什么是Scikit-Learn？
Scikit-learn是一个开源Python库，包括各种无监督和监督学习技术。它基于Matplotlib、Pandas和NumPy等技术和库，有助于简化编码任务。
Scikit-learn的功能包括：
分类（包括K-NearestNeighbors）预处理（包括最小最大归一化）聚类（包括K-Means++和K-Means）回归（包括逻辑回归和线性回归）
Scikit-learn是使用最广泛的Python机器学习库之一。它拥有标准简单的界面，可用于预处理数据以及模型的训练、优化和评估。
该项目最初始自DavidCournapeau在GoogleSummerofCode活动中开发的项目，并于年首次公开发布。自创建以来，该库已发展成为了一个丰富的生态系统，可用于开发机器学习模型。
Scikit-learn的优点
想要将算法连接到他们的平台的用户可以在scikit-learn网站上找到详细的API文档。社区用户量大，有很多贡献者、提供大型国际在线社区支持。使用起来很简单。只需最基本的许可和法律限制即可免费使用。scikit-learn包具有极强的适应性和实用性，可用于各种现实世界的任务，例如开发神经图像、预测消费者行为等。
Scikit-learn的缺点
如果你更喜欢深度学习，scikit-learn就不是那么合适你学习。因为它使用起来比较简单，所以可能会导致一些初级数据科学家懒得去学习基础知识而蛮干。
什么是TensorFlow？
TensorFlow是一个由Google维护的开源框架，用于对机器学习模型（主要是神经网络）进行原型设计和评估。TensorFlow采用用多种语言编写，包括Swift、Python、Go、Javascript、Java和C++等，并包括对各种其他语言的社区构建支持。
TensorFlow允许应用程序在无需修改的前提下也能够在标准CPU上运行的库。Linux、Android、macOS和Windows是TensorFlow支持的系统。谷歌云机器学习引擎也可以在不使用传统计算平台的情况下运TensorFlow模型。
TensorFlow通常与神经网络相关联，它的吸引力源于其速度和神经网络优化。很少有框架能够与TensorFlow在GPU、CPU、GPU和TPU上运行模型的能力相匹敌。
TensorFlow的优点
它可以快速轻松地计算数学表达式。TensorFlow可以生成大量序列模型并训练用于数字分类的深度神经网络。TensorFlow提供了一项独特的功能，可以同时提高内存和数据的使用率。它有谷歌的支持。它提供定期的新功能发布、快速升级和流畅的性能。TensorFlow旨在与各种后端软件（ASIC、GPU等）一起使用，并且具有极高的并行性。TensorFlow背后有一个强大的社区。与Theano和Torch等内在库相比，TensorFlow的计算图可视化更加出色。它使用了一种新颖的方法，使我们能够跟踪许多指标并监控模型的训练进度。它的性能非常出色，与行业中的佼佼者不相上下。
TensorFlow的缺点
目前，NVIDIA是唯一支持TensorFlow的GPU，而Python是唯一支持的完整语言，这是一个劣势，因为有越来越多的其他深度学习语言。有很多用户更喜欢在Windows环境中工作而不是在Linux上工作，很遗憾TensorFlow并不能满足他们的需求。如果实在想装，Windows用户也可以通过Python包库(pip)或conda安装它。不支持OpenCL。由于TensorFlow的独特结构，很难发现和排除错误。要求学习者拥有扎实的高等数学和线性代数基础，对机器学习有透彻的了解，学习门槛高。
总的来说，Scikit-learn和TensorFlow旨在帮助开发人员创建和基准测试新模型，因此它们的功能实现非常相似，不同之处在于Scikit-learn在实践中用于更广泛的模型，而TensorFlow更适用于神经网络。
TensorFlow深度学习
Simplilearn圣普伦的TensorFlow认证培训计划由行业领军人物开发的，并与最前沿的优质实践保持一致性。在这份学习计划中，你将掌握DeepLearning、TensorFlow，卷积网络、循环神经网络、PyTorch以及图像分类等多项技能。