ក្នុងសង្គមបច្ចុប្បន្ន ទិន្នន័យវិទ្យាមានសារៈសំខាន់ខ្លាំងណាស់!
ច្រើនណាស់ដែលអ្នកវិទ្យាសាស្ត្រទិន្នន័យត្រូវបានគ្រងរាជ្យជា "ការងារសិចស៊ីបំផុតនៃសតវត្សទីម្ភៃដំបូង" ទោះបីជាគ្មាននរណាម្នាក់រំពឹងថាការងារដ៏សិចស៊ីនឹងមានភាពសិចស៊ីក៏ដោយ!
ទោះជាយ៉ាងណាក៏ដោយ ដោយសារតែសារៈសំខាន់ដ៏ធំសម្បើមនៃទិន្នន័យ Data Science មានការពេញនិយមខ្លាំងនៅពេលនេះ។
Python ជាមួយនឹងការវិភាគស្ថិតិ គំរូទិន្នន័យ និងការអានបានគឺល្អបំផុតមួយ។ ភាសាសរសេរកម្មវិធី សម្រាប់ការទាញយកតម្លៃពីទិន្នន័យនេះ។
Python មិនដែលឈប់ធ្វើឱ្យអ្នកសរសេរកម្មវិធីរបស់ខ្លួនភ្ញាក់ផ្អើលនោះទេ នៅពេលនិយាយអំពីការយកឈ្នះលើបញ្ហាប្រឈមផ្នែកវិទ្យាសាស្ត្រទិន្នន័យ។ វាជាភាសាកម្មវិធីដែលមានប្រសិទ្ធភាពខ្ពស់ ប្រើយ៉ាងទូលំទូលាយ តម្រង់ទិសវត្ថុ ភាសាបើកចំហ និងមានមុខងារបន្ថែមជាច្រើនទៀត។
Python ត្រូវបានរចនាឡើងជាមួយនឹងបណ្ណាល័យដ៏គួរឱ្យកត់សម្គាល់សម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ ដែលអ្នកសរសេរកម្មវិធីប្រើប្រាស់ជារៀងរាល់ថ្ងៃដើម្បីដោះស្រាយការលំបាក។
នេះគឺជាបណ្ណាល័យ Python ដ៏ល្អបំផុតដើម្បីពិចារណា៖
1. ផេនដាស
Pandas គឺជាកញ្ចប់មួយដែលត្រូវបានរចនាឡើងដើម្បីជួយអ្នកអភិវឌ្ឍន៍ក្នុងការធ្វើការជាមួយទិន្នន័យ "ដាក់ស្លាក" និង "ទំនាក់ទំនង" ក្នុងលក្ខណៈធម្មជាតិ។ វាត្រូវបានបង្កើតឡើងនៅលើរចនាសម្ព័ន្ធទិន្នន័យសំខាន់ពីរ៖ “ស៊េរី” (មួយវិមាត្រស្រដៀងនឹងបញ្ជីវត្ថុ) និង “ស៊ុមទិន្នន័យ” (ពីរវិមាត្រដូចតារាងដែលមានជួរឈរច្រើន)។
Pandas គាំទ្រការបំប្លែងរចនាសម្ព័ន្ធទិន្នន័យទៅជាវត្ថុ DataFrame ដោះស្រាយជាមួយទិន្នន័យដែលបាត់ ការបន្ថែម/លុបជួរឈរពី DataFrame បញ្ចូលឯកសារដែលបាត់ និង ការមើលឃើញទិន្នន័យ ដោយប្រើអ៊ីស្តូក្រាម ឬប្រអប់គ្រោង។
វាក៏ផ្តល់នូវឧបករណ៍មួយចំនួនសម្រាប់ការអាន និងសរសេរទិន្នន័យរវាងរចនាសម្ព័ន្ធទិន្នន័យក្នុងអង្គចងចាំ និងទម្រង់ឯកសារមួយចំនួន។
សរុបមក វាគឺល្អសម្រាប់ដំណើរការទិន្នន័យរហ័ស និងសាមញ្ញ ការប្រមូលផ្តុំទិន្នន័យ ការអាន និងការសរសេរទិន្នន័យ និងការមើលឃើញទិន្នន័យ។ នៅពេលបង្កើតគម្រោងវិទ្យាសាស្ត្រទិន្នន័យ អ្នកនឹងតែងតែប្រើបណ្ណាល័យសត្វខ្លាឃ្មុំផេនដា ដើម្បីដោះស្រាយ និងវិភាគទិន្នន័យរបស់អ្នក។
2. ណុកឌី
