NumPy

インタラクティブシェルを使用して、ブラウザ上で Numpy を試してみてください。
Pythonを使って働くほとんどの科学者はNumPyの力を利用しています。
Numpy は、 C や Fortran のような言語の計算パフォーマンスを、Pythonにもたらします。 このパワーはNumPyのシンプルさから来ており、NumPyによるソリューションの多くは明確でエレガントになります。
NumPyのAPIは、革新的なハードウェアを利用したり、特殊な配列タイプを作成したり、NumPyが提供する以上の機能を追加するためにライブラリを作成する際の基礎となります。
Numpy は豊富なデータサイエンスライブラリのエコシステムの中核にあります。一般的なデータサイエンスのワークフローは次のようになります。
大規模データに対して、DaskとRayはスケールすることを目指して設計されています。安定したデプロイメントに関しては、データのバージョニング（DVC）、実験の追跡（MLFlow）、ワークフローの自動化（AirflowおよびPrefectが重要ですが様々なNumPyベースのツールが提供されています。
Source: Google AI Blog
NumPyは、scikit-learnやSciPyのような強力な機械学習ライブラリの基礎を形成しています。機械学習の技術分野が成長するにつれ、NumPyをベースにしたライブラリの数も増えています。TensorFlowの深層学習機能は、音声認識や画像認識、テキストベースのアプリケーション、時系列分析、動画検出など、幅広い応用用途があります。PyTorchも、コンピュータビジョンや自然言語処理の研究者に人気のある深層学習ライブラリです。MXNetもAIパッケージの一つで、深層学習の設計図やテンプレート機能を提供しています。
ensemble法と呼ばれる統計的手法であるビンニング、バギング、スタッキングや、XGBoost、LightGBM、CatBoostなどのツールで実装されているブースティングなどは、機械学習アルゴリズムの一つであり、最速の推論エンジンの一つです。YellowbrickやEli5は機械学習の可視化機能を提供しています。
NumPyは、Matplotlib、Seaborn、Plotly、Altair、Bokeh、Holoviz、Vispy、Napari、PyVistaなどの、急成長しているPython visualization landscapeに欠かせないコンポーネントです。
NumPy の大規模配列の高速処理により、研究者は、ネイティブの Python が扱うことができるよりもはるかに大きなデータセットを可視化することができます。