mdppython
㈠ 人工智能用的编程语言是哪些
人工智能是一种未来性的技术，目前正在致力于研究自己的一套工具。一系列的进展在过去的几年中发生了：无事故驾驶超过300000英里并在三个州合法行驶迎来了自动驾驶的一个里程碑;IBM Waston击败了Jeopardy两届冠军;统计学习技术从对消费者兴趣到以万亿记的图像的复杂数据集进行模式识别。这些发展必然提高了科学家和巨匠们对人工智能的兴趣，这也使得开发者们了解创建人工智能应用的真实本质。
谷歌的AI击败了一位围棋大师，是一种衡量人工智能突然的快速发展的方式，也揭示了这些技术如何发展而来和将来可以如何发展。
哪一种编程语言适合人工智能?
你所熟练掌握的每一种编程语言都可以是人工智能的开发语言。人工智能程序可以使用几乎所有的编程语言实现，最常见的有：Lisp,Prolog,C/C++，近来又有Java，最近还有python.
LISP
像LISP这样的高级语言在人工智能中备受青睐，因为在各高校多年的研究后选择了快速原型而舍弃了快速执行。垃圾收集，动态类型，数据函数，统一的语法，交互式环境和可扩展性等一些特性使得LIST非常适合人工智能编程。
PROLOG
这种语言有着LISP高层和传统优势有效结合，这对AI是非常有用的。它的优势是解决“基于逻辑的问题”。Prolog提供了针对于逻辑相关问题的解决方案，或者说它的解决方案有着简洁的逻辑特征。它的主要缺点(恕我直言)是学起来很难。
机器学习库
PyBrain 一个灵活，简单而有效的针对机器学习任务的算法，它是模块化的Python机器学习库。它也提供了多种预定义好的环境来测试和比较你的算法。
PyML 一个用Python写的双边框架，重点研究SVM和其他内核方法。它支持linux和Mac OS X。
scikit-learn旨在提供简单而强大的解决方案，可以在不同的上下文中重用：机器学习作为科学和工程的一个多功能工具。它是python的一个模块，集成了经典的机器学习的算法，这些算法是和python科学包(numpy,scipy.matplotlib)紧密联系在一起的。
MDP-Toolkit这是一个Python数据处理的框架，可以很容易的进行扩展。它海收集了有监管和没有监管的学习算饭和其他数据处理单元，可以组合成数据处理序列或者更复杂的前馈网络结构。新算法的实现是简单和直观的。可用的算法是在不断的稳定增加的，包括信号处理方法(主成分分析、独立成分分析、慢特征分析)，流型学习方法(局部线性嵌入)，集中分类，概率方法(因子分析，RBM),数据预处理方法等等。 自然语言和文本处理库
NLTK 开源的Python模块，语言学数据和文档，用来研究和开发自然语言处理和文本分析。有windows,Mac OSX和Linux版本。
结论
python因为提供像 scikit-learn的好的框架，在人工智能方面扮演了一个重要的角色：Python中的机器学习，实现了这一领域中大多的需求。D3.js JS中数据驱动文档时可视化最强大和易于使用的工具之一。处理框架，它的快速原型制造使得它成为一门不可忽视的重要语言。AI需要大量的研究，因此没有必要要求一个500KB的Java样板代码去测试新的假说。python中几乎每一个想法都可以迅速通过20-30行代码来实现(JS和LISP也是一样)。因此，它对于人工智能是一门非常有用的语言。
案例
做了一个实验，一个使用人工智能和物联网做员工行为分析的软件。该软件通过员工情绪和行为的分心提供了一个有用的反馈给员工，从而提高了管理和工作习惯。
使用Python机器学习库，opencv和haarcascading概念来培训。建立了样品POC来检测通过安置在不同地点的无线摄像头传递回来基础情感像幸福，生气，悲伤，厌恶，怀疑，蔑视，讥讽和惊喜。收集到的数据会集中到云数据库中，甚至整个办公室都可以通过在Android设备或桌面点击一个按钮来取回。
开发者在深入分析脸部情感上复杂点和挖掘更多的细节中取得进步。在深入学习算法和机器学习的帮助下，可以帮助分析员工个人绩效和适当的员工/团队反馈。
㈡ Python语言下的机器学习库
Python语言下的机器学习库