NumPy (Numerical Python) គឺជាឧបករណ៍ដ៏អស្ចារ្យសម្រាប់ធ្វើការគណនាតាមបែបវិទ្យាសាស្ត្រ និងប្រតិបត្តិការអារេជាមូលដ្ឋាន និងស្មុគ្រស្មាញ។
បណ្ណាល័យផ្តល់នូវមុខងារមានប្រយោជន៍មួយចំនួនសម្រាប់ធ្វើការជាមួយ n-arrays និង matrices នៅក្នុង Python។
វាធ្វើឱ្យវាកាន់តែងាយស្រួលក្នុងការដំណើរការអារេដែលមានតម្លៃនៃប្រភេទទិន្នន័យដូចគ្នា និងដើម្បីអនុវត្តប្រតិបត្តិការនព្វន្ធលើអារេ (រួមទាំងវ៉ិចទ័រ)។ តាមការពិត ការប្រើប្រាស់ប្រភេទអារេ NumPy ដើម្បីធ្វើវិនិច្ឆ័យលើប្រតិបត្តិការគណិតវិទ្យាធ្វើអោយប្រសើរឡើងនូវដំណើរការ និងកាត់បន្ថយពេលវេលាប្រតិបត្តិ។
ការគាំទ្រសម្រាប់អារេពហុវិមាត្រសម្រាប់ប្រតិបត្តិការគណិតវិទ្យា និងឡូជីខល គឺជាមុខងារស្នូលរបស់បណ្ណាល័យ។ អនុគមន៍ NumPy អាចត្រូវបានប្រើដើម្បីធ្វើលិបិក្រម តម្រៀប បង្កើតឡើងវិញ និងទំនាក់ទំនងរូបភាព និងរលកសំឡេងជាអារេពហុវិមាត្រនៃចំនួនពិត។
3. ម៉ាត់ផ្លូលីប
នៅក្នុងពិភព Python Matplotlib គឺជាបណ្ណាល័យមួយដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយបំផុត។ វាត្រូវបានប្រើដើម្បីបង្កើតការមើលឃើញទិន្នន័យឋិតិវន្ត ចលនា និងអន្តរកម្ម។ Matplotlib មានជម្រើសគំនូសតាង និងការប្ដូរតាមបំណងជាច្រើន។
ដោយប្រើអ៊ីស្តូក្រាម អ្នកសរសេរកម្មវិធីអាចបំបែក កែប្រែ និងកែសម្រួលក្រាហ្វ។ បណ្ណាល័យប្រភពបើកចំហផ្តល់នូវ API តម្រង់ទិសវត្ថុសម្រាប់បន្ថែមគ្រោងទៅក្នុងកម្មវិធី។
ទោះជាយ៉ាងណាក៏ដោយ នៅពេលប្រើប្រាស់បណ្ណាល័យនេះដើម្បីបង្កើតការមើលឃើញដ៏ស្មុគស្មាញ អ្នកអភិវឌ្ឍន៍ត្រូវតែសរសេរកូដច្រើនជាងធម្មតា។
វាគួរឱ្យកត់សម្គាល់ថាបណ្ណាល័យគំនូសតាងដ៏ពេញនិយមរួមរស់ជាមួយ Matplotlib ដោយគ្មានបញ្ហា។
ក្នុងចំណោមរបស់ផ្សេងទៀត វាត្រូវបានគេប្រើនៅក្នុងស្គ្រីប Python, Python និង IPython shells, Jupyter notebooks និង កម្មវិធីបណ្ដាញ ម៉ាស៊ីនបម្រើ។
គំនូសតាង គំនូសតាងរបារ គំនូសតាងចំណិត អ៊ីស្តូក្រាម គំនូសព្រាង គំនូសតាងកំហុស វិសាលគមថាមពល គំរូ និងប្រភេទផ្សេងទៀតនៃគំនូសតាងការមើលឃើញទាំងអស់អាចត្រូវបានបង្កើតជាមួយវា។
4. សេបាន
បណ្ណាល័យ Seaborn ត្រូវបានសាងសង់នៅលើ Matplotlib ។ Seaborn អាចត្រូវបានប្រើដើម្បីបង្កើតក្រាហ្វិកស្ថិតិគួរឱ្យទាក់ទាញនិងផ្តល់ព័ត៌មានជាង Matplotlib ។
