# Crab Reviews **Vendor:** Crab **Category:** [Maschinelles Lernsoftware](https://www.g2.com/de/categories/machine-learning) **Average Rating:** 4.6/5.0 **Total Reviews:** 10 ## About Crab Crab, bekannt als scikits.recommender, ist ein Python-Framework zum Erstellen von Empfehlungssystemen, das sich in die Welt der wissenschaftlichen Python-Pakete (numpy, scipy, matplotlib) integriert, eine reichhaltige Auswahl an Komponenten bietet, aus denen der Benutzer ein maßgeschneidertes Empfehlungssystem aus einem Satz von Algorithmen konstruieren kann und in verschiedenen Kontexten verwendbar ist: \*\* Wissenschaft und Technik \*\*. ## Crab Reviews ### 1. Empfehlungssystem-Builder für alle **Rating:** 4.5/5.0 stars **Reviewed by:** Haru K. | Software Developer, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** October 04, 2018 **Was gefällt Ihnen an Crab am besten?** Es ist einer der besten verfügbaren Open-Source-angepassten Empfehlungsmaschinen-Builder in Python. Es gibt viele Punkte zu erwähnen, von der einfachen API bis zum robusten Verhalten, aber ich mag besonders ein Merkmal daran, die vorinstallierten Datensätze. Es mag nicht für jeden gut klingen, aber wenn man erkennt, dass diese helfen, ohne Verzögerung praktisch zu arbeiten. Man kann einfach die Bibliothek mit pip installieren und loslegen. Diese helfen sehr in der Lernphase. **Was gefällt Ihnen an Crab nicht?** Eine Sache, die ich an Crab wirklich nicht mag, ist die Dokumentation. Die Dokumentation wird nie aktualisiert und die aktuelle Dokumentation ist wirklich schlecht. Die Mitwirkenden von Crab sollten den Schritt machen und eine ordentliche Dokumentation schreiben. **Empfehlungen für andere, die Crab in Betracht ziehen:** Ich empfehle, sich nicht auf die ursprüngliche Dokumentation zu verlassen, da sie nicht ordnungsgemäß gepflegt wird und nicht genügend Informationen enthält. Ich schlage vor, sich für verschiedene Implementierungen zu entscheiden, die in Ihrer Lernpipeline verfügbar sind. Sobald Sie mit der API vertraut sind, können Sie problemlos Ihre eigene Empfehlungsmaschine erstellen. **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Crab soll Empfehlungsmaschinen bauen. Bei ML Hub haben wir eine Reihe von Kunden, die mit einer Definition kommen, um maßgeschneiderte Empfehlungsmaschinen zu bauen, zum Beispiel: E-Commerce-Websites, Online-Buchhandlungen und viele mehr. Also verwenden wir Crab, um solche Empfehlungsmaschinen zu entwickeln. Wir verlassen uns darauf, weil es die einfachste API hat und es keinen komplexen Ablauf beim Bau einer Empfehlungsmaschine gibt. Es kann in wenigen Codezeilen gebaut werden (Vorverarbeitung nicht berücksichtigt). ### 2. Crab - Ein Python-Empfehlungsmaschinen-Framework **Rating:** 4.5/5.0 stars **Reviewed by:** Tarang G. | Software Development Specialist, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** August 02, 2018 **Was gefällt Ihnen an Crab am besten?** Crab ist ein Open-Source-Tool zur Erstellung von angepassten Empfehlungssystemen, das dabei hilft, Empfehlungssysteme unterwegs zu erstellen, ohne dass tiefgehende Kenntnisse über Empfehlungssysteme erforderlich sind. Ein Empfehlungssystem kann in wenigen Schritten erstellt werden - 1. Ein Dataset laden 2. Ein Modell mit der Crab-API erstellen 3. Ein Ähnlichkeitsmaß definieren 4. Einen Empfehlungsdienst darüber hinzufügen, mit der Crab-API Es verfügt über eine High-Level-API und Unterstützung für bekannte Python-Bibliotheken, was es einzigartig und benutzerfreundlich macht. **Was gefällt Ihnen an Crab nicht?