Google AI 조직 내 Google 브레인 팀 연구원이 만들었으며 현재 수학, 물리학, 머신러닝 연구자들이 복잡한 수학적 계산을 위해 널리 활용하고 있습니다.
TensorFlow 는 빠르게 설계되었으며, 빠른 선형 대수 연산을 위해 XLA(XLA 또는 가속 선형 대수학은 소스 코드를 변경하지 않고도 텐서플로 모델을 가속화할 수 있는 선형 대수용 도메인 전용 컴파일러입니다.
TensorFlow 특징
반응형 구성: 그래프의 모든 부분을 텐서플로우로 쉽게 시각화할 수 있는데, 이는 Numpy나 SciKit에서는 불가능합니다.
적응성: 가장 핵심적인 텐서플로우 기능 중 하나는 머신러닝 모델과 관련하여 유연하게 작동할 수 있다는 것인데, 이는 모듈화되어 있어 일부 섹션을 독립적으로 만들 수 있다는 것을 의미합니다.
텐서플로에서 머신러닝 모델을 훈련하는 것은 간단합니다: 분산 컴퓨팅을 위해 CPU와 GPU 모두에서 텐서플로를 사용하여 머신러닝 모델을 쉽게 훈련할 수 있습니다.
병렬 신경망 훈련: TensorFlow를 사용하면 많은 신경망과 GPU를 동시에 훈련할 수 있습니다.
오픈 소스 및 대규모 커뮤니티: 의심할 여지 없이 구글에서 개발했다면 이미 상당한 소프트웨어 전문가 팀이 지속적인 안정성 개선을 위해 노력하고 있습니다. 이 머신 러닝 라이브러리의 가장 큰 장점은 오픈 소스이기 때문에 인터넷에 접속할 수 있는 사람이라면 누구나 사용할 수 있다는 것입니다.
TensorFlow는 Google 음성 검색이나 Google 포토와 같은 서비스를 통해 무심코 사용되기도 하지만 정기적으로 사용됩니다.
TensorFlow 의 라이브러리는 전적으로 C와 C++로 개발되었습니다.
하지만 정교한 Python 프런트엔드가 있습니다. Python 코드는 C와 C++로 작성된 TensorFlow 분산 실행 엔진에서 컴파일되고 실행됩니다.
TensorFlow 에는 거의 무한대에 가까운 애플리케이션이 있으며, 이는 TensorFlow 의 가장 매력적인 기능 중 하나입니다.
5) Scikit Learn
Scikit Learn은 파이썬 환경에서 실행되는 머신러닝 알고리즘을 위한 오픈소스 라이브러리입니다.
지도 및 비지도 학습 알고리즘 모두에 사용할 수 있습니다. 이 라이브러리에는 널리 사용되는 알고리즘과 NumPy, Matplotlib, SciPy 패키지가 포함되어 있습니다.
Scikit 학습은 가장 잘 알려진 용도는 Spotify의 음악 추천입니다. 이제 Scikit Learn의 몇 가지 주요 기능에 대해 자세히 살펴보겠습니다.
교차 검증: Scikit Learn을 사용하여 보이지 않는 데이터에 대한 지도 모델의 정확도를 확인하는 방법에는 train_test_split 방법, cross_val_score 등 여러 가지가 있습니다.
비지도 학습 기법: 클러스터링, 요인 분석, 주성분 분석, 비지도 신경망에 이르기까지 다양한 비지도 학습 알고리즘을 사용할 수 있습니다.
특징 추출: 사진과 텍스트에서 특징을 추출하는 것은 유용한 도구입니다(예: 단어 가방).
Scikit Learn에는 수많은 알고리즘이 포함되어 있으며 차원 축소, 분류, 회귀, 클러스터링 및 모델 선택과 같은 일반적인 머신 러닝 및 데이터 마이닝 작업을 수행하는 데 사용할 수 있습니다.
6) Eli5
머신 러닝 모델 예측 결과는 부정확한 경우가 많으며, Eli5 Python 머신 러닝 라이브러리는 부정확한 예측의 어려움을 해결하는 데 도움이 됩니다.
이 라이브러리는 모든 머신 러닝 모델을 시각화하고 디버깅하는 것은 물론 알고리즘의 모든 작업 프로세스를 추적할 수 있습니다.
Eli5에서 지원하는 일부 라이브러리에는 XGBoost, lightning, scikit-learn, sklearn crfsuite 등이 있습니다.
이제 Eli5의 몇 가지 애플리케이션에 대해 알아보겠습니다.
