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.
امروزه کمتر کاربردی از تکنولوژی را می توان یافت که از یادگیری ماشین و هوش مصنوعی بهره نگرفته باشد. از شناسایی چهره گرفته تا تشخیص عیب در سیستمهای صنعتی همه و همه با به کارگیری یادگیری ماشین شاهد پیشرفتی غیر قابل وصف بوده اند. ابزارهای زیادی برای پیاده سازی روشهای متداول یادگیری ماشین ارائه شده اند که از میان آنها می توان به کتابخانه Tensorflow گوگل اشاره کرد. از لحاظ راحتی برای شروع کار کتابخانه های توسعه یافته مبنی بر SciPy مثل Scikit-learn کار را بسیار ساده تر می نماید. در این نوشته به معرفی این کتابخانه و امکانات آن پرداخته می شود.
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.