{"id":53299,"date":"2019-11-28T00:00:00","date_gmt":"2019-11-27T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/56-proektov-na-python-s-otkrytym-ishodnym-kodom"},"modified":"2020-02-18T14:01:11","modified_gmt":"2020-02-18T11:01:11","slug":"56-proektov-na-python-s-otkrytym-ishodnym-kodom","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/56-proektov-na-python-s-otkrytym-ishodnym-kodom","title":{"rendered":"56 Projekte in Python mit offenem Quellcode","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"56
\n<\/p>\n

1. Flask<\/h3>\n

\nDies ist ein Micro-Framework, das in Python geschrieben ist. Es hat keine Validierungen f\u00fcr Formulare und eine Datenbank-Abstraktionsschicht, erlaubt es Ihnen aber, externe Bibliotheken f\u00fcr allgemeine Funktionen zu verwenden. Und genau deshalb ist es ein Micro-Framework. Flask ist darauf ausgelegt, Anwendungen einfach und schnell zu erstellen, und ist zudem skalierbar und leicht. Es basiert auf den Projekten Werkzeug und Jinja2. Sie k\u00f6nnen mehr dar\u00fcber in dem neuesten Artikel von DataFlair erfahren \u00fcber Python Flask<\/a><\/noindex>.<\/p>\n

2. Keras<\/h3>\n

\nKeras ist eine Open-Source-Bibliothek f\u00fcr neuronale Netze, die in Python geschrieben ist. Sie ist benutzerfreundlich, modular und erweiterbar und kann auch auf TensorFlow, Theano, PlaidML oder Microsoft Cognitive Toolkit (CNTK) betrieben werden. Keras hat alles: Vorlagen, Ziel- und Transferfunktionen, Optimierer und vieles mehr. Es unterst\u00fctzt auch konvolutionale und rekurrente neuronale Netze.<\/p>\n

Die Arbeit am letzten Open-Source-Projekt auf Basis von Keras ist die Klassifizierung von Brustkrebs<\/a><\/noindex>.
\n<\/a><\/noindex><\/p>\n

\"56<\/a><\/noindex>

\nDer Artikel wurde mit Unterst\u00fctzung der Firma EDISON Software \u00fcbersetzt, die entwickelt ein Diagnosesystem f\u00fcr das Dokumentenlager Vivaldi<\/a><\/noindex>, sowie investiert in Startups<\/a><\/noindex>.<\/p><\/blockquote>\n

3. SpaCy<\/h3>\n

\nDies ist eine Open-Source-Softwarebibliothek, die sich mit der Verarbeitung nat\u00fcrlicher Sprache (NLP)<\/a><\/noindex> besch\u00e4ftigt und in Python und Cython geschrieben ist. W\u00e4hrend NLTK besser f\u00fcr Ausbildungs- und Forschungszwecke geeignet ist, besteht die Aufgabe von spaCy darin, Software f\u00fcr die Produktion bereitzustellen. Dar\u00fcber hinaus ist Thinc eine Machine-Learning-Bibliothek von spaCy, die CNN-Modelle f\u00fcr Part-of-Speech-Tags, Abh\u00e4ngigkeitsparsing und die Erkennung benannter Entit\u00e4ten bereitstellt.<\/p>\n

4. Sentry<\/h3>\n

\nSentry bietet das Hosting f\u00fcr ein Open-Source-Fehlermonitoring an, damit Sie Fehler in Echtzeit erkennen und sortieren k\u00f6nnen. Installieren Sie einfach das SDK f\u00fcr Ihre(n) Sprache(n) oder Framework(s) und legen Sie los. Es erm\u00f6glicht Ihnen, nicht behandelte Ausnahmen zu erfassen, die Stapelverfolgung zu analysieren, die Auswirkungen jedes Problems zu untersuchen, Fehler in verschiedenen Projekten zu verfolgen, Probleme zuzuweisen und vieles mehr. Die Verwendung von Sentry bedeutet weniger Fehler und mehr gesendeten Code.<\/p>\n

5. OpenCV<\/h3>\n

\nOpenCV ist eine Open-Source-Bibliothek f\u00fcr Computer Vision und maschinelles Lernen. Die Bibliothek bietet \u00fcber 2500 optimierte Algorithmen f\u00fcr Aufgaben der Computer Vision, wie Objekterkennung und -identifikation, Klassifizierung verschiedener menschlicher Aktivit\u00e4ten, Bewegungserkennung mit Kameras, Erstellung von 3D-Modellen von Objekten, Bildzusammenf\u00fchrung f\u00fcr hochaufl\u00f6sende Bilder und viele weitere Aufgaben. Die Bibliothek ist in vielen Programmiersprachen verf\u00fcgbar, darunter Python, C++, Java usw.<\/p>\n

Anzahl der Sterne auf Github: 39585<\/p>\n

Haben Sie bereits an einem OpenCV-Projekt gearbeitet? Hier ist eines \u2013 Projekt zur Geschlechts- und Alterserkennung<\/a><\/noindex><\/p>\n

6. Nilearn<\/h3>\n

\nDies ist ein Modul zur schnellen und einfachen Implementierung von statistischem Lernen auf Neuroimaging-Daten. Es erm\u00f6glicht die Verwendung von scikit-learn f\u00fcr multivariate Statistiken, pr\u00e4diktives Modellieren, Klassifizierung, Dekodierung und Analyse der Konnektivit\u00e4t. Nilearn ist Teil des NiPy-\u00d6kosystems, das eine Gemeinschaft zum Einsatz von Python f\u00fcr die Analyse von Neuroimaging-Daten darstellt.<\/p>\n

Anzahl der Sterne auf Github<\/a><\/noindex>: 549<\/p>\n

7. scikit-Learn<\/h3>\n

\nScikit-learn ist ein weiteres Open-Source-Python-Projekt. Es ist eine sehr bekannte Bibliothek f\u00fcr maschinelles Lernen in Python. H\u00e4ufig zusammen mit NumPy und SciPy verwendet, bietet SciPy Klassifizierung, Regression und Clustering \u2013 es unterst\u00fctzt SVM (Support Vector Machines)<\/a><\/noindex>, Entscheidungsb\u00e4ume, Gradient Boosting, k-Means und DBSCAN. Diese Bibliothek ist in Python und Cython geschrieben.<\/p>\n

Anzahl der Sterne auf Github: 37144<\/p>\n

8. PyTorch<\/h3>\n

\nPyTorch ist eine weitere Open-Source-Bibliothek f\u00fcr maschinelles Lernen, die in Python und f\u00fcr Python geschrieben wurde. Sie basiert auf der Torch-Bibliothek und ist ideal f\u00fcr Bereiche wie Computer Vision und nat\u00fcrliche Sprachverarbeitung (NLP). Sie hat auch ein C++-Frontend. <\/p>\n

Neben vielen anderen Funktionen bietet PyTorch zwei hochgradige:<\/p>\n