Seaborn រួមបញ្ចូល API តម្រង់ទិសទិន្នន័យរួមបញ្ចូលគ្នាសម្រាប់ការស៊ើបអង្កេតអន្តរកម្មរវាងអថេរជាច្រើន បន្ថែមពីលើការគាំទ្រពេញលេញសម្រាប់ការមើលឃើញទិន្នន័យ។
Seaborn ផ្តល់ជូននូវជម្រើសជាច្រើនសម្រាប់ការមើលឃើញទិន្នន័យ រួមទាំងការមើលឃើញជាស៊េរីពេលវេលា គ្រោងរួម ដ្យាក្រាមវីយូឡុង និងផ្សេងៗទៀត។
វាប្រើការគូសផែនទីតាមន័យធៀប និងការប្រមូលផ្តុំស្ថិតិ ដើម្បីផ្តល់នូវការមើលឃើញជាព័ត៌មានជាមួយនឹងការយល់ដឹងស៊ីជម្រៅ។ វារួមបញ្ចូលនូវទម្លាប់កំណត់តារាងតម្រង់ទិសសំណុំទិន្នន័យដែលដំណើរការជាមួយស៊ុមទិន្នន័យ និងអារេដែលរួមបញ្ចូលសំណុំទិន្នន័យទាំងមូល។
ការមើលឃើញទិន្នន័យរបស់វាអាចរួមបញ្ចូលតារាងរបារ គំនូសតាងចំណិត អ៊ីស្តូក្រាម គំនូសព្រាង គំនូសតាងកំហុស និងក្រាហ្វិកផ្សេងទៀត។ បណ្ណាល័យដែលមើលឃើញទិន្នន័យ Python នេះក៏រួមបញ្ចូលផងដែរនូវឧបករណ៍សម្រាប់ជ្រើសរើសក្ដារលាយពណ៌ ដែលជួយក្នុងការបង្ហាញនិន្នាការនៅក្នុងសំណុំទិន្នន័យ។
5. Scikit- រៀន
Scikit-learn គឺជាបណ្ណាល័យ Python ដ៏អស្ចារ្យបំផុតសម្រាប់ការធ្វើគំរូទិន្នន័យ និងការវាយតម្លៃគំរូ។ វាគឺជាបណ្ណាល័យ Python ដែលមានប្រយោជន៍បំផុត។ វាមានសមត្ថភាពច្រើនក្រៃលែង ដែលរចនាឡើងសម្រាប់តែគោលបំណងធ្វើគំរូប៉ុណ្ណោះ។
វារួមបញ្ចូលទាំងក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលស្ថិតក្រោមការគ្រប់គ្រង និងគ្មានការត្រួតពិនិត្យទាំងអស់ ក៏ដូចជាការស្វែងយល់ពីក្រុមដែលបានកំណត់យ៉ាងពេញលេញ និងការជំរុញមុខងាររៀនម៉ាស៊ីន។
វាត្រូវបានប្រើដោយអ្នកវិទ្យាសាស្ត្រទិន្នន័យដើម្បីធ្វើទម្លាប់ ការរៀនម៉ាស៊ីន និងសកម្មភាពរុករកទិន្នន័យដូចជា ការដាក់ចង្កោម ការតំរែតំរង់ ការជ្រើសរើសគំរូ ការកាត់បន្ថយវិមាត្រ និងការចាត់ថ្នាក់។ វាក៏ភ្ជាប់មកជាមួយនូវឯកសារដ៏ទូលំទូលាយ និងអនុវត្តបានយ៉ាងគួរឱ្យសរសើរ។
Scikit-learn អាចត្រូវបានប្រើដើម្បីបង្កើតគំរូរៀនម៉ាស៊ីនដែលស្ថិតក្រោមការត្រួតពិនិត្យ និងមិនមានការត្រួតពិនិត្យច្រើនប្រភេទដូចជាការចាត់ថ្នាក់ ការតំរែតំរង់ម៉ាស៊ីនវ៉ិចទ័រ ព្រៃចៃដន្យ អ្នកជិតខាងដែលនៅជិតបំផុត Naive Bayes ដើមឈើសេចក្តីសម្រេច ការចង្កោមជាដើម។
បណ្ណាល័យសិក្សាម៉ាស៊ីន Python រួមបញ្ចូលនូវឧបករណ៍សាមញ្ញៗដែលមានប្រសិទ្ធភាពជាច្រើនសម្រាប់អនុវត្តការវិភាគទិន្នន័យ និងកិច្ចការរុករករ៉ែ។
