• Home
  • /
  • Blog
  • /
  • शुरुआती के लिए एआई और एमएल के लिए 8 सर्वश्रेष्ठ पायथन लाइब्रेरीज

शुरुआती के लिए एआई और एमएल के लिए 8 सर्वश्रेष्ठ पायथन लाइब्रेरीज

एआई के लिए पायथन लाइब्रेरी

This post is also available in: English (English) العربية (Arabic)

मशीन लर्निंग (एमएल) और आर्टिफिशियल इंटेलिजेंस (एआई) विभिन्न उद्योगों में फैल रहे हैं, और अधिकांश उद्यमों ने इन तकनीकों में सक्रिय रूप से निवेश करना शुरू कर दिया है। मात्रा के विस्तार के साथ-साथ डेटा की जटिलता के साथ, एमएल और एआई को उनके विश्लेषण और प्रसंस्करण के लिए व्यापक रूप से अनुशंसित किया जाता है। एआई व्यावसायिक दक्षता बढ़ाने, उत्पादकता बढ़ाने और उत्पादन लागत कम करने के लिए अधिक सटीक अंतर्दृष्टि और पूर्वानुमान प्रदान करता है।

प्रोग्रामिंग भाषाओं में लाइब्रेरी पूर्व-लिखित कोड के संग्रह हैं जिनका उपयोग उपयोगकर्ता अपने कार्यों को अनुकूलित करने के लिए कर सकते हैं। एआई और मशीन लर्निंग के लिए पायथन लाइब्रेरी का उपयोग डेवलपर्स द्वारा कोड को फिर से लिखने की आवश्यकता के बिना जटिल कार्यों को करने के लिए किया जाता है।

एआई और एमएल के लिए पायथन लाइब्रेरीज

वास्तव में, मशीन लर्निंग की लोकप्रियता तेजी से बढ़ने का एक मुख्य कारण मशीन लर्निंग और डीप लर्निंग लाइब्रेरी है। परिष्कृत मशीन लर्निंग और डीप लर्निंग मॉडल विकसित करने के लिए पायथन पुस्तकालयों को प्राथमिकता देने का कारण उनके छोटे विकास समय, सुसंगत सिंटैक्स और लचीलेपन के सही संयोजन के कारण है। यहां एआई और एमएल के लिए सबसे आम और लोकप्रिय पायथन लाइब्रेरीज हैं।

1. टेंसरफ्लो

टेन्सॉरफ्लो एक ओपन-सोर्स और फ्री सॉफ्टवेयर लाइब्रेरी है जिसका इस्तेमाल मुख्य रूप से डिफरेंशियल प्रोग्रामिंग के लिए किया जाता है। यह एक गणित लाइब्रेरी है जिसका उपयोग मशीन लर्निंग के ऍप्लिकेशन्स और न्यूरल नेटवर्क द्वारा किया जाता है। यह उच्च अंत संख्यात्मक गणना करने में मदद करता है।

जबकि टेन्सॉरफ्लो को मुख्य रूप से गूगल की ब्रेन टीम द्वारा उनके आंतरिक उपयोग के लिए विकसित किया गया था, इसे अपाचे लाइसेंस 2.0 के तहत नवंबर 2015 में जनता के लिए जारी किया गया था। यह GPU, CPU, और TPU (टेन्सर प्रोसेसिंग यूनिट, जो टेन्सॉरफ्लो के साथ निर्मित एक हार्डवेयर चिप है) सहित बड़ी संख्या में प्लेटफार्मों पर चल सकता है।

Python Libraries for AI and ML

टेन्सॉरफ्लो छवि पहचान, हस्तलिखित अंकों के वर्गीकरण, आवर्तक तंत्रिका नेटवर्क, NLP (प्राकृतिक भाषा प्रसंस्करण), शब्द एम्बेडिंग और PDE (आंशिक विभेदक समीकरण) के लिए गहरे तंत्रिका नेटवर्क को संभाल सकता है। टेन्सॉरफ्लो पाइथन डेस्कटॉप, सर्वर और मोबाइल उपकरणों सहित प्लेटफार्मों की एक विस्तृत श्रृंखला में आसान गणना परिनियोजन की अनुमति देने के लिए उत्कृष्ट वास्तुकला समर्थन सुनिश्चित करता है।

मशीन लर्निंग और ए आई प्रोजेक्ट्स के लिए टेन्सॉरफ्लो पाइथन का एब्स्ट्रैक्शन प्रमुख लाभ है। यह सुविधा डेवलपर्स को एल्गोरिदम को लागू करने के सांसारिक विवरणों से निपटने के बजाय ऐप के व्यापक तर्क पर ध्यान केंद्रित करने की अनुमति देती है। इस लाइब्रेरी के साथ, पायथन डेवलपर्स अब अद्वितीय उत्तरदायी एप्लिकेशन बनाने के लिए एआई और एमएल का सहजता से लाभ उठा सकते हैं, जो चेहरे या आवाज की अभिव्यक्ति जैसे उपयोगकर्ता इनपुट का जवाब देते हैं।

टेन्सॉरफ्लो की विशेषताएं निम्नलिखित हैं:

  • ओपन-सोर्स लाइब्रेरी: यह एक ओपन-सोर्स लाइब्रेरी है जो मशीन लर्निंग में तेजी से और आसान गणना की अनुमति देती है। यह एल्गोरिदम को एक टूल से दूसरे टेन्सॉरफ्लो टूल में स्विच करना आसान बनाता है। पायथन की मदद से, यह विभिन्न मशीनों और डीप लर्निंग एल्गोरिदम के विकास के लिए फ्रंट-एंड एपीआई प्रदान करता है।
  • चलाने में आसान: हम टेन्सॉरफ्लो ऍप्लिकेशन्स को विभिन्न प्लेटफार्मों जैसे एंड्राइड, क्लाउड, IOS और विभिन्न आर्किटेक्चर जैसे CPU और GPU पर निष्पादित कर सकते हैं। यह इसे विभिन्न एम्बेडेड प्लेटफॉर्म पर निष्पादित करने की अनुमति देता है। टेन्सॉरफ्लो के पास क्लाउड टीपीयू (टेन्सरफ्लो प्रोसेसिंग यूनिट) नामक न्यूरल मॉडल को प्रशिक्षित करने के लिए अपना स्वयं का डिज़ाइन किया गया हार्डवेयर है।
  • तेजी से डिबगिंग: यह आपको प्रत्येक नोड को प्रतिबिंबित करने की अनुमति देता है, अर्थात, इसके मूल्यांकन से संबंधित व्यक्तिगत रूप से संचालन। टेन्सर बोर्ड अपने डैशबोर्ड का उपयोग करके अपने काम की कल्पना करने के लिए ग्राफ़ के साथ काम करता है। यह कम्प्यूटेशनल रेखांकन विधियां प्रदान करता है जो प्रतिमान को निष्पादित करने में आसान का समर्थन करता है।
  • प्रभावी: यह डेटा संरचना टेंसर की मदद से बहु-आयामी सरणियों के साथ काम करता है जो प्रवाह ग्राफ में किनारों का प्रतिनिधित्व करता है। टेंसर तीन मानदंडों का उपयोग करके प्रत्येक संरचना की पहचान करता है: रैंक, प्रकार, आकार।
  • स्केलेबल: यह समान मॉडल और विभिन्न डेटा सेट का उपयोग करके प्रशिक्षण की सहायता से स्टॉक, उत्पादों आदि की पूर्वानुमान के लिए जगह प्रदान करता है। यह सिंक्रोनस और एसिंक्रोनस लर्निंग तकनीकों और डेटा अंतर्ग्रहण की भी अनुमति देता है। ग्राफिकल दृष्टिकोण वितरित निष्पादन समांतरता को सुरक्षित करता है।
  • आसान प्रयोग: टेन्सॉरफ्लो रॉ डेटा को अनुमानकों में बदल देता है-डेटा न्यूरल नेटवर्क का एक रूप समझता है। टेन्सॉरफ्लो फीचर कॉलम रॉ डेटा और अनुमानकों के बीच पुल को मॉडल को प्रशिक्षित करने की अनुमति देता है। यह तेजी से विकासात्मक अंतर्दृष्टि के लिए मॉडल में चपलता जोड़ता है।
  • अमूर्तता: टेन्सॉरफ्लो कोड की लंबाई को कम करके और विकास के समय को कम करके अमूर्तता का एक परिभाषित स्तर प्रदान करता है। उपयोगकर्ता को कार्यों के लिए इनपुट प्रदान करने के उचित तरीके की अवहेलना करते हुए तर्क पर ध्यान केंद्रित करने की आवश्यकता है। एक उपयोगकर्ता सिस्टम की आवश्यकताओं के अनुसार मॉडल चुन सकता है।
  • लचीलापन: टेन्सॉरफ्लो केरस एपीआई और डेटा इनपुट पाइपलाइनों के समर्थन से जटिल टोपोलॉजी को हल करने की प्रक्रिया प्रदान करता है। केरस आसान प्रोटोटाइप प्रदान करता है और ऑब्जेक्ट-ओरिएंटेड न्यूरल नेटवर्क के लिए सबसे उपयुक्त है। टेन्सॉरफ्लो ऐसी विशेषताओं की सहायता से मशीन सीखने के तंत्र को आसान बनाता है। यह उपयोगकर्ता को विभिन्न प्रकार के रीयल-टाइम मॉडल बनाने के लिए सिस्टम बनाने और हेरफेर करने की अनुमति देता है।

2. केरस

डीप लर्निंग के लिए केरस सबसे उपयोगी लाइब्रेरी है। यह टेन्सॉरफ्लो और थेअणो के शीर्ष पर चलता है। यह तेजी से प्रयोग पर केंद्रित है और एक न्यूरल नेटवर्क लाइब्रेरी है। केरस अपने बैकएंड के रूप में टेन्सॉरफ्लो और थेअणो का उपयोग करता है। केरस एक प्रमुख ओपन-सोर्स पायथन लाइब्रेरी है जो न्यूरल नेटवर्क और मशीन लर्निंग प्रोजेक्ट्स के निर्माण के लिए लिखी गई है। यह Deeplearning4j, MXNet, माइक्रोसॉफ्ट कॉग्निटिव टूलकिट (CNTK), थेअणो, या टेन्सॉरफ्लो पर चल सकता है। यह ऑप्टिमाइज़र, न्यूरल लेयर्स, एक्टिवेशन फंक्शन्स, इनिशियलाइज़ेशन स्कीम्स, कॉस्ट फ़ंक्शंस और रेगुलराइज़ेशन स्कीम्स सहित लगभग सभी स्टैंडअलोन मॉड्यूल प्रदान करता है। यह नए कार्यों और कक्षाओं को जोड़ने की तरह ही नए मॉड्यूल जोड़ना आसान बनाता है। चूंकि मॉडल पहले से ही कोड में परिभाषित है, इसलिए आपको एक अलग मॉडल कॉन्फ़िगरेशन फ़ाइल की आवश्यकता नहीं है।

Python Libraries for AI and ML

केरस मशीन सीखने के शुरुआती लोगों के लिए न्यूरल नेटवर्क को डिजाइन और विकसित करना आसान बनाता है। केरस पायथन भी दृढ़ न्यूरल नेटवर्क से संबंधित है। इसमें सामान्यीकरण, अनुकूलक और सक्रियण परतों के लिए एल्गोरिदम शामिल हैं। एंड-टू-एंड पायथन मशीन लर्निंग लाइब्रेरी होने के बजाय, केरस एक उपयोगकर्ता के अनुकूल, एक्स्टेंसिबल इंटरफ़ेस के रूप में कार्य करता है जो मॉड्यूलरिटी और कुल अभिव्यक्ति को बढ़ाता है।

केरस की मुख्य विशेषताएं निम्नलिखित हैं:

  • मॉड्यूलरिटी: केरस मॉड्यूलर है। यह एक मॉडल को ग्राफ या अनुक्रम के रूप में मानता है। केरस आपको उस मॉडल को सहेजने की अनुमति देता है जिस पर आप काम कर रहे हैं। केरस वर्तमान मॉडल को बचाने के लिए एक save() विधि प्रदान करता है। आप भविष्य में भी मॉडल का उपयोग कर सकते हैं।
  • बड़ा डेटासेट: केरस में एक बड़ा पूर्वनिर्धारित डेटासेट होता है। यह आपको विभिन्न प्रकार के डेटासेट प्रदान करता है। आप इस डेटासेट का उपयोग सीधे आयात और लोड करने के लिए कर सकते हैं। मान लीजिए, IMDB डेटा। इसमें फिल्मों की लगभग 25000 समीक्षाएं हैं। इस डेटासेट में प्रत्येक मूवी की समीक्षा करने के लिए बाइनरी नंबर (0 और 1) होते हैं। 0 नकारात्मक भावना का प्रतिनिधित्व करता है और 1 सकारात्मक भावना का प्रतिनिधित्व करता है।
  • NumPy डेटा से ट्रेन:केरस मॉडल को प्रशिक्षित और मूल्यांकन करने के लिए NumPy सरणी का उपयोग करता है। यह fit() विधि का उपयोग करता है। fit() विधि मॉडल को प्रशिक्षण डेटा में फिट करती है। इस प्रशिक्षण प्रक्रिया में कुछ समय लग सकता है। fit() विधि में तीन तर्क batch_size, validation_data और युग थे।
  • मूल्यांकन और पूर्वानुमान: केरस ने evaluate() और predict() विधियों का उपयोग किया है। ये विधियाँ NumPy के डेटासेट का उपयोग कर सकती हैं। आंकड़ों का परीक्षण करने के बाद, परिणाम का मूल्यांकन किया जाता है। इन विधियों का उपयोग हमारे मॉडलों का मूल्यांकन करने के लिए किया जाता है।
  • केरस में पूर्व-प्रशिक्षित मॉडल: केरस में कई पूर्व-प्रशिक्षित मॉडल शामिल हैं। इन मॉडलों को keras.applications से आयात किया जा सकता है। ये मॉडल फीचर एक्सट्रैक्शन और फाइन-ट्यूनिंग के लिए उपयोगी हैं। Keras.application एक मॉड्यूल है जिसमें छवि वर्गीकरण के लिए भार शामिल हैं जैसे VGG16, VGG19, Xception, आदि।
  • केरस में एन्कोडिंग: करस आपको एन्कोडिंग सुविधाओं की अनुमति देता है। केरस में one_hot() फ़ंक्शन है जो एन्कोडिंग को सक्षम करता है। यह आपको एक चरण में पूर्णांकों को एन्कोड करने में मदद करता है। यह आपको डेटा को टोकनाइज़ करने में भी सक्षम बनाता है। यह फ़ंक्शन वाइट स्पेसेस को फ़िल्टर करता है, टेक्स्ट को लोअरकेस में बनाता है, और विराम चिह्नों को फ़िल्टर करता है।
  • केरस में परतें: केरस में कई परतें और पैरामीटर हैं। सभी केरस परतों में कई विधियाँ होती हैं। ये परतें डेटा के निर्माण, प्रशिक्षण, विन्यास के लिए उपयोगी हैं। संचालन को लागू करने के लिए घनी परत फायदेमंद है। फ़्लैटन का उपयोग इनपुट को फ़्लैट करने के लिए किया जाता है। ड्रॉपआउट इनपुट के लिए ड्रॉपआउट की अनुमति देता है। रीशेप आउटपुट को एक निश्चित आकार में बदलने में मदद करता है। इनपुट का उपयोग केरस टेंसर आरंभ करने के लिए किया जाता है।
  • आप एक मध्यवर्ती परत का आउटपुट प्राप्त कर सकते हैं: केरस एक बहुत ही आसान लाइब्रेरी है। यह आपको एक परत के बीच में आउटपुट प्राप्त करने में सक्षम बनाता है। इंटरमीडिएट में आउटपुट प्राप्त करने के लिए, आप बस एक नई लेयर बना सकते हैं जो आपको आउटपुट प्राप्त करने में मदद करेगी। या फिर, आप एक केरस फ़ंक्शन बना सकते हैं जो एक निश्चित इनपुट का उपयोग करके एक निश्चित परत के आउटपुट को वापस करने में आपकी सहायता करेगा। इसलिए, केरस आपके लिए इसके साथ काम करना आसान बनाता है।
  • केरस पायथन-नेटिव लाइब्रेरी है: केरस एक पूर्ण पायथन लाइब्रेरी है। यह पायथन की सभी ज्ञात अवधारणाओं का उपयोग करता है। यह एक लाइब्रेरी है जो पायथन भाषा में लिखा गया है। जैसा कि केरस पायथन उन्मुख है, यह आपको एक उपयोगकर्ता के अनुकूल वातावरण प्रदान करता है। आप पायथन की मूल बातें जानकर केरस को लागू कर सकते हैं। तो, केरस के साथ काम करना बहुत आसान है।
  • डेटा का प्री-प्रोसेसिंग: केरस आपको डेटा के प्रीप्रोसेसिंग के लिए कई कार्य प्रदान करता है। ImageDataGenerator ऐसी ही एक विधि है। यह आपको छवि का आकार बदलने, उसकी डिग्री बदलने, छवि को फ्लिप करने, छवि की ऊंचाई और चौड़ाई बदलने आदि में मदद करता है।

3. थेअणो

थेअणो एक पायथन लाइब्रेरी है जिसका उपयोग मुख्य रूप से तेजी से संख्यात्मक गणना के लिए किया जाता है और यह GPU और CPU दोनों पर चल सकता है। चूंकि यह NumPy के शीर्ष पर बनाया गया है, इसलिए थीनो को NumPy के साथ बहुत मजबूती से एकीकृत किया गया है और इसमें एक समान इंटरफ़ेस भी है। यह लाइब्रेरी गणितीय अभिव्यक्तियों के साथ-साथ मैट्रिक्स गणनाओं में हेरफेर और मूल्यांकन के लिए एकदम सही है। थेअणो के साथ, आप डेटा-गहन संगणनाएं कर सकते हैं जो 140 गुना तक तेज हैं। इसमें सत्यापन और इकाई परीक्षण के लिए अंतर्निहित उपकरण भी हैं, जिससे किसी भी समस्या या बग से बचना आसान हो जाता है।

Python Libraries for AI and ML

मूल रूप से, यह एक प्रसिद्ध वैज्ञानिक कंप्यूटिंग लाइब्रेरी है जो आपको गणितीय अभिव्यक्तियों को परिभाषित करने, अनुकूलित करने और मूल्यांकन करने की अनुमति देती है, जो बहुआयामी सरणियों से संबंधित है। कई एमएल और एआई ऍप्लिकेशन्स का मूल एक मुश्किल गणितीय अभिव्यक्ति की दोहरावदार गणना है। थेअणो आपको अकेले अपने सीपीयू पर निष्पादित करने की तुलना में सौ गुना तेजी से डेटा-गहन गणना करने की अनुमति देता है। इसके अतिरिक्त, यह GPU के लिए अच्छी तरह से अनुकूलित है, जो प्रभावी प्रतीकात्मक भेदभाव प्रदान करता है और इसमें व्यापक कोड-परीक्षण क्षमताएं शामिल हैं।

