mdppython
㈠ 人工智慧用的編程語言是哪些
人工智慧是一種未來性的技術，目前正在致力於研究自己的一套工具。一系列的進展在過去的幾年中發生了：無事故駕駛超過300000英里並在三個州合法行駛迎來了自動駕駛的一個里程碑;IBM Waston擊敗了Jeopardy兩屆冠軍;統計學習技術從對消費者興趣到以萬億記的圖像的復雜數據集進行模式識別。這些發展必然提高了科學家和巨匠們對人工智慧的興趣，這也使得開發者們了解創建人工智慧應用的真實本質。
谷歌的AI擊敗了一位圍棋大師，是一種衡量人工智慧突然的快速發展的方式，也揭示了這些技術如何發展而來和將來可以如何發展。
哪一種編程語言適合人工智慧?
你所熟練掌握的每一種編程語言都可以是人工智慧的開發語言。人工智慧程序可以使用幾乎所有的編程語言實現，最常見的有：Lisp,Prolog,C/C++，近來又有Java，最近還有python.
LISP
像LISP這樣的高級語言在人工智慧中備受青睞，因為在各高校多年的研究後選擇了快速原型而舍棄了快速執行。垃圾收集，動態類型，數據函數，統一的語法，互動式環境和可擴展性等一些特性使得LIST非常適合人工智慧編程。
PROLOG
這種語言有著LISP高層和傳統優勢有效結合，這對AI是非常有用的。它的優勢是解決「基於邏輯的問題」。Prolog提供了針對於邏輯相關問題的解決方案，或者說它的解決方案有著簡潔的邏輯特徵。它的主要缺點(恕我直言)是學起來很難。
機器學習庫
PyBrain 一個靈活，簡單而有效的針對機器學習任務的演算法，它是模塊化的Python機器學習庫。它也提供了多種預定義好的環境來測試和比較你的演算法。
PyML 一個用Python寫的雙邊框架，重點研究SVM和其他內核方法。它支持linux和Mac OS X。
scikit-learn旨在提供簡單而強大的解決方案，可以在不同的上下文中重用：機器學習作為科學和工程的一個多功能工具。它是python的一個模塊，集成了經典的機器學習的演算法，這些演算法是和python科學包(numpy,scipy.matplotlib)緊密聯系在一起的。
MDP-Toolkit這是一個Python數據處理的框架，可以很容易的進行擴展。它海收集了有監管和沒有監管的學習算飯和其他數據處理單元，可以組合成數據處理序列或者更復雜的前饋網路結構。新演算法的實現是簡單和直觀的。可用的演算法是在不斷的穩定增加的，包括信號處理方法(主成分分析、獨立成分分析、慢特徵分析)，流型學習方法(局部線性嵌入)，集中分類，概率方法(因子分析，RBM),數據預處理方法等等。 自然語言和文本處理庫
NLTK 開源的Python模塊，語言學數據和文檔，用來研究和開發自然語言處理和文本分析。有windows,Mac OSX和Linux版本。
結論
python因為提供像 scikit-learn的好的框架，在人工智慧方面扮演了一個重要的角色：Python中的機器學習，實現了這一領域中大多的需求。D3.js JS中數據驅動文檔時可視化最強大和易於使用的工具之一。處理框架，它的快速原型製造使得它成為一門不可忽視的重要語言。AI需要大量的研究，因此沒有必要要求一個500KB的Java樣板代碼去測試新的假說。python中幾乎每一個想法都可以迅速通過20-30行代碼來實現(JS和LISP也是一樣)。因此，它對於人工智慧是一門非常有用的語言。
案例
做了一個實驗，一個使用人工智慧和物聯網做員工行為分析的軟體。該軟體通過員工情緒和行為的分心提供了一個有用的反饋給員工，從而提高了管理和工作習慣。
使用Python機器學習庫，opencv和haarcascading概念來培訓。建立了樣品POC來檢測通過安置在不同地點的無線攝像頭傳遞回來基礎情感像幸福，生氣，悲傷，厭惡，懷疑，蔑視，譏諷和驚喜。收集到的數據會集中到雲資料庫中，甚至整個辦公室都可以通過在Android設備或桌面點擊一個按鈕來取回。
開發者在深入分析臉部情感上復雜點和挖掘更多的細節中取得進步。在深入學習演算法和機器學習的幫助下，可以幫助分析員工個人績效和適當的員工/團隊反饋。
㈡ Python語言下的機器學習庫
Python語言下的機器學習庫
Python是最好的編程語言之一，在科學計算中用途廣泛：計算機視覺、人工智慧、數學、天文等。它同樣適用於機器學習也是意料之中的事。當然，它也有些缺點；其中一個是工具和庫過於分散。如果你是擁有unix思維（unix-minded）的人，你會覺得每個工具只做一件事並且把它做好是非常方便的。但是你也需要知道不同庫和工具的優缺點，這樣在構建系統時才能做出合理的決策。工具本身不能改善系統或產品，但是使用正確的工具，我們可以工作得更高效，生產率更高。因此了解正確的工具，對你的工作領域是非常重要的。