** Dies ist das Einzige, das ich bevorzuge, während ich eine Empfehlungsmaschine baue, also habe ich im Grunde keine Abneigungen gegen Crab, aber ich hätte gerne eine Sache verbessert, die Dokumentation. **Empfehlungen für andere, die Crab in Betracht ziehen:** Es gibt nur sehr wenige Tutorials oder Videos im Internet für den Crab. Einmal fragte ich mich, wie ein Neuling dieses sehr hilfreiche Framework ohne eine gute Lernquelle erlernen könnte, und durchstöberte das Web eine Weile und fand einige sehr nützliche Links, die Ihnen sicherlich helfen können. Hier sind sie - http://muricoca.github.io/crab/tutorial.html https://www.analyticsvidhya.com/blog/2016/06/quick-guide-build-recommendation-engine-python/ https://www.youtube.com/watch?v=Xll2ZFic-Ak http://aimotion.blogspot.com/2011/05/crab-python-framework-for-building.html **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Das ML Hub Team nutzt die im Markt verfügbaren Open-Source-Qualitätswerkzeuge und -Software, um Lösungen für reale Probleme im Bereich der Künstlichen Intelligenz, NLP und Computer Vision zu entwickeln. Bei verschiedenen Projekten im Zusammenhang mit Empfehlungssystemen verlassen wir uns ausschließlich auf Crab, um Lösungen dafür zu finden. Crab hat sich im Laufe der Jahre bewährt und war mit der hochgradigen und leicht zu erlernenden API sehr hilfreich auf dem gesamten Weg. ### 3. Recommender-Engines unterwegs mit Crab erstellen **Rating:** 4.5/5.0 stars **Reviewed by:** Prit T. | Software Development Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** July 27, 2018 **Was gefällt Ihnen an Crab am besten?** - Crab ist eine Open-Source, was bedeutet, dass es frei verfügbar ist und jeder ein Problem melden und eine Funktion anfordern oder sie selbst implementieren kann. Dies ist eine Sache, die mich daran fasziniert. - Auch die Unterstützung verschiedener Python-Bibliotheken wie pandas und numpy macht es einzigartig im Vergleich zu anderen Frameworks, da es viele Implementierungen gibt, die diese Bibliotheken nicht unterstützen. **Was gefällt Ihnen an Crab nicht?** Ja, es hat viele Vorteile, aber ich habe auf einen großen Nachteil hingewiesen. Es unterstützt Python, was seine Nutzung auf Python-Entwickler beschränkt und alle Türen für Entwickler schließt, die andere Sprachen wie Java, C/C++, JavaScript und so weiter verwenden. Ich sehe dies als einen Hauptnachteil, da es schwierig wird, die Sprache zu wechseln, und uns zwingt, auch die Frameworks zu wechseln. Das erhöht die Belastung, eine neue Bibliothek für eine neue Sprache zu lernen. **Empfehlungen für andere, die Crab in Betracht ziehen:** Hier ist ein guter Einführungskurs für Crab - https://archive.org/details/Thursday-203-1-CrabARecommendationEngineFrameworkForPython. Dies wird helfen, das gesamte Framework zu verstehen und wie es verwendet werden kann, um maßgeschneiderte Empfehlungssysteme zu erstellen. Ich empfehle dringend, das gesamte Video anzusehen. **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** ML Hub ist ein Team, das sich darauf konzentriert, Lösungen für reale Probleme zu bieten, bei denen wir aktuelle heiße Technologien wie Empfehlungsmaschinen verwenden. Die Crab-Bibliothek bietet uns eine Reihe gut getesteter und zuverlässiger Algorithmen, die wir direkt verwenden können, um maßgeschneiderte Empfehlungsmaschinen unterwegs zu erstellen. Durch die Nutzung dieser Bibliothek konnten wir diesen Prozess erleichtern und unseren Durchsatz erhöhen. ### 4. Die beste Empfehlungs-Engine-Bibliothek für Python **Rating:** 4.5/5.0 stars **Reviewed by:** Alpesh S. | Project Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** July 27, 2018 **Was gefällt Ihnen an Crab am besten?