21 個必須知道的機器學(xué)習(xí)開源工具-魔扣目錄

21 個必須知道的機器學(xué)習(xí)開源工具

作者 | SebastianScholl

譯者 | 劉靜，責(zé)編 | 郭芮

出品 | CSDN（ID：CSDNnews）

以下為譯文：

你肯定已經(jīng)了解流行的開源工具，如R、Python、Jupyter筆記本等。但是，除了這些流行的工具之外還有一個世界——一個隱藏在機器學(xué)習(xí)工具下的地方。這些并不像他們的同行那樣出色，但可以成為許多機器學(xué)習(xí)任務(wù)的救星。

在本文中，我們將介紹21種用于機器學(xué)習(xí)的開源工具。我強烈建議你花一些時間瀏覽我提到的每個類別。除了我們通常在課程和視頻中學(xué)到的東西之外，還有很多需要學(xué)習(xí)的地方。

1.向非程序員的開源機器學(xué)習(xí)工具

對于來自非編程和非技術(shù)背景的人來說，機器學(xué)習(xí)看起來很復(fù)雜。這是一個廣闊的領(lǐng)域，我可以想象第一步可能會多么令人生畏。沒有編程經(jīng)驗的人能否在機器學(xué)習(xí)中取得成功？

事實證明，你可以！這里有一些工具可以幫助你跨越鴻溝并進入著名的機器學(xué)習(xí)世界：

優(yōu)步路德維希：路德維希允許我們訓(xùn)練和測試深度學(xué)習(xí)模型，而無需編寫代碼。您需要提供的只是一個包含數(shù)據(jù)的CSV文件，一個用作輸入的列的列表，以及一個用作輸出的列的列表——Ludwig將完成剩下的工作。
KNIME：KNIME允許您使用拖放界面創(chuàng)建整個數(shù)據(jù)科學(xué)工作流程。這種可視化實現(xiàn)整個模型工作流的方法非常直觀，在處理復(fù)雜的問題陳述時非常有用。

Orange：您不必知道如何編碼以便能夠使用Orange挖掘數(shù)據(jù)，處理數(shù)據(jù)并獲得洞察力。

有許多有趣的免費和開源軟件可以提供很好的機器學(xué)習(xí)功能，而無需編寫（大量）代碼。

另一方面，你可以考慮一些開箱即用的付費服務(wù)，例如google AutoML、Azure Studio、Deep Cognition和Data Robot。

2.用于模型部署的開源機器學(xué)習(xí)工具

部署機器學(xué)習(xí)模型是最容易被忽視但重要的任務(wù)之一，它幾乎肯定會在采訪中出現(xiàn)，所以你可能也很熟悉這個話題。

以下是一些框架，可以更輕松地將你的項目部署到現(xiàn)實世界的設(shè)備中。

MLFlow：MLFlow被設(shè)計用于使用任何機器學(xué)習(xí)庫或算法，并管理整個生命周期，包括實驗、重現(xiàn)性和機器學(xué)習(xí)模型的部署。

Apple的CoreML：CoreML是一個流行的框架，它可用于將機器學(xué)習(xí)模型集成到你的IOS / Apple Watch / Apple TV / macOS應(yīng)用程序中。關(guān)于CoreML的最好的部分是你不需要有關(guān)神經(jīng)網(wǎng)絡(luò)或機器學(xué)習(xí)的廣泛知識，雙贏！

TensorFlow Lite：TensorFlow Lite是一組工具，可幫助開發(fā)人員在移動設(shè)備（Android和iOS），嵌入式和物聯(lián)網(wǎng)設(shè)備上運行TensorFlow模型。
TensorFlow.JS - TensorFlow.JS可以成為你在網(wǎng)絡(luò)上部署機器學(xué)習(xí)模型的首選。它是一個開源庫，可讓你在瀏覽器中構(gòu)建和訓(xùn)練機器學(xué)習(xí)模型。

適用于大數(shù)據(jù)的開源機器學(xué)習(xí)工具

大數(shù)據(jù)是一個研究如何分析、系統(tǒng)地從數(shù)據(jù)集中提取信息，或者處理傳統(tǒng)數(shù)據(jù)處理應(yīng)用軟件無法處理的太大或太復(fù)雜的數(shù)據(jù)集的領(lǐng)域。想象一下，每天處理數(shù)百萬條推文進行情感分析。這是一項艱巨的任務(wù)，不是嗎？

別擔(dān)心！這里有一些工具可以幫助你處理大數(shù)據(jù)。

Hadoop：使用大數(shù)據(jù)最重要和最相關(guān)的工具之一是Hadoop項目。Hadoop是一個框架，它允許使用簡單的編程模型跨計算機集群分布式處理大型數(shù)據(jù)集。

