جهت پردازش سیگنال موسیقی و صوتی

بینایی ماشین

  • OpenCV – کتابخانه اوپن سورس بینایی ماشین
  • scikit-image – پردازش تصویر SciKit (جعبه ابزار برای SciPy)
  • imgaug – داده افزایی تصاویر برای آزمایشات یادگیری ماشین
  • imgaug_extension – داده افزایی های بیشتر برای imgaug
  • Augmentor – کتابخانه پایتون داده افزایی تصاویر برای یادگیری ماشین
  • albumentations – کتابخانه سریع داده افزایی تصاویر با امکان استفاده آسان wrapper در سایر کتابخانه ها

مهندسی ویژگی

  • Featuretools – مهندسی ویژگی خودکار
  • scikit-feature – ریپازیتوری انتخاب ویژگی در پایتون
  • skl-groups – افزونه scikit-learn جهت انجام عملیات روی ویژگی های مبتنی بر set/group
  • Feature Forge – مجموعه ای از ابزارهای ایجاد و تست ویژگی یادگیری ماشین
  • boruta_py – پیاده سازی متد انتخاب ویژگی Boruta
  • BoostARoota – الگوریتم سریع انتخاب ویژگی xgboost
  • few – یک wrapper مهندسی ویژگی برای sklearn
  • scikit-rebate – پیاده سازی ReBATE، مجموعه ای الگوریتم های انتخاب ویژگی Relief-based برای یادگیری ماشین، در پایتون و سازگار با scikit-learn
  • scikit-mdr – پیاده سازی کاهش ابعاد چند عاملی (MDR) در پایتون برای ساخت ویژگی و به صورت سازگار با sklearn
  • tsfresh – استخراج اتوماتیک ویژگی های مرتبط از سری های زمانی

دستکاری داده و پایپ لاین ها

  • pandas – کتابخانه قدرتمند پایتون برای آنالیز داده ها
  • sklearn-pandas – یکپارچه سازی پانداس با sklearn
  • alexander – تطبیق کامل scikit-learn با پانداس
  • blaze – رابط NumPy و Pandas برای کلان داده ها
  • pandasql – فراهم نمودن امکان کوئری دیتافریم ها در پانداس با استفاده از سینتکس SQL
  • pandas-gbq – فراهم نمودن یک رابط کاربری آسان جهت اجرای کوئری ها و آپلود دیتافریم های پانداس به Big Query
  • xpandas – کانتینرهای داده 1d/2d جهانی با قابلیت transformers جهت آنالیز داده توسط موسسه آلن تورینگ
  • Fuel – فریمورک پایپ لاین داده جهت فراهم نمودن داده های مورد نیاز برای مدل های یادگیری ماشین
  • Arctic – عملکرد عالی برای ذخیره داده های عددی همچون سری های زمانی
  • pdpipe – پایپ لاین ساده برای دیتافریم های پانداس
  • SSPipe – عملگر پایتون pipe با پشتیبانی از دیتافریم ها‏، NumPy و PyTorch
  • meza – مجموعه ابزار پایتون برای پردازش داده های جدولی
  • pandas-ply – دستکاری داده در پانداس
  • Dplython – کتابخانه Dplyr مبتنی بر R برای پایتون
  • pysparkling – پیاده سازی کامل Apache Spark’s RDD و DStream interfaces در پایتون
  • quinn – متدهای pyspark برای افزایش بهره وری توسعه دهنده
  • Dataset – کمک به تعریف و پردازش دسته های تصادفی یا متوالی داده ها
  • swifter – یک پکیج جهت بکارگیر اثربخش انواع فانکشن برای دیتافریم پانداس یا سری ها به سریع ترین شیوه ممکن