** - Der allererste Vorteil dieser Bibliothek ist, dass sie Open Source ist. - Sie unterstützt verschiedene bekannte Python-Bibliotheken, die für Datenmanipulation und Visualisierung verwendet werden, wie numpy, pandas und matplotlib im Kern, was die Aufgaben der Entwickler erleichtert. - Die API ist einfach zu verwenden und es ist einfach, die Funktionalitäten mithilfe der von Crab-Team bereitgestellten Dokumentation zu verstehen. **Was gefällt Ihnen an Crab nicht?** Die Dokumentationen benötigen einige Verbesserungen, da es viele Mängel gibt, wie zum Beispiel, dass einige APIs überhaupt nicht erwähnt werden und wenn sie erwähnt werden, nur sehr wenig Beschreibung haben. Außerdem gibt es nicht viele Beispiele, was es für neue Lernende schwierig macht. Sie müssen sich auf andere Quellen verlassen, was meiner Meinung nach ein großer Nachteil dieser Bibliothek ist. **Empfehlungen für andere, die Crab in Betracht ziehen:** Das Installieren von Crab führt manchmal zu einer Reihe von Fehlern und ist etwas, das beachtet werden muss. Ich hatte einige Probleme bei der Installation und fand dann diese Website, auf der es eine klare Erklärung des Installationsprozesses gab, die mir half, es Schritt für Schritt zu installieren. Ich empfehle den Leuten, die auf ein solches Problem stoßen, den folgenden Link zu besuchen - http://muricoca.github.io/crab/install.html **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** ML Hubs ist ein Team, dessen Ziel es ist, komplexe Probleme mit Technologien wie Maschinellem Lernen, Tiefem Lernen, Verarbeitung natürlicher Sprache und Computer Vision zu lösen. Daher ist diese Bibliothek in dem Stack enthalten, den wir verwenden, um empfehlungsbezogene Probleme zu behandeln. Wir bevorzugen Crab, da es eine hocheffiziente API hat und auch nicht so komplex zu verstehen und zu handhaben ist. ### 5. Erstellen Sie angepasste Empfehlungsmaschinen schneller mit Python-Crab. **Rating:** 4.5/5.0 stars **Reviewed by:** Anushka M. | Project Manager, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** September 26, 2018 **Was gefällt Ihnen an Crab am besten?** Die API ist auf hohem Niveau und man muss kein detailliertes Wissen darüber haben, "wie Empfehlungsmaschinen funktionieren", aber grundlegende Kenntnisse in Python reichen aus. Außerdem stellen sie Beispieldatensätze zur Verfügung, bei denen man praktische Erfahrungen beim Lernen sammeln kann. **Was gefällt Ihnen an Crab nicht?** Das Schlimmste an Crab ist der Dokumentationsteil. Sie haben gut gearbeitet, um eine so großartige Bibliothek zu schaffen, aber nicht genug getan, um eine gute Dokumentation zu erstellen. Ich denke, sie sollten sich auf diesen Teil konzentrieren und alles andere ist großartig! **Empfehlungen für andere, die Crab in Betracht ziehen:** Crab ist einfach zu lernen. Weder ist die API komplex noch ihre Nutzung. Eine gute Sache ist, dass es nicht viel Zeit in Anspruch nimmt, es zu lernen. Man kann es an einem Wochenende lernen. Erstellen Sie eine einfache Empfehlungsmaschine, die meiner Meinung nach maximal 15 Zeilen Python-Code benötigt, und probieren Sie dann verschiedene Dinge aus. Kurz gesagt, es ist großartig! **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Wir bei Easesolutions Pvt. Ltd. konzentrieren uns darauf, unseren Kunden die besten Lösungen zu bieten. Wir haben Kunden, die einige E-Commerce-Websites haben, einige haben Websites für ihre eigenen Produkte und so weiter. In solchen Szenarien bitten sie um den Bau maßgeschneiderter Empfehlungsmaschinen. Wir verwenden Crab, um ihre Bedürfnisse zu erfüllen, da es einfach zu bedienen ist, aber dennoch die besten Ergebnisse liefert. ### 6. Erstellen Sie maßgeschneiderte Empfehlungssysteme mit Crab. **Rating:** 4.5/5.0 stars **Reviewed by:** Shilpa M. | Product Manager, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 16, 2018 **Was gefällt Ihnen an Crab am besten?