Python是最好的编程语言之一，在科学计算中用途广泛：计算机视觉、人工智能、数学、天文等。它同样适用于机器学习也是意料之中的事。当然，它也有些缺点；其中一个是工具和库过于分散。如果你是拥有unix思维（unix-minded）的人，你会觉得每个工具只做一件事并且把它做好是非常方便的。但是你也需要知道不同库和工具的优缺点，这样在构建系统时才能做出合理的决策。工具本身不能改善系统或产品，但是使用正确的工具，我们可以工作得更高效，生产率更高。因此了解正确的工具，对你的工作领域是非常重要的。
这篇文章的目的就是列举并描述Python可用的最有用的机器学习工具和库。这个列表中，我们不要求这些库是用Python写的，只要有Python接口就够了。我们在最后也有一小节关于深度学习（Deep Learning）的内容，因为它最近也吸引了相当多的关注。
我们的目的不是列出Python中所有机器学习库（搜索“机器学习”时Python包索引(PyPI)返回了139个结果），而是列出我们所知的有用并且维护良好的那些。另外，尽管有些模块可以用于多种机器学习任务，我们只列出主要焦点在机器学习的库。比如，虽然Scipy包含一些聚类算法，但是它的主焦点不是机器学习而是全面的科学计算工具集。因此我们排除了Scipy（尽管我们也使用它！）。
另一个需要提到的是，我们同样会根据与其他科学计算库的集成效果来评估这些库，因为机器学习（有监督的或者无监督的）也是数据处理系统的一部分。如果你使用的库与数据处理系统其他的库不相配，你就要花大量时间创建不同库之间的中间层。在工具集中有个很棒的库很重要，但这个库能与其他库良好集成也同样重要。
如果你擅长其他语言，但也想使用Python包，我们也简单地描述如何与Python进行集成来使用这篇文章列出的库。
Scikit-LearnScikit Learn是我们在CB Insights选用的机器学习工具。我们用它进行分类、特征选择、特征提取和聚集。我们最爱的一点是它拥有易用的一致性API，并提供了很多开箱可用的求值、诊断和交叉验证方法（是不是听起来很熟悉？Python也提供了“电池已备(译注：指开箱可用)”的方法）。锦上添花的是它底层使用Scipy数据结构，与Python中其余使用Scipy、Numpy、Pandas和Matplotlib进行科学计算的部分适应地很好。因此，如果你想可视化分类器的性能（比如，使用精确率与反馈率(precision-recall)图表，或者接收者操作特征(Receiver Operating Characteristics，ROC)曲线），Matplotlib可以帮助进行快速可视化。考虑到花在清理和构造数据的时间，使用这个库会非常方便，因为它可以紧密集成到其他科学计算包上。
另外，它还包含有限的自然语言处理特征提取能力，以及词袋（bag of words）、tfidf（Term Frequency Inverse Document Frequency算法）、预处理（停用词/stop-words，自定义预处理，分析器）。此外，如果你想快速对小数据集（toy dataset）进行不同基准测试的话，它自带的数据集模块提供了常见和有用的数据集。你还可以根据这些数据集创建自己的小数据集，这样在将模型应用到真实世界中之前，你可以按照自己的目的来检验模型是否符合期望。对参数最优化和参数调整，它也提供了网格搜索和随机搜索。如果没有强大的社区支持，或者维护得不好，这些特性都不可能实现。我们期盼它的第一个稳定发布版。
StatsmodelsStatsmodels是另一个聚焦在统计模型上的强大的库，主要用于预测性和探索性分析。如果你想拟合线性模型、进行统计分析，或者预测性建模，那么Statsmodels非常适合。它提供的统计测试相当全面，覆盖了大部分情况的验证任务。如果你是R或者S的用户，它也提供了某些统计模型的R语法。它的模型同时也接受Numpy数组和Pandas数据帧，让中间数据结构成为过去！
PyMCPyMC是做贝叶斯曲线的工具。它包含贝叶斯模型、统计分布和模型收敛的诊断工具，也包含一些层次模型。如果想进行贝叶斯分析，你应该看看。