जब प्रदर्शन की बात आती है, तो थेअणो एक महान पायथन मशीन लर्निंग लाइब्रेरी है क्योंकि इसमें बड़े तंत्रिका नेटवर्क में संगणना से निपटने की क्षमता शामिल है। इसका उद्देश्य विशेष रूप से डीप लर्निंग एल्गोरिदम में एमएल ऐप्स के विकास समय और निष्पादन समय को बढ़ावा देना है। टेन्सॉरफ्लो के सामने थेअणो का केवल एक दोष यह है कि शुरुआती लोगों के लिए इसका सिंटैक्स काफी कठिन है।

थेअणो की मुख्य विशेषताएं निम्नलिखित हैं:

  • स्वचालित भेदभाव: आपको केवल मॉडल के आगे (पूर्वानुमान) भाग को लागू करना होगा, और थेअणो स्वचालित रूप से यह पता लगाएगा कि विभिन्न बिंदुओं पर ग्रेडिएंट की गणना कैसे करें, जिससे आप मॉडल प्रशिक्षण के लिए ग्रेडिएंट डिसेंट प्रदर्शन कर सकें।
  • GPU का पारदर्शी उपयोग: आप एक ही कोड लिख सकते हैं और इसे CPU या GPU पर चला सकते हैं। अधिक विशेष रूप से, थेअणो यह पता लगाएगा कि गणना के किन हिस्सों को GPU में स्थानांतरित किया जाना चाहिए।
  • गति और स्थिरता ऑप्टिमाइज़ेशन: थेअणो आपकी गणनाओं को आंतरिक रूप से पुनर्गठित और अनुकूलित करेगा, ताकि उन्हें तेज़ी से चलाया जा सके और संख्यात्मक रूप से अधिक स्थिर बनाया जा सके। यह गणना में तेजी लाने के लिए कुछ कार्यों को सी कोड में संकलित करने का भी प्रयास करेगा।

4. PyTorch

PyTorch एक डीप लर्निंग लाइब्रेरी है जिसका उपयोग प्राकृतिक भाषा प्रसंस्करण और कंप्यूटर दृष्टि जैसे ऍप्लिकेशन्स द्वारा किया जाता है। फेसबुक द्वारा विकसित, यह खुला स्रोत है, मुफ़्त है, और संशोधित बीएसडी लाइसेंस के तहत जारी किया गया है। एआई और एमएल के लिए पायथन लाइब्रेरी टॉर्च लाइब्रेरी पर आधारित है, और इसी तरह इसका नाम मिलता है। PyTorch को आसानी से अन्य पायथन डेटा साइंस स्टैक के साथ एकीकृत किया जा सकता है और यह डेवलपर्स को टेंसर पर गणना करने में भी मदद करता है।

Python Libraries for AI and ML

PyTorch एक मजबूत समुदाय द्वारा समर्थित उत्कृष्ट उदाहरणों, ऍप्लिकेशन्स और उपयोग के मामलों के साथ एक उत्पादन-तैयार पायथन मशीन-लर्निंग लाइब्रेरी है। यह लाइब्रेरी मजबूत GPU त्वरण को अवशोषित करता है और आपको इसे NLP जैसे ऍप्लिकेशन्स से लागू करने में सक्षम बनाता है। चूंकि यह GPU और CPU संगणनाओं का समर्थन करता है, यह आपको अनुसंधान के साथ-साथ उत्पादन में प्रदर्शन अनुकूलन और स्केलेबल वितरित प्रशिक्षण प्रदान करता है। डीप न्यूरल नेटवर्क और GPU त्वरण के साथ Tensor संगणना, PyTorch की दो उच्च-स्तरीय विशेषताएं हैं। इसमें ग्लो नामक मशीन लर्निंग कंपाइलर शामिल है जो डीप लर्निंग फ्रेमवर्क के प्रदर्शन को बढ़ाता है।

PyTorch का मजबूत और निर्बाध ढांचा सटीक कम्प्यूटेशनल ग्राफ बना सकता है जिसे रनटाइम के दौरान भी बदला जा सकता है। लाइब्रेरी सरलीकृत प्रीप्रोसेसरों, कई जीपीयू और कस्टम डेटा लोडर के लिए भी समर्थन प्रदान करता है।

PyTorch की विशेषताएं हैं:

  • PyTorch तेज है: PyTorch एक क्रॉस-फ्रंट-एंड, बिखरे हुए प्रशिक्षण और लाइब्रेरीज के अलावा उपकरणों की प्रणाली के माध्यम से सुव्यवस्थित उत्पादन के अलावा तेज, कोमल प्रयोग प्रदान करता है। अधिकांश विकसित पायथन लाइब्रेरीज में डीप लर्निंग के क्षेत्र को बदलने की गुंजाइश है।
  • यह ओपन सोर्स है: PyTorch फेसबुक के आर्टिफिशियल इंटेलिजेंस रिसर्च ग्रुप के दिमाग की उपज है। यह पायथन के लिए एक ओपन सोर्स पैकेज है, जो डीप मशीन लर्निंग पर प्राथमिक फोकस के साथ न्यूरल नेटवर्क एक्सचेंज का अधिकार देता है। प्रोग्रामिंग की विधि में बहुत गहराई में जाने से पहले, मैं पाइटोरच की विशेष विशेषताओं के बारे में स्पष्टता देता हूं। ये रहा
  • लचीलापन: PyTorch एक मशीन लाइब्रेरी है, जिसे पायथन कोड में विलय करने की योजना है। यह ग्राफिकल प्रोसेसिंग यूनिट के साथ-साथ अधिकतम संभव सीमा तक गणित प्रसंस्करण इकाई का उपयोग करता है।
  • मेमोरी का इष्टतम उपयोग: अंतर्निहित मेमोरी के इष्टतम उपयोग के साथ, पाइटोरच न्यूनतम संभव संसाधनों के साथ काम करता है। एक तंत्रिका नेटवर्क कार्यक्रम होने के नाते इसका कई मशीन सीखने के कार्यक्रमों पर एक फायदा है। शोधकर्ताओं ने न्यूरल नेटवर्क प्रणाली को उपयोग में आसान बनाने के लिए ठीक समायोजन किया है। Pytorch विभिन्न प्रकार के टेंसर्स का समर्थन करता है जो कि Numpy सरणियों के समान हैं और मुख्य रूप से ग्राफिकल प्रोसेसिंग इकाइयों पर ध्यान केंद्रित करते हैं।
  • यह डीप लर्निंग के लिए मंच प्रदान करता है: PyTorch एक पायथन आधारित लाइब्रेरी है जिसे गहन शिक्षण के लिए विकास मंच के रूप में कोमलता प्रदान करने के लिए विकसित किया गया है। अतिरिक्त प्रचलित गहन शिक्षण ढाँचे ग्राफ़ पर मेहनत करते हैं जहाँ कम्प्यूटेशनल आरेखों का निर्माण पहले से करना होता है।
  • गतिशील रेखांकन: गतिशील रेखांकन ने डेटा वैज्ञानिकों और डेवलपर्स के लिए स्पष्टता प्रदान की। PyTorch टेन्सॉरफ्लो की तुलना में एक आसान तरीका प्रदान करता है। PyTorch कई उपयोगी सुविधाओं के साथ आता है। ऐसी ही एक विशेषता यह है कि इस सुविधा का उपयोग करके आप किसी भी मॉड्यूल की बाइंडिंग आसानी से कर सकते हैं।
  • सरल और सटीक: PyTorch उपयोग के लिए सटीक और सरल है और आपको जब चाहें कम्प्यूटेशनल ग्राफ़ को तैनात करने का अवसर प्रदान करता है।

