機器學習工具大整理 Collections of Machine Learning Tools

Best of ml: https://github.com/ml-tooling/best-of-ml-python

EDA make easy : Pandas-Profiling, Sweetviz,  Autoviz, D-Tale

Classification metrics
  • Confusion Matrix
  • ROC AUC
  • Gini Coefficient
  • Gain and Lift Charts
  • KS Chart (Kolmogorov-Smirnov)
Regression metrics
  • MSE, RMSE
  • MAE
  • MAD
  • RAE (Relative Absolute Error)
  • RSE (Relative Squared Error)
  • R-squared and Adj R-squared
  • Analysis of Residuals
Competition
  • Feature Selection: eli5, lofo,
  • Data loading: Faker, Tensorflow Datasets, datasets, Pdfminer.six
  • Imbalanced data: imblearn
  • Parameter Optimization: Optuna, Keras Tuner, skopt(scikit-optimize), Hyperopt
  • AutoML: H2O, NNI (Neural Network Intelligence), auto sklearn, auto keras, TPOP
  • Algo: Lightgbm, Xgboost, Catboost, Lazypredict
  • More effetive pandas: Vaex
  • Model Interpretability: LIME, SHAP, interpret, alibi
  • Missing value imputer: sklearn.impute.IterativeImputer
  • Training ( Workflow & Experiment Tracking): Tensorboard, MLFlow, TensorWatch, Data Version Control(DVC), Metaflow
NLP
  • NLP: Kashgari, FastNLP, TextBlob
  • QA: NeuralQ
  • NER: NeuroNER
  • Neural Relation Extraction(NRE): OpenNRE
  • Label: Docanno
  • Seq2Seq: fairseq
CV
  • Image: Pillow, torchvision, scikit-image
  • Image model: PyTorch Image Models, GluonCV
  • Image label: labelImg
  • Object detection: deectron2, mmdectection
  • Face Recognition: face_recognition, facenet_pytorch
  • Segmentation: segmentation_models
  • Image data augmentation: imgaug, Albumentations, Augmentor
  • Finding duplicate image: imagededup
  • Explainable : cv2.saliency
  • Faster image loading : libjpeg-turbo, PyVips
Time Series
  • Time Series Feature extraction: tsfresh
  • TS smoothing and outliner dectection: tsmoothie
  • Time Series forecasting: Prophet and NeuralProphet,  sktime, pytorch-forecasting, pmdarima
  • Better datetime: python-dateutil
  • generalized framework : Kats
  • markov model: Deeptime
OCR
  • OCR: Tesseract, EasyOCR, PaddleOCR
Medical
  • Medical: MNE-Python, Nilearn, Lifelines
Recommendation System
  • Building and analysis : recommenders, torchrec, TensorFlow Recommenders, Pyspark.mlib.recommendation, surprise
  • Collaborative Filtering : Implicit
  • Factorization Machine : lightFM
Face detection
  • Facenet, OpenFace, VGG-Face, DeepFace, Dlib
Visualization
  • Data visualization: Plotly, Bokeh, Holoviews, Datashader pydantic, schema
  • Ploting Architecture: PlotNeuralNet
  • High Dimensional Data :  UMAP
Production
  • Training pipeline: Kubeflow, Airflow,  Prefect, Metaflow, Tensorflow Extended
  • Data Versioning: DVC
  • Data Validation: TensorFlow Data Validation (TFDV), datatest
  • Distributed: Ray, PySpark, DeepSpeed
  • Model Monitoring:  Seldon, MLWatcher
  • Model registry : MLFlow
  • Explainable : SHAP
  • Experiment Monitoring : TensorBoard, Weights & Biases
  • Measurement of  Model time : PyTorch Profiler, Tensorflow Profiler
  • Code Review: ReviewNB
  • API: Flask, FastAPI
  • Large scale: Pyspark, TensorFlowOnSpark, Horovod, BigDL
  • Python SQL: BlazingSQL, dask-sql
  • CI/CD: GoCD, AutoRABIT
  • C++: Dlib, mlpack
  • Label : labelstudio
  • Model testing: checklist (NLP bias)
low-code
  • pycaret
Probabilistic Programming
  • PyMC
  • pyro


留言

張貼留言

這個網誌中的熱門文章

為什麼只能在訓練資料上平衡不平衡的資料集? Why should you deal with an imbalanced dataset only on training data?

圖片
最近有位同學向我詢問一些資料競賽相關的內容，剛好發現他在程式上犯了這個初心者可能會犯的常見錯誤，也就是將 SMOTE (Synthetic Minority Oversampling Technique) 這種針對不平衡資料集  (imbalanced Dataset)  產生資料來讓其平衡的相關演算法應用在整個資料集上，而非只用在訓練資料集上。 目前的數據分析相關競賽通常都是給參賽者一些不平衡的資料集或者是特徵非常多的資料集(通常多達上百個特徵，尤其是金融相關競賽)，此時初學者也常常會查詢到像是  Imblearn  這種專門處理不平衡資料及的套件使用。但其實無論是上採樣或者下採樣又抑或是混合上下採樣的方法， 它們其實都只能應用在訓練資料上，不能直接對整個資料集做平衡。 錯誤的使用會造成模型 作弊 ，並訓練出非常非常高的準確率，但實際上表現完全不好，就像過擬合(Overfitting)發生的時候那樣。 平衡資料集的方法 在面對上圖這種不平衡資料集時，基本上會有上採樣 (Oversampling) 和下採樣(Undersampling) 兩種方法可以使資料集平衡。上採樣指的是把資料少的類別複製幾份，直到兩類資料平衡。下採樣會將資料多的類別資料數減少或者是只從中選取少數資料出來代表這個類別。常見的方法有上採樣的 ADASYN、SMOTE、BorderlineSMOTE，還有結合上下採樣的 SMOTEENN，可參考 imblearn API doc 。 總之無論是使用哪種方法，都可以預期會得到下圖這樣平衡的資料集。 為什麼不可以直接平衡整個資料集呢? 為了回答這個問題，得先知道為什麼資料分割的獨立性是必須優先在所有方法之上的。這裡借用 Google 的 MLCC(Machine Learning Crash Course)  教材來講解。 當你拿到一份資料並想對其使用機器學習演算法來解決你的任務時，至少得將資料分割為訓練資料 (Training Set) 與測試資料 (Test Set)，訓練資料是用來教你的模型從x推理到y，測試資料是用來測試這個訓練資料所訓練出來的模型在沒有見過的資料 (unseen data) 上表現如何，測試資料得必須與訓練資料 完全沒有交集， 否則就等於是數學老師直接在上課的時候告訴你期中考的題目...
Read more »