ShogunShogun是个聚焦在支持向量机（Support Vector Machines, SVM）上的机器学习工具箱，用C++编写。它正处于积极开发和维护中，提供了Python接口，也是文档化最好的接口。但是，相对于Scikit-learn，我们发现它的API比较难用。而且，也没提供很多开箱可用的诊断和求值算法。但是，速度是个很大的优势。
GensimGensim被定义为“人们的主题建模工具（topic modeling for humans）”。它的主页上描述，其焦点是狄利克雷划分（Latent Dirichlet Allocation， LDA）及变体。不同于其他包，它支持自然语言处理，能将NLP和其他机器学习算法更容易组合在一起。如果你的领域在NLP，并想进行聚集和基本的分类，你可以看看。目前，它们引入了Google的基于递归神经网络（Recurrent Neural Network）的文本表示法word2vec。这个库只使用Python编写。
OrangeOrange是这篇文章列举的所有库中唯一带有图形用户界面（Graphical User Interface，GUI）的。对分类、聚集和特征选择方法而言，它是相当全面的，还有些交叉验证的方法。在某些方面比Scikit-learn还要好（分类方法、一些预处理能力），但与其他科学计算系统（Numpy, Scipy, Matplotlib, Pandas）的适配上比不上Scikit-learn。但是，包含GUI是个很重要的优势。你可以可视化交叉验证的结果、模型和特征选择方法（某些功能需要安装Graphviz）。对大多数算法，Orange都有自己的数据结构，所以你需要将数据包装成Orange兼容的数据结构，这使得其学习曲线更陡。
PyMVPAPyMVPA是另一个统计学习库，API上与Scikit-learn很像。包含交叉验证和诊断工具，但是没有Scikit-learn全面。
深度学习尽管深度学习是机器学习的一个子节，我们在这里创建单独一节的原因是，它最新吸引了Google和Facebook人才招聘部门的很多注意。
TheanoTheano是最成熟的深度学习库。它提供了不错的数据结构（张量，tensor）来表示神经网络的层，对线性代数来说很高效，与Numpy的数组类似。需要注意的是，它的API可能不是很直观，用户的学习曲线会很高。有很多基于Theano的库都在利用其数据结构。它同时支持开箱可用的GPU编程。
PyLearn2还有另外一个基于Theano的库，PyLearn2，它给Theano引入了模块化和可配置性，你可以通过不同的配置文件来创建神经网络，这样尝试不同的参数会更容易。可以说，如果分离神经网络的参数和属性到配置文件，它的模块化能力更强大。
DecafDecaf是最近由UC Berkeley发布的深度学习库，在Imagenet分类挑战中测试发现，其神经网络实现是很先进的（state of art）。
Nolearn如果你想在深度学习中也能使用优秀的Scikit-learn库API，封装了Decaf的Nolearn会让你能够更轻松地使用它。它是对Decaf的包装，与Scikit-learn兼容（大部分），使得Decaf更不可思议。
OverFeatOverFeat是最近猫vs.狗（kaggle挑战）的胜利者，它使用C++编写，也包含一个Python包装器（还有Matlab和Lua）。通过Torch库使用GPU，所以速度很快。也赢得了ImageNet分类的检测和本地化挑战。如果你的领域是计算机视觉，你可能需要看看。
HebelHebel是另一个带有GPU支持的神经网络库，开箱可用。你可以通过YAML文件（与Pylearn2类似）决定神经网络的属性，提供了将神级网络和代码友好分离的方式，可以快速地运行模型。由于开发不久，就深度和广度上说，文档很匮乏。就神经网络模型来说，也是有局限的，因为只支持一种神经网络模型（正向反馈，feed-forward）。但是，它是用纯Python编写，将会是很友好的库，因为包含很多实用函数，比如调度器和监视器，其他库中我们并没有发现这些功能。
NeurolabNeuroLab是另一个API友好（与Matlabapi类似）的神经网络库。与其他库不同，它包含递归神经网络（Recurrent Neural Network，RNN）实现的不同变体。如果你想使用RNN，这个库是同类API中最好的选择之一。
