برنامه نویسان هوش مصنوعی برای کد نویسی از لایبری های پایتون استفاده می کنند . اما به تازگی یک

 لایــبـــری منبع بــاز یادگیری ماشین به نــــام پای کَرت معرفـــی شده است که آموزش و استقرار مدل های

یادگیری ماشین نظــارت شده و بدون نظــــارت در یک محیط کم کــد را انجـــام مـــی دهـــد. پای کَرت بـــه

شما امکان می دهد تــــا در عرض چند ثانیه بعد از انتخاب محیط نوت بوک خود ، از تهیه داده تا استقرار

مدل ها دسترسی داشته باشید.

مزایای استفاده از این لایبری پایتون چیست ؟

در مقـــایسه بـــا سایر لایبری های یادگیری ماشیــن منبع باز ، پای کَرت یک لایبری کم کد دیگر است که

می تواند برای جایگزین کردن صدها خط کد فقط با چند کلمه، استفاده شود. این باعث می شود آزمایشها

به صورت تصاعدی، سریع و کارآمد انجام شود. پای کَرت بسیـــار ساده است وبه راحتی می توان از آن

استفاده کرد.پای کَرت بسیار ساده و قابل استفاده است. کلیه عملیات انجـــام شـــده در پای کَرت بصورت

پـی در پـی در یـک خـط لـولــه ذخیـــره مــی شــود که کــاملاً برای بار گذاری سازمان یافته شده هستند.

پای کَرت مـــواردی مثـــل مقـادیر گمشده ، تبدیل داده های طبقه بندی شده ، مهندسی ویژگی ها یا تنظیم

فشار بیش از اندازه را به صــورت خــودکار انجـام می دهد. پای کَرت در اصل یک روپوش پایتون است

کــه بـــا چـنـدیـن لایـبـری هـای یـــادگیــری مــاشیـــن و چـــارچوب هایی مانند XGBoost ، spaCy

، Microsoft LightGBM در تعامـــل است.  پـدیـد آورندگــان پای کَرت به طور جدی در حال بهبود

دادن آن هستنــد. خط لــوله تـوسعه آینــــده آنها شامل یک ماژول پیش بینی سری جدید سری ، ادغام با

TensorFlow و پیشرفت های اســـاسی در مقیـــاس پذیری پای کَرت است.با این وجود همانطور که

لایبری ها پیشرفت می کنند کار کد نویسی سبک تر و سریعتر می شود.