這篇文章的目的就是列舉並描述Python可用的最有用的機器學習工具和庫。這個列表中，我們不要求這些庫是用Python寫的，只要有Python介面就夠了。我們在最後也有一小節關於深度學習（Deep Learning）的內容，因為它最近也吸引了相當多的關注。
我們的目的不是列出Python中所有機器學習庫（搜索「機器學習」時Python包索引(PyPI)返回了139個結果），而是列出我們所知的有用並且維護良好的那些。另外，盡管有些模塊可以用於多種機器學習任務，我們只列出主要焦點在機器學習的庫。比如，雖然Scipy包含一些聚類演算法，但是它的主焦點不是機器學習而是全面的科學計算工具集。因此我們排除了Scipy（盡管我們也使用它！）。
另一個需要提到的是，我們同樣會根據與其他科學計算庫的集成效果來評估這些庫，因為機器學習（有監督的或者無監督的）也是數據處理系統的一部分。如果你使用的庫與數據處理系統其他的庫不相配，你就要花大量時間創建不同庫之間的中間層。在工具集中有個很棒的庫很重要，但這個庫能與其他庫良好集成也同樣重要。
如果你擅長其他語言，但也想使用Python包，我們也簡單地描述如何與Python進行集成來使用這篇文章列出的庫。
Scikit-LearnScikit Learn是我們在CB Insights選用的機器學習工具。我們用它進行分類、特徵選擇、特徵提取和聚集。我們最愛的一點是它擁有易用的一致性API，並提供了很多開箱可用的求值、診斷和交叉驗證方法（是不是聽起來很熟悉？Python也提供了「電池已備(譯註：指開箱可用)」的方法）。錦上添花的是它底層使用Scipy數據結構，與Python中其餘使用Scipy、Numpy、Pandas和Matplotlib進行科學計算的部分適應地很好。因此，如果你想可視化分類器的性能（比如，使用精確率與反饋率(precision-recall)圖表，或者接收者操作特徵(Receiver Operating Characteristics，ROC)曲線），Matplotlib可以幫助進行快速可視化。考慮到花在清理和構造數據的時間，使用這個庫會非常方便，因為它可以緊密集成到其他科學計算包上。
另外，它還包含有限的自然語言處理特徵提取能力，以及詞袋（bag of words）、tfidf（Term Frequency Inverse Document Frequency演算法）、預處理（停用詞/stop-words，自定義預處理，分析器）。此外，如果你想快速對小數據集（toy dataset）進行不同基準測試的話，它自帶的數據集模塊提供了常見和有用的數據集。你還可以根據這些數據集創建自己的小數據集，這樣在將模型應用到真實世界中之前，你可以按照自己的目的來檢驗模型是否符合期望。對參數最優化和參數調整，它也提供了網格搜索和隨機搜索。如果沒有強大的社區支持，或者維護得不好，這些特性都不可能實現。我們期盼它的第一個穩定發布版。
StatsmodelsStatsmodels是另一個聚焦在統計模型上的強大的庫，主要用於預測性和探索性分析。如果你想擬合線性模型、進行統計分析，或者預測性建模，那麼Statsmodels非常適合。它提供的統計測試相當全面，覆蓋了大部分情況的驗證任務。如果你是R或者S的用戶，它也提供了某些統計模型的R語法。它的模型同時也接受Numpy數組和Pandas數據幀，讓中間數據結構成為過去！
PyMCPyMC是做貝葉斯曲線的工具。它包含貝葉斯模型、統計分布和模型收斂的診斷工具，也包含一些層次模型。如果想進行貝葉斯分析，你應該看看。
ShogunShogun是個聚焦在支持向量機（Support Vector Machines, SVM）上的機器學習工具箱，用C++編寫。它正處於積極開發和維護中，提供了Python介面，也是文檔化最好的介面。但是，相對於Scikit-learn，我們發現它的API比較難用。而且，也沒提供很多開箱可用的診斷和求值演算法。但是，速度是個很大的優勢。