与其他语言集成你不了解Python但是很擅长其他语言？不要绝望！Python（还有其他）的一个强项就是它是一个完美的胶水语言，你可以使用自己常用的编程语言，通过Python来访问这些库。以下适合各种编程语言的包可以用于将其他语言与Python组合到一起：R -> RPythonMatlab -> matpythonJava -> JythonLua -> Lunatic PythonJulia -> PyCall.jl
不活跃的库这些库超过一年没有发布任何更新，我们列出是因为你有可能会有用，但是这些库不太可能会进行BUG修复，特别是未来进行增强。MDPMlPyFFnetPyBrain如果我们遗漏了你最爱的Python机器学习包，通过评论让我们知道。我们很乐意将其添加到文章中。
㈢ reportlab 怎么安装
1. 先安装pip
a) https://pip.pypa.io/en/latest/installing.html
b) 获取上面网址的get-pip.py
c) 运行python get-pip.py
d) 安装完成之后 pip应用程序安装在C:\Python27\Scripts目录下，把这个路径加到path环境变量里面
e) cmd-》 输入pip -》可看到命令帮助，表示安装成功
2. 下载PIL
a) http://www.pythonware.com/procts/pil
b) 下载对应版本的文件
c) Exe文件直接安装
3. 下载Reporlab包
a) https://pypi.python.org/pypi/reportlab/
b) 取下对应python版本的whl
c) Pip install 上面取下来的文件
㈣ 为什么人工智能用 Python
人工智能为什么要用Python语言?
1. Python除了极少的事情不能做之外，其他基本上可以说全能，系统运维、图形处理、数学处理、文本处理、数据库编程、网络编程、web编程、多媒体应用、pymo引擎、黑客编程、爬虫编写、机器学习、人工智能等等都可以做。
2. Python是解释语言，程序写起来非常方便，写程序方便对做机器学习的人很重要。
3. Python的开发生态成熟，有很多有用的库可以用。相比而言，Lua虽然也是解释语言，甚至有LuaJIT这种神器加持，但其本身很难做到Python这样。
4. Python效率超高，解释语言的发展已经大大超过许多人的想象。毫无疑问使用Python语言的企业将会越来越多，Python程序猿的人才缺口也将越来越大，认准时机，把握机遇。
㈤ Python问题：No mole named **
是不是y.py不能编译啊。也可能是楼下说的版本不对。不是给3.0用的。
㈥ 为什么人工智能用Python
Python，一种强大的计算机编程语言，对于没有学过代码的同学，Python无疑是你的最佳选择，简单易学功能强大使得它进入了世界编程语言的前四，称之为“四哥”。
Python几乎可以做各个领域各个平台，包括Web开发，网络运维，科学计算，3D游戏开发，图形界面开发，人工智能等。
我们来说说未来互联网的主流人工智能！
一、Python为什么更适合人工智能？
差不多所有的编程语言都可以用来做人工智能，比如主流的编程语言c/c++,Java等，但是为什么Python可以取代它们成为主流呢，Python还是用Java编译的，为什么儿子可以超越爸爸呢？
相对于Python而言，c/c++的运行速度比Python强了至少几倍，甚至几百几千倍，但是c/c++专业性比较强一点，写的代码也比较多；Java比c/c++速度慢点，但是可移植性是最强的，当然也可以做人工智能，但是Python为什么能取代高不成低不就Java做人工智能的主流呢？对，因为简单高效。
二、Python做人工智能的好处
1. 简单高效
2. 优质的文档
3. 强大的AI库
4. 海量的模块
人生苦短，我用Python，同样一个程序用C语言写可能要1000行代码，用Java写要100行，但是用Python写只要20行，当然在程序运行速度上来说，Python与C语言相差很大，但是由于Python的简单易学性，这个差距可忽略不记，马云：人工智能是未来的大趋势！