សម្រាប់ការអានបន្ថែម ខាងក្រោមនេះជាការណែនាំរបស់យើងនៅលើ Scikit-រៀន។
6. XGBoost
XGBoost គឺជាកញ្ចប់ឧបករណ៍ជំរុញកម្រិតជម្រាលដែលត្រូវបានរចនាឡើងសម្រាប់ល្បឿន ភាពបត់បែន និងចល័ត។ ដើម្បីអភិវឌ្ឍក្បួនដោះស្រាយ ML វាប្រើក្របខណ្ឌការជំរុញជម្រាល។ XGBoost គឺជាបច្ចេកទេសជំរុញដើមឈើប៉ារ៉ាឡែលលឿន និងត្រឹមត្រូវ ដែលអាចដោះស្រាយបញ្ហាវិទ្យាសាស្ត្រទិន្នន័យបានយ៉ាងទូលំទូលាយ។
ដោយប្រើក្របខណ្ឌការជំរុញជម្រាល បណ្ណាល័យនេះអាចត្រូវបានប្រើដើម្បីបង្កើតក្បួនដោះស្រាយការរៀនម៉ាស៊ីន។
វារួមបញ្ចូលការជំរុញដើមឈើស្របគ្នា ដែលជួយក្រុមក្នុងការដោះស្រាយបញ្ហាផ្សេងៗនៃវិទ្យាសាស្ត្រទិន្នន័យ។ អត្ថប្រយោជន៍មួយទៀតគឺថាអ្នកអភិវឌ្ឍន៍អាចប្រើកូដដូចគ្នាសម្រាប់ Hadoop, SGE និង MPI ។
វាក៏អាចទុកចិត្តបានទាំងក្នុងស្ថានភាពចែកចាយ និងកម្រិតអង្គចងចាំ។
7. ភាពតានតឹង
TensorFlow គឺជាវេទិកា AI ប្រភពបើកចំហរពីចុងដល់ចប់ដោយឥតគិតថ្លៃ ជាមួយនឹងឧបករណ៍ បណ្ណាល័យ និងធនធានជាច្រើន។ TensorFlow ត្រូវតែស៊ាំជាមួយនរណាម្នាក់ដែលកំពុងធ្វើការ គម្រោងរៀនម៉ាស៊ីន នៅក្នុង Python ។
វាជាកញ្ចប់ឧបករណ៍គណិតវិទ្យានិមិត្តសញ្ញាប្រភពបើកចំហសម្រាប់ការគណនាលេខដោយប្រើក្រាហ្វលំហូរទិន្នន័យដែលត្រូវបានបង្កើតឡើងដោយ Google ។ ថ្នាំងក្រាហ្វឆ្លុះបញ្ចាំងពីដំណើរការគណិតវិទ្យានៅក្នុងក្រាហ្វលំហូរទិន្នន័យ TensorFlow ធម្មតា។
ម្យ៉ាងវិញទៀត គែមក្រាហ្វ គឺជាអារេទិន្នន័យពហុវិមាត្រ ដែលត្រូវបានគេស្គាល់ផងដែរថាជា tensors ដែលហូររវាងថ្នាំងបណ្តាញ។ វាអនុញ្ញាតឱ្យអ្នកសរសេរកម្មវិធីចែកចាយដំណើរការក្នុងចំណោម CPU ឬ GPU មួយឬច្រើននៅលើកុំព្យូទ័រលើតុ ឧបករណ៍ចល័ត ឬម៉ាស៊ីនមេដោយមិនផ្លាស់ប្តូរលេខកូដ។
TensorFlow ត្រូវបានបង្កើតឡើងនៅក្នុង C និង C ++ ។ ជាមួយនឹង TensorFlow អ្នកអាចរចនា និង បណ្តុះបណ្តាលម៉ាស៊ីនរៀន ម៉ូដែលដែលប្រើ APIs កម្រិតខ្ពស់ដូចជា Keras ។
វាក៏មានកម្រិតអរូបីជាច្រើនផងដែរ ដែលអនុញ្ញាតឱ្យអ្នកជ្រើសរើសដំណោះស្រាយដ៏ល្អបំផុតសម្រាប់ម៉ូដែលរបស់អ្នក។ TensorFlow ក៏អនុញ្ញាតឱ្យអ្នកដាក់ពង្រាយម៉ូដែល Machine Learning ទៅលើពពក កម្មវិធីរុករកតាមអ៊ីនធឺណិត ឬឧបករណ៍ផ្ទាល់ខ្លួនរបស់អ្នក។
