Thư viện Python là một tập hợp các hàm hữu ích giúp loại bỏ nhu cầu viết mã từ đầu. Hiện nay có hơn 137,000 thư viện python và chúng đóng vai trò quan trọng trong việc phát triển máy học, khoa học dữ liệu, trực quan hóa dữ liệu, ứng dụng xử lý hình ảnh và dữ liệu, v.v. Hãy để chúng tôi giới thiệu ngắn gọn về Ngôn ngữ lập trình Python và sau đó đi sâu vào các thư viện Python phổ biến nhất.

Thư viện là gì?

Thư viện là tập hợp các mã được kết hợp sẵn có thể được sử dụng lặp đi lặp lại để giảm thời gian cần thiết để viết mã. Chúng đặc biệt hữu ích để truy cập các mã được sử dụng thường xuyên được viết sẵn thay vì viết chúng từ đầu mỗi lần. Tương tự như thư viện vật lý, đây là tập hợp các tài nguyên có thể tái sử dụng, nghĩa là mọi thư viện đều có nguồn gốc. Đây là nền tảng đằng sau vô số thư viện nguồn mở có sẵn trong Python. 

Một Python Thư viện?

Thư viện Python là tập hợp các mô-đun và gói cung cấp nhiều chức năng. Những thư viện này cho phép các nhà phát triển thực hiện nhiều tác vụ khác nhau mà không cần phải viết mã từ đầu. Chúng chứa mã, lớp, hàm và quy trình được viết sẵn có thể được sử dụng để phát triển ứng dụng, tự động hóa các tác vụ, thao tác dữ liệu, thực hiện các phép tính toán học, v.v.

Hệ sinh thái thư viện rộng lớn của Python bao gồm các lĩnh vực đa dạng như phát triển web (ví dụ: Django, Flask), phân tích dữ liệu (ví dụ: pandas, NumPy), học máy (ví dụ: TensorFlow, scikit-learn), xử lý hình ảnh (ví dụ: Pillow, OpenCV ), máy tính khoa học (ví dụ: SciPy) và nhiều thứ khác. Thư viện phong phú này góp phần đáng kể vào sự phổ biến của Python đối với các nhà phát triển, nhà nghiên cứu và nhà khoa học dữ liệu vì nó đơn giản hóa quá trình phát triển và triển khai hiệu quả chức năng phức tạp.

Kiểm tra nhanh – Nền tảng Python

Danh sách 30 thư viện Python hàng đầu

Bảng này bao gồm các thư viện cần thiết cho các nhà khoa học dữ liệu, nhà phát triển web và kỹ sư phần mềm làm việc với Python. Mỗi thư viện đều có điểm mạnh riêng và được chọn cho các nhiệm vụ cụ thể, từ các khung phát triển web như Django và Flask đến các thư viện máy học như TensorFlow và PyTorch cho đến các công cụ phân tích và trực quan hóa dữ liệu như Pandas và Matplotlib.

1. Scikit- học hỏi

Đó là phần mềm miễn phí học máy thư viện cho ngôn ngữ lập trình Python. Nó có thể được sử dụng một cách hiệu quả cho nhiều ứng dụng bao gồm phân loại, hồi quy, phân cụm, lựa chọn mô hình, Bayes 'ngây thơ, tăng cấp, K-mean và tiền xử lý.
Scikit-learn yêu cầu:

• Python (>= 2.7 hoặc >= 3.3),
• NumPy (>= 1.8.2),
• SciPy (>= 0.13.3).

Spotify sử dụng Scikit-learn cho các đề xuất âm nhạc và Evernote để xây dựng các bộ phân loại. Nếu bạn đã có bản cài đặt NumPy và scipy đang hoạt động, cách dễ nhất để cài đặt scikit-learn là sử dụng đánh rớt.

2. NuPIC

Nền tảng Numenta cho Máy tính Thông minh (NuPIC) là một nền tảng nhằm triển khai thuật toán học tập HTM và biến chúng thành nguồn công khai. Nó là nền tảng cho các thuật toán học máy trong tương lai dựa trên sinh học của vỏ não mới. Nhấp chuột tại đây để kiểm tra mã của họ trên GitHub.