人工智能时代，互联网将迎来最大的浪潮，你难道不想在这浪潮中充分的展现自己吗？
㈦ 有没有老师了解Python用于Meta分析的工具包
Python在科学计算领域，有两个重要的扩展模块：Numpy和Scipy。其中Numpy是一个用python实现的科学计算包。包括：
一个强大的N维数组对象Array；
比较成熟的（广播）函数库；
用于整合C/C++和Fortran代码的工具包；
实用的线性代数、傅里叶变换和随机数生成函数。
SciPy是一个开源的Python算法库和数学工具包，SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。其功能与软件MATLAB、Scilab和GNU Octave类似。
Numpy和Scipy常常结合着使用，Python大多数机器学习库都依赖于这两个模块，绘图和可视化依赖于matplotlib模块，matplotlib的风格与matlab类似。Python机器学习库非常多，而且大多数开源，主要有：
1.scikit-learn
scikit-learn是一个基于SciPy和Numpy的开源机器学习模块，包括分类、回归、聚类系列算法，主要算法有SVM、逻辑回归、朴素贝叶斯、Kmeans、DBSCAN等，目前由INRI资助，偶尔Google也资助一点。
项目主页：
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的自然语言处理模块，包括一系列的字符处理和语言统计模型。NLTK常用于学术研究和教学，应用的领域有语言学、认知科学、人工智能、信息检索、机器学习等。NLTK提供超过50个语料库和词典资源，文本处理库包括分类、分词、词干提取、解析、语义推理。可稳定运行在Windows, Mac OS X和Linux平台上.
项目主页：
http://sourceforge.net/projects/nltk/
https://pypi.python.org/pypi/nltk/
http://nltk.org/
3.Mlpy
Mlpy是基于NumPy/SciPy的Python机器学习模块，它是Cython的扩展应用。包含的机器学习算法有：
l回归
least squares,ridge regression, least angle regression,elastic net, kernel ridge regression,support vector machines(SVM),partial least squares(PLS)
l分类
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聚类
hierarchical clustering, Memory-saving Hierarchical Clustering,k-means
l维度约减
(Kernel)Fisher discriminant analysis(FDA), Spectral Regression Discriminant Analysis (SRDA), (kernel)Principal component analysis(PCA)
项目主页：
http://sourceforge.net/projects/mlpy
https://mlpy.fbk.eu/
4.Shogun
Shogun是一个开源的大规模机器学习工具箱。目前Shogun的机器学习功能分为几个部分：feature表示，feature预处理，核函数表示,核函数标准化，距离表示，分类器表示，聚类方法，分布，性能评价方法，回归方法，结构化输出学习器。
SHOGUN的核心由C++实现，提供Matlab、R、Octave、Python接口。主要应用在linux平台上。
项目主页：
http://www.shogun-toolbox.org/
5.MDP
The Molar toolkit for Data Processing (MDP)，用于数据处理的模块化工具包，一个Python数据处理框架。
