机器学习和 AI 领域必须了解的工具

04-04   2  504

关于数据科学,工具可能并不是那么热门的话题。人们似乎更关注最新的聊天机器人技术以及深度学习框架。

但这显然是不合理的。为什么不花些时间,挑选合适的工具呢?毕竟好的工具能够让你事半功倍。在本文中介绍了机器学习和 AI 方面的优质工具。

应该使用哪种语言?

这是一个有争议的问题。存在很多不同的观点。我个人的观点可能不那么常见,我认为越多越好。你应该同时使用 R 语言和 Python。



为什么?R语言更擅长数据可视化,并且有大量的统计数据包。另一方面,Python可以帮助你将模型部署生产,并更好地与团队中其他开发人员合作。


基本的软件包

我们应该充分利用的优秀开源社区。首先让我们回顾一下数据科学工作的主要流程。


典型的机器学习工作流程


最重要的步骤是:数据获取、数据清洗、可视化、建模、沟通。这些过程都需要用到库。


数据清洗

针对数据清洗,R语言中有一个出色的包——dplyr。无可否认,它的语法有些奇怪。注意 %>% 与* nix中的(|)运算符的工作原理相同,前一个操作的输出成为下一个操作的输入。这样,只需几行代码,你就可以构建相当复杂且可读的数据清洗操作。

另一方面,Python中可以用到 Pandas。这个库很大程度上借鉴了R语言,特别是数据框的概念(当中行是观测,列是特征)。这需要一定的学习过程,但在习惯了之后,你可以在数据处理中做很多事情(甚至可以直接写入数据库)。


数据可视化

针对数据可视化,R语言中有 ggplot2 和 plotly 。ggplot2 非常强大,但级别较低。同样它的语法很奇怪,你需要通过图形语法来进行理解。plotly是一个较新的库,具有 ggplot 的功能,只需要一行代码就能进行交互。

Python中进行可视化的基础包是 matplotlib。但它的语法有些奇怪,默认颜色也不那么理想,因此我建议你使用新的 seaborn 软件包。Python缺少对模型性能的可视化,这里可以使用 yellowbrick 解决。你可以使用它来创建漂亮的图表分类器进行评估,查看特征,甚至绘制文本模型。


使用 seaborn 对 iris 数据集进行绘制


API

使用R语言进行机器学习常常会遇到一个问题。几乎所有模型都有不同的API,除非你记住所有的内容,如果你只想测试不同算法,那么就需要打开好几个文档标签。这个缺陷可以用 caret 和 mlr 解决,后者较新。我推荐用mlr,因为它更结构化,维护也更积极。而且功能强大,具有分解数据、训练、预测和性能评估功能。

Python中相应的库是 scikit-learn。这也是我最喜欢的库,同时 scikit-learn 也备受一些科技公司的青睐 。它有一致的API,超过150种算法(包括神经网络),出色的文档,主动维护和教程。


Python中的ROC/AUC图,使用yellowbrick


集成开发环境

对于R语言来说,RStudio 是一个非常棒的工具,而且没有其他的竞争工具。我们希望在Python中找到相应的工具,我筛选了十几个(Spyder,PyCharm,Rodeo,spacemacs,Visual Studio,Canopy等等),主要推荐当中的两个工具: Jupyter Lab 和 Atom + Hydrogen

Jupyter Lab 很棒。但它仍然继承了Jupyter Notebook 中存在的一些缺点,比如单元状态,安全性,以及最严重的VCS集成问题。出于这个原因,我建议使用 Atom + Hydrogen。你可以用它完成各种数据科学任务,比如检查数据框和变量,绘图等。


Atom + Hydrogen


EDA 工具

为什么需要?在数据科学过程中,尤其是起步阶段,我们需要快速地探索数据。在进行可视化之前,我们需要探索,并通过最少的技术投入来实现。因此写一大堆 seaborn、ggplot 代码并不是最佳选择,你需要使用 GUI 界面。因为不涉及任何代码,业务人员也可以使用。有两个非常棒的跨平台工具,并且免费——Past Orange。前者更侧重于统计分析,后者更侧重于建模。两者都可以做很棒的数据可视化,因此完全符合我们的目标。


用Orange你能够进行的操作


结语


通过对工具进行优化,你能够更高效地完成数据分析工作(但也不要以此为借口不去工作哦)。

评论 ( {{ comments.total }} )
{{ o.content }}
赞 {{ o.likes_count ? o.likes_count : '' }} 回复 {{ o.created_at }}
作者信息