3. Đoạn đường nối

Nó là một thư viện Python được sử dụng để tạo nguyên mẫu nhanh các mô hình học máy. Giốc cung cấp một cú pháp khai báo đơn giản để khám phá các tính năng, thuật toán và các phép biến đổi. Nó là một khung học máy nhẹ dựa trên gấu trúc và có thể được sử dụng liền mạch với các công cụ thống kê và học máy python hiện có.

4. NumPy

Khi nói đến tính toán khoa học, numpy là một trong những gói cơ bản dành cho Python, cung cấp hỗ trợ cho các mảng và ma trận đa chiều lớn cùng với tập hợp các hàm toán học cấp cao để thực thi các hàm này một cách nhanh chóng. NumPy dựa vào than trời và THIẾU để tính toán đại số tuyến tính hiệu quả. NumPy cũng có thể được sử dụng như một nơi chứa dữ liệu chung đa chiều hiệu quả.

Có thể tìm thấy các gói cài đặt NumPy khác nhau tại đây.

5. Pipenv

Sản phẩm công cụ được đề xuất chính thức cho Python vào năm 2017 – Pipenv là một công cụ sẵn sàng sản xuất nhằm mục đích mang những gì tốt nhất của thế giới đóng gói vào thế giới Python. Mục đích chính là cung cấp cho người dùng một môi trường làm việc dễ cài đặt. Pipenv, “Quy trình phát triển Python dành cho con người,” được Kenneth Reitz tạo ra để quản lý sự khác biệt về gói. Có thể tìm thấy hướng dẫn cài đặt Pipenv tại đây.

6. Dòng chảy căng

Khung học sâu phổ biến nhất của TensorFlow là một thư viện phần mềm nguồn mở để tính toán số hiệu suất cao. Nó là một thư viện toán học mang tính biểu tượng và cũng được sử dụng cho Python trong các thuật toán học máy và học sâu. Tensorflow được phát triển bởi các nhà nghiên cứu tại nhóm Google Brain trong tổ chức Google AI. Ngày nay, nó đang được các nhà nghiên cứu sử dụng cho các thuật toán học máy và các nhà vật lý cho các phép tính toán học phức tạp. Các hệ điều hành sau hỗ trợ TensorFlow: macOS 10.12.6 (Sierra) trở lên; Ubuntu 16.04 trở lên; Windows 7 trở lên; Raspbian 9.0 trở lên.

Hãy kiểm tra của chúng tôi Khóa học miễn phí về Tensorflow và Keras và Trăn TensorFlow. Khóa học này sẽ giới thiệu cho bạn hai khung này và cũng sẽ hướng dẫn bạn bản demo về cách sử dụng các khung này.

7. Bụt

Được phát triển tại Viện nghiên cứu Idiap ở Thụy Sĩ, Bob là một hộp công cụ học máy và xử lý tín hiệu miễn phí. Hộp công cụ được viết bằng sự kết hợp giữa Python và C++. Từ nhận dạng hình ảnh đến xử lý hình ảnh và video bằng thuật toán học máy, Bob có sẵn một số lượng lớn các gói để thực hiện tất cả những điều này với hiệu quả cao trong thời gian ngắn.

8. PyTorch

Được Facebook giới thiệu vào năm 2017, Kim tự tháp là gói Python cung cấp cho người dùng sự kết hợp của 2 tính năng cấp cao – Tính toán Tensor (như NumPy) với khả năng tăng tốc GPU mạnh mẽ và phát triển Mạng lưới thần kinh sâu trên hệ thống tự động phân biệt dựa trên băng. PyTorch cung cấp một nền tảng tuyệt vời để thực thi các mô hình Deep Learning với tính linh hoạt và tốc độ cao hơn được xây dựng để tích hợp sâu với Python.

Bạn đang muốn bắt đầu với PyTorch? Kiểm tra những cái này các khóa học PyTorch để giúp bạn bắt đầu một cách nhanh chóng và dễ dàng.

9. PyBrain

Kim tự tháp chứa các thuật toán cho mạng thần kinh có thể được sử dụng bởi các sinh viên trình độ đầu vào nhưng vẫn có thể được sử dụng cho các nghiên cứu hiện đại. Mục tiêu là cung cấp các thuật toán đơn giản, linh hoạt nhưng phức tạp và mạnh mẽ cho machine learning với nhiều môi trường được xác định trước để kiểm tra và so sánh các thuật toán của bạn. Các nhà nghiên cứu, sinh viên, nhà phát triển, giảng viên, bạn và tôi đều có thể sử dụng PyBrain.

