1- NumPy (numpy.org)
NumPy یا Numerical Python از پکیج های پایه برای محاسبات عددی در پایتون است. از این پکیج با هدف پردازش آرایه ها با ابعاد بالا با پرفومنس بسیار خوب استفاده می شود.
2- Pandas (pandas.pydata.org)
Pandas یا Python Data Analysis از ابزارهای معروف برای تحلیل و کار با داده هاست که با استفاده از ساختار‌های داده و امکاناتی که در پانداس تعبیه شده (مثل دیتافریم ها)، عملیات تحلیل و پاک‌سازی و آماده‌سازی داده را در پایتون می‌توان خیلی سریع و آسان انجام داد.
3- Matplotlib (matplotlib.org)
از ابزار های معروف برای رسم انواع نمودارها در پایتون است که بسیاری از نمودارهای پرکاربرد را می‌توان با مت‌پلات‌لیب ایجاد کرد و امکانات بسیاری برای شخصی‌سازی در آن گنجانده شده است.
4- TensorFlow (tensorflow.org)
یک ابزار یادگیری ماشین است که توسط تیم Google Brain و با هدف انجام پروژه‌های یادگیری ماشین و محاسبات عددی، ساخته شده است.
5- PyTorch (pytorch.org)
یک کتابخانه متن‌باز بر پایه کتابخانه Torch است که یک ابزار خوب برای پژوهش‌های یادگیری عمیق است و انعطاف‌پذیری و سرعت بالا را تامین می‌کند.
6- Scikit Learn (scikit-learn.org)
پروژه سایکت‌لرن در سال ۲۰۰۷ آغاز شد و پس از آن با همکاری برنامه‌نویسان به شکلی متن باز در حال گسترش است. این کتابخانه از معروف‌ترین و پرکاربردترین کتابخانه یادگیری ماشین در پایتون می‌باشد و از محبوبیت بسیاری برخوردار است که حاوی ابزارهای متنوعی برای یادگیری ماشین و مدل‌سازی آماری است.
7- Seaborn (seaborn.pydata.org)
Seaborn یک کتابخانه بسیار مفید مصورسازی داده در پایتون محسوب می گردد. کتابخانه Seaborn روی Matplotlib ساخته می شود و قابلیت های پیشرفته بسیاری در رابطه با مصورسازی داده ارائه می کند.
8- Keras (keras.io)
Keras یک کتابخانه رایگان منبع باز قدرتمند و با کاربرد آسان برای توسعه و ارزیابی مدل‌های یادگیری عمیق است و به شما این امکان را می‌دهد که فقط در چند خط کد، مدل‌های شبکه عصبی را تعریف و آموزش دهید.
9- Plotly (plotly.com)
این کتابخانه توسط شرکت Plotly به صورت متن باز تهیه شده و امکان ترسیم نمودارهای مختلفی را میسر می‌سازد. هر چند کتابخانه‌های مختلفی در پایتون برای ترسیم و رسم نمودار وجود دارد ولی شاید کتابخانه plotly یکی از بهترین ابزارهای برای رسم نمودار باشد.
