IEEE Spectrum排行榜第一，Skill UP排名第一的开发工具，Stack Overflow年度调查中程序员最感兴趣的选择，Stack Overflow 6月份访问量最多的编程语言......没错，这些盛誉都指向了一个编程语言——Python。
Python在科学计算中用途广泛：计算机视觉、人工智能、数学、天文等。它同样适用于机器学习也是意料之中的事。这里将列举并描述Python的最有用的机器学习工具和库。
另外，尽管有些模块可以用于多种机器学习任务，在这里只列出主要焦点在机器学习的库。比如，虽然Scipy1包含一些聚类算法，但它的主焦点不是机器学习而是全面的科学计算工具集。因此我们排除了Scipy。(尽管我们也使用它)
?Theano
Theano是最成熟的深度学习库。它提供了不错的数据结构(张量，tensor)来表示神经网络的层，对线性代数来说很高效，与Numpy的数组类似。
Decaf
Decaf是最近由UC Berkeley发布的深度学习库，在Imagenet分类挑战中测试发现，其神经网络实现是很先进的(state of art)。
Nolearn
如果你想在深度学习中也能使用优秀的Scikit-learn库API，封装了Decaf的Nolearn会让你能够更轻松地使用它。它是对Decaf的包装，与Scikit-learn兼容(大部分)，使得Decaf更不可思议。（千锋Python）
OverFeat
OverFeat是最近猫vs.狗(kaggle挑战)4的胜利者，它使用C++编写，也包含一个Python包装器(还有Matlab和Lua)。通过Torch库使用GPU，所以速度很快。也赢得了ImageNet分类的检测和本地化挑战。
Neurolab
NeuroLab是另一个API友好(与Matlabapi类似)的神经网络库。与其他库不同，它包含递归神经网络(Recurrent Neural Network，RNN)实现的不同变体。如果你想使用RNN，这个库是同类API中最好的选择之一。
你不得不看的Python机器学习工具就是这些，找找有没有你需要的吧！