Python Machine Learning

1. Machine Learning:

  - Scikit-learn: ไลบรารีสำหรับการเรียนรู้ของเครื่องที่มีเครื่องมือต่างๆ สำหรับการทำเหมืองข้อมูลและการวิเคราะห์

  - TensorFlow: แพลตฟอร์มโอเพ่นซอร์สแบบครบวงจรสำหรับการเรียนรู้ของเครื่อง

  - Keras: API โครงข่ายประสาทเทียมระดับสูง ที่สามารถทำงานบน TensorFlow ได้

  - XGBoost: ไลบรารีการเร่งการไล่ระดับสีแบบกระจายที่ได้รับการปรับปรุงอย่างเหมาะสม

  - PyTorch: ไลบรารีแมชชีนเลิร์นนิงแบบโอเพ่นซอร์สที่ใช้ไลบรารี Torch

  - JAX: ไลบรารีสำหรับการวิจัยแมชชีนเลิร์นนิงประสิทธิภาพสูง

2. Data Manipulation:

  - Pandas: เครื่องมือจัดการข้อมูลระดับสูงที่สร้างขึ้นบนไลบรารี Numpy

  - NumPy: ไลบรารีสำหรับอาร์เรย์และเมทริกซ์หลายมิติขนาดใหญ่ พร้อมด้วยฟังก์ชันทางคณิตศาสตร์ระดับสูงจำนวนมาก

  - Polars: ไลบรารี DataFrame ที่รวดเร็วใช้งานใน Rust พร้อมการประเมินแบบ Lazy

  - Dask: ไลบรารีการประมวลผลแบบขนานที่ปรับขนาดระบบนิเวศ Python ที่มีอยู่

  - Modin: เร่งความเร็วการทำงานของ Pandas โดยใช้การประมวลผลแบบขนานและแบบกระจาย

  - Datatable: ไลบรารีสำหรับจัดการชุดข้อมูลขนาดใหญ่

  - Vaex: ไลบรารี Python สำหรับ DataFrames นอกคอร์ที่ขี้เกียจ

  - CuPy: ไลบรารีที่ใช้อาร์เรย์ Numpy บน NVIDIA CUDA

3. Data Visualization:

  - Matplotlib: ไลบรารีการวางแผนสำหรับการสร้างการแสดงภาพแบบคงที่ ภาพเคลื่อนไหว และแบบโต้ตอบ

  - Seaborn: ไลบรารีการแสดงภาพข้อมูลทางสถิติที่ใช้ Matplotlib

  - Plotly: ไลบรารีกราฟเชิงโต้ตอบ Low-Code PythonData Apps

  - Bokeh: สร้างพล็อตและแดชบอร์ดแบบโต้ตอบ

  - Altair: ไลบรารีการแสดงภาพทางสถิติที่ประกาศ

  - Pygal: ไลบรารีการสร้างแผนภูมิ SVG แบบไดนามิก

  - Folium: สร้างขึ้นจากจุดแข็งในการถกเถียงข้อมูลของระบบนิเวศ Python และจุดแข็งในการทำแผนที่ของไลบรารี Leaflet.js

4. Statistical Analysis:

  - SciPy: ไลบรารีที่ใช้สำหรับการคำนวณทางวิทยาศาสตร์และทางเทคนิค

  - Statsmodels: มีคลาสและฟังก์ชันสำหรับการประมาณค่าแบบจำลองทางสถิติต่างๆ มากมาย

  - Pingouin: ไลบรารีทางสถิติสำหรับการวิเคราะห์ทางสถิติแบบง่ายและขั้นสูง

  - PyStan: อินเทอร์เฟซ Python กับ Stan ซึ่งเป็นแพ็คเกจสำหรับสถิติแบบเบย์

  - Lifelines: ใช้สำหรับการวิเคราะห์การอยู่รอด

  - PyMC3: กรอบการเขียนโปรแกรมความน่าจะเป็นสำหรับการสร้างแบบจำลองทางสถิติแบบเบย์

5. Natural Language Processing:

  - NLTK: แพลตฟอร์มชั้นนำสำหรับการสร้างโปรแกรม Python เพื่อทำงานกับข้อมูลภาษามนุษย์

  - TextBlob: ไลบรารีสำหรับการประมวลผลข้อมูลที่เป็นข้อความ

  - Gensim: ไลบรารีสำหรับการสร้างแบบจำลองหัวข้อแบบไม่มีผู้ดูแลและการประมวลผลภาษาธรรมชาติ

  - spaCy: การประมวลผลภาษาธรรมชาติระดับอุตสาหกรรมใน Python

  - Polyglot: ไปป์ไลน์ภาษาธรรมชาติที่รองรับแอปพลิเคชันหลายภาษาจำนวนมาก

  - BERT: โมเดลที่ได้รับการฝึกอบรมล่วงหน้าเพื่อการทำความเข้าใจภาษาธรรมชาติ

6. Web Scraping:

  - Beautiful Soup: ไลบรารีสำหรับดึงข้อมูลออกจากไฟล์ HTML และ XML

  - Scrapy: โอเพ่นซอร์สและเฟรมเวิร์กการทำงานร่วมกันสำหรับการดึงข้อมูลที่คุณต้องการจากเว็บไซต์

  - Octoparse: เครื่องมือในการขูดข้อมูลเว็บโดยไม่ต้องเขียนโค้ด

  - Selenium: เครื่องมือสำหรับทำให้เว็บเบราว์เซอร์ทำงานอัตโนมัติ

  - MechanicalSoup: ไลบรารี Python สำหรับการโต้ตอบกับเว็บไซต์โดยอัตโนมัติ

7. Database Operations:

  - PySpark: Python API สำหรับ Spark ที่ช่วยให้การพัฒนาแอปพลิเคชันแบบขนานเป็นเรื่องง่าย

  - Ray: ระบบสำหรับปรับขนาดแอปพลิเคชัน Python

  - Dask: ตามที่กล่าวไว้ข้างต้น ยังช่วยในการคำนวณแบบคู่ขนานอีกด้วย

  - Koalas: Pandas API บน Apache Spark

  - Kafka-Python: ไคลเอนต์ Kafka สำหรับ Python

8. Time Series Analysis:

  - Darts ออกแบบมาเพื่อการจัดการและการพยากรณ์อนุกรมเวลาได้ง่าย

  - TSfresh แยกคุณลักษณะที่เกี่ยวข้องจากอนุกรมเวลา

  - Kats ชุดเครื่องมือสำหรับวิเคราะห์ข้อมูลอนุกรมเวลา

  - PyFlux ไลบรารีอนุกรมเวลาสำหรับ Python

  - Sktime เฟรมเวิร์กแบบรวมสำหรับการเรียนรู้ของเครื่องด้วยอนุกรมเวลา

  - Prophet ห้องสมุดสำหรับพยากรณ์ข้อมูลอนุกรมเวลาที่พัฒนาโดย Facebook

9. AutoML (Automated Machine Learning):

  - AutoTS: การสร้างแบบจำลองอนุกรมเวลาอัตโนมัติ

รู้หมดนี่อยากเสกอะไรก็ได้ หวังว่าคงมีประโยชน์นะครับ @m1n