{"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\/novosti-interneta\/56-proektov-na-python-s-otkrytym-ishodnym-kodom","title":{"rendered":"56 Projekte auf Python mit offenem Quellcode","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

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

1. Flask<\/h3>\n

\nFlask ist ein Mikro-Framework, das in Python geschrieben ist. Es bietet keine Validierungen f\u00fcr Formulare oder eine Datenbankabstraktionsschicht, erm\u00f6glicht jedoch die Verwendung von Drittanbieterbibliotheken f\u00fcr allgemeine Funktionen. Deshalb wird es als Mikro-Framework bezeichnet. Flask ist darauf ausgelegt, Anwendungen einfach und schnell zu erstellen, ist skalierbar und leichtgewichtig. Es basiert auf den Projekten Werkzeug und Jinja2. Weitere Informationen finden Sie in dem neuesten Artikel von DataFlair \u00fcber Python Flask<\/a><\/noindex>.<\/p>\n

2. Keras<\/h3>\n

\nKeras ist eine Open-Source-Bibliothek f\u00fcr neuronale Netzwerke, die in Python geschrieben ist. Sie ist benutzerfreundlich, modular und erweiterbar und kann zudem auf TensorFlow, Theano, PlaidML oder dem Microsoft Cognitive Toolkit (CNTK) aufbauen. Keras bietet alles: Vorlagen, Ziel- und Aktivierungsfunktionen, Optimierer und vieles mehr. Zudem unterst\u00fctzt es konvolutionale und rekurrente neuronale Netzwerke.<\/p>\n

Das letzte Open-Source-Projekt, das auf Keras basiert, ist die Klassifizierung von Brustkrebs<\/a><\/noindex>.
\n<\/a><\/noindex><\/p>\n

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

\nDer Artikel wurde mit Unterst\u00fctzung von EDISON Software \u00fcbersetzt, einem Unternehmen, das ein Diagnosesystem f\u00fcr Dokumentenspeicher namens Vivaldi entwickelt<\/a><\/noindex>, sowie in Start-ups investiert<\/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 Lern- und Forschungszwecke geeignet ist, liegt der Fokus von spaCy auf der Bereitstellung von Software f\u00fcr die Produktion. Zudem ist Thinc die maschinelle Lernbibliothek von spaCy, die CNN-Modelle f\u00fcr POS-Tagging, Abh\u00e4ngigkeitsparsing und die Erkennung benannter Entit\u00e4ten beinhaltet.<\/p>\n

4. Sentry<\/h3>\n

\nSentry bietet ein Open-Source-Fehler\u00fcberwachungs-Hosting, 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 abgefangene Ausnahmen zu protokollieren, den Stack-Trace zu untersuchen, die Auswirkungen jedes Problems zu analysieren, Fehler in verschiedenen Projekten zu verfolgen, Probleme zuzuweisen und vieles mehr. Die Nutzung von Sentry bedeutet weniger Fehler und mehr versendeter 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 zum Beispiel Objekterkennung und -identifikation, Klassifizierung verschiedener menschlicher Aktivit\u00e4ten, Bewegungserkennung mit Kameras, Erstellung dreidimensionaler Objektmodelle, das Zusammenf\u00fcgen von Bildern zu hochaufl\u00f6senden Bildern und viele weitere Anwendungen. Die Bibliothek ist in vielen Programmiersprachen wie Python, C++ und Java verf\u00fcgbar.<\/p>\n

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

Haben Sie bereits an einem OpenCV-Projekt gearbeitet? Hier ist eines \u2014 Projekt zur Geschlechts- und Altersbestimmung<\/a><\/noindex><\/p>\n

6. Nilearn<\/h3>\n

\nDies ist ein Modul f\u00fcr die schnelle und einfache Implementierung statistischer Lernverfahren auf Neuroimaging-Daten. Es erm\u00f6glicht die Nutzung von scikit-learn f\u00fcr multivariate Statistik zur Prognosemodellierung, Klassifizierung, Dekodierung und Analyse der Konnektivit\u00e4t. Nilearn ist Teil des NiPy-\u00d6kosystems, einer Gemeinschaft, die sich dem Einsatz von Python zur Analyse von Neuroimaging-Daten widmet.<\/p>\n

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

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

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

Anzahl der Sterne auf Github: 37.144<\/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 eignet sich hervorragend f\u00fcr Bereiche wie Computer Vision und nat\u00fcrliche Sprachverarbeitung (NLP). Sie hat auch ein C++-Frontend. <\/p>\n

Unter vielen anderen Funktionen bietet PyTorch zwei hochentwickelte:<\/p>\n