5. SciKit-Learn

स्किकिट-लर्न एक अन्य प्रमुख ओपन-सोर्स पायथन मशीन लर्निंग लाइब्रेरी है जिसमें क्लस्टरिंग, रिग्रेशन और वर्गीकरण एल्गोरिदम की एक विस्तृत श्रृंखला है। DBSCAN, ग्रेडिएंट बूस्टिंग, रैंडम फ़ॉरेस्ट, वेक्टर मशीन और k- means कुछ उदाहरण हैं।

Python Libraries for AI and ML

इसमें पर्यवेक्षित और पर्यवेक्षित शिक्षण एल्गोरिदम की एक विस्तृत श्रृंखला है। यह दो बुनियादी पायथन लाइब्रेरीज – SciPy और NumPy पर बनाया गया है। इसमें कई वर्गीकरण, क्लस्टरिंग और रिग्रेशन एल्गोरिदम उपलब्ध हैं जैसे यादृच्छिक वन, k-means, और ग्रेडिएंट बूस्टिंग। यह लाइब्रेरी आयामीता में कमी, प्रीप्रोसेसिंग और मॉडल चयन में भी मदद कर सकता है। डेवलपर्स मुख्य रूप से डेटा माइनिंग और विश्लेषण के लिए स्किकिट-लर्न लाइब्रेरी को तैनात करते हैं।

यह एक व्यावसायिक रूप से प्रयोग करने योग्य आर्टिफीसियल इंटेलिजेंस लाइब्रेरी है। यह पायथन लाइब्रेरी पर्यवेक्षित और अनुपयोगी एमएल दोनों का समर्थन करता है। यहां स्किकिट-लर्न पायथन के प्रमुख लाभों की एक सूची दी गई है जो इसे मशीन लर्निंग के लिए सबसे पसंदीदा पायथन लाइब्रेरीज में से एक बनाता है:

  • क्लस्टरिंग: बिना लेबल वाले डेटा जैसे KMeans को समूहीकृत करने के लिए।
  • क्रॉस वैलिडेशन: अनदेखी डेटा पर पर्यवेक्षित मॉडल के प्रदर्शन का आकलन करने के लिए।
  • डेटासेट: परीक्षण डेटासेट के लिए और मॉडल व्यवहार की जांच के लिए विशिष्ट गुणों वाले डेटासेट बनाने के लिए।
  • आयाम में कमी: सारांशीकरण, विज़ुअलाइज़ेशन और प्रमुख घटक विश्लेषण जैसे फीचर चयन के लिए डेटा में विशेषताओं की संख्या को कम करने के लिए।
  • एन्सेम्बल विधियाँ: कई पर्यवेक्षित मॉडलों की पूर्वानुमानों के संयोजन के लिए।
  • फ़ीचर निष्कर्षण: छवि और टेक्स्ट डेटा में विशेषताओं को परिभाषित करने के लिए।
  • फ़ीचर चयन: उन सार्थक विशेषताओं की पहचान करने के लिए जिनसे पर्यवेक्षित मॉडल बनाना है।
  • पैरामीटर ट्यूनिंग: पर्यवेक्षित मॉडल का अधिकतम लाभ उठाने के लिए।
  • मैनिफोल्ड लर्निंग: जटिल बहु-आयामी डेटा को सारांशित करने और चित्रित करने के लिए।
  • पर्यवेक्षित मॉडल: सामान्यीकृत रैखिक मॉडल, विभेदक विश्लेषण, लज़ी मेथड्स , न्यूरल नेटवर्क, समर्थन वेक्टर मशीनों और डिसिशन ट्रीज तक सीमित नहीं है।

6. Pandas

मशीन लर्निंग प्रोजेक्ट्स में, डेटा तैयार करने के साथ-साथ बुनियादी रुझानों और पैटर्न का विश्लेषण करने में काफी समय खर्च होता है। यहीं पर पायथन Pandas को मशीन लर्निंग विशेषज्ञों का ध्यान आकर्षित करता है। पायथन Pandas एक ओपन-सोर्स लाइब्रेरी है जो डेटा हेरफेर और विश्लेषण के लिए कई प्रकार के टूल प्रदान करता है। इस लाइब्रेरी के साथ, आप CSV, SQL डेटाबेस, JSON फ़ाइलें और एक्सेल जैसे स्रोतों की एक विस्तृत श्रृंखला से डेटा पढ़ सकते हैं।

Python Libraries for AI and ML

यह आपको केवल एक या दो आदेशों के साथ जटिल डेटा संचालन का प्रबंधन करने में सक्षम बनाता है। पायथन Pandas डेटा के संयोजन और समय-श्रृंखला कार्यक्षमता को समूहीकृत और फ़िल्टर करने के लिए कई इनबिल्ट विधियों के साथ आता है। कुल मिलाकर, Pandas केवल डेटा से संबंधित कार्यों को संभालने तक ही सीमित नहीं है; यह अधिक केंद्रित और शक्तिशाली डेटा टूल बनाने के लिए सबसे अच्छे शुरुआती बिंदु के रूप में कार्य करता है।