GensimGensim被定義為「人們的主題建模工具（topic modeling for humans）」。它的主頁上描述，其焦點是狄利克雷劃分（Latent Dirichlet Allocation， LDA）及變體。不同於其他包，它支持自然語言處理，能將NLP和其他機器學習演算法更容易組合在一起。如果你的領域在NLP，並想進行聚集和基本的分類，你可以看看。目前，它們引入了Google的基於遞歸神經網路（Recurrent Neural Network）的文本表示法word2vec。這個庫只使用Python編寫。
OrangeOrange是這篇文章列舉的所有庫中唯一帶有圖形用戶界面（Graphical User Interface，GUI）的。對分類、聚集和特徵選擇方法而言，它是相當全面的，還有些交叉驗證的方法。在某些方面比Scikit-learn還要好（分類方法、一些預處理能力），但與其他科學計算系統（Numpy, Scipy, Matplotlib, Pandas）的適配上比不上Scikit-learn。但是，包含GUI是個很重要的優勢。你可以可視化交叉驗證的結果、模型和特徵選擇方法（某些功能需要安裝Graphviz）。對大多數演算法，Orange都有自己的數據結構，所以你需要將數據包裝成Orange兼容的數據結構，這使得其學習曲線更陡。
PyMVPAPyMVPA是另一個統計學習庫，API上與Scikit-learn很像。包含交叉驗證和診斷工具，但是沒有Scikit-learn全面。
深度學習盡管深度學習是機器學習的一個子節，我們在這里創建單獨一節的原因是，它最新吸引了Google和Facebook人才招聘部門的很多注意。
TheanoTheano是最成熟的深度學習庫。它提供了不錯的數據結構（張量，tensor）來表示神經網路的層，對線性代數來說很高效，與Numpy的數組類似。需要注意的是，它的API可能不是很直觀，用戶的學習曲線會很高。有很多基於Theano的庫都在利用其數據結構。它同時支持開箱可用的GPU編程。
PyLearn2還有另外一個基於Theano的庫，PyLearn2，它給Theano引入了模塊化和可配置性，你可以通過不同的配置文件來創建神經網路，這樣嘗試不同的參數會更容易。可以說，如果分離神經網路的參數和屬性到配置文件，它的模塊化能力更強大。
DecafDecaf是最近由UC Berkeley發布的深度學習庫，在Imagenet分類挑戰中測試發現，其神經網路實現是很先進的（state of art）。
Nolearn如果你想在深度學習中也能使用優秀的Scikit-learn庫API，封裝了Decaf的Nolearn會讓你能夠更輕松地使用它。它是對Decaf的包裝，與Scikit-learn兼容（大部分），使得Decaf更不可思議。
OverFeatOverFeat是最近貓vs.狗（kaggle挑戰）的勝利者，它使用C++編寫，也包含一個Python包裝器（還有Matlab和Lua）。通過Torch庫使用GPU，所以速度很快。也贏得了ImageNet分類的檢測和本地化挑戰。如果你的領域是計算機視覺，你可能需要看看。
HebelHebel是另一個帶有GPU支持的神經網路庫，開箱可用。你可以通過YAML文件（與Pylearn2類似）決定神經網路的屬性，提供了將神級網路和代碼友好分離的方式，可以快速地運行模型。由於開發不久，就深度和廣度上說，文檔很匱乏。就神經網路模型來說，也是有局限的，因為只支持一種神經網路模型（正向反饋，feed-forward）。但是，它是用純Python編寫，將會是很友好的庫，因為包含很多實用函數，比如調度器和監視器，其他庫中我們並沒有發現這些功能。
NeurolabNeuroLab是另一個API友好（與Matlabapi類似）的神經網路庫。與其他庫不同，它包含遞歸神經網路（Recurrent Neural Network，RNN）實現的不同變體。如果你想使用RNN，這個庫是同類API中最好的選擇之一。
與其他語言集成你不了解Python但是很擅長其他語言？不要絕望！Python（還有其他）的一個強項就是它是一個完美的膠水語言，你可以使用自己常用的編程語言，通過Python來訪問這些庫。以下適合各種編程語言的包可以用於將其他語言與Python組合到一起：R -> RPythonMatlab -> matpythonJava -> JythonLua -> Lunatic PythonJulia -> PyCall.jl
不活躍的庫這些庫超過一年沒有發布任何更新，我們列出是因為你有可能會有用，但是這些庫不太可能會進行BUG修復，特別是未來進行增強。MDPMlPyFFnetPyBrain如果我們遺漏了你最愛的Python機器學習包，通過評論讓我們知道。我們很樂意將其添加到文章中。