آمار

  • statsmodels – مدلسازی آماری و اقتصادسنجی در پایتون
  • stockstats – ماژول پایتون برای انواع اندیکاتورهای بازار سهام مبتنی بر دیتافریم پانداس
  • simplestatistics – پیاده سازی توابع آماری ساده در پایتون readable
  • weightedcalcs – توابع پایتون جهت محاسبه میانگین، میانه، توزیع ها، انحراف معیار و غیره.
  • scikit-posthocs – آزمون های تعقیبی مقایسه چندگانه زوجی
  • pysie – پیاده سازی موتور استنتاج آماری پایتون

ابزارهای آزمایش

  • Sacred – ابزاری جهت پیکربندی، سازماندهی،لاگ و تولید مجدد experimentها با IDSIA
  • Xcessiv – اپلیکیشن تحت وب به منظور تنظیم سریع، مقیاس پذیر و خودکار هایپرپارامترها و stacked ensembling
  • Persimmon – یک زبان برنامه نویسی گردش داده بصری برای sklearn

مصورسازی

  • Matplotlib – رسم نمودار در پایتون
  • seaborn – مصورسازی داده های آماری با استفاده از matplotlib
  • Bokeh – ساخت نمودارهای تعاملی وب با پایتون
  • HoloViews – طراحی شده به منظور تسهیل و یکپارچه سازی آنالیز و مصورسازی داده
  • Alphalens – آنالیز عملکرد فاکتورهای سهام (آلفا) پیش بینی کننده با کوانتوپیان
  • python-ternary – کتابخانه رسم نمودار سه مولفه ای بر اساس matplotlib برای پایتون
  • Naarad – فریمورک آنالیز عملکرد سیستم ها و رتبه بندی خدمات

ارزیابی

  • kaggle-metrics – سنجه های برای رقابت های kaggle
  • Metrics – سنجه ارزیابی یادگیری ماشین
  • sklearn-evaluation – تسهیل ارزیابی مدل scikit-learn: پلات ها، جداول و گزارشات

محاسبات

  • numpy – یک پکیج پایه ای به منظور انجام محاسبات علمی با پایتون
  • Dask – محاسبات موازی با برنامه ریزی کارها
  • bottleneck – مجموعه ای از توابع سریع آرایه ای نامپای نوشته شده به زبان C
  • NumPy interface with mixed backend execution – minpy
  • NumPy-like API accelerated with CUDA – CuPy
  • scikit-tensor – کتابخانه پایتون برای جبر چندخطی و کار با تنسورها
  • numdifftools – حل مشکلات مشتق گیری عددی خودکار در یک یا چند متغیر
  • quaternion – پکیج پایتون جهت اضافه کردن دیتاتایپ کواترنیون به NumPy
  • adaptive – ابزارهای طراحی شده به منظور تسهیل ارزیابی توابع ریاضی همزمان و تطبیقی

تحلیل مکان

  • GeoPandas – ابزارهای پایتونی برای داده های مکانی
  • PySal – کتابخانه پایتونی برای آنالیز داده های مکانی

رایانش کوانتومی

  • QML – جعبه ابزار پایتون برای یادگیری ماشین کوانتومی

تبدیل

  • sklearn-porter – انتقال estimatorهای تعلیم دیده scikit-learn به C‏، جاوااسکریپت، جاوا و غیره.
  • ONNX – تبادل شبکه عصبی باز
  • MMdnn – مجموعه ای از ابزارها به منظور تعامل کاربران بین فریمورک های مختلف یادگیری عمیق