Pandas की मुख्य विशेषताएं निम्नलिखित हैं:

  • डेटा का प्रबंधन: Pandas की लाइब्रेरी डेटा के प्रबंधन और अन्वेषण के लिए वास्तव में तेज़ और कुशल तरीका प्रदान करती है। यह हमें श्रृंखला और डेटाफ़्रेम प्रदान करके ऐसा करता है, जो हमें न केवल डेटा को कुशलतापूर्वक प्रस्तुत करने में मदद करता है, बल्कि इसे विभिन्न तरीकों से हेरफेर भी करता है। Pandas की ये विशेषताएं ठीक यही हैं जो इसे डेटा वैज्ञानिकों के लिए इतना आकर्षक लाइब्रेरी बनाती हैं।
  • संरेखण और अनुक्रमण: यदि आप यह नहीं जानते हैं कि डेटा कहाँ है और यह हमें किस बारे में बताता है, तो डेटा रखना बेकार है। इसलिए, डेटा की लेबलिंग अत्यंत महत्वपूर्ण है। एक अन्य महत्वपूर्ण कारक एक संगठन है, जिसके बिना डेटा को पढ़ना असंभव होगा। इन दो जरूरतों के लिए: डेटा के संगठन और लेबलिंग को संरेखण और अनुक्रमण के बुद्धिमान तरीकों से पूरी तरह से ख्याल रखा जाता है, जो पंडों के भीतर पाया जा सकता है।
  • गुम डेटा को संभालना: जैसा कि ऊपर चर्चा की गई है, डेटा पढ़ने में काफी भ्रमित करने वाला हो सकता है। लेकिन यह प्रमुख समस्याओं में से एक भी नहीं है। डेटा प्रकृति में बहुत ही अपरिष्कृत है और डेटा से जुड़ी कई समस्याओं में से एक डेटा या मूल्य के लापता होने की घटना है। इसलिए, लापता मूल्यों को ठीक से संभालना उचित है ताकि वे हमारे अध्ययन के परिणामों में मिलावट न करें। कुछ Pandas की विशेषताओं को आपने इस छोर पर कवर किया है क्योंकि लापता मूल्यों को संभालना लाइब्रेरी के भीतर एकीकृत है।
  • डेटा की सफाई: जैसा कि हमने अभी कहा, डेटा बहुत क्रूड हो सकता है। इसलिए यह वास्तव में गड़बड़ है, इतना अधिक है कि इस तरह के डेटा पर कोई भी विश्लेषण करने से गंभीर रूप से गलत परिणाम सामने आएंगे। इस प्रकार यह अत्यंत महत्वपूर्ण है कि हम अपने डेटा को साफ करें, और यह Pandas की सुविधा आसानी से प्रदान की जाती है। वे न केवल कोड को साफ करने में बहुत मदद करते हैं बल्कि डेटा को व्यवस्थित भी करते हैं ताकि सामान्य आंख भी डेटा के कुछ हिस्सों को समझ सके। डेटा जितना साफ होगा, परिणाम उतना ही बेहतर होगा।
  • इनपुट और आउटपुट टूल्स: Pandas ने डेटा पढ़ने और लिखने के उद्देश्य से बिल्ट-इन टूल्स की एक विस्तृत श्रृंखला प्रदान की है। विश्लेषण करते समय आपको स्पष्ट रूप से डेटा संरचनाओं, वेब सेवा, डेटाबेस आदि में डेटा को पढ़ने और लिखने की आवश्यकता होगी। इसे Pandas के इनबिल्ट टूल्स की मदद से बेहद सरल बनाया गया है। अन्य भाषाओं में, समान परिणाम उत्पन्न करने के लिए संभवतः बहुत अधिक कोड की आवश्यकता होगी, जो केवल विश्लेषण की प्रक्रिया को धीमा कर देगा।
  • एकाधिक फ़ाइल स्वरूप समर्थित: डेटा इन दिनों इतने अलग-अलग फ़ाइल स्वरूपों में पाया जा सकता है, कि यह महत्वपूर्ण हो जाता है कि डेटा विश्लेषण के लिए उपयोग की जाने वाली लाइब्रेरी विभिन्न फ़ाइल स्वरूपों को पढ़ सकती है। Pandas ने इस क्षेत्र में समर्थित फ़ाइल स्वरूपों की एक विशाल गुंजाइश के साथ उत्कृष्ट प्रदर्शन किया। चाहे वह JSON हो या CSV, Pandas एक्सेल और HDF5 सहित सभी का समर्थन कर सकते हैं। इसे सबसे आकर्षक पायथन Pandas की विशेषताओं में से एक माना जा सकता है।
  • डेटासेट का विलय और जुड़ना: डेटा का विश्लेषण करते समय हमें एक अंतिम डेटासेट बनाने के लिए लगातार कई डेटासेट को मर्ज करने और जोड़ने की आवश्यकता होती है ताकि इसका ठीक से विश्लेषण किया जा सके। यह महत्वपूर्ण है क्योंकि यदि डेटासेट को मर्ज नहीं किया गया है या ठीक से जोड़ा नहीं गया है, तो यह परिणामों पर प्रतिकूल प्रभाव डालने वाला है और हम ऐसा नहीं चाहते हैं। Pandas अत्यधिक दक्षता के साथ विभिन्न डेटासेट को मर्ज करने में मदद कर सकते हैं ताकि डेटा का विश्लेषण करते समय हमें किसी समस्या का सामना न करना पड़े।