KHAI THÁC. SỮA

Bộ công cụ học máy bằng Python này tập trung vào phân loại có giám sát với nhiều loại phân loại có sẵn: SVM, k-NN, rừng ngẫu nhiên và cây quyết định. Sự kết hợp đa dạng của các bộ phân loại này sẽ tạo ra các hệ thống phân loại khác nhau. Đối với việc học không giám sát, người ta có thể sử dụng phân cụm k-means và lan truyền ái lực. Có sự nhấn mạnh vào tốc độ và mức sử dụng bộ nhớ thấp. Do đó, hầu hết mã nhạy cảm với hiệu suất đều ở dạng C++. Đọc thêm về nó tại đây.

11. Máy ảnh

Nó là một thư viện mạng thần kinh mã nguồn mở được viết bằng Python được thiết kế để cho phép thử nghiệm nhanh với các mạng thần kinh sâu. Với việc học sâu ngày càng trở nên phổ biến, Máy ảnh Theo những người sáng tạo, nó trở thành sự lựa chọn lý tưởng vì đây là API được thiết kế cho con người chứ không phải cho máy móc. Với hơn 200,000 người dùng tính đến tháng 2017 năm XNUMX, Keras được áp dụng mạnh mẽ hơn trong cả ngành và cộng đồng nghiên cứu, thậm chí vượt qua TensorFlow hoặc Theano. Trước khi cài đặt Keras, bạn nên cài đặt công cụ phụ trợ TensorFlow.

12. Dash

Từ việc khám phá dữ liệu đến giám sát các thử nghiệm của bạn, Dash giống như giao diện người dùng cho đến phần phụ trợ Python phân tích. Khung Python hiệu quả này lý tưởng cho các ứng dụng trực quan hóa dữ liệu, đặc biệt phù hợp với mọi người dùng Python. Sự thoải mái mà chúng ta trải nghiệm là kết quả của nỗ lực sâu rộng và toàn diện.

13. Gấu trúc

Đây là một thư viện mã nguồn mở được cấp phép BSD. Pandas cho phép cung cấp cấu trúc dữ liệu dễ dàng và phân tích dữ liệu nhanh hơn cho Python. Đối với các hoạt động như phân tích và lập mô hình dữ liệu, Pandas có thể thực hiện những hoạt động này mà không cần chuyển sang ngôn ngữ dành riêng cho miền hơn như R. Cách tốt nhất để cài đặt Pandas là bằng cách Cài đặt Conda.

14. Bí mật

Đây là một phần mềm nguồn mở khác được sử dụng để tính toán khoa học bằng Python. Ngoài ra, Scipy còn được sử dụng để Tính toán dữ liệu, năng suất, tính toán hiệu năng cao và đảm bảo chất lượng. Có thể tìm thấy các gói cài đặt khác nhau tại đây. Cốt lõi scipy các gói là Numpy, thư viện SciPy, Matplotlib, IPython, Sympy và Pandas.

15. Matplotlib

Tất cả các thư viện mà chúng ta đã thảo luận đều có khả năng thực hiện nhiều phép toán số, nhưng khi nói đến vẽ đồ thị theo chiều, Matplotlib chiếm ưu thế hơn. Thư viện mã nguồn mở bằng Python này được sử dụng rộng rãi để xuất bản các số liệu chất lượng ở nhiều định dạng bản cứng và môi trường tương tác trên các nền tảng. Bạn có thể thiết kế biểu đồ, đồ thị, biểu đồ hình tròn, biểu đồ phân tán, biểu đồ, biểu đồ lỗi, v.v. chỉ với một vài dòng mã.

Có thể tìm thấy các gói cài đặt khác nhau tại đây.

16. Theano

Thư viện nguồn mở này cho phép bạn xác định, tối ưu hóa và đánh giá các biểu thức toán học liên quan đến mảng đa chiều một cách hiệu quả. Đối với khối lượng dữ liệu khổng lồ, mã C thủ công sẽ trở nên chậm hơn. Theano cho phép triển khai mã nhanh chóng. Theano có thể nhận ra các biểu thức không ổn định và tính toán chúng bằng các thuật toán ổn định, đưa ra nó chiếm thế thượng phong so với NumPy. Gói Python gần nhất với Theano là Sympy. Vậy chúng ta hãy nói về nó.

