بستههای نرمافزاری متعددی برای انجام کارهای مربوط به یادگیری ماشین ارائه شده است که شاید از این میان نامدارترین آنها کتابخانه tensorflow باشد. با این حال برای وظایف معمولیتر و صد البته برای شروع یادگیری ماشین کتابخانههای سبکتری نیز وجود دارد. یکی از این کتابخانه که بر پایه scipy، numpy و matplotlib توسعه یافته است، کتابخانه scikit-learn میباشد. در این نوشته به نحوه تشخیص اعداد با استفاده از امکانات فراهم شده توسط این کتابخانه پرداخته خواهد شد.
شبکه عصبی بعنوان ابزار اصلی در زمینه یادگیری عمیق مورد توجه بسیاری از برنامهنویسان میباشد. کتابخانههای متنوعی برای استفاده از شبکههای عصبی در متلب، پایتون و دیگر زبانهای محاسبات علمی ارائه شده است. با اینحال برای کاربردهای عملیتر به پیادهسازی شبکه عصبی در زبانهای سطح میانی نیاز میباشد. یکی از کتابخانههایی که استفاده از شبکههای عصبی را با کارایی و سرعت بالا در زبان ++C فراهم کرده است، OpenNN میباشد. در این نوشته به معرفی این کتابخانه پرداخته میشود.
یکی از روشهای نوین و پرکاربرد در زمینه یادگیری ماشین و هوش مصنوعی شبکههای عصبی میباشد. این روش که بعد از فراز و نشیبهایی در تاریخچهاش امروزه به مقبولیت قابل ملاحظهای بین محققین رسیده است برگرفته از ساختار عصبی مغز انسان میباشد. هر شبکه عصبی از لایههای مختلفی تشکیل شده است که این لایهها از اجزای کوچکتری به نام نورون بوجود آمده اند.