  • बहुत सारी टाइम सीरीज: ये Pandas की विशेषताएं अभी शुरुआती लोगों के लिए मायने नहीं रखती हैं, लेकिन वे भविष्य में बहुत काम आएंगी। इन सुविधाओं में मूविंग विंडो स्टैटिस्टिक्स और फ़्रीक्वेंसी कन्वर्ज़न शामिल हैं। इसलिए, जैसा कि हम Pandas को सीखने में गहराई से जाते हैं, हम देखेंगे कि एक डेटा वैज्ञानिक के लिए ये सुविधाएँ कितनी आवश्यक और उपयोगी हैं।
  • अनुकूलित प्रदर्शन: कहा जाता है कि Pandas के पास वास्तव में अनुकूलित प्रदर्शन है, जो इसे वास्तव में तेज़ और डेटा विज्ञान के लिए उपयुक्त बनाता है। Pandas के लिए महत्वपूर्ण कोड सी या साइथन में लिखा गया है, जो इसे बेहद संवेदनशील और तेज बनाता है।
  • पायथन सपोर्ट: Pandas की यह विशेषता डील के करीब है। आपके निपटान में सहायक लाइब्रेरीज की एक पागल राशि के साथ पायथन डेटा विश्लेषण के लिए सबसे अधिक मांग वाली प्रोग्रामिंग भाषाओं में से एक बन गया है। इस प्रकार Pandas को पायथन का एक हिस्सा होना और हमें अन्य लाइब्रेरीज जैसे कि NumPy और MatPlotLib तक पहुंचने की अनुमति देना।
  • विज़ुअलाइज़ करें: डेटा को विज़ुअलाइज़ करना डेटा साइंस का एक महत्वपूर्ण हिस्सा है। यह वही है जो अध्ययन के परिणामों को मानवीय आंखों से समझने योग्य बनाता है। Pandas के पास आपके डेटा को प्लॉट करने और विभिन्न प्रकार के ग्राफ़ बनाने में मदद करने के लिए एक अंतर्निहित क्षमता है। विज़ुअलाइज़ेशन के बिना, डेटा विश्लेषण का अधिकांश आबादी के लिए कोई मतलब नहीं होगा।
  • समूहीकरण: अपने डेटा को अलग करने और अपने इच्छित मानदंडों के अनुसार समूहबद्ध करने की क्षमता होना बहुत आवश्यक है। GroupBy जैसे Pandas की सुविधाओं की मदद से, आप अपने द्वारा निर्धारित मानदंडों के अनुसार डेटा को अपनी पसंद की श्रेणियों में विभाजित कर सकते हैं। GroupBy फ़ंक्शन डेटा को विभाजित करता है, एक फ़ंक्शन लागू करता है और फिर परिणामों को जोड़ता है।
  • मास्क डेटा: कभी-कभी, डेटा के विश्लेषण के लिए कुछ डेटा की आवश्यकता नहीं होती है और इस प्रकार यह महत्वपूर्ण है कि आप अपने डेटा को अपनी इच्छित चीज़ों के अनुसार फ़िल्टर करें। Pandas में मास्क फ़ंक्शन का उपयोग करने से आप वास्तव में ऐसा कर सकते हैं। यह अत्यंत उपयोगी है क्योंकि जब भी इसे डेटा मिलता है जो आपके द्वारा उन्मूलन के लिए निर्धारित मानदंडों को पूरा करता है, तो यह डेटा को एक लापता मूल्य में बदल देता है।
  • अद्वितीय डेटा: डेटा में हमेशा बहुत अधिक दोहराव होता है, इसलिए यह महत्वपूर्ण है कि आप डेटा का विश्लेषण करने में सक्षम हों, जिसमें केवल अद्वितीय मान हों। यह पायथन Pandas की विशेषताओं में मौजूद है और उपयोगकर्ता को डेटासेट में अद्वितीय मान देखने देता है डेटासेट.column.unique() फ़ंक्शन के साथ। जहां “डेटासेट” और “कॉलम” क्रमशः आपके डेटासेट और कॉलम के नाम हैं।
  • डेटा पर गणितीय संचालन करें: Pandas में लागू फ़ंक्शन आपको डेटा पर गणितीय संचालन को लागू करने की अनुमति देता है। यह बहुत मदद करता है, क्योंकि कभी-कभी आपके पास जो डेटासेट होता है, वह सही क्रम का नहीं होता है। यह केवल डेटासेट पर गणितीय संक्रिया का उपयोग करके सही होगा। यह Pandas की सबसे आकर्षक विशेषताओं में से एक है।

