1.3.2 常用的Python庫

在使用Python語言開發人工智能程序時，可以使用人工智能庫快速實現所需功能。

1.數據處理庫

（1）Numpy

Numpy是構建科學計算代碼集的最基礎的庫之一，它提供了許多進行N維數組和矩陣操作的功能。Numpy庫提供了Numpy數組類型的數學運算向量化，可以改善性能，從而加快執行速度。

（2）Scipy

Scipy包含了致力于科學計算中常見問題的各個工具箱，其不同子模塊實現不同的應用，例如插值、積分、優化、圖像處理、統計、特殊函數等。因為Scipy的主要功能是建立在Numpy基礎之上的，所以它使用了大量的Numpy數組結構。Scipy庫通過其特定的子模塊提供高效的數學運算功能。

（3）Pandas

Pandas是一個簡單直觀的應用于“帶標記的”和“關系性的”數據的Python庫，可以快速地進行數據操作、聚合和可視化操作。

（4）MatPlotlib

MatPlotlib是一個可以實現數據可視化的庫。與之功能相似的庫是Seaborn，并且Seaborn是建立在MatPlotlib基礎之上的。

2.機器學習庫

（1）PyBrain

PyBrain是一個靈活、簡單而有效的，針對機器學習任務的算法庫。它是模塊化的Python機器學習庫，并且提供了多種預定義好的環境來測試和比較自定義的算法。

（2）PyML

PyML一個用Python編寫的雙邊框架，重點研究SVM和其他內核方法，支持Linux和macOS。

（3）Scikit-Learn

Scikit-Learn庫旨在提供簡單而強大的解決方案，可以在不同的上下文中重用。Scikit-Learn是機器學習領域最常用的一個多功能工具，集成了經典的機器學習的算法，方便開發者開發出功能強大的機器學習程序。

（4）MDP-Toolkit

MDP-Toolkit是一個Python數據處理的框架，可以很容易地在其基礎上進行擴展。MDP-Toolkit還收集了監管學習算法、非監管學習算法和其他數據處理單元，可以組合成數據處理序列或者更復雜的前饋網絡結構。可用的算法是在不斷地升級并增加的，包括信號處理方法（如主成分分析、獨立成分分析、慢特征分析）、流型學習方法（如局部線性嵌入）、集中分類、概率方法（如因子分析、RBM）和數據預處理方法等。

（5）Crab

Crab是基于Python語言開發的推薦庫，它實現了item和user的協同過濾功能，可以快速開發出Python推薦系統。

（6）TensorFlow

TensorFlow是當今最流行的機器學習庫之一，是谷歌公司推出的一個開源庫，也是目前市場占有率最高的機器學習庫。本書將以TensorFlow庫為主題，詳細講解TensorFlow庫的使用知識。