从用户的观点，MDP是能够被整合到数据处理序列和更复杂的前馈网络结构的一批监督学习和非监督学习算法和其他数据处理单元。计算依照速度和内存需求而高效的执行。从科学开发者的观点，MDP是一个模块框架，它能够被容易地扩展。新算法的实现是容易且直观的。新实现的单元然后被自动地与程序库的其余部件进行整合。MDP在神经科学的理论研究背景下被编写，但是它已经被设计为在使用可训练数据处理算法的任何情况中都是有用的。其站在用户一边的简单性，各种不同的随时可用的算法，及应用单元的可重用性，使得它也是一个有用的教学工具。
项目主页：
http://mdp-toolkit.sourceforge.net/
https://pypi.python.org/pypi/MDP/
㈧ python好学吗培训机构的课程和人工智能的关系大不大呢
Python好学吗?答案是肯定的。Python是一种计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。
Python在设计风格上坚持清晰划一的风格，包含了丰富而功能强大的库，这使得Python成为一门易读、易维护，并且被大量用户所欢迎的、用途广泛的语言。
至于和人工智能的关系大不大，我们一起来分析看看
人工智能是利用先进的IT生产出能做出与人类相似的反应的智能机器，人工智能领域的研究包括：机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、自动规划、智能搜索、定理证明、博弈、自动程序设计、智能控制、机器人学、遗传编程、语言和图像理解等。
Python是一门语法优美、简单易学的编程语言，拥有强大的人工智能库：
1、总体的AI库
AIMA：Python实现了从Russell到Norvigs的"人工智能：一种现代的方法"的算法;
pyDatalog：Python中的逻辑编程引擎;
SimpleAI：Python实现在"人工智能：一种现代的方法"这本书中描述过的人工智能的算法，它专注于提供一个易于使用，有良好文档和测试的库;
EasyAI：一个双人AI游戏的python引擎。
2、机器学习库
PyBrain一个灵活，简单而有效的针对机器学习任务的算法，它是模块化的Python机器学习库，它也提供了多种预定义好的环境来测试和比较你的算法;
PyML一个用Python写的双边框架，重点研究SVM和其他内核方法，它支持Linux和MacOSX;
scikit-learn旨在提供简单而强大的解决方案，可以在不同的上下文中重用：机器学习作为科学和工程的一个多功能工具，它是python的一个模块，集成了经典的机器学习的算法，这些算法是和python科学包紧密联系在一起的;
MDP-Toolkit这是一个Python数据处理的框架，可以很容易的进行扩展。它海收集了有监管和没有监管的学习算饭和其他数据处理单元，可以组合成数据处理序列或者更复杂的前馈网络结构。新算法的实现是简单和直观的。可用的算法是在不断的稳定增加的，包括信号处理方法，流型学习方法，集中分类，概率方法，数据预处理方法等等。
3、自然语言和文本处理库
NLTK开源的Python模块，语言学数据和文档，用来研究和开发自然语言处理和文本分析，有windows、MacOSX和Linux版本。
对于人工智能的一些功能的实现，Python短短的一段代码就足够啦，从人脸识别、会话接口，再到其他领域，Python正在不断扩展新的领域，未来Python在人工智能领域的应用会越来越广泛。
以上的回答希望对你有所帮助
㈨ 为什么做AI的都选Python
相对于其他语言：
1、更加人性化的设计
Python的设计更加人性化，具有快速、坚固、可移植性、可扩展性的特点，十分适合人工智能;开源免费，而且学习简单，很容易实现普及;内置强大的库，可以轻松实现更大强大的功能。
2、总体的AI库
AIMA：Python实现了从Russell到Norvigs的“人工智能：一种现代的方法”的算法;
pyDatalog：Python中的逻辑编程引擎;
SimpleAI：Python实现在“人工智能：一种现代的方法”这本书中描述过的人工智能的算法，它专注于提供一个易于使用，有良好文档和测试的库;
EasyAI：一个双人AI游戏的python引擎。
3、机器学习库
