认识达内从这里开始

都知道Python在人工智能、大数据方向很热，但是，真的有任务来了，究竟该用哪些包呢?很多介绍Python的教程，是真的就只介绍Python的语法，语法当然很重要，要想使用Python，首先当然得掌握语法。

但是，前面我们也进行了介绍，Python的优势在于拥有许多成熟的包，让你可以“拎包入住”，也即可以专注于任务本身，所以，我们要用Python，不但需要掌握Python的语法，同时也要了解都有哪些好用的Python，都可以用来做什么。

Python好用的包非常多，覆盖领域也是五花八门，都列出来反而显得凌乱，这里我们只介绍数据科学和人工智能方向用得多的包。

首先是pandas。这是数据分析用得非常多的包，尤其擅长各种格式化数值分析，前面提到的Python广告只说用Python，并没有说明该使用什么包，不过，既然是替代电子表格进行数据分析，想必肯定会用到pandas。

接着是scikit-learn，这个包写法很多，也有人喜欢简写为sklearn。这是个著名的机器学习包。scikit-learn非常好用，推荐大家都试一试，尤其是觉得机器学习数学很难，一看到机器学习几个字就产生抵触心理的同学。

为什么这么说呢?我们都知道，机器学习不是一种方法，而是一个大框，里面堆满各种算法模型，譬如线性模型、树形模型、支持向量机模型、以及现在在机器学习领域非常热门的神经网络模型。

每一种模型背后都依靠一套复杂的数学逻辑来支撑模型运作。在很多人看来，光是看懂机器学习模型的数学表达式就已经十分费劲，需要很深的数学功底，更不用说手推公式和实战中使用了。于是，很多人觉得机器学习“可远观而不可亵玩焉”。

当然，这里面有几个理解误区。是不是需要很深的数学功底才能明白机器学习模型的原理呢?未必，机器学习确实用到很多数学知识，不过，我经常和大家分享的一个观点是：不妨把数学看作只是一种语言，是一门外语，机器学习的运行原理，是用这门外语来描述，所以我们不太容易看懂。

那怎么办呢?跨国交流我们可以找翻译，同样，只要有人看懂了机器学习这里的数学语，然后“翻译”成中文，也就方便大家看得懂了。这件事我自己做了些尝试，写了一本书叫《机器学习算法的数学解析和Python实现》，大家感兴趣可以翻翻。

另一个误区就是得把机器学习模型的数学原理都学懂弄通了，最好能手推一遍公式，然后才能知道怎么使用。这个理解符合我们长期以来形成的按部就班的印象，不过，就我看来，使用机器学习和开车很像，没必要要求司机都学会造车了才能开车，况且，造车和开车很可能还是并不相同的两条学习曲线，毕竟老技工未必就是老司机。

如果只是想用机器学习解决问题，完全可以另辟蹊径积累经验。方法是什么呢?就是使用scikit-learn，这个包把常用的热门的机器学习模型统统做了非常良好的封装，我们完全可以像调用黑盒函数一样，操作各种机器学习模型来解决实际问题。

最后就是Pytorch、Tensorflow和Keras这几个网红深度学习包，Python这一轮走势长红，这几个深度学习包居功甚伟，在背后贡献了大量流量。

现在是深度学习时代，大家都知道深度学习能解决很多以前无解的问题，可是理论设计出来的模型，还得编程实现才能使用。怎么实现呢?就用这几个包，它们把深度学习的各个部件都已经封装好了，使用者只需要像拼装乐高积木一样，把部件拼装成完整的模型。

篇幅有限，我就简单介绍到这，当然，Python的库就像是一个工具仓库，只要你想得到的工作，都可能已经有不止一个成熟的Python库可供选择，譬如说一些细分的机器学习任务，如自然语言处理NLP，就还有好几个专门做NLP领域任务的Python包，又譬如说大数据用到的一些基础组件，如Hadoop、Spark，同样也有专门的Python对口服务。

现在大家应该感到Python真是个宝藏男孩，应该就能更为理解，为什么开发人工智能要用Python，一项人工智能的工程可能涉及到多个环节，而如果选择使用Python，它可以给你提供一条龙服务。

南宁达内IT培训免费试听课程火热报名中，带你轻松入行，26大课程全国45个城市，129家中心均可就近学习，学完后，达内老师会帮助进行面试辅导，在面试前，就带你跨过可能存在的坑，让你入职更加顺利。

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!更多内容请添加danei0707学习了解。欢迎关注“达内在线”参与分销，赚更多好礼。