سری های زمانی

  • Prophet – ابزاری به منظور انجام پیش بینی های با کیفیت بالا برای دیتاست های univariate سری های زمانی
  • Sktim – کتابخانه یکپارچه جهت آنالیز سری های زمانی در پایتون
  • tsfresh – پکیج پایتون جهت محاسبه خودکار شمار زیادی از مشخصات سری های زمانی
  • NeuralProphet – پکیج ساده جهت پیش بینی مبتنی بر پایتورچ
  • STUMPY -کتابخانه قدرتمند و مقیاس پذیر پایتون جهت آنالیز مدرن سری های زمانی
  • pmdarima – کتابخانه آماری جهت تکمیل void در قابلیت های آنالیز سری های زمانی در پایتون
  • tslearn – پکیج پایتون جهت فراهم نمودن ابزارهای یادگیری ماشین برای آنالیز سری های زمانی
  • Darts – کتابخانه پایتون برای پیش بینی کاربر پسند و تشخیص ناهنجاری در سری های زمانی
  • GluonTS – مدلسازی سری های زمانی احتمالی با تمرکز بر مدل های مبتنی بر یادگیری عمیق
  • Pytorch-forecasting – تسهیل پیش بینی سری های زمانی پیشرفته با شبکه های عصبی
  • StatsForecast – مجموعه ای از مدل های پرکاربرد پیش بینی سری های زمانی univariate
  • Streamz – ایجاد پایپ لاین هایی جهت مدیریت جریان های مستمر داده
  • Uber/orbit – پکیج پایتون جهت پیش بینی بیزی با طراحی object-oriented و مدل های احتمالی
  • pyts – تسهیل طبقه بندی سری های زمانی
  • NeuralForecast – الگوریتم های پیش بینی عصبی مقیاس پذیر و کاربرپسند
  • greykite – کتابخانه منعطف، سریع و بصری به منظور پیش بینی
  • TSFEL – کتابخانه استخراج خودکار ویژگی سری های زمانی بدون نیاز به برنامه نویسی پیشرفته
  • seglearn – اکستنشن sklearn برای سری های زمانی یا توالی های یادگیری ماشین
  • tick – کتابخانه یادگیری ماشین متمرکز بر یادگیری آماری برای سیستم های وابسته به زمان
  • Auto_TS – ایجاد مدل های ARIMA, SARIMAX, VAR, FB Prophet و XGBoost بر روی دیتاست های سری های زمانی

شبکه های عصبی گراف

  • Deep Graph Library – کتابخانه منعطف با امکان استفاده از پایتورچ یا تنسورفلو
  • PyTorch Geometric – کتابخانه مبتنی بر PyTorch جهت توسعه و آموزش آسان شبکه های عصبی گراف
  • StellarGraph – یادگیری ماشین بر روی گراف ها
  • NetworkX – پکیج پایتون برای ایجاد، دستکاری و مطالعه ساختار، داینامیک ها و فانکشن های شبکه های پیچیده
  • Spektral – کتابخانه پایتون برای یادگیری عمیق گراف مبتنی Keras API و TensorFlow 2
  • PyTorch-BigGraph – ایجاد embeddings از داده های با ساختار گراف و مقیاس گسترده

هوش مصنوعی توضیح پذیر

  • SHAP – روش ریاضیاتی جهت توضیح پیش بینی های مدل های یادگیری ماشین
  • LIME– متد model agnostic و کارکرد مبتنی بر تقریب رفتار مدل به صورت لوکال مرتبط با پیش بینی مشخص
  • Eli5 – کتابخانه ای جهت دیباگ و توضیح classifier ها
  • Shapash – کتابخانه پایتون به منظور قابل درک و قابل تفسیر نمودن یادگیری ماشین
  • Anchors – روشی جهت ایجاد قوانین human-interpretable جهت توضیح پیش بینی های مدل های یادگیری ماشین
  • XAI – کتابخانه ای جهت توضیح و نمایش بصری پیش بینی های مدل های یادگیری ماشین
  • BreakDown– ابزاری جهت توضیح پیش بینی های مدل های خطی
  • interpret-text – کتابخانه ای به منظور توضیح پیش بینی های مدل های پردازش زبان طبیعی
  • iml – پکیج زبان R جهت تفسیر رفتار و تشریح پیش بینی های مدل های یادگیری ماشین
  • aix360 – دربرگیرنده مجموعه ای جامع از الگوریتم ها جهت پوشش ابعاد مختلف
  • OmniXAI – حل مشکلات متعدد مربوط به تفسیر قضاوت های تولید شده توسط مدل های یادگیری ماشین

جهت کسب اطلاعات در مورد رویدادهای آموزشی هوش مصنوعی با ما در ارتباط باشید.

تماس با ما
Close Menu