机器学习：Python中常用的机器学习函数，如Scikit-learn和TensorFlow。

机器学习（Machine Learning）是人工智能（AI）的一种实现手段，利用算法和数据模型来让计算机自动从数据中学习和提高性能，进而完成各种任务。Python是一种流行的编程语言，也是机器学习领域最重要的语言之一，因为它有丰富的算法库和科学计算工具。Scikit-learn和TensorFlow是Python中常用的机器学习函数。下面就分别介绍它们：

1. Scikit-learn

Scikit-learn是Python中一个强大的机器学习库，包括各种监督学习和非监督学习算法，如分类、回归、聚类、降维等。它常用的模块包括：

（1）sklearn.datasets：提供各种经典数据集，如Iris、MNIST等。

（2）sklearn.preprocessing：提供各种数据预处理工具，如标准化、归一化、缺失值处理等。

（3）sklearn.feature_extraction：提供各种特征提取和转换工具，如文本特征提取、图像特征提取等。

（4）sklearn.model_selection：提供各种模型选择和评估工具，如交叉验证、网格搜索等。

（5）sklearn.linear_model：提供各种线性模型，如线性回归、逻辑回归等。

（6）sklearn.tree：提供各种决策树模型，如分类树、回归树等。

（7）sklearn.ensemble：提供各种集成模型，如随机森林、Adaboost、Gradient Boost等。

（8）sklearn.cluster：提供各种聚类模型，如K-means、DBSCAN等。

（9）sklearn.metrics：提供各种评估指标，如准确率、精确率、召回率等。

Scikit-learn使用方便，官方文档也非常全面，适合各种机器学习初学者和高级用户使用。

2. TensorFlow

TensorFlow是由谷歌推出的一个开源的机器学习库，支持GPU加速和分布式计算，可以实现各种深度学习算法，如卷积神经网络（CNN）、循环神经网络（RNN）、自编码器等。TensorFlow常用的模块包括：

（1）tf.constant、tf.Variable等：定义常量和变量。

（2）tf.matmul、tf.add等：定义矩阵乘法、加法等运算。

（3）tf.nn.conv2d、tf.nn.max_pool等：定义卷积和池化操作。

（4）tf.nn.relu、tf.nn.sigmoid等：定义激活函数。

（5）tf.layers.dense、tf.layers.conv2d等：定义高级层次模块。

（6）tf.train.AdamOptimizer、tf.train.GradientDescentOptimizer等：定义各种优化器。

TensorFlow相比Scikit-learn更适合于深度学习任务，并且具有丰富的文档和示例，但是相对来说更难以使用和理解。如果你想学习深度学习，并且有足够的编程经验，那么TensorFlow是非常不错的选择。

总结：

以上介绍了Python中常用的机器学习函数，包括Scikit-learn和TensorFlow。Scikit-learn是一个适合各种机器学习任务的库，使用方便，文档全面；TensorFlow是一个适合深度学习任务的库，功能强大，使用也稍微复杂一些。选择哪一个库取决于你的任务需求和编程经验。