Spark：Apache Spark被認為是Hadoop用于大數(shù)據(jù)應(yīng)用程序的自然繼承者。這個開源大數(shù)據(jù)工具的關(guān)鍵點在于它填補了Apache Hadoop在數(shù)據(jù)處理方面的空白。有趣的是，Spark可以處理批量數(shù)據(jù)和實時數(shù)據(jù)。
Neo4j：對于所有與數(shù)據(jù)相關(guān)的大問題，Hadoop可能不是明智的選擇。例如，當你需要處理大量網(wǎng)絡(luò)數(shù)據(jù)或圖形相關(guān)問題（如社交網(wǎng)絡(luò)或人口統(tǒng)計模式）時，圖形數(shù)據(jù)庫可能是最佳選擇。

4.用于計算機視覺，NLP和音頻的開源機器學(xué)習(xí)工具

“如果我們想要機器思考，我們需要教他們看。”——Fei-Fei Li博士的計算機視覺。

SimpleCV：如果你從事任何計算機視覺項目，必須使用OpenCV。但你有遇到過SimpleCV嗎？SimpleCV可以訪問幾個高性能的計算機視覺庫，如OpenCV——無需首先了解位深度、文件格式、色彩空間、緩沖區(qū)管理、特征值或矩陣與位圖存儲，這使計算機視覺變得簡單。

Tesseract OCR：你是否使用過創(chuàng)意應(yīng)用程序，通過使用智能手機的相機掃描文檔或購物賬單，或者僅僅通過給支票拍照就可以把錢存入銀行賬戶？所有這些應(yīng)用程序都稱之為OCR或光學(xué)字符識別軟件。Tesseract就是這樣一種OCR引擎，能夠識別100多種語言，也可以訓(xùn)練識別其他語言。
Detectron：Detectron是Facebook AI Research的軟件系統(tǒng)，它實現(xiàn)了最先進的物體檢測算法，包括Mask R-CNN。它是用Python編寫的，由Caffe2深度學(xué)習(xí)框架提供支持。

StanfordNLP：StanfordNLP是一個Python自然語言分析包，關(guān)于這個庫的最好的部分就是它支持超過70種人類語言！

BERT即服務(wù)：你們所有的NLP愛好者都會聽說過BERT這一來自谷歌的突破性NLP架構(gòu)，但你可能還沒有遇到過這個非常有用的項目。Bert-as-a-service使用BERT作為句子編碼器，并通過ZeroMQ將其作為服務(wù)托管，允許你僅用兩行代碼將句子映射到固定長度的表示形式。
Google Magenta：此庫提供了用于處理源數(shù)據(jù)（主要是音樂和圖像）的實用程序，使用此數(shù)據(jù)來訓(xùn)練機器學(xué)習(xí)模型，最后從這些模型生成新內(nèi)容。
LibROSA：LibROSA是一個用于音樂和音頻分析的Python包。它提供了創(chuàng)建音樂信息檢索系統(tǒng)所需的構(gòu)建塊。當我們使用深度學(xué)習(xí)等語音到文本的應(yīng)用程序時，它在音頻信號預(yù)處理中被大量使用。

5.用于強化學(xué)習(xí)的開源工具

當談到機器學(xué)習(xí)時，RL是最近的熱門話題。強化學(xué)習(xí)（RL）的目標是培養(yǎng)能夠與環(huán)境互動并解決復(fù)雜任務(wù)的智能代理，實現(xiàn)機器人、自動駕駛汽車等領(lǐng)域的實際應(yīng)用。以下是一些對RL最有用的培訓(xùn)環(huán)境：

谷歌研究足球：谷歌研究足球環(huán)境是一個新穎的RL環(huán)境，代理商的目標是掌握世界上最受歡迎的運動——足球。這種環(huán)境為你提供了大量的控制來訓(xùn)練RL代理。
OpenAI Gym：Gym是一個用于開發(fā)和比較強化學(xué)習(xí)算法的工具包。它支持教學(xué)代理從步行到玩乒乓球或彈球戲等游戲。在下面的gif圖片中，你可以看到一個正在學(xué)習(xí)走路的機器人。

Unity ML代理：Unity機器學(xué)習(xí)代理工具包（ML-Agents）是一個開放源碼Unity插件，可以將游戲和模擬作為培訓(xùn)智能代理的環(huán)境。通過一個簡單易用的Python API，可以使用強化學(xué)習(xí)、模仿學(xué)習(xí)、神經(jīng)進化或其他機器學(xué)習(xí)方法來訓(xùn)練agent。