十種常見的軟體架構模式 10 Common Software Architectural Patterns

圖片
剛升上大四，發現大四的課程開始接觸到許多各種不同的領域，像是 Mobile App 這種跟 OOP 密不可分的領域，剛好這周談到軟體架構相關的東西，像是 MVC(Model-View-Controller) 之類的，讀起來蠻有趣的，同時有點好奇這種軟體架構有沒有一個大補帖可以一窺究竟，於是就爬了幾篇文之後，著手撰寫了這篇文章。 首先，架構模式 (architectural patterns) 與軟體工程的設計模式 (design patterns) 有些類似，兩者都是為了解決一些常見的軟體問題，但前者更為廣泛，且較能重複應用。我認為前者較有"架構"的感覺，也就是可重複使用性較高。前者的架構可以是跨領域應用的，而後者比較像是在某種情況下可以使用哪種模型。 軟體架構模式有以下10種常見的模式: 1. Layered pattern 最經典的例子就是網路的 OSI 七層設計 另外還有我曾在系統分析與設計學到的Three-layer  architecture 分別是View layer、logic layer、Data layer View layer : 系統的UI、外觀 logic layer: 功能的實作層 data layer : 存取資料的function 至於常見的應用當然是 Web application，以 Chrome 手機版為例，打開來看到的所有功能像是輸入網址欄、最近的瀏覽紀錄、左上的首頁按鈕等等都屬於 view layer，至於 logic layer 則是使用者開始在網址欄中輸入後對你所搜尋的事物的預測，比如輸入了"天氣"，則會跑出像是天氣預報的推薦搜尋，當然還有按下搜尋後，根據使用者的輸入來推測他想查詢的是甚麼，這都屬於在實作這個搜尋功能。最後，Data layer 是介於資料庫與軟體之間的中介，Google 搜尋若想顯示出在 logic layer 的那些推薦搜尋，勢必得從他們的資料庫中調出關於使用者的資料還有較為宏觀的搜尋資料，只要是需要跟資料庫作互動的都屬於data layer。 2. Client-server pattern 這個模式可能是最常見的但也最簡單，就只有客戶端與伺服器端。客戶端作為主動方提出服務的要求，而伺服器端被動接收 到之後負責提供服務給客戶端。 最常見的應用就是瀏覽網站。當瀏覽...
Read more »

如何得到和 Anaconda 的 Jupyter Notebook 一樣的使用者體驗但卻不需安裝 Anaconda ?

圖片
 身為一個資料科學家或是機器學習工程師，Jupyter Notebook 是必不可少的好用工具，而 Anaconda 則是在入門這個領域的時候為了減少痛苦而安裝的一個龐大軟體。 但實際上大部分時候我們只需要 Anaconda 中的 Jupyter Notebook，而不是它內含的其他東西以及Python 環境選擇 (我不如用 pipenv...)，若是你像我一樣希望捨棄笨重的 Anaconda，但又希望獲得同樣的體驗，而不是每次都要打開 terminal，輸入 Jupyter Notebook 才能打開的話，這篇會是一篇適合你閱讀的文章。 Anaconda 上的體驗是怎樣的? 若是以只使用 Jupyter Notebook 為前提的話，它主要的方便在於安裝 Anaconda 之後會自動產生一個 Jupyter Notebook 的捷徑在開始工具欄，當你需要使用的時候就直接點開就好。而不用打開 terminal 打字什麼的。 (我很在意這個所以一直被 Anaconda 綁架......)  除此之外，Anaconda 的 Jupyter Notebook 路徑是固定的，每次開啟都會在 username 那個資料夾裡面，所以我得因此被其綁架而得把所有資料和 Notebook 都放在那個資料夾裡面。 所以，接下來就要開始如何將 Jupyter Notebook 以一個有 icon 的桌面捷徑開啟而且還可以基於開啟的路徑而開啟的教學。 安裝 Jupyter Notebook pip install notebook 建立 Jupyter Notebook 捷徑 首先要在桌面上右鍵新增 -> 建立捷徑，然後在項目位置中打入  cmd /k "jupyter notebook" ， 如下圖。 然後就將捷徑命名為 jupyter notebook，或是其他你喜歡的名字，像是 AI 煉蠱場之類的。 這串項目位置的意思是當點擊這個捷徑的時候會做兩個動作 :   1. 打開 cmd   2. 自動打入 jupyter notebook 改變 Jupyter Notebook Icon 這步很簡單，總之就是去下載 jupyter notebook 的 icon (記得轉成 .ico 檔名)，然後...
Read more »