វាគឺជាឧបករណ៍ដ៏មានប្រសិទ្ធភាពបំផុតសម្រាប់ការងារដូចជា ការទទួលស្គាល់វត្ថុ ការទទួលស្គាល់ការនិយាយ និងការងារជាច្រើនទៀត។ វាជួយក្នុងការអភិវឌ្ឍសិប្បនិម្មិត បណ្តាញសរសៃប្រសាទ ដែលត្រូវតែដោះស្រាយជាមួយប្រភពទិន្នន័យជាច្រើន។
នេះជាការណែនាំរហ័សរបស់យើងនៅលើ TensorFlow សម្រាប់ការអានបន្ថែម។
8. កេរ៉ាស
Keras គឺជាប្រភពបើកចំហ និងឥតគិតថ្លៃ បណ្តាញសរសៃប្រសាទដែលមានមូលដ្ឋានលើ Python កញ្ចប់ឧបករណ៍សម្រាប់បញ្ញាសិប្បនិមិត្ត ការសិក្សាស៊ីជម្រៅ និងសកម្មភាពវិទ្យាសាស្ត្រទិន្នន័យ។ បណ្តាញសរសៃប្រសាទក៏ត្រូវបានប្រើប្រាស់នៅក្នុង Data Science ដើម្បីបកស្រាយទិន្នន័យសង្កេត (រូបថត ឬសំឡេង)។
វាជាបណ្តុំនៃឧបករណ៍សម្រាប់បង្កើតគំរូ ទិន្នន័យក្រាហ្វិក និងការវាយតម្លៃទិន្នន័យ។ វាក៏រួមបញ្ចូលផងដែរនូវសំណុំទិន្នន័យដែលមានស្លាកជាមុនដែលអាចនាំចូល និងផ្ទុកបានយ៉ាងឆាប់រហ័ស។
វាងាយស្រួលប្រើ មានភាពចម្រុះ និងល្អសម្រាប់ការស្រាវជ្រាវរុករក។ លើសពីនេះទៅទៀត វាអនុញ្ញាតឱ្យអ្នកបង្កើតការតភ្ជាប់យ៉ាងពេញលេញ, convolutional, pooling, recurrent, embedding, and other forms of Neural Networks.
គំរូទាំងនេះអាចត្រូវបានបញ្ចូលគ្នាដើម្បីបង្កើតបណ្តាញសរសៃប្រសាទពេញលេញសម្រាប់សំណុំទិន្នន័យ និងបញ្ហាដ៏ធំសម្បើម។ វាជាបណ្ណាល័យដ៏អស្ចារ្យសម្រាប់ការធ្វើគំរូ និងបង្កើតបណ្តាញសរសៃប្រសាទ។
វាសាមញ្ញក្នុងការប្រើ និងផ្តល់ឱ្យអ្នកអភិវឌ្ឍន៍នូវភាពបត់បែនជាច្រើន។ Keras មានភាពយឺតយ៉ាវបើប្រៀបធៀបទៅនឹងកញ្ចប់សិក្សាម៉ាស៊ីន Python ផ្សេងទៀត។
នេះគឺដោយសារតែវាបង្កើតក្រាហ្វគណនាដំបូងដោយប្រើហេដ្ឋារចនាសម្ព័ន្ធខាងក្រោយ ហើយបន្ទាប់មកប្រើវាដើម្បីធ្វើប្រតិបត្តិការ។ Keras មានភាពស្រើបស្រាល និងអាចសម្របខ្លួនបាននៅពេលនិយាយអំពីការស្រាវជ្រាវថ្មី។
9. ភីធ័រ
PyTorch គឺជាកញ្ចប់ Python ដ៏ពេញនិយមសម្រាប់ ការរៀនសូត្រជ្រៅ និងការរៀនម៉ាស៊ីន។ វាគឺជាកម្មវិធីកុំព្យូទ័របែបវិទ្យាសាស្ត្រដែលមានមូលដ្ឋានលើ Python សម្រាប់អនុវត្ត Deep Learning និង Neural Networks លើសំណុំទិន្នន័យដ៏ធំ។
Facebook ប្រើប្រាស់កញ្ចប់ឧបករណ៍នេះយ៉ាងទូលំទូលាយដើម្បីបង្កើតបណ្តាញសរសៃប្រសាទដែលជួយក្នុងសកម្មភាពដូចជាការសម្គាល់ផ្ទៃមុខ និងការបិទស្លាកដោយស្វ័យប្រវត្តិ។