㈢ reportlab 怎麼安裝
1. 先安裝pip
a) https://pip.pypa.io/en/latest/installing.html
b) 獲取上面網址的get-pip.py
c) 運行python get-pip.py
d) 安裝完成之後 pip應用程序安裝在C:\Python27\Scripts目錄下，把這個路徑加到path環境變數裡面
e) cmd-》 輸入pip -》可看到命令幫助，表示安裝成功
2. 下載PIL
a) http://www.pythonware.com/procts/pil
b) 下載對應版本的文件
c) Exe文件直接安裝
3. 下載Reporlab包
a) https://pypi.python.org/pypi/reportlab/
b) 取下對應python版本的whl
c) Pip install 上面取下來的文件
㈣ 為什麼人工智慧用 Python
人工智慧為什麼要用Python語言?
1. Python除了極少的事情不能做之外，其他基本上可以說全能，系統運維、圖形處理、數學處理、文本處理、資料庫編程、網路編程、web編程、多媒體應用、pymo引擎、黑客編程、爬蟲編寫、機器學習、人工智慧等等都可以做。
2. Python是解釋語言，程序寫起來非常方便，寫程序方便對做機器學習的人很重要。
3. Python的開發生態成熟，有很多有用的庫可以用。相比而言，Lua雖然也是解釋語言，甚至有LuaJIT這種神器加持，但其本身很難做到Python這樣。
4. Python效率超高，解釋語言的發展已經大大超過許多人的想像。毫無疑問使用Python語言的企業將會越來越多，Python程序猿的人才缺口也將越來越大，認准時機，把握機遇。
㈤ Python問題：No mole named **
是不是y.py不能編譯啊。也可能是樓下說的版本不對。不是給3.0用的。
㈥ 為什麼人工智慧用Python
Python，一種強大的計算機編程語言，對於沒有學過代碼的同學，Python無疑是你的最佳選擇，簡單易學功能強大使得它進入了世界編程語言的前四，稱之為「四哥」。
Python幾乎可以做各個領域各個平台，包括Web開發，網路運維，科學計算，3D游戲開發，圖形界面開發，人工智慧等。
我們來說說未來互聯網的主流人工智慧！
一、Python為什麼更適合人工智慧？
差不多所有的編程語言都可以用來做人工智慧，比如主流的編程語言c/c++,Java等，但是為什麼Python可以取代它們成為主流呢，Python還是用Java編譯的，為什麼兒子可以超越爸爸呢？
相對於Python而言，c/c++的運行速度比Python強了至少幾倍，甚至幾百幾千倍，但是c/c++專業性比較強一點，寫的代碼也比較多；Java比c/c++速度慢點，但是可移植性是最強的，當然也可以做人工智慧，但是Python為什麼能取代高不成低不就Java做人工智慧的主流呢？對，因為簡單高效。
二、Python做人工智慧的好處
1. 簡單高效
2. 優質的文檔
3. 強大的AI庫
4. 海量的模塊
人生苦短，我用Python，同樣一個程序用C語言寫可能要1000行代碼，用Java寫要100行，但是用Python寫只要20行，當然在程序運行速度上來說，Python與C語言相差很大，但是由於Python的簡單易學性，這個差距可忽略不記，馬雲：人工智慧是未來的大趨勢！
人工智慧時代，互聯網將迎來最大的浪潮，你難道不想在這浪潮中充分的展現自己嗎？
㈦ 有沒有老師了解Python用於Meta分析的工具包
Python在科學計算領域，有兩個重要的擴展模塊：Numpy和Scipy。其中Numpy是一個用python實現的科學計算包。包括：
一個強大的N維數組對象Array；
比較成熟的（廣播）函數庫；
用於整合C/C++和Fortran代碼的工具包；
實用的線性代數、傅里葉變換和隨機數生成函數。
SciPy是一個開源的Python演算法庫和數學工具包，SciPy包含的模塊有最優化、線性代數、積分、插值、特殊函數、快速傅里葉變換、信號處理和圖像處理、常微分方程求解和其他科學與工程中常用的計算。其功能與軟體MATLAB、Scilab和GNU Octave類似。
Numpy和Scipy常常結合著使用，Python大多數機器學習庫都依賴於這兩個模塊，繪圖和可視化依賴於matplotlib模塊，matplotlib的風格與matlab類似。Python機器學習庫非常多，而且大多數開源，主要有：
