这七款基于AI的工具让数据科学家如虎添翼

译者 | 布加迪

审校 | 孙淑娟​

本文将讨论七款可以帮助数据科学家提高工作效率的基于AI的工具。这些工具可以帮助自动处理数据清理、特征选择、模型调优之类的任务，直接或间接地使您的工作更高效、更准确，并有助于做出更好的决策。​

其中许多工具拥有对用户友好的UI，用起来非常简单。与此同时，一些工具允许数据科学家与其他成员共享和协作项目，这有助于提高团队的生产力。​

1. DataRobot​

DataRobot是一个基于Web的平台，可以帮助自动构建、部署和维护机器学习模型。它支持许多特性和技术，比如深度学习、集成学习和时序分析。它使用先进的算法和技术，可帮助你快速准确地构建模型，还提供维护和监控部署模型的功能。​

它还允许数据科学家与其他人共享和协作项目，因而使团队更容易合作开发复杂项目。​

2. H2O.ai​

H2O.ai是一种为数据科学家提供专业工具的开源平台。其主要功能是自动化机器学习（AutoML），可以使构建和调优机器学习模型的过程实现自动化。它还包括梯度提升和随机森林之类的算法。​

由于它是一种开源平台，数据科学家可以根据自己的需要定制源代码，以便将其整合到现有系统中。​

它使用版本控制系统来跟踪添加到代码中的所有更改和修改。H2O.ai还可以在云和边缘设备上运行，支持为平台贡献代码的庞大而活跃的用户和开发者社区。​

3. Big Panda​

Big Panda用于自动处理IT运营中的事件管理和异常检测。简单来说，异常检测就是识别数据集当中明显偏离预期行为的模式、事件或观察结果。它用于识别可能表明有问题的不寻常或异常的数据点。​

它使用各种AI和ML技术来分析日志数据，并识别潜在问题。它可以自动解决事件，并减少人工干预的需要。​

Big Panda可以实时监控系统，这有助于快速识别和解决问题。此外，它可以帮助确定事件的根本原因，使解决问题来得更容易，并防止问题再次发生。​

4. HuggingFace​

HuggingFace用于自然语言处理（NLP），并提供预训练的模型，允许数据科学家快速实现NLP任务。它执行许多功能，比如文本分类、命名实体识别、问题回答和语言翻译。它还提供针对特定的任务和数据集微调预训练模型的功能，因而便于提升性能。​

其预训练模型在多项基准指标上达到了最先进的性能，因为它们是用大量数据来训练的。这让数据科学家可以快速构建模型，无需从头开始训练，因而节省了他们的时间和资源。​

该平台还允许数据科学家针对特定的任务和数据集微调预训练的模型，这可以提升模型的性能。这可以使用简单的API来完成，就连NLP方面经验有限的人也很容易使用。​

5. CatBoost​

CatBoost库用于梯度提升任务，是专门为处理类别数据而设计的。它在许多数据集方面实现了最先进的性能，因并行GPU计算而支持加速模型训练过程。​

CatBoost最稳定，对数据中的过拟合和噪声最兼容，这可以提高模型的泛化能力。它使用一种名为“有序提升”的算法，在做出预测之前以迭代方式填充缺失的值。​

CatBoost提供特征重要性，这可以帮助数据科学家了解每个特征对模型预测的贡献。​

6. Optuna​

Optuna也是一个开源库，主要用于超参数调整和优化。这有助于数据科学家为他们的机器学习模型找到最佳参数。它使用一种名为“贝叶斯优化”的技术，可以自动搜索某个特定模型的最优超参数。​

它的另一个主要特点是很容易与各种机器学习框架和库集成，比如TensorFlow、PyTorch和scikit-learn。它还可以同时优化多个目标，在性能与其他指标之间提供了很好的权衡。​

7. AssemblyAI​

它是一个提供预训练模型的平台，旨在使开发人员将这些模型轻松集成到现有的应用程序或服务中。​

它还提供各种API，比如语音到文本API或自然语言处理API。语音到文本API用于从音频或视频文件中高精度地获取文本。此外，自然语言API可以帮助处理情绪分析、图像实体识别、文本摘要之类的任务。​

结语​

训练机器学习模型包括数据收集及准备、探索性数据分析、特征工程、模型选择及训练、模型评估以及模型部署。要执行所有任务，您就需要了解所涉及的各种工具和命令。这七款工具可以帮助您花最小的精力来训练和部署模型。​

原文标题：​​7 AI-Powered Tools to Enhance Productivity for Data Scientists​​，作者：Aryan Garg