machine-learning in Python Bewertungen & Produktdetails

Es wird gesagt, dass das Training eines Netzwerks im maschinellen Lernen sehr schwierig ist, aber wenn man es mit Python macht, wird es einfacher. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt nichts, was ich daran nicht mag, maschinelles Lernen in Python zu machen. Bewertung gesammelt von und auf G2.com gehostet.

Es ist einfach zu benutzen. Viel Dokumentation online. Bewertung gesammelt von und auf G2.com gehostet.

Derzeit nichts. Ich ziehe es Matlab oder R vor. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt so viele gut dokumentierte, vernünftige, leicht implementierbare Python-Skripte und -Pakete für maschinelles Lernen. Scikit-learn bietet einige erstaunliche Tutorials für Konzeptlernen, Funktionslernen oder „prädiktives Modellieren“ sowie Clustering und das Finden prädiktiver Muster. Mit der Sprache Python selbst ist es einfach zu verstehen, wie man den Kmeans-Algorithmus nutzt und Aspekte des maschinellen Lernens mit eigenen Daten implementiert. Bewertung gesammelt von und auf G2.com gehostet.

Der Einstieg kann schwierig sein! Tutorials können schwer zu finden sein, besonders wenn man nicht daran gewöhnt ist, Open-Source-Sprachen wie Python zu verwenden. Bewertung gesammelt von und auf G2.com gehostet.

Python ist eine der beliebtesten Programmiersprachen zur Lösung der Probleme, die mit maschinellem Lernen verbunden sind. Python-Bibliotheken wie Keras, Theanos, TensorFlow und Scikit-Learn haben das Programmieren von maschinellem Lernen relativ einfach gemacht. Bewertung gesammelt von und auf G2.com gehostet.

Manchmal hängt sich die Python-IDE aufgrund von Daten auf. Bewertung gesammelt von und auf G2.com gehostet.

Maschinelles Lernen mit Python ist sehr einfach einzurichten. Sobald Sie Python heruntergeladen haben, vorausgesetzt, Sie laden es mit Spyder und Anaconda herunter, wird alles vorverpackt sein. Für Menschen mit amateurhaftem Programmierwissen wie mich, wenn ich auf ein Hindernis stoße, kann ich online gehen und Lösungen finden. Bewertung gesammelt von und auf G2.com gehostet.

Im Gegensatz zu Tableau gibt es keine offizielle Plattform, zumindest konnte ich keine finden. Außerdem gibt es viel zu viele Pakete für maschinelles Lernen. Du musst deine Recherche machen, um zu wissen, welches für dein Szenario geeignet ist. Bewertung gesammelt von und auf G2.com gehostet.

Angesichts der enormen Investitionen, die verschiedene Unternehmen in Python für maschinelles Lernen getätigt haben, gibt es wirklich schöne Werkzeuge für alle Arten von maschinellen Lernalgorithmen in Python. Fast jedes Framework für tiefe neuronale Netze ist hauptsächlich für Python geschrieben oder hat eine Python-Schnittstelle. Die SciPy-Bibliothek bietet alles, was Sie benötigen, um die meisten grundlegenden Arbeiten mit maschinellen Lernalgorithmen durchzuführen. Bewertung gesammelt von und auf G2.com gehostet.

Im Gegensatz zu MATLAB entwickeln verschiedene Unternehmen Werkzeuge für Python. Es gibt immer neue Bibliotheken, die mit anderen inkompatibel sind. Normalerweise aktualisiere ich eine Bibliothek nicht auf eine neue Version, bis etwas nicht mehr funktioniert. Bewertung gesammelt von und auf G2.com gehostet.

Das scikit-learn Paket enthält die meisten effizienten und aktuellen Werkzeuge für maschinelles Lernen wie Random Forest, SVM, Boosting und so weiter. Es ist wirklich einfach und schnell mit dem Python scikit-learn Paket. Bewertung gesammelt von und auf G2.com gehostet.

Man braucht nur grundlegende Programmierkenntnisse in Python. Sobald man mit dem Python-Coding vertraut ist, was ziemlich einfach ist, sind maschinelle Lernanwendungen ein Kinderspiel mit Python. Bewertung gesammelt von und auf G2.com gehostet.

TensorFlow-Tool für Deep Learning. Das ist das Beste, was ich an Python mag, da es so viel Flexibilität für Deep Learning bietet. Bewertung gesammelt von und auf G2.com gehostet.

Ich finde das Debuggen manchmal etwas mühsam. Bewertung gesammelt von und auf G2.com gehostet.

Umfassende Sammlungen von Machine-Learning-Algorithmen und viele Beispiele und Tutorials, insbesondere die scikit-learn-Bibliothek, enthalten fast jeden möglichen Machine-Learning-Algorithmus. Bewertung gesammelt von und auf G2.com gehostet.

Die Dokumentation für einige Funktionen ist eher begrenzt. Nicht jeder implementierte Algorithmus ist vorhanden. Die meisten zusätzlichen Bibliotheken sind einfach zu installieren, aber einige können ziemlich umständlich sein und eine Weile dauern. Bewertung gesammelt von und auf G2.com gehostet.

Einfache Einrichtung, Vielzahl von Optionen, Tutorials, Blogs, verfügbare Ressourcen, einfacher Start Bewertung gesammelt von und auf G2.com gehostet.

Nichts. Es ist großartig. Da alles Open Source ist, kann es etwas schwierig sein, Unterstützung oder Hilfe für spezielle Probleme zu finden. Bewertung gesammelt von und auf G2.com gehostet.