1.scikit-learn
scikit-learn是一個基於SciPy和Numpy的開源機器學習模塊，包括分類、回歸、聚類系列演算法，主要演算法有SVM、邏輯回歸、樸素貝葉斯、Kmeans、DBSCAN等，目前由INRI資助，偶爾Google也資助一點。
項目主頁：
https://pypi.python.org/pypi/scikit-learn/
http://scikit-learn.org/
https://github.com/scikit-learn/scikit-learn
2.NLTK
NLTK(Natural Language Toolkit)是Python的自然語言處理模塊，包括一系列的字元處理和語言統計模型。NLTK常用於學術研究和教學，應用的領域有語言學、認知科學、人工智慧、信息檢索、機器學習等。NLTK提供超過50個語料庫和詞典資源，文本處理庫包括分類、分詞、詞干提取、解析、語義推理。可穩定運行在Windows, Mac OS X和Linux平台上.
項目主頁：
http://sourceforge.net/projects/nltk/
https://pypi.python.org/pypi/nltk/
http://nltk.org/
3.Mlpy
Mlpy是基於NumPy/SciPy的Python機器學習模塊，它是Cython的擴展應用。包含的機器學習演算法有：
l回歸
least squares,ridge regression, least angle regression,elastic net, kernel ridge regression,support vector machines(SVM),partial least squares(PLS)
l分類
linear discriminant analysis(LDA), Basicperceptron, Elastic Net,logistic regression, (Kernel) Support Vector Machines (SVM), Diagonal Linear Discriminant Analysis (DLDA), Golub Classifier, Parzen-based, (kernel) Fisher Discriminant Classifier, k-nearest neighbor, Iterative RELIEF, Classification Tree, Maximum Likelihood Classifier
l聚類
hierarchical clustering, Memory-saving Hierarchical Clustering,k-means
l維度約減
(Kernel)Fisher discriminant analysis(FDA), Spectral Regression Discriminant Analysis (SRDA), (kernel)Principal component analysis(PCA)
項目主頁：
http://sourceforge.net/projects/mlpy
https://mlpy.fbk.eu/
4.Shogun
Shogun是一個開源的大規模機器學習工具箱。目前Shogun的機器學習功能分為幾個部分：feature表示，feature預處理，核函數表示,核函數標准化，距離表示，分類器表示，聚類方法，分布，性能評價方法，回歸方法，結構化輸出學習器。
SHOGUN的核心由C++實現，提供Matlab、R、Octave、Python介面。主要應用在linux平台上。
項目主頁：
http://www.shogun-toolbox.org/
5.MDP
The Molar toolkit for Data Processing (MDP)，用於數據處理的模塊化工具包，一個Python數據處理框架。
從用戶的觀點，MDP是能夠被整合到數據處理序列和更復雜的前饋網路結構的一批監督學習和非監督學習演算法和其他數據處理單元。計算依照速度和內存需求而高效的執行。從科學開發者的觀點，MDP是一個模塊框架，它能夠被容易地擴展。新演算法的實現是容易且直觀的。新實現的單元然後被自動地與程序庫的其餘部件進行整合。MDP在神經科學的理論研究背景下被編寫，但是它已經被設計為在使用可訓練數據處理演算法的任何情況中都是有用的。其站在用戶一邊的簡單性，各種不同的隨時可用的演算法，及應用單元的可重用性，使得它也是一個有用的教學工具。
