{"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\/it\/blog\/news\/56-proektov-na-python-s-otkrytym-ishodnym-kodom","title":{"rendered":"56 progetti in Python con codice sorgente aperto","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

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

1. Flask<\/h3>\n

\nFlask \u00e8 un micro-framework scritto in Python. Non ha validazioni per i moduli n\u00e9 un livello di astrazione per i database, ma ti consente di utilizzare librerie di terze parti per funzioni comuni. Ed \u00e8 proprio per questo che si chiama micro-framework. Flask \u00e8 progettato per la creazione semplice e veloce di applicazioni, ed \u00e8 anche scalabile e leggero. \u00c8 basato sui progetti Werkzeug e Jinja2. Puoi saperne di pi\u00f9 su di esso nell'ultimo articolo di DataFlair su Python Flask<\/a><\/noindex>.<\/p>\n

2. Keras<\/h3>\n

\nKeras \u00e8 una libreria di deep learning open source scritta in Python. \u00c8 user-friendly, modulare e scalabile, e pu\u00f2 funzionare sopra TensorFlow, Theano, PlaidML o Microsoft Cognitive Toolkit (CNTK). Keras ha tutto: modelli, funzioni di obiettivo e di attivazione, ottimizzatori e molto altro. Supporta anche reti neurali convolutionali e ricorrenti.<\/p>\n

Lavorando su un progetto open source basato su Keras \u2014 Classificazione del cancro al seno<\/a><\/noindex>.
\n<\/a><\/noindex><\/p>\n

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

\nL'articolo \u00e8 stato tradotto con il supporto dell'azienda EDISON Software, che sviluppa un sistema diagnostico per il repository di documenti Vivaldi<\/a><\/noindex>, e inoltre investe in startup<\/a><\/noindex>.<\/p><\/blockquote>\n

3. SpaCy<\/h3>\n

\n\u00c8 una libreria open source che si occupa di elaborazione del linguaggio naturale (NLP)<\/a><\/noindex> ed \u00e8 scritta in Python e Cython. Mentre NLTK \u00e8 pi\u00f9 adatto per scopi didattici e di ricerca, il lavoro di spaCy consiste nel fornire software per la produzione. Inoltre, Thinc \u00e8 la libreria di machine learning di spaCy, che presenta modelli CNN per il tagging delle parti del discorso, l'analisi delle dipendenze e il riconoscimento degli oggetti nominati.<\/p>\n

4. Sentry<\/h3>\n

\nSentry offre hosting per il monitoraggio degli errori open source, cos\u00ec puoi scoprire e risolvere errori in tempo reale. Basta installare l'SDK per il tuo linguaggio o framework e iniziare a lavorare. Ti consente di registrare eccezioni non gestite, esaminare le tracce dello stack, analizzare l'impatto di ogni problema, monitorare errori in diversi progetti, assegnare problemi e molto altro. Usare Sentry significa meno errori e pi\u00f9 codice inviato.<\/p>\n

5. OpenCV<\/h3>\n

\nOpenCV \u00e8 una libreria di visione artificiale e apprendimento automatico open source. La libreria dispone di oltre 2500 algoritmi ottimizzati per compiti di visione artificiale, come il rilevamento e il riconoscimento degli oggetti, la classificazione di vari tipi di attivit\u00e0 umane, il tracciamento dei movimenti tramite fotocamera, la creazione di modelli tridimensionali di oggetti, la cucitura di immagini per ottenere immagini ad alta risoluzione e molte altre attivit\u00e0. La libreria \u00e8 disponibile in molte lingue, come Python, C++, Java, ecc.<\/p>\n

Numero di stelle su Github: 39585<\/p>\n

Hai gi\u00e0 lavorato a qualche progetto OpenCV? Ecco uno \u2014 Progetto di determinazione del sesso e dell'et\u00e0<\/a><\/noindex><\/p>\n

6. Nilearn<\/h3>\n

\nQuesto modulo permette una rapida e semplice implementazione dell'apprendimento statistico su dati di neuroimaging. Consente di utilizzare scikit-learn per statistica multidimensionale per modellazione predittiva, classificazione, decodifica e analisi di connettivit\u00e0. Nilearn \u00e8 parte dell'ecosistema NiPy, una comunit\u00e0 dedicata all'uso di Python per l'analisi dei dati di neuroimaging.<\/p>\n

Numero di stelle su Github<\/a><\/noindex>: 549<\/p>\n

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

\nScikit-learn \u00e8 un altro progetto Python open source. \u00c8 una libreria di apprendimento automatico molto nota per Python. Spesso utilizzata con NumPy e SciPy, SciPy offre classificazione, regressione e clustering \u2014 supporta SVM (Support Vector Machines)<\/a><\/noindex>, foreste casuali, gradient boosting, k-means e DBSCAN. Questa libreria \u00e8 scritta in Python e Cython.<\/p>\n

Numero di stelle su Github: 37,144<\/p>\n

8. PyTorch<\/h3>\n

\nPyTorch \u00e8 un'altra libreria open source di apprendimento automatico, scritta in Python e per Python. Si basa sulla libreria Torch ed \u00e8 ottima per ambiti come la visione artificiale e l'elaborazione del linguaggio naturale (NLP). Ha anche un front-end in C++. <\/p>\n

Tra molte altre caratteristiche, PyTorch offre due ad alto livello:<\/p>\n