** Diese Bibliothek verfügt über hochmoderne Empfehlungsalgorithmus-Engines, die gut optimiert und einsatzbereit auf Produktionsebene sind. Außerdem gefällt mir die Benutzerfreundlichkeit dieser Bibliothek, da sie bekannte Python-Bibliotheken wie numpy und matplotlib unterstützt. **Was gefällt Ihnen an Crab nicht?** Die Dokumentation benötigt einige Verbesserungen, da die API-Beschreibungen nicht richtig erwähnt werden und es auch an Beispielen mangelt. Es gibt nicht genügend Beispiele, was es schwierig macht, zu lernen, und man muss mehr Zeit mit dem Verstehen als mit der Implementierung verbringen. **Empfehlungen für andere, die Crab in Betracht ziehen:** Es gibt einige große Probleme mit dieser Bibliothek, also stellen Sie sicher, dass Sie sich dessen bewusst sind, bevor Sie sie verwenden. Viele Benutzer haben diese Probleme entdeckt und auf GitHub gepostet. Sie können einen Blick darauf werfen: https://github.com/muricoca/crab/issues **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Wir bei TechDynasty entwickeln maßgeschneiderte Empfehlungssysteme entsprechend den Wünschen der Kunden und ihrem Interessensgebiet. ### 7. Empfehlungssysteme in wenigen Zeilen Code **Rating:** 4.5/5.0 stars **Reviewed by:** Varsha S. | CTO, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** July 31, 2018 **Was gefällt Ihnen an Crab am besten?** Dieses Framework ist gut organisiert und verfügt über eine High-Level-API, die es Entwicklern ermöglicht, Empfehlungsmaschinen mit nur wenigen Codezeilen zu programmieren, ohne vorheriges Wissen darüber, wie Empfehlungsmaschinen funktionieren. Die erstellten Empfehlungsmaschinen sind dynamisch und wiederverwendbar, was bedeutet, dass dasselbe Modell verwendet werden kann, um eine dynamische Menge an Daten oder sogar einen anderen Datensatz mit wenigen Anpassungen zu trainieren. Dieses Framework unterstützt Bibliotheken wie numpy und pandas, was die Datenmanipulation vergleichsweise erleichtert und den Prozess bis zu einem gewissen Grad beschleunigt. **Was gefällt Ihnen an Crab nicht?** Es gibt keine ordnungsgemäße Dokumentation, die von der Entwicklergemeinschaft des Projekts bereitgestellt wird, und es sind nur sehr wenige Beispiele verfügbar. Dies ist wirklich ein Hindernis für Lernende und sind ernsthafte Probleme, die berücksichtigt werden müssen. **Empfehlungen für andere, die Crab in Betracht ziehen:** Bibliotheken wie numpy und pandas sind eine große Bereicherung für den gesamten Prozess. Da sie hoch effiziente Datenmanipulationsbibliotheken sind, wird der Datenbereinigungs- und Normalisierungsprozess erleichtert und man kann sich mehr auf den Hauptalgorithmus der Empfehlungssysteme konzentrieren. **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Crab ist ein Framework zum Erstellen von maßgeschneiderten Empfehlungssystemen, wir bei ML Hub haben solche Projekte, bei denen wir an Empfehlungssystemen arbeiten müssen, für die wir auf Crab angewiesen sind. Da Crab eine gute Unterstützung für verschiedene Datenmanipulationsbibliotheken bietet und auch eine High-Level-API hat, die es am besten für diesen Zweck macht. Crab hat uns viel Zeit gespart. ### 8. Empfehlungs-Engine-Framework **Rating:** 4.5/5.0 stars **Reviewed by:** Tushar D. | Senior Software Engineer, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 05, 2018 **Was gefällt Ihnen an Crab am besten?** - Es lässt sich leicht mit den bekannten Python-Bibliotheken wie numpy, pandas usw. integrieren, was die Arbeit erleichtert. - Man kann Algorithmen wie Collaborative Filtering direkt mit der Crab-API implementieren. - Es bietet auch Dienstprogramme zum Laden von Datensätzen. **Was gefällt Ihnen an Crab nicht?