項目主頁：
http://mdp-toolkit.sourceforge.net/
https://pypi.python.org/pypi/MDP/
㈧ python好學嗎培訓機構的課程和人工智慧的關系大不大呢
Python好學嗎?答案是肯定的。Python是一種計算機程序設計語言。是一種面向對象的動態類型語言，最初被設計用於編寫自動化腳本(shell)，隨著版本的不斷更新和語言新功能的添加，越來越多被用於獨立的、大型項目的開發。
Python在設計風格上堅持清晰劃一的風格，包含了豐富而功能強大的庫，這使得Python成為一門易讀、易維護，並且被大量用戶所歡迎的、用途廣泛的語言。
至於和人工智慧的關系大不大，我們一起來分析看看
人工智慧是利用先進的IT生產出能做出與人類相似的反應的智能機器，人工智慧領域的研究包括：機器視覺、指紋識別、人臉識別、視網膜識別、虹膜識別、掌紋識別、專家系統、自動規劃、智能搜索、定理證明、博弈、自動程序設計、智能控制、機器人學、遺傳編程、語言和圖像理解等。
Python是一門語法優美、簡單易學的編程語言，擁有強大的人工智慧庫：
1、總體的AI庫
AIMA：Python實現了從Russell到Norvigs的"人工智慧：一種現代的方法"的演算法;
pyDatalog：Python中的邏輯編程引擎;
SimpleAI：Python實現在"人工智慧：一種現代的方法"這本書中描述過的人工智慧的演算法，它專注於提供一個易於使用，有良好文檔和測試的庫;
EasyAI：一個雙人AI游戲的python引擎。
2、機器學習庫
PyBrain一個靈活，簡單而有效的針對機器學習任務的演算法，它是模塊化的Python機器學習庫，它也提供了多種預定義好的環境來測試和比較你的演算法;
PyML一個用Python寫的雙邊框架，重點研究SVM和其他內核方法，它支持Linux和MacOSX;
scikit-learn旨在提供簡單而強大的解決方案，可以在不同的上下文中重用：機器學習作為科學和工程的一個多功能工具，它是python的一個模塊，集成了經典的機器學習的演算法，這些演算法是和python科學包緊密聯系在一起的;
MDP-Toolkit這是一個Python數據處理的框架，可以很容易的進行擴展。它海收集了有監管和沒有監管的學習算飯和其他數據處理單元，可以組合成數據處理序列或者更復雜的前饋網路結構。新演算法的實現是簡單和直觀的。可用的演算法是在不斷的穩定增加的，包括信號處理方法，流型學習方法，集中分類，概率方法，數據預處理方法等等。
3、自然語言和文本處理庫
NLTK開源的Python模塊，語言學數據和文檔，用來研究和開發自然語言處理和文本分析，有windows、MacOSX和Linux版本。
對於人工智慧的一些功能的實現，Python短短的一段代碼就足夠啦，從人臉識別、會話介面，再到其他領域，Python正在不斷擴展新的領域，未來Python在人工智慧領域的應用會越來越廣泛。
以上的回答希望對你有所幫助
㈨ 為什麼做AI的都選Python
相對於其他語言：
1、更加人性化的設計
Python的設計更加人性化，具有快速、堅固、可移植性、可擴展性的特點，十分適合人工智慧;開源免費，而且學習簡單，很容易實現普及;內置強大的庫，可以輕松實現更大強大的功能。
2、總體的AI庫
AIMA：Python實現了從Russell到Norvigs的「人工智慧：一種現代的方法」的演算法;
pyDatalog：Python中的邏輯編程引擎;
SimpleAI：Python實現在「人工智慧：一種現代的方法」這本書中描述過的人工智慧的演算法，它專注於提供一個易於使用，有良好文檔和測試的庫;
EasyAI：一個雙人AI游戲的python引擎。
3、機器學習庫
PyBrain 一個靈活，簡單而有效的針對機器學習任務的演算法，它是模塊化的Python機器學習庫，它也提供了多種預定義好的環境來測試和比較你的演算法;
PyML 一個用Python寫的雙邊框架，重點研究SVM和其他內核方法，它支持Linux和Mac OS X;
scikit-learn旨在提供簡單而強大的解決方案，可以在不同的上下文中重用：機器學習作為科學和工程的一個多功能工具，它是python的一個模塊，集成了經典的機器學習的演算法，這些演算法是和python科學包緊密聯系在一起的;
