Ambos son módulos de aprendizaje automático de terceros, y ambos son buenos en eso. Tensorflow es el más popular de los dos.

Tensorflow generalmente se usa más en aprendizaje profundo y redes neuronales.

SciKit learn es un aprendizaje automático más general.

Y aunque no creo haberme encontrado con nadie que use ambos simultáneamente, nadie dice que no puedas.

Su comprensión es bastante acertada, aunque muy, muy básica. TensorFlow es más una biblioteca de bajo nivel. Básicamente, podemos pensar en TensorFlow como los ladrillos Lego (similares a NumPy y SciPy) que podemos usar para implementar algoritmos de aprendizaje automático, mientras que Scikit-Learn viene con algoritmos listos para usar, por ejemplo, algoritmos para clasificación como SVM, Random Bosques, regresión logística y muchos, muchos más. TensorFlow realmente brilla si queremos implementar algoritmos de aprendizaje profundo, ya que nos permite aprovechar las GPU para un entrenamiento más eficiente. TensorFlow es una biblioteca de bajo nivel que le permite crear modelos de aprendizaje automático (y otros cálculos) utilizando un conjunto de operadores simples, como "agregar", "matmul", "concat", etc.

¿Tiene sentido hasta ahora?

Scikit-Learn es una biblioteca de nivel superior que incluye implementaciones de varios algoritmos de aprendizaje automático, por lo que puede definir un objeto modelo en una sola línea o en unas pocas líneas de código y luego usarlo para ajustar un conjunto de puntos o predecir un valor.

Tensorflow se usa principalmente para el aprendizaje profundo, mientras que Scikit-Learn se usa para el aprendizaje automático.

Aquí hay un enlace que le muestra cómo hacer regresión y clasificación usando TensorFlow. Recomiendo encarecidamente descargar los conjuntos de datos y ejecutar el código usted mismo.

https://stackabuse.com/tensorflow-2-0-resolviendo-clasificación-y-regresión-problemas/

Por supuesto, puede hacer muchos tipos diferentes de regresión y clasificación usando Scikit-Learn, sin TensorFlow. Sugeriría leer la documentación de Scikit-Learn cuando tenga la oportunidad.

https://scikit-learn.org/stable/user_guide.html

Va a tomar un tiempo terminar todo, pero si llegas al final, ¡habrás aprendido un montón! Finalmente, puede obtener la guía de usuario de más de 2600 páginas para Scikit-Learn desde el siguiente enlace.

https://scikit-learn.org/stable/_downloads/scikit-learn-docs.pdf

Tensorflow es una biblioteca para construir redes neuronales. El scikit-learn contiene algoritmos listos para usar. El TF puede trabajar con una variedad de tipos de datos: tabular, texto, imágenes, audio. El scikit-learn está diseñado para trabajar con datos tabulares.

Sí, puedes usar ambos paquetes. Pero si solo necesita la implementación clásica de múltiples capas, MLPClassifier y MLPRegressor disponibles en scikit-learn son una muy buena opción. Realicé una comparación de MLP implementado en TF frente a Scikit-learn y no hubo diferencias significativas y scikit-learn MLP funciona aproximadamente 2 veces más rápido que TF en la CPU. Puede leer los detalles de la comparación en la publicación de mi blog .

Debajo de los diagramas de dispersión de comparación de rendimiento: