Key points are not available for this paper at this time.
Des applications plus intelligentes exploitent de mieux en mieux les enseignements tirés des données, ayant un impact sur tous les secteurs d'activité et toutes les disciplines de recherche. Au cœur de cette révolution se trouvent les outils et les méthodes qui la sous-tendent, depuis le traitement des masses colossales de données générées chaque jour jusqu'à l'apprentissage et la prise de mesures utiles. Les réseaux de neurones profonds, associés aux avancées du machine learning classique et au calcul évolutif sur processeur graphique à usage général (GPU), sont devenus des composants essentiels de l'intelligence artificielle, permettant nombre de ces percées stupéfiantes et abaissant la barrière à l'adoption. Python demeure le langage privilégié pour le calcul scientifique, la science des données et le machine learning, renforçant à la fois la performance et la productivité en permettant l'utilisation de bibliothèques de bas niveau et d'API de haut niveau claires. Cette revue offre un aperçu du domaine du machine learning avec Python, passant en revue des sujets importants pour identifier certains des paradigmes matériels et logiciels fondamentaux qui l'ont rendu possible. Nous abordons des bibliothèques et des concepts largement utilisés, rassemblés pour une comparaison globale, dans le but d'informer le lecteur et de faire progresser le domaine du machine learning en Python.
Raschka et al. (Sat,) ont étudié cette question.