ELI5는 머신 러닝 분류기를 검사하고 그 예측을 설명하는 데 사용되는 파이썬 패키지입니다. 스클레인 회귀자 및 분류기, XGBoost, CatBoost, Keras 등과 같은 알고리즘을 디버깅하는 데 널리 사용됩니다.
다른 Python 패키지와 종속성이 있는 경우 Eli5가 필수적입니다. Eli5는 레거시 소프트웨어와 혁신적인 접근 방식을 구현하는 다양한 산업 분야에서도 사용됩니다.
7) SciPy
Scipy 는 과학 컴퓨팅, 데이터 처리 및 고성능 컴퓨팅에 사용되는 무료 오픈 소스 Python 라이브러리입니다.
이 라이브러리에는 빠른 계산을 위한 수많은 사용자 친화적인 루틴이 포함되어 있습니다.
이 패키지는 데이터 처리 및 시각화는 물론 고급 명령어를 사용할 수 있는 NumPy 확장을 기반으로 합니다.
Scipy는 NumPy와 함께 수학적 계산에 사용됩니다.
NumPy는 배열 데이터의 정렬과 인덱싱을 가능하게 하는 반면, SciPy는 숫자 코드를 저장합니다.
클러스터, 상수, fftpack, 통합, 보간, io, linalg, ndimage, odr, 최적화, 신호, 스파스, 공간, 특수 및 통계는 SciPy에서 사용할 수 있는 많은 하위 패키지 중 일부에 불과합니다.
“from scipy import subpackage-name”을 사용하여 SciPy에서 가져올 수 있습니다.
그러나 NumPy, SciPy 라이브러리, Matplotlib, IPython, Sympy 및 Pandas는 SciPy의 필수 패키지입니다.
SciPy 특징
SciPy의 가장 큰 특징은 NumPy로 작성되었으며 배열이 NumPy를 광범위하게 사용한다는 점입니다.
SciPy는 특수한 서브모듈을 사용하여 최적화, 수치 적분 등 효율적인 수치 알고리즘을 모두 제공합니다.
SciPy의 서브모듈에 있는 모든 함수는 광범위하게 문서화되어 있습니다. SciPy의 기본 데이터 구조는 NumPy 배열이며, 널리 사용되는 다양한 과학 프로그래밍 애플리케이션을 위한 모듈이 포함되어 있습니다.
sciPy는 선형 대수, 적분(미적분), 일반 미분 방정식 풀이, 신호 처리와 같은 작업을 쉽게 처리합니다.
8) PyTorch
PyTorch 는 2017년 Facebook에서 처음 도입한 Python 라이브러리입니다.
다음과 같은 두 가지 고급 기능을 결합한 라이브러리입니다.
상당한 GPU 가속을 지원하는 텐서 연산(NumPy와 유사)
유연성과 속도를 제공하는 심층 신경망 기반 플랫폼
PyTorch 특징
Python 및 해당 라이브러리가 PyTorch에서 지원됩니다.
Facebook의 딥 러닝 요구 사항으로 인해 이 기술을 사용해야 했습니다.
사용성과 이해도를 향상시키는 사용하기 쉬운 API를 제공합니다.
파이토치에서 코드를 실행하는 동안 언제든지 그래프를 동적으로 설정하고 동적으로 계산할 수 있습니다.
파이토치에서는 코딩이 간단하고 처리 속도가 빠릅니다.
CUDA(CUDA는 소프트웨어가 범용 처리를 위해 특정 유형의 그래픽 처리 장치를 사용할 수 있도록 하는 병렬 컴퓨팅 플랫폼이자 애플리케이션 프로그래밍 인터페이스로, GPU에서 범용 컴퓨팅이라고 불리는 접근 방식)가 지원되므로 GPU 머신에서 실행할 수 있습니다.
PyTorch는 주로 자연어 처리 애플리케이션에 사용됩니다.
주로 Facebook의 인공 지능 연구소에서 개발되었으며, Uber의 “Pyro” 확률론적 프로그래밍 소프트웨어가 이를 기반으로 합니다.
PyTorch는 다양한 영역에서 텐서플로우보다 성능이 뛰어나며, 최근 그 기능으로 인해 많은 주목을 받고 있습니다.
9) LightGBM
그라디언트 부스팅은 의사 결정 트리와 같은 간단한 모델을 재정의하여 개발자가 새로운 알고리즘을 개발할 수 있도록 지원하는 대표적인 머신 러닝 패키지입니다.
따라서 이 그라디언트 부스팅 방법을 빠르고 효율적으로 구현하는 데 사용할 수 있는 전용 라이브러리가 존재합니다.