17. SymPy

Đối với tất cả các phép toán biểu tượng, SymPy chính là câu trả lời. Thư viện Python dành cho toán học ký hiệu này là một công cụ hỗ trợ hiệu quả cho các hệ thống đại số máy tính (CAS) trong khi vẫn giữ mã đơn giản nhất có thể để dễ hiểu và dễ mở rộng. SimPy chỉ được viết bằng Python và có thể được nhúng vào các ứng dụng khác cũng như được mở rộng bằng các chức năng tùy chỉnh. Bạn có thể tìm thấy mã nguồn trên GitHub. 

18. Cà phê2

Chàng trai mới trong thị trấn – Caffe2, là một Khung học tập sâu nhẹ, mô-đun và có thể mở rộng. Nó nhằm mục đích cung cấp một cách dễ dàng và đơn giản để bạn thử nghiệm học sâu. Nhờ API Python và C++ trong Caffe2, chúng tôi có thể tạo nguyên mẫu ngay bây giờ và tối ưu hóa nó sau này. Bạn có thể bắt đầu với Caffe2 ngay bây giờ với từng bước này hướng dẫn cài đặt.

19. Sinh ra biển

Khi nói đến việc trực quan hóa các mô hình thống kê như bản đồ nhiệt, Seaborn là một trong những nguồn đáng tin cậy. Thư viện Python này có nguồn gốc từ Matplotlib và được tích hợp chặt chẽ với cấu trúc dữ liệu Pandas. Tham quan trang cài đặt để xem gói này có thể được cài đặt như thế nào.

20. Hebel

Thư viện Python này là một công cụ để học sâu với mạng lưới thần kinh sử dụng khả năng tăng tốc GPU với CUDA thông qua pyCUDA. Hiện tại, Hebel triển khai các mạng thần kinh chuyển tiếp nguồn cấp dữ liệu để phân loại và hồi quy trên một hoặc nhiều nhiệm vụ. Các mô hình khác như Bộ mã hóa tự động, Mạng lưới thần kinh chuyển đổi và máy Boltzman bị hạn chế đã được lên kế hoạch cho tương lai. Theo Link để khám phá Hebel.

21. Xích

Là đối thủ cạnh tranh của Hebel, gói Python này nhằm mục đích tăng tính linh hoạt của các mô hình học sâu. Ba lĩnh vực trọng tâm chính của Chainer bao gồm:
Một. Hệ thống giao thông: Các nhà sản xuất Chainer đã liên tục thể hiện thiên hướng về ô tô lái tự động và họ đã đàm phán với Toyota Motors về vấn đề tương tự.

b. Ngành sản xuất: Chainer đã được sử dụng hiệu quả cho chế tạo robot và một số công cụ học máy, từ nhận dạng đối tượng đến tối ưu hóa.

c. Chăm sóc sức khỏe sinh học: Để đối phó với mức độ nghiêm trọng của bệnh ung thư, các nhà sản xuất Chainer đã đầu tư nghiên cứu nhiều hình ảnh y tế khác nhau cho chẩn đoán sớm tế bào ung thư.
Việc cài đặt, dự án và các chi tiết khác có thể được tìm thấy ở đây.
Vì vậy, đây là danh sách các Thư viện Python phổ biến đáng để bạn xem qua và nếu có thể, hãy làm quen với nó. Nếu bạn cảm thấy có thư viện nào đó xứng đáng nằm trong danh sách, đừng quên đề cập đến nó trong các ý kiến.

22. Python OpenCV

Tầm nhìn máy tính nguồn mở hoặc OpenCV được sử dụng để xử lý hình ảnh. Đây là gói Python giám sát các chức năng tổng thể tập trung vào thị giác máy tính tức thời. OpenCV cung cấp một số chức năng sẵn có; với sự trợ giúp của điều này, bạn có thể học Thị giác máy tính. Nó cho phép cả hai đọc và ghi hình ảnh cùng một lúc. Các đối tượng như khuôn mặt, cây cối, v.v., có thể được chẩn đoán trong bất kỳ video hoặc hình ảnh nào. Nó tương thích với Windows, OS-X và các hệ điều hành khác. Bạn có thể lấy nó tại đây. 

