2019年20個最佳Python人工智慧和機器學習開源工具(專案)

書籍尋找發表於2019-02-15
Python人工智慧機器學習開源工具

圖片.png

參考資料

Github URL: Tensorflow

圖片.png

  • Scikit-learn
    是用於資料探勘和資料分析的簡單而有效的工具，可供所有人訪問，並可在各種環境中重用，基於NumPy，SciPy和matplotlib，開源，商業可用 – BSD許可證。

Github URL: Scikit-learn

圖片.png

  • Keras：高階神經網路API，用Python編寫，能夠在TensorFlow，CNTK或Theano之上執行。

Github URL: Keras

  • PyTorch張量和動態神經網路，具有強大的GPU加速功能。

Github URL: pytorch

  • Theano允許您有效地定義，優化和評估涉及多維陣列的數學表示式。

Github URL: Theano

  • Gensim 具有可擴充套件的統計語義，分析語義結構的純文字文件，檢索語義相似的文件等功能。

Github URL: Gensim

–Caffe以表達，速度和模組化為基礎的深度學習框架。 它由伯克利視覺和學習中心(BVLC)和社群貢獻者開發。

Github URL: Caffe

  • Chainer：基於Python的獨立開源框架，適用於深度學習模型。 Chainer提供靈活，直觀和高效能的方法來實現全方位的深度學習模型，包括最新的模型，如遞迴神經網路和變分自動編碼器。

Github URL: Chainer

  • Statsmodels: 允許使用者瀏覽資料，估計統計模型和執行統計測試。 描述性統計，統計測試，繪圖函式和結果統計的廣泛列表可用於不同型別的資料和每個估算器。

Github URL: Statsmodels

  • Shogun是機器學習工具箱，提供各種統一和高效的機器學習（ML）方法。 工具箱無縫地允許輕鬆組合多個資料表示，演算法類和通用工具。

Github URL: Shogun

  • Pylearn2機器學習庫。 它的大部分功能都建立在Theano之上。 這意味著您可以使用數學表示式編寫Pylearn2外掛（新模型，演算法等），Theano將為您優化和穩定這些表示式，並將它們編譯為您選擇的後端（CPU或GPU）。

Github URL: Pylearn2

  • NuPIC是一個基於新皮層理論的開源專案，稱為分層時間記憶（HTM）。 HTM理論的一部分已經在應用中得到實施，測試和使用，HTM理論的其他部分仍在開發中。

Github URL: NuPIC

  • Nilearn:基於Python的深度學習庫。 它提供易用性，同時提供最高效能。

Github URL: Nilearn

  • Orange3:Python工具箱進行多變數統計，並使用預測建模，分類，解碼或連線分析等應用程式。

Github URL: Orange3

  • Pymc: 實現貝葉斯統計模型和擬合演算法，包括馬爾可夫鏈蒙特卡羅。 其靈活性和可擴充套件性使其適用於大量問題。

Github URL: Pymc

–Deap: 一種新穎的進化計算框架，用於快速原型設計和思想測試。 它旨在使演算法明確，資料結構透明。 它與多處理和SCOOP等並行機制完美協調。

Github URL: Deap

  • Annoy (Approximate Nearest Neighbors Oh Yeah)是一個帶有Python繫結的C ++庫，用於搜尋空間中接近給定查詢點的點。 它還建立了大型只讀基於檔案的資料結構，這些資料結構對映到記憶體中，以便許多程式可以共享相同的資料。

Github URL: Annoy

  • PyBrain是一個用於Python的模組化機器學習庫。 其目標是為機器學習任務和各種預定義環境提供靈活，易用且功能強大的演算法，以測試和比較您的演算法。

Github URL: PyBrain

  • Fuel是一個資料管道框架，可為您的機器學習模型提供所需的資料。 它計劃由 Blocks和Pylearn2神經網路庫使用。

Github URL: Fuel


相關文章