在人工智能项目中，spacy，nltk，prodigy，sklearn在哪里适合？

Question

像spacy、sklearn、prodigy、nltk这样的工具适用于下面的AI项目体系结构，以及这些项目的一些常见的替代方案：

Answer 1

我不确定你能把上面的工具和库整齐地放进你的示意图里。在这里，“特征”的含义是什么?它是一个输出(比如“文本分类”是算法的输出)？在这种情况下，我质疑这个原理图的有用性。

尽管如此，nltk、sklearn等都是包含多种不同工具的库，它们可以帮助您完成NLP AI建模工作流中的所有工作。从特征提取到建模和验证。

例如，spacy、sklearn和nltk的所有三个库都有能力构建模型。因此，它们当然适合于"ML算法“，但它们也有助于特征提取，因此它们适合于那个桶。

除此之外，它们还为您提供了一般的数据争用功能，以及没有出现在您的原理图中的验证措施。

主差分

NLTK和spacy主要集中在NLP和基于文本的数据，而sklearn则是多用途的。

的替代品

这些替代方案实际上取决于您的用例，NLTK和spacy做的事情非常相似，因此对于NLP来说，它们已经是彼此的替代品了。当涉及到python中的ML时，Sklearn几乎是标准的，但是如果您想要构建深入学习，您可能会更多地使用Keras、py手电筒等。