Để tìm hiểu OpenCV từ những điều cơ bản, hãy xem Hướng dẫn OpenCV

23. Theano

Cùng với việc là Thư viện Python, Theano còn là một trình biên dịch tối ưu hóa. Nó được sử dụng để phân tích, mô tả và tối ưu hóa các khai báo toán học khác nhau cùng một lúc. Nó sử dụng các mảng đa chiều, đảm bảo rằng chúng tôi không phải lo lắng về sự hoàn hảo của các dự án của mình. Theano hoạt động tốt với GPU và có giao diện khá giống Numpy. Thư viện giúp tính toán nhanh hơn 140 lần và có thể được sử dụng để phát hiện và phân tích mọi lỗi có hại. Bạn có thể lấy nó tại đây. 

24. NLTK

Bộ công cụ ngôn ngữ tự nhiên, NLTK, là một trong những Thư viện Python NLP phổ biến. Nó chứa một tập hợp các thư viện xử lý cung cấp các giải pháp xử lý để xử lý ngôn ngữ số và ký hiệu chỉ bằng tiếng Anh. Bộ công cụ đi kèm với một diễn đàn thảo luận năng động cho phép bạn thảo luận và đưa ra bất kỳ vấn đề nào liên quan đến NLTK.

25. SQLAlchemy

SQLAcademy là thư viện trừu tượng hóa cơ sở dữ liệu dành cho Python đi kèm với sự hỗ trợ đáng kinh ngạc cho nhiều loại cơ sở dữ liệu và bố cục. Nó cung cấp các mẫu nhất quán, dễ hiểu và có thể được sử dụng bởi người mới bắt đầu. Nó cải thiện tốc độ giao tiếp giữa ngôn ngữ Python và cơ sở dữ liệu và hỗ trợ hầu hết các nền tảng như Python 2.5, Jython và Pypy. Sử dụng SQLAcademy, bạn có thể phát triển các lược đồ cơ sở dữ liệu từ đầu.

26. Bo mạch

Thư viện trực quan hóa dữ liệu cho Python, Bo mạch cho phép trực quan hóa tương tác. Nó sử dụng HTML và Javascript để cung cấp đồ họa, khiến nó trở nên đáng tin cậy khi đóng góp các ứng dụng dựa trên web. Nó rất linh hoạt và cho phép bạn chuyển đổi trực quan hóa được viết trong các thư viện khác như ggplot hoặc matplot lib. Bo mạch sử dụng các lệnh đơn giản để tạo ra các kịch bản thống kê tổng hợp.

27. yêu cầu

Yêu cầu cho phép bạn gửi yêu cầu HTTP/1.1 và bao gồm tiêu đề, dữ liệu biểu mẫu, tệp nhiều phần và tham số bằng cách sử dụng từ điển Python cơ bản.
Tương tự, nó cũng cho phép bạn truy xuất dữ liệu câu trả lời.

28. Pyglet

Pyglet được thiết kế để tạo ra các trò chơi hấp dẫn về mặt hình ảnh và các ứng dụng khác. Cửa sổ, xử lý các sự kiện giao diện người dùng, cần điều khiển, đồ họa OpenGL, tải hình ảnh và phim cũng như phát âm thanh và nhạc đều được hỗ trợ. Linux, OS X và Windows đều hỗ trợ Pyglet.

29. ánh sángGBM

Một trong những thư viện máy học tốt nhất và nổi tiếng nhất, tăng cường độ dốc, hỗ trợ các lập trình viên tạo ra các thuật toán mới bằng cách sử dụng cây quyết định và các mô hình cơ bản được cải tiến khác. Do đó, các thư viện chuyên dụng có thể được sử dụng để triển khai phương pháp này một cách nhanh chóng và hiệu quả.

30. ElixNUMX

Thư viện máy học Eli5 do Python xây dựng hỗ trợ giải quyết vấn đề dự đoán mô hình học máy thường không chính xác. Nó kết hợp trực quan hóa, gỡ lỗi tất cả các mô hình học máy và theo dõi tất cả các quy trình làm việc bằng thuật toán.