MDP-Toolkit這是一個Python數據處理的框架，可以很容易的進行擴展。它海收集了有監管和沒有監管的學習算飯和其他數據處理單元，可以組合成數據處理序列或者更復雜的前饋網路結構。新演算法的實現是簡單和直觀的。可用的演算法是在不斷的穩定增加的，包括信號處理方法，流型學習方法，集中分類，概率方法，數據預處理方法等等。
4、自然語言和文本處理庫
NLTK開源的Python模塊，語言學數據和文檔，用來研究和開發自然語言處理和文本分析，有windows、Mac OSX和Linux版本。
Python具有豐富而強大的庫，能夠將其他語言製作的各種模塊很輕松的聯結在一起，因此，Python編程對人工智慧是一門非常有用的語言。可以說人工智慧和Python是緊密相連的。如果你想要抓住人工智慧的風口，Python是必不可少的助力。
人工智慧上使用Python比其他編程語言的好處
1、優質的文檔
2、平台無關，可以在現在每一個*nix版本上使用
3、和其他面向對象編程語言比學習更加簡單快速
4、Python有許多圖像加強庫像Python Imaging Libary，VTK和Maya 3D可視化工具包，Numeric Python， Scientific Python和其他很多可用工具可以於數值和科學應用。
5、Python的設計非常好，快速，堅固，可移植，可擴展。很明顯這些對於人工智慧應用來說都是非常重要的因素。
6、對於科學用途的廣泛編程任務都很有用，無論從小的shell腳本還是整個網站應用。
7、它是開源的。可以得到相同的社區支持。
AI的Python庫
一、總體的AI庫
AIMA：Python實現了從Russell到Norvigs的「人工智慧：一種現代的方法」的演算法
pyDatalog：Python中的邏輯編程引擎
SimpleAI：Python實現在「人工智慧：一種現代的方法」這本書中描述過的人工智慧的演算法。它專注於提供一個易於使用，有良好文檔和測試的庫。
EasyAI：一個雙人AI游戲的python引擎（負極大值，置換表、游戲解決）
二、機器學習庫
PyBrain 一個靈活，簡單而有效的針對機器學習任務的演算法，它是模塊化的Python機器學習庫。它也提供了多種預定義好的環境來測試和比較你的演算法。
PyML 一個用Python寫的雙邊框架，重點研究SVM和其他內核方法。它支持Linux和Mac OS X。
scikit-learn 旨在提供簡單而強大的解決方案，可以在不同的上下文中重用：機器學習作為科學和工程的一個多功能工具。它是python的一個模塊，集成了經典的機器學習的演算法，這些演算法是和python科學包（numpy，scipy.matplotlib）緊密聯系在一起的。
MDP-Toolkit 這是一個Python數據處理的框架，可以很容易的進行擴展。它海收集了有監管和沒有監管的學習算飯和其他數據處理單元，可以組合成數據處理序列或者更復雜的前饋網路結構。新演算法的實現是簡單和直觀的。可用的演算法是在不斷的穩定增加的，包括信號處理方法（主成分分析、獨立成分分析、慢特徵分析），流型學習方法（局部線性嵌入），集中分類，概率方法（因子分析，RBM），數據預處理方法等等。
㈩ 如何執行python第三方包windows exe格式
python第三方包的windows安裝文件exe格式， 這上面有很多python第三方包的二進制安裝文件，包括32位和64位的。下載安裝就ok了！
這下面有很多python第三方包的二進制安裝文件，包括32位和64位的。下載安裝就ok了！
包括了mysqldb,ldap等。
Index by date:
fiona
scikit-image
netcdf4
mercurial
scikits.audiolab
numba
llvmpy
python-igraph
rpy2
numpy
opencv
zope.interface
sfepy
quantlib
gdal
imread
django
psychopy
cx_freeze
msgpack
regex
cellcognition
vigra
scikit-learn
pytables
h5py
blender-mathutils
htseq
bioformats
simplejson
pyzmq
mako
simpleitk
qimage2ndarray
ujson
vlfd
libsvm
liblinear
cgkit
scipy
