Las librerías de Python son utilizadas por los desarrolladores para realizar tareas sin necesidad de reescribir el código.

Cuando tú tienes que desarrollar un proyecto de Inteligencia Artificial o Machine Learning, necesitas que el entorno este bien estructurado y bien probado, así podrás llegar a tener unos resultados de mejor calidad. Reducir el tiempo de trabajo es otro de los factores clave, y justamente eso es lo que te permitirá utilizar alguna de estas bibliotecas de  Python.

TensorFlow

TensorFlow es una librería de aprendizaje automático de Python. Es muy popular para realizar proyectos de Machine Learning e Inteligencia Artificial.

Algunas de las características que tiene TensorFlow son:

• Te permite manejar redes neuronales profundas para el reconocimiento de imágenes
• Clasificación de dígitos escritos a mano
• Redes neuronales recurrentes
• PNL (Procesamiento de lenguaje natural)
• PDE (Ecuación diferencial parcial).
• La biblioteca incluye varios ayudantes de capa (tflearn, tf-slim, skflow), que la hacen aún más funcional

La API de TensorFlow viene integrada para:

• Regresión lineal: tf.estimator.linearRegresor
• Clasificación:tf.estimator.linearClassifier
• Clasificación de aprendizaje profundo: TF.Estimator.DNNClassifier
• Deep learning wipe and deep: tf.Estimator.dnnLinearCombinedClassifier
• Regresión del árbol de refuerzo: TF.Estimator.BoostedTreesRegressor
• Clasificación de árboles potenciados: TF.Estimator.BoostedTreesClassifier

Estas funciones permiten que los desarrolladores se puedan centrar en la lógica de la aplicación en lugar de tratar con los detalles mundanos del a implementación de algoritmos.

Se puede ejecutar en un gran número de plataformas, incluyendo GPU, CPU y TPU (Tensor Processing Unit, que es un chip de hardware construido con TensorFlow).

Para aprender a utilizar la librería de TensorFlow para Python solo tienes que acceder a este curso gratuito.

Keras

Esta es una librería de código abierto que se utiliza para redes neuronales. Es compatible con otras bibliotecas como TensorFlow, Theano, PlaidML, Deeplearning4j, MXNet o Microsoft Cognitive Toolkit (CNTK).

¿Qué se puede hacer con Keras?:

• Capas neuronales
• Funciones de activación
• Esquemas de inicialización
• Funciones de coste
• Esquemas de regularización

Sus características hacen que sea fácil de utilizar por principiantes, ya que permite de forma sencilla agregar nuevos módilos, funciones y clases.

Puede ejecutarse tanto en GPU como en CPU y, también, permite la creación rápida de prototipos.

Este curso te permitirá conocer cómo guardar, cargar y exportar modelos con Keras.

Theano

Esta librería es conocida para manipular y evaluar expresiones matemáticas, con Theano se pueden calcular matrices. Varias aplicaciones de ML e IA es el cálculo repetitivo de una expresión matemática complicada, por eso, te permite realizar un cálculo intensivo de datos hasta cien veces más rápido.

Las características de Theano son:

• Integración estrecha con NumPy – Utilice numpy.ndarray en las funciones compiladas por Theano.
• uso transparente de una GPU: realice cálculos de uso intensivo de datos mucho más rápido que en una CPU.
• diferenciación simbólica eficiente – Theano hace sus derivados para funciones con una o varias entradas.
• optimizaciones de velocidad y estabilidad: obtenga la respuesta correcta incluso cuando es realmente pequeño. log(1+x)x
• Generación dinámica de código C: evalúe las expresiones con mayor rapidez.
• pruebas unitarias y autoverificación extensas: detecte y diagnostique muchos tipos de errores.

Puede ejecutarse tanto en GPU como en CPU.

En la web oficial de Theano se encuentra un tutorial para comenzar a utilizar la librería en Python.

PyTorch

PyTorch se basa en Torch, que es una librería de aprendizaje profundo de código abierto implementada en C, con un envoltorio en Lua. Esta biblioteca se utiliza para aplicaciones como el procesamiento del lenguaje natural y la visión por computadora. Te permite crear gráficos computacionales precisos que se pueden pueden cambiar incluso durante el tiempo de ejecución.

Una de las características más conocidas que posee es un copilador de aprendizaje automático llamado Glow que aumenta el rendimiento de los marcos de aprendizaje profundo.

Es compatible con los cálculos de GPU y CPU, le proporciona optimización del rendimiento y formación distribuida escalable en investigación, así como producción.

En la web oficial también se encuentra un tutorial para que puedas comenzar a utilizar PyTorch.

Scikit-learn

Esta librería para Python está basada en otras dos bibliotecas básicas de Python: SciPy y NumPy. Posee una amplia gama de algoritmos de clustering, regresión y clasificación. Esta librería se suele implementar para la minería y el análisis de datos.

Algunas características de esta librería:

• Admite ML supervisado y no supervisado.
• Reducción de la dimensionalidad
• Poda e inducción de árboles de decisión
• Aprendizaje de límites de decisiones
• Análisis y selección de características
• Detección y rechazo de valores atípicos
• Modelado avanzado de probabilidad
• Clasificación y agrupación en clústeres no supervisadas