Libraries

This pagina laat zien hoe je met third-party libraries in Python werkt.

Note

Als je nog geen virtual environments of pip hebt ingesteld, zie Environment.

Installeren en importeren van libraries

Gebruik per project een virtual environment (bijv. .venv)

python -m venv .venv

# Windows Command Prompt
.venv\Scripts\Activate.bat

# Windows PowerShell
.venv\Scripts\Activate.ps1

Installeer met pip en importeer de library daarna in je code:

pip install numpy

import numpy as np
print(np.__version__)

Veelgebruikte libraries

• NumPy: Numerieke data vormt de kern van veel AI-berekeningen. NumPy (Numerical Python) is de fundamentele library die ondersteuning biedt voor arrays, matrices en een breed scala aan wiskundige bewerkingen.
• Pandas: Bij het werken met gestructureerde data is Pandas onmisbaar. Het maakt het eenvoudig om datasets te manipuleren, schoon te maken en te analyseren met een intuïtieve syntax.
• Matplotlib & Seaborn: Data-visualisatie is een essentieel onderdeel van elke AI-workflow. Matplotlib is de basis plotting-library, terwijl Seaborn daarop voortbouwt voor aantrekkelijke en informatieve statistische visualisaties.
• scikit-learn: Als je AI-project meer leunt op klassieke machine learning in plaats van diepe neurale netwerken, is scikit-learn onmisbaar. Het is gebouwd bovenop NumPy, SciPy en matplotlib.
• PyTorch: PyTorch is een open-source deep learning framework ontwikkeld door Meta AI, bekend om zijn flexibiliteit en gebruiksgemak. Het stelt ontwikkelaars in staat neurale netwerken te bouwen en te trainen met Python, en is populair voor toepassingen in computer vision en natural language processing.

NumPy

NumPy wordt gebruikt voor numerieke berekeningen met arrays.

pip install numpy

import numpy as np

# Maak een array
arr = np.array([1, 2, 3, 4, 5])

# Basisbewerkingen
print(arr * 2)          # [2 4 6 8 10]
print(arr.mean())       # 3.0
print(np.zeros((2, 2))) # 2x2 matrix van nullen

Pandas

Pandas is essentieel voor datamanipulatie en -analyse met behulp van DataFrames.

pip install pandas

import pandas as pd

# Maak een DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'City': ['New York', 'Paris', 'London']
}
df = pd.DataFrame(data)

# Inspecteer data
print(df.head())

# Selecteer een kolom
print(df['Age'])

# Filter data
adults = df[df['Age'] > 28]
print(adults)

Matplotlib

Matplotlib is de standaardbibliotheek voor het maken van visualisaties.

pip install matplotlib

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title("Eenvoudige Lijngrafiek")
plt.xlabel("X-as")
plt.ylabel("Y-as")
plt.show()

Scikit-learn

Scikit-learn biedt tools voor machine learning. Hier is een eenvoudig voorbeeld van lineaire regressie.

pip install scikit-learn

from sklearn.linear_model import LinearRegression
import numpy as np

# Voorbeelddata (X moet 2D zijn)
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 6, 8, 10])

# Maak en train het model
model = LinearRegression()
model.fit(X, y)

# Voorspel
prediction = model.predict([[6]])
print(f"Voorspelling voor 6: {prediction[0]}") # Zou dicht bij 12 moeten liggen