PyTorch គឺជាវេទិកាសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យដែលមានបំណងចង់បញ្ចប់ការងារសិក្សាជ្រៅជ្រះយ៉ាងឆាប់រហ័ស។ ឧបករណ៍នេះអនុញ្ញាតឱ្យការគណនា tensor ត្រូវបានអនុវត្តជាមួយនឹងការបង្កើនល្បឿន GPU ។
វាក៏ត្រូវបានប្រើសម្រាប់អ្វីផ្សេងទៀត រួមទាំងការបង្កើតបណ្តាញគណនាថាមវន្ត និងការគណនាជម្រាលដោយស្វ័យប្រវត្តិ។
ជាសំណាងល្អ PyTorch គឺជាកញ្ចប់ដ៏អស្ចារ្យដែលអនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍ងាយស្រួលផ្លាស់ប្តូរពីទ្រឹស្តី និងការស្រាវជ្រាវទៅការបណ្តុះបណ្តាល និងការអភិវឌ្ឍន៍ នៅពេលនិយាយអំពីការរៀនម៉ាស៊ីន និងការស្រាវជ្រាវសិក្សាស៊ីជម្រៅ ដើម្បីផ្តល់នូវភាពបត់បែន និងល្បឿនអតិបរមា។
10. អិនអិលធី
NLTK (Natural Language Toolkit) គឺជាកញ្ចប់ Python ដ៏ពេញនិយមសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ។ ការដាក់ស្លាកអត្ថបទ សញ្ញាសម្ងាត់ ហេតុផលន័យន័យ និងកិច្ចការផ្សេងទៀតដែលទាក់ទងនឹងការដំណើរការភាសាធម្មជាតិអាចត្រូវបានសម្រេចជាមួយនឹង NLTK ។
NLTK ក៏អាចត្រូវបានប្រើដើម្បីបំពេញ AI ស្មុគស្មាញបន្ថែមទៀត (បញ្ញាសិប្បនិម្មិត) ការងារ។ NLTK ត្រូវបានបង្កើតឡើងដំបូងដើម្បីគាំទ្រដល់ការបង្រៀន AI និងម៉ាស៊ីនរៀនគំរូខុសគ្នា ដូចជាគំរូភាសា និងទ្រឹស្ដីនៃការយល់ដឹង។
បច្ចុប្បន្ននេះវាកំពុងជំរុញក្បួនដោះស្រាយ AI និងការអភិវឌ្ឍគំរូសិក្សានៅក្នុងពិភពពិត។ វាត្រូវបានទទួលយកយ៉ាងទូលំទូលាយសម្រាប់ការប្រើប្រាស់ជាឧបករណ៍បង្រៀន និងជាឧបករណ៍សិក្សាបុគ្គល បន្ថែមពីលើការប្រើប្រាស់ជាវេទិកាសម្រាប់បង្កើតគំរូ និងអភិវឌ្ឍប្រព័ន្ធស្រាវជ្រាវ។
ការចាត់ថ្នាក់ ការវិភាគ ហេតុផលន័យន័យ ដើម ការដាក់ស្លាក និងនិមិត្តសញ្ញាត្រូវបានគាំទ្រទាំងអស់។
សន្និដ្ឋាន
នោះបញ្ចប់បណ្ណាល័យ Python កំពូលទាំងដប់សម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ។ បណ្ណាល័យវិទ្យាសាស្ត្រទិន្នន័យ Python ត្រូវបានធ្វើបច្ចុប្បន្នភាពជាប្រចាំ ដោយសារវិទ្យាសាស្ត្រទិន្នន័យ និងការរៀនម៉ាស៊ីនកាន់តែមានប្រជាប្រិយភាព។
មានបណ្ណាល័យ Python ជាច្រើនសម្រាប់ Data Science ហើយជម្រើសរបស់អ្នកប្រើប្រាស់ភាគច្រើនត្រូវបានកំណត់ដោយប្រភេទនៃគម្រោងដែលពួកគេកំពុងធ្វើការ។
សូមផ្ដល់យោបល់