AI-bibliotek och ramverk
scikit-learn är Pythons standardbibliotek för klassisk maskininlärning: klassificering, regression och oövervakad inlärning med ett gemensamt fit/predict-API och pipelines. Det är gratis under BSD-licens och bygger på NumPy och SciPy.
Betyg 88 av 100 Preliminär (källbaserad)
Läs bedömningenOfficiell API-referens.
Källa: https://scikit-learn.org/stable/api/index.html
Kontrollerat:
Community-MCP-server som wrappar scikit-learn.
Källa: https://github.com/shibuiwilliam/mcp-server-scikit-learn
Kontrollerat:
Totalbetyg
88 av 100
Preliminär (källbaserad)
BSD-3-Clause verifierad i repots COPYING/LICENSE; helt öppen kodbas.
De facto-standard för klassisk ML och fyller luckan mellan AI-verktyg och djupinlärningsramverk i kategorin enligt kategoriresearch; saknar dock djupinlärning.
Ren Python/Cython-API installerbar var som helst via pip; modeller serialiseras i standardformat men pickle-låsning till biblioteksversion är en känd begränsning.
Mogent, världsutbrett bibliotek på NumPy/SciPy; officiellt repo aktivt underhållet enligt research 2026-10-22.
Stabilt och aktivt underhållet med stark ställning inom klassisk ML; mindre utvecklingstakt än djupinlärningsekosystemen.
Rent bibliotek utan HTTP-yta eller serverkomponent — ingen driftbörda utöver själva Python-miljön.
Helt fritt under BSD-3-Clause; inga licenskostnader.
Dokumentation och community är engelskspråkiga; inget svenskt språkstöd belagt i källorna.
scikit-learn erbjuder enkla och effektiva verktyg för prediktiv dataanalys, tillgängliga för alla och återanvändbara i många sammanhang. Data beskrivs som arrayer: prover i rader och features i kolumner, vanligen som NumPy-arrayer. Målvärdet y är reella tal för regression eller diskreta klasser för klassificering; vid oövervakad inlärning behövs inget y.
Ett gemensamt API gör att alla estimatorer tränas med fit och anropas med predict. Transformers och estimatorer kedjas i ett Pipeline-objekt med samma API, vilket skyddar mot data läckage vid validering, och ColumnTransformer låter olika transformationer appliceras på olika features. Biblioteket bygger på NumPy och SciPy och används därför i nära samspel med datavetenskapsstacken i Python.
Projektet startades som sidoprojekt av David Cournapeau och togs sedan över av forskare vid INRIA som gjorde den första offentliga releasen; sedan dess har releaser följt ungefär var tredje månad. Kodbasen licensieras under BSD och utvecklas av en internationell community med institutionellt stöd, bl.a. från Probabl. Dokumentationen omfattar användarguide, API-referens och exempelgallery.
8 skärmbilder. Välj en bild för att visa den i full storlek. Svep i sidled för fler.
AI-bibliotek och ramverk · Modellbibliotek/ramverk för maskininlärning (transformermodeller)
Hugging Face Transformers är ett Python-bibliotek med öppen källkod som ger ett gemensamt gränssnitt mot tusentals modeller på Hugging Face Hub.
AI-bibliotek och ramverk · Ramverk för djupinlärning och tensorkomputation
PyTorch är en maskininlärningsramvara med tensorberäkning och automatisk differentiering, utvecklad under PyTorch Foundation. Den är grunden för att träna neurala nätverk — från experiment på bärbar dator till distribuerad träning på GPU-kluster — under BSD-3-Clause.