distribute
noise
theano
pyalembic
openimageio
pyaudio
pymca
pyamg
pgmagick
lxml
steps
sqlalchemy
cffi
biopython
python-ldap
pycurl
nipy
nibabel
pygments
mahotas
py-postgresql
pyamf
planar
holopy
pyvisa
jcc
polymode
polygon
cython
pyropes
llist
shapely
vtk
pymongo
libpython
meshpy
pandas
umysql
epydoc
coverage
cheetah
pyrxp
pybluez
pythonmagick
bsdiff4
pymssql
pymol
boost.python
orange
requests
pywcs
python-sundials
pymix
pyminuit
pylzma
pyicu
assimulo
basemap
pygraphviz
pyproj
mpi4py
spyder
pytz
pyfits
mysql-python
pygame
pycparser
twisted
pil
qutip
openexr
nipype
python-snappy
visvis
docutils
pyhdf
pyqwt
kivy
scikits.umfpack
psycopg
ets
guiqwt
veusz
pyqt
pyside
dpmix
py-fcm
scikits.hydroclimpy
smc.freeimage
scipy-stack
ipython
nose
mxbase
numexpr
pyyaml
ode
virtualenv
aspell_python
tornado
pywavelets
bottleneck
networkx
statsmodels
pylibdeconv
pyhook
lmfit
slycot
ndimage
scikits.scattpy
cvxopt
pymc
pysparse
scikits.odes
matplotlib
vpython
pycuda
pyopencl
pymvpa
pythonnet
cld
mod_wsgi
nltk
python-levenshtein
rtree
pywin32
scientificpython
sympy
thrift
pyopengl-accelerate
mdp
pyopengl
gmpy
reportlab
natgrid
scikits.vectorplot
pyreadline
milk
blosc
pycogent
pip
gevent
scons
carray
python-dateutil
jinja2
markupsafe
jsonlib
pysfml
fonttools
silvercity
console
python-cjson
pycluster
cdecimal
pytst
autopy
sendkeys
ceodbc
fipy
psutil
pyephem
pycifrw
blist
line_profiler
pydbg
bitarray
pyglet
python-lzo
faulthandler
delny
pyexiv2
ilastik
twainmole
scitools
pyspharm
casuarius
pyodbc
greenlet
nitime
pylibtiff
mmtk
pycairo
pysqlite
curses
videocapture
bazaar
nlopt
trfit
libsbml
oursql
sphinx
cellprofiler
py2exe
re2
liblas
cgal-python
pymedia
ffnet
pyfftw
libxml-python
pyfltk
pymex
pymatlab
zodb3
mmlib
pygtk
pyserial
babel
scikits.ann
scikits.delaunay
numeric
pulp
nmoldyn
pymutt
iocbio
jpype
wxpython
pybox2d
dipy
mmseg
pynifti
scikits.samplerate
scikits.timeseries
vitables
quickfix