Thư viện Python quan trọng cho khoa học dữ liệu

Đóng góp bởi: Shveta Rajpal
Hồ sơ LinkedIn: https://www.linkedin.com/in/shveta-rajpal-0030b59b/

Dưới đây là danh sách các Thư viện Python thú vị và quan trọng sẽ hữu ích cho tất cả các Nhà khoa học dữ liệu ngoài kia. Vì vậy, hãy bắt đầu với 20 thư viện quan trọng nhất được sử dụng trong Python-

Scrapy- Đó là một khuôn khổ hợp tác để trích xuất dữ liệu được yêu cầu từ các trang web. Nó là một công cụ khá đơn giản và nhanh chóng.

Súp Đẹp- Đây là một thư viện phổ biến khác được sử dụng trong Python để trích xuất hoặc thu thập thông tin từ các trang web, tức là nó được sử dụng để quét web.

mô hình thống kê- Đúng như tên gọi, Statsmodels là một thư viện Python cung cấp nhiều cơ hội, chẳng hạn như phân tích và ước tính mô hình thống kê, thực hiện kiểm tra thống kê, v.v. Nó có chức năng phân tích thống kê để đạt được kết quả hiệu suất cao trong khi xử lý các tập dữ liệu thống kê lớn.

XGBoost- Thư viện này được triển khai trong các thuật toán học máy trong khung Tăng cường độ dốc. Nó cung cấp khả năng triển khai hiệu suất cao của cây quyết định được tăng cường độ dốc. XGBoost có tính di động, linh hoạt và hiệu quả. Nó cung cấp khả năng triển khai tăng cường độ dốc được tối ưu hóa cao, có thể mở rộng và nhanh chóng.

âm mưu-Thư viện này được sử dụng để vẽ đồ thị một cách dễ dàng. Điều này hoạt động rất tốt trong các ứng dụng web tương tác. Với điều này, chúng ta có thể tạo các loại biểu đồ cơ bản khác nhau như đường, hình tròn, phân tán, bản đồ nhiệt, sơ đồ cực, v.v. Chúng ta có thể dễ dàng vẽ đồ thị của bất kỳ hình ảnh trực quan nào mà chúng ta có thể nghĩ ra bằng cách sử dụng Âm mưu.

Pydot- Pydot được sử dụng để tạo các đồ thị có định hướng phức tạp và không định hướng. Nó được sử dụng đặc biệt khi phát triển các thuật toán dựa trên mạng lưới thần kinh và cây quyết định.

Gensim- Nó là một thư viện Python để lập mô hình chủ đề và lập chỉ mục tài liệu, có nghĩa là nó có thể trích xuất các chủ đề cơ bản từ một lượng lớn văn bản. Nó có thể xử lý các tệp văn bản lớn mà không cần tải toàn bộ tệp vào bộ nhớ.

PyOD- Đúng như tên gọi, nó là bộ công cụ Python dành cho phát hiện các ngoại lệ trong dữ liệu đa biến. Nó cung cấp quyền truy cập vào một loạt các thuật toán phát hiện ngoại lệ. Phát hiện ngoại lệ, còn được gọi là phát hiện bất thường, đề cập đến việc xác định các vật phẩm, sự kiện hoặc quan sát quý hiếm khác với phân bố chung của quần thể.

Điều này đưa chúng ta đến cuối blog về Thư viện Python hàng đầu. Chúng tôi hy vọng rằng bạn được hưởng lợi từ điều tương tự. Nếu bạn có bất kỳ câu hỏi nào khác, vui lòng để lại chúng trong phần bình luận bên dưới và chúng tôi sẽ liên hệ lại với bạn sớm nhất.

Con đường dưới đây sẽ hướng dẫn bạn trở thành một nhà khoa học dữ liệu thành thạo.

Câu hỏi thường gặp về Thư viện Python

Đọc thêm

1. TensorFlow là gì? Giải thích về thư viện máy học
2. Scikit Learn trong Machine Learning, Định nghĩa và Ví dụ
3. Hướng dẫn học máy cho người mới bắt đầu hoàn chỉnh | Học Máy học với Python
4. Hướng dẫn về Khoa học Dữ liệu cho Người mới bắt đầu | Tìm hiểu Hướng dẫn Hoàn chỉnh về Khoa học Dữ liệu
5. Hướng dẫn Python cho người mới bắt đầu - Hướng dẫn đầy đủ | Học Python một cách dễ dàng

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://www.mygreatlearning.com/blog/open-source-python-libraries/