7. Numpy

NumPy या न्यूमेरिकल पायथन, पायथन में विकसित रैखिक बीजगणित है। लगभग सभी पायथन मशीन-लर्निंग पैकेज जैसे Mat-plotlib, SciPy, Scikit-learn, आदि इस लाइब्रेरी पर काफी हद तक भरोसा करते हैं। यह जटिल गणितीय कार्यों जैसे रैखिक बीजगणित, फूरियर रूपांतरण, यादृच्छिक संख्या और पायथन में मैट्रिस और एन-एरे के साथ काम करने वाली सुविधाओं से निपटने के लिए कार्यों के साथ आता है। NumPy पाइथन पैकेज वैज्ञानिक गणना भी करता है। यह ध्वनि तरंगों, छवियों और अन्य बाइनरी कार्यों को संभालने में व्यापक रूप से उपयोग किया जाता है।

Python Libraries for AI and ML

NumPy की विशेषताएं निम्नलिखित हैं:

  • हाई-परफॉर्मेंस एन-डायमेंशनल ऐरे ऑब्जेक्ट: यह NumPy लाइब्रेरी की सबसे महत्वपूर्ण विशेषता है। यह सजातीय सरणी वस्तु है। हम सरणी तत्वों पर सभी संचालन करते हैं। NumPy में सरणियाँ एक आयामी या बहुआयामी हो सकती हैं।
    • एक आयामी सरणी: एक-आयामी सरणी एक एकल पंक्ति या स्तंभ से युक्त एक सरणी है। सरणी के तत्व सजातीय प्रकृति के हैं।
    • बहुआयामी सरणी: इस मामले में, हमारे पास विभिन्न पंक्तियाँ और स्तंभ हैं। हम प्रत्येक स्तंभ को एक आयाम के रूप में मानते हैं। संरचना एक्सेल शीट के समान है। तत्व समरूप हैं।
  • इसमें सी / सी ++ और फोरट्रान से कोड को एकीकृत करने के लिए उपकरण शामिल हैं: हम अन्य भाषाओं में लिखे गए कोड के साथ काम करने के लिए न्यूमपी में कार्यों का उपयोग कर सकते हैं। इसलिए हम विभिन्न प्रोग्रामिंग भाषाओं में उपलब्ध कार्यात्मकताओं को एकीकृत कर सकते हैं। यह इंटर-प्लेटफ़ॉर्म फ़ंक्शंस को लागू करने में मदद करता है।
  • इसमें जेनेरिक डेटा के लिए एक बहुआयामी कंटेनर होता है: यहां जेनेरिक डेटा पैरामीटरयुक्त डेटा प्रकार के सरणियों को संदर्भित करता है। यह सामान्य डेटा प्रकारों पर कार्य कर सकता है। NumPy में सरणियाँ समरूप प्रकृति की हैं। इन सरणी तत्वों को पैरामीटर सौंपा गया है। पैरामीटर सरणियों की विविधता को बढ़ाने में मदद करते हैं।
  • अतिरिक्त रैखिक बीजगणित, फूरियर रूपांतरण, और यादृच्छिक संख्या क्षमताएं: इसमें रैखिक बीजगणित, फूरियर रूपांतरण आदि जैसे तत्वों के जटिल संचालन करने की क्षमता है। हमारे पास प्रत्येक जटिल कार्य के लिए अलग-अलग मॉड्यूल हैं। हमारे पास रैखिक बीजगणित कार्यों के लिए linalg मॉड्यूल है। इसी तरह, हमारे पास न्यूमपी में फूरियर ट्रांसफॉर्म के लिए एफएफटी फ़ंक्शन हैं। हमारे पास मैट्रिक्स पर फ़ंक्शन लागू करने के लिए एक मैट्रिक्स मॉड्यूल है। NumPy के matplotlib मॉड्यूल में ग्राफ़ प्लॉट करने के लिए हमारे पास विशेष कार्य भी हैं। इसलिए, यह सरणियों के साथ काम करने के लिए एक बहुत ही विविध लाइब्रेरी है।
  • इसमें प्रसारण कार्य शामिल हैं: जब हम असमान आकृतियों के सरणियों के साथ काम करते हैं तो सरणियों का प्रसारण एक बहुत ही उपयोगी अवधारणा है। यह बड़े सरणियों के अनुसार छोटे सरणियों के आकार को प्रसारित करता है। सरणियों के प्रसारण के कार्यान्वयन में कुछ नियम और सीमाएँ हैं। प्रसारण के लिए किसी एक सरणियों को एक आयामी होना चाहिए या दोनों सरणियों को एक ही आकार का होना चाहिए। सरणियों के आकार पर कुछ अन्य सीमाएँ भी हैं।
  • इसमें विभिन्न प्रकार के डेटाबेस के साथ काम करने की डेटा प्रकार परिभाषा क्षमता थी: हम विभिन्न डेटा प्रकारों के सरणियों के साथ काम कर सकते हैं। हम डेटा प्रकार निर्धारित करने के लिए dtype फ़ंक्शन का उपयोग कर सकते हैं और इसलिए उपलब्ध डेटा सेट के बारे में एक स्पष्ट विचार प्राप्त कर सकते हैं। सरणी परिभाषा के साथ, हमारे पास सरणी फ़ंक्शन करने के लिए एक अतिरिक्त dtype तर्क है। NumPy संचालन पर प्रतिबंध के कारण डेटा प्रकार के सरणी का ज्ञान बहुत महत्वपूर्ण है।

8. सीबॉर्न

अंत में, मशीन लर्निंग और एआई के लिए पायथन लाइब्रेरीज की सूची में अंतिम लाइब्रेरी सीबॉर्न है – और मैटप्लोटलिब की नींव पर आधारित अद्वितीय विज़ुअलाइज़ेशन लाइब्रेरी। मशीन लर्निंग प्रोजेक्ट के लिए कहानी सुनाना और डेटा विज़ुअलाइज़ेशन दोनों महत्वपूर्ण हैं, क्योंकि उन्हें लागू करने के लिए मशीन लर्निंग एल्गोरिदम के प्रकार पर निर्णय लेने के लिए अक्सर डेटासेट के खोजपूर्ण विश्लेषण की आवश्यकता होती है। सीबॉर्न अद्भुत सांख्यिकीय ग्राफिक्स बनाने के लिए एक उच्च-स्तरीय डेटासेट-आधारित इंटरफ़ेस प्रदान करता है।

Python Libraries for AI and ML

इस पायथन मशीन लर्निंग लाइब्रेरी के साथ, कुछ प्रकार के प्लॉट बनाना आसान है जैसे टाइम सीरीज़, हीट मैप्स और वायलिन प्लॉट। सीबॉर्न की कार्यक्षमता पायथन पंडों और मैटप्लोटलिब से परे जाती है, जिसमें डेटासेट पैटर्न को मजबूत करने के लिए सांख्यिकीय मॉडल की उपयुक्तता को देखने, प्लॉट करने और कल्पना करने के समय सांख्यिकीय अनुमान करने की विशेषताएं हैं।

सीबॉर्न को पायथन के मुख्य विज़ुअलाइज़ेशन लाइब्रेरी Matplotlib के शीर्ष पर बनाया गया है। यह एक तारीफ के रूप में सेवा करने के लिए है न कि प्रतिस्थापन के लिए। हालाँकि, सीबॉर्न कुछ बहुत ही महत्वपूर्ण विशेषताओं के साथ आता है। आइए उनमें से कुछ को यहां देखें। सुविधाएँ इसमें मदद करती हैं:

  • matplotlib ग्राफिक्स को स्टाइल करने के लिए थीम में निर्मित
  • अविभाज्य और द्विचर डेटा की कल्पना करना
  • रैखिक प्रतिगमन मॉडल में फिटिंग और कल्पना करना
  • सांख्यिकीय टाइम सीरीज डेटा प्लॉट करना
  • सीबॉर्न NumPy और Pandas डेटा संरचनाओं के साथ अच्छी तरह से काम करता है
  • यह Matplotlib ग्राफिक्स को स्टाइल करने के लिए अंतर्निहित थीम के साथ आता है

जब आप मशीन लर्निंग प्रोजेक्ट पर काम कर रहे होते हैं तो ये लाइब्रेरी बेहद मूल्यवान होती हैं क्योंकि यह समय बचाता है और आगे स्पष्ट कार्य प्रदान करता है जिसे कोई भी बना सकता है। मशीन लर्निंग के लिए पायथन लाइब्रेरीज के उत्कृष्ट संग्रह में, ये सबसे अच्छे लाइब्रेरीज हैं, जो विचार करने योग्य हैं। इन पायथन मशीन लर्निंग लाइब्रेरी की मदद से, आप जिस अंतर्निहित एल्गोरिदम के साथ काम कर रहे हैं, उसके न्यूनतम ज्ञान के साथ भी, आप उच्च-स्तरीय विश्लेषणात्मक कार्यों को पेश कर सकते हैं।

{"email":"Email address invalid","url":"Website address invalid","required":"Required field missing"}
>