譯者 | 布加迪

審校 | 孫淑娟?

本文將討論七款可以幫助數據科學家提高工作效率的基于AI的工具。這些工具可以幫助自動處理數據清理、特征選擇、模型調優之類的任務，直接或間接地使您的工作更高效、更準確，并有助于做出更好的決策。?

其中許多工具擁有對用戶友好的UI，用起來非常簡單。與此同時，一些工具允許數據科學家與其他成員共享和協作項目，這有助于提高團隊的生產力。?

1. DataRobot?

DataRobot是一個基于Web的平臺，可以幫助自動構建、部署和維護機器學習模型。它支持許多特性和技術，比如深度學習、集成學習和時序分析。它使用先進的算法和技術，可幫助你快速準確地構建模型，還提供維護和監控部署模型的功能。?

它還允許數據科學家與其他人共享和協作項目，因而使團隊更容易合作開發復雜項目。?

2. H2O.ai?

H2O.ai是一種為數據科學家提供專業工具的開源平臺。其主要功能是自動化機器學習（AutoML），可以使構建和調優機器學習模型的過程實現自動化。它還包括梯度提升和隨機森林之類的算法。?

由于它是一種開源平臺，數據科學家可以根據自己的需要定制源代碼，以便將其整合到現有系統中。?

它使用版本控制系統來跟蹤添加到代碼中的所有更改和修改。H2O.ai還可以在云和邊緣設備上運行，支持為平臺貢獻代碼的龐大而活躍的用戶和開發者社區。?

3. Big Panda?

Big Panda用于自動處理IT運營中的事件管理和異常檢測。簡單來說，異常檢測就是識別數據集當中明顯偏離預期行為的模式、事件或觀察結果。它用于識別可能表明有問題的不尋常或異常的數據點。?

它使用各種AI和ML技術來分析日志數據，并識別潛在問題。它可以自動解決事件，并減少人工干預的需要。?

Big Panda可以實時監控系統，這有助于快速識別和解決問題。此外，它可以幫助確定事件的根本原因，使解決問題來得更容易，并防止問題再次發生。?

4. HuggingFace?

HuggingFace用于自然語言處理（NLP），并提供預訓練的模型，允許數據科學家快速實現NLP任務。它執行許多功能，比如文本分類、命名實體識別、問題回答和語言翻譯。它還提供針對特定的任務和數據集微調預訓練模型的功能，因而便于提升性能。?

其預訓練模型在多項基準指標上達到了最先進的性能，因為它們是用大量數據來訓練的。這讓數據科學家可以快速構建模型，無需從頭開始訓練，因而節省了他們的時間和資源。?

該平臺還允許數據科學家針對特定的任務和數據集微調預訓練的模型，這可以提升模型的性能。這可以使用簡單的API來完成，就連NLP方面經驗有限的人也很容易使用。?

5. CatBoost?

CatBoost庫用于梯度提升任務，是專門為處理類別數據而設計的。它在許多數據集方面實現了最先進的性能，因并行GPU計算而支持加速模型訓練過程。?

CatBoost最穩定，對數據中的過擬合和噪聲最兼容，這可以提高模型的泛化能力。它使用一種名為“有序提升”的算法，在做出預測之前以迭代方式填充缺失的值。?

CatBoost提供特征重要性，這可以幫助數據科學家了解每個特征對模型預測的貢獻。?

6. Optuna?

Optuna也是一個開源庫，主要用于超參數調整和優化。這有助于數據科學家為他們的機器學習模型找到最佳參數。它使用一種名為“貝葉斯優化”的技術，可以自動搜索某個特定模型的最優超參數。?

它的另一個主要特點是很容易與各種機器學習框架和庫集成，比如TensorFlow、PyTorch和scikit-learn。它還可以同時優化多個目標，在性能與其他指標之間提供了很好的權衡。?

7. AssemblyAI?

它是一個提供預訓練模型的平臺，旨在使開發人員將這些模型輕松集成到現有的應用程序或服務中。?

它還提供各種API，比如語音到文本API或自然語言處理API。語音到文本API用于從音頻或視頻文件中高精度地獲取文本。此外，自然語言API可以幫助處理情緒分析、圖像實體識別、文本摘要之類的任務。?

結語?

訓練機器學習模型包括數據收集及準備、探索性數據分析、特征工程、模型選擇及訓練、模型評估以及模型部署。要執行所有任務，您就需要了解所涉及的各種工具和命令。這七款工具可以幫助您花最小的精力來訓練和部署模型。?

原文標題：??7 AI-Powered Tools to Enhance Productivity for Data Scientists??，作者：Aryan Garg