** Die Dokumentation ist nicht besonders gut gepflegt, in einigen Teilen fehlt es an Erklärungen und es gibt sogar keine Beispiele, die beim Lernen helfen. **Empfehlungen für andere, die Crab in Betracht ziehen:** Die Dokumentation ist nicht so gut gepflegt, es ist besser, das GitHub-Repository desselben Projekts zu konsultieren: https://github.com/muricoca/crab **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Empfehlungssystem für mehrere Projekte, die wir entwickelt haben. ### 9. Erstellung von Empfehlungssystemen leicht gemacht **Rating:** 4.5/5.0 stars **Reviewed by:** Mohit S. | SoftwaCre Engineer, Informationstechnologie und Dienstleistungen, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 03, 2018 **Was gefällt Ihnen an Crab am besten?** Diese Bibliothek ist einzigartig. Sie reduziert den gesamten Stress des komplexen Codierens, während man ein eigenes maßgeschneidertes Empfehlungssystem erstellt, indem sie eine einfache und benutzerfreundliche API bereitstellt. **Was gefällt Ihnen an Crab nicht?** Es hat nur Unterstützung für die Programmiersprache Python und auch die Dokumentation ist nicht so gut. **Empfehlungen für andere, die Crab in Betracht ziehen:** Die offizielle Dokumentation ist der Ausgangspunkt, aber nicht etwas, auf das man sich immer beziehen sollte, da sie nicht auf dem neuesten Stand ist und nicht genügend Beispiele enthält. Sie können verschiedene GitHub-Repositories für dasselbe finden, bitte ziehen Sie diese der Dokumentation vor. **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Erstellung maßgeschneiderter Empfehlungssysteme gemäß den Anforderungen der Kunden. ### 10. Passen Sie das Recommender System Builder-Framework für Python an. **Rating:** 5.0/5.0 stars **Reviewed by:** Rahul T. | Project Manager, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** October 22, 2017 **Was gefällt Ihnen an Crab am besten?** - Es ist eine einfache Interaktion mit anderen Hilfsbibliotheken von Python wie numpy und matplotlib. - Dokumentation **Was gefällt Ihnen an Crab nicht?** Nicht genügend Video-Tutorials verfügbar, selbst auf YouTube. Die Entwickler sollten daran arbeiten, um den Nutzern zu helfen. **Empfehlungen für andere, die Crab in Betracht ziehen:** Verweisen Sie auf http://muricoca.github.io/crab/tutorial.html, um Ihre Reise in Crab zu beginnen. **Welche Probleme löst Crab für Sie, und wie profitieren Sie davon?** Erstellung maßgeschneiderter Empfehlungsmaschinen für Projekte, die wir bei RG Developers entwickeln. ## Crab Discussions - [Wofür wird Krabbe verwendet?](https://www.g2.com/de/discussions/what-is-crab-used-for) - [View Crab pricing details and edition comparison](https://www.g2.com/de/products/crab/reviews?section=pricing&secure%5Bexpires_at%5D=2026-05-15+10%3A23%3A25+-0500&secure%5Bsession_id%5D=b79157eb-e3bd-4509-b1f9-0b393bb6fc4e&secure%5Btoken%5D=0d72c1f1c6b711a51179040f7b37ddac04a895da9333502c0c7f31ac8ebabdea&format=llm_user) ## Crab Features **Integration - Maschinelles Lernen** - Integration **Lernen - Maschinelles Lernen** - Trainingsdaten - Handlungsfähige Erkenntnisse - Algorithm - Algorithmus ## Top Crab Alternatives - [Automation Anywhere Agentic Process Automation](https://www.g2.com/de/products/automation-anywhere-agentic-process-automation/reviews) - 4.5/5.0 (4,009 reviews) - [Demandbase One](https://www.g2.com/de/products/demandbase-one/reviews) - 4.4/5.0 (1,891 reviews) - [Phrase Localization Platform](https://www.g2.com/de/products/phrase-localization-platform/reviews) - 4.5/5.0 (1,260 reviews)