PyBrain 一个灵活，简单而有效的针对机器学习任务的算法，它是模块化的Python机器学习库，它也提供了多种预定义好的环境来测试和比较你的算法;
PyML 一个用Python写的双边框架，重点研究SVM和其他内核方法，它支持Linux和Mac OS X;
scikit-learn旨在提供简单而强大的解决方案，可以在不同的上下文中重用：机器学习作为科学和工程的一个多功能工具，它是python的一个模块，集成了经典的机器学习的算法，这些算法是和python科学包紧密联系在一起的;
MDP-Toolkit这是一个Python数据处理的框架，可以很容易的进行扩展。它海收集了有监管和没有监管的学习算饭和其他数据处理单元，可以组合成数据处理序列或者更复杂的前馈网络结构。新算法的实现是简单和直观的。可用的算法是在不断的稳定增加的，包括信号处理方法，流型学习方法，集中分类，概率方法，数据预处理方法等等。
4、自然语言和文本处理库
NLTK开源的Python模块，语言学数据和文档，用来研究和开发自然语言处理和文本分析，有windows、Mac OSX和Linux版本。
Python具有丰富而强大的库，能够将其他语言制作的各种模块很轻松的联结在一起，因此，Python编程对人工智能是一门非常有用的语言。可以说人工智能和Python是紧密相连的。如果你想要抓住人工智能的风口，Python是必不可少的助力。
人工智能上使用Python比其他编程语言的好处
1、优质的文档
2、平台无关，可以在现在每一个*nix版本上使用
3、和其他面向对象编程语言比学习更加简单快速
4、Python有许多图像加强库像Python Imaging Libary，VTK和Maya 3D可视化工具包，Numeric Python， Scientific Python和其他很多可用工具可以于数值和科学应用。
5、Python的设计非常好，快速，坚固，可移植，可扩展。很明显这些对于人工智能应用来说都是非常重要的因素。
6、对于科学用途的广泛编程任务都很有用，无论从小的shell脚本还是整个网站应用。
7、它是开源的。可以得到相同的社区支持。
AI的Python库
一、总体的AI库
AIMA：Python实现了从Russell到Norvigs的“人工智能：一种现代的方法”的算法
pyDatalog：Python中的逻辑编程引擎
SimpleAI：Python实现在“人工智能：一种现代的方法”这本书中描述过的人工智能的算法。它专注于提供一个易于使用，有良好文档和测试的库。
EasyAI：一个双人AI游戏的python引擎（负极大值，置换表、游戏解决）
二、机器学习库
PyBrain 一个灵活，简单而有效的针对机器学习任务的算法，它是模块化的Python机器学习库。它也提供了多种预定义好的环境来测试和比较你的算法。
PyML 一个用Python写的双边框架，重点研究SVM和其他内核方法。它支持Linux和Mac OS X。
scikit-learn 旨在提供简单而强大的解决方案，可以在不同的上下文中重用：机器学习作为科学和工程的一个多功能工具。它是python的一个模块，集成了经典的机器学习的算法，这些算法是和python科学包（numpy，scipy.matplotlib）紧密联系在一起的。
MDP-Toolkit 这是一个Python数据处理的框架，可以很容易的进行扩展。它海收集了有监管和没有监管的学习算饭和其他数据处理单元，可以组合成数据处理序列或者更复杂的前馈网络结构。新算法的实现是简单和直观的。可用的算法是在不断的稳定增加的，包括信号处理方法（主成分分析、独立成分分析、慢特征分析），流型学习方法（局部线性嵌入），集中分类，概率方法（因子分析，RBM），数据预处理方法等等。
㈩ 如何执行python第三方包windows exe格式
python第三方包的windows安装文件exe格式， 这上面有很多python第三方包的二进制安装文件，包括32位和64位的。下载安装就ok了！
这下面有很多python第三方包的二进制安装文件，包括32位和64位的。下载安装就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