Die Programmiersprache Python ist eine der am häufigsten verwendeten Sprachen im Bereich der Data Science. Einem Bericht von SlashData nach verwendeten im Jahr 2018 69% der Machine-Learning-Entwickler und Data Scientists Python in ihrem Arbeitsprozess. Aufgrund dessen sind vor vor allem für Python eine Vielzahl an Machine Learning Pakete verfügbar, die dir die Arbeit deutlich vereinfachen und dir bei deinen Data Science-Projekten helfen. In diesem Artikel stellen wir die wichtigsten Pakete für Anwendungen rund um Data Science und Machine Learning mit Python vor.
Eines der grundlegendsten Pakete in Python ist NumPy. NumPy steht für Numerical Python ist ein Paket für die effiziente Verarbeitung von multidimensionalen Arrays. Mit NumPy hast du die Möglichkeit, leistungsstarke Array-Objekte (nd-arrays) zu verwenden, in denen Elemente oder Zahlen desselben Datentyps gespeichert werden können. Außerdem kannst mit NumPy deutlich schneller und einfacher Operationen auf Arrays durchführen. Zu den Hauptfunktionen von NumPy zählen:
- Grundlegende Array-Operationen: Arrays addieren, multiplizieren, slicen, umformen und indizieren
- Erweiterte Array-Operationen: Arrays stapeln, Arrays in Abschnitte aufteilen
Pandas ist ein Python-Paket auf Basis von NumPy, welches leistungsstarke und benutzerfreundliche Datenanalyse Tools für Datensätze bereitstellt. Das Paket ist das perfekte Werkzeug für die Datenverarbeitung und wurde entwickelt, um Daten schnell und einfach zu manipulieren, zu lesen, zu aggregieren und zu visualisieren. Pandas kann Datensätze bspw. aus einer csv-Datei, xlsx-Datei oder einer SQL-Datenbank einlesen und in einem DataFrame abspeichern. Ein DataFrame ist ein Python-Objekt und vergleichbar mit einer Excel-Tabelle mit einer Vielzahl an Operationen, die auf die Daten ausgeführt werden können. Folgende Möglichkeiten stehen dir unter Verwendung von pandas zur Verfügung:
- Manipulieren, Sortieren, Umbenennen und Zusammenführen von Daten
- Hinzufügen, Aktualisieren, Löschen von Zeilen und Spalten in DataFrames
- Daten direkt in Diagrammen visualisieren
Hier gehts zum Jupyter Notebook rund um Pandas.
Die SciPy-Bibliothek ist eines der Kernpakete für die Data Science in Python und erweitert die Bibliothek NumPy um eine Vielzahl von wissenschaftlichen und technischen Berechnungsmöglichkeiten für NumPy-Arrays, bspw. mathematische Routinen wie lineare Algebra, Interpolation, Optimierung, Integration und Statistik. SciPy ist dabei sehr benutzerfreundlich und die Operationen effizient in ihren Laufzeiten.
SciPy beinhaltet unter anderem folgendes:
- Sammlung von Algorithmen und Funktionen auf Basis von NumPy
- Möglichkeiten zur Datenmanipulation und Visualisierung
- Mehrdimensionale Bildverarbeitung mit dem SciPy-Submodul ndimage
- Funktionen zur Lösung von Differentialgleichungen
Matplotlib ist eine der bekanntesten Plotting-Bibliotheken für Python, mit der sehr schnell Daten in Form von Diagrammen visualisiert werden können. Eine Vielzahl von Diagrammtypen können hierbei verwendet werden, wie bspw. Histogramme, Balkendiagramme, Streudiagramme, Flächendiagramme, Liniendiagramme und Spektrogramme. Matplotlib ermöglicht auch das Einfügen von individuellen Beschriftungen, Rastern, Legenden und weiteren Formatierungsmöglichkeiten.
Eine weitere Visualisierungsbibliothek für Python ist Seaborn, welche auf Matplotlib aufbaut und es um zusätzliche Funktionen erweitert. Matplotlib wird also für grundlegende Diagramme verwendet, während Seaborn eine Vielzahl von komplexeren Visualisierungsmöglichkeiten mit einfacherer Syntax bietet.
Scikit Learn ist eine der verbreitetsten Bibliotheken für maschinelles Lernen in Python. Sie bietet eine Reihe von überwachten und unüberwachten Lernalgorithmen über eine einheitliche Schnittstelle in Python, wie bspw. k-nearest-neighbours, Random Forests, Support Vector Machines, Naive Bayes, k-means Clustering, Spectral Clustering, Mean Shift, Kreuzvalidierung und mehr. Auch NumPy, SciPy und verwandte Bibliotheken werden von Scikit Learn unterstützt.
Folgendes kannst du mit Scikit Learn machen:
- Klassifizierung: Erkennung von Spam-Mails
- Regression: Aktienkurse, Immobilienpreise
- Clustering: Kundensegmentierung, Gruppierung von Versuchsergebnissen
- Dimensionalitätsreduktion: Visualisierung, Steigerung der Effizienz
- Modellauswahl: Verbesserte Genauigkeit durch Parameter-Tuning
- Preprocessing: Aufbereitung der Eingabedaten für die Verarbeitung mit Machine Learning Modellen
TensorFlow ist eine der bekanntesten KI-Bibliotheken für Python und ermöglicht es, große neuronale Netze mit mehreren Schichten und Deep-Learning-Modelle zu erstellen. Ursprünglich für Kompilierungszwecke entwickelt, bietet es ein umfassendes und flexibles Ökosystem von Tool, mit denen du ML-basierte Anwendungen erstellen und einsetzen kannst. Mit TensorFlow kannst du unter anderem folgendes machen:
PyTorch is eine der bevorzugten ML-Bibliotheken für Python, die auf maximale Flexibilität und Geschwindigkeit bei wissenschaftlichen Berechnungen für Deep Learning ausgelegt ist. Die grundlegenden Bausteine in PyTorch sind Tensoren. Tensoren sind vergleichbar mit NumPy-Arrays, werden jedoch auf der GPU und nicht auf der CPU verarbeitet, was die Verarbeitungsgeschwindigkeit deutlich erhöht.
Funktionen der Deep Learning Bibliotheken TensorFlow und PyTorch sind unter anderem:
- Sprach-/Tonerkennung
- Sentiment-Analysen, wie Stimmungsanalysen zu bestimmten Themen in sozialen Netzwerken
- Gesichtserkennung
- Bilderkennung, wie Identifikation von Objekten in Bildern
- Videodetektion, wie Bewegungserkennung
