充分利用机器学习的十一个开源工具

垃圾邮件过滤、面部识别、推荐引擎——当你有一个大数据集，你想要进行预测分析或模式识别时，机器学习是一种方法。自由开源软件的普及使得机器学习更容易在单台机器和规模上实现，并且在大多数流行的编程语言中也能实现。这11个开源工具包括了Python、R、c++、Java、Scala、Clojure、JavaScript和Go等的库。

 

 

 

---

 

Scikit-learn

Python已经成为数学、科学和统计方面的首选编程语言，因为它易于采用，而且几乎任何应用程序都可以使用这些库。scikit- learn通过在几个现有的Python包——numpy、SciPy和matplotlib——上构建数学和科学工作，利用了这一广度。生成的库可以用于交互式的“工作台”应用程序，或者嵌入到其他软件中并重新使用。该工具包在BSD许可下可用，因此它是完全开放和可重用的。

Project: scikit-learn

GitHub:https://github.com/scikit-learn/scikit-learn

 

Shogun(幕府)

尊敬的Shogun创建于1999年，并以c++编写，但可以使用Java、Python、c#、Ruby、R、Lua、Octave和Matlab。最新的版本是6.0.0，增加了对Microsoft Windows和Scala语言的本机支持。虽然广受欢迎，但Shogun却有竞争。另一个基于c++的机器学习库MLpack，自2011年以来就一直在使用，但是它声称比竞争库更容易使用(通过更完整的API集)。

Project:Shogun

GitHub:https://github.com/shogun-toolbox/shogun

 

Accord.Net Framework

Accord，机器学习和信号处理框架。.Net是之前一个项目的扩展，协议包括一组用于处理音频信号和图像流的库(如视频)。它的视觉处理算法可以用于人脸检测、拼接图像或追踪移动对象等任务。协议还包括提供更传统的机器学习功能的库，从神经网络到决策树系统。

Project:Accord.Net Framework

GitHub:https://github.com/accord-net/framework/

 

Apache Mahout

Apache Mahout长期以来与Hadoop捆绑在一起，但它旗下的许多算法也可以在Hadoop之外运行。它们对于独立应用程序非常有用，这些应用程序最终可能会迁移到Hadoop或Hadoop项目中，这些项目可能会被拆分为独立的应用程序。最后几个版本增强了对高perfomance Spark框架的支持，并增加了对GPU加速线性代数的ViennaCL库的支持。

Project:Apache Mahout

官网：https://mahout.apache.org/

 

Spark MLlib

MLlib是Apache Spark和Apache Hadoop的机器学习库，它拥有许多常见的算法和有用的数据类型，设计以速度和规模运行。尽管Java是在MLlib工作的主要语言，Python用户可以将MLlib与NumPy库连接起来，Scala用户可以编写针对MLlib的代码，并且R用户可以在1.5版中插入Spark。另一个项目，MLbase，建立在MLlib之上，使其更容易获得结果。用户不需要编写代码，而是通过一种声明式语言à la来进行查询。

Project:Spark MLlib

官网：https://spark.apache.org/mllib/

 

H2O

H2O的算法主要针对业务流程——比如欺诈或趋势预测——而不是图像分析。H2O可以以独立的方式与HDFS存储、在YARN、MapReduce中，或者直接在Amazon EC2实例中交互。Hadoop mavens可以使用Java与H2O进行交互，但该框架还为Python、R和Scala提供了绑定，允许您与这些平台上的所有库交互。

Project:H2O

GitHub:https://github.com/0xdata/h2o

 

Cloudera Oryx

Oryx是Cloudera Hadoop发行版的创建者，它使用Spark和Kafka流处理框架来运行实时数据的机器学习模型。Oryx提供了一种方法来构建需要决策的项目，比如推荐引擎或实时异常检测，这些都是由新的和历史数据提供的。版本2.0是对项目的近乎完全的重新设计，其组件在lambda体系结构中松散耦合。新的算法，以及这些算法的新抽象，对于超参数选择，可以随时添加。

Project:Cloudera Oryx

GitHub:https://github.com/cloudera/oryx

 

GoLearn

据开发人员斯蒂芬·惠特沃斯(Stephen Whitworth)说，GoLearn是一个为谷歌的Go语言学习的机器学习库，它的目标是简单和可定制。它的简单性在于数据在库中加载和处理的方式，这种方式是在SciPy和R语言之后进行的，而定制的功能在于如何在应用程序中轻松地扩展某些数据结构。惠特沃斯还为Vowpal Wabbit库创建了一个Go包装器，这是在Shogun工具箱中发现的一个库。

Project:GoLearn

GitHub:https://github.com/sjwhitworth/golearn

 

Weka

Weka是一组专门用于数据挖掘的Java机器学习算法。这个GNU gplv3许可的集合有一个包系统来扩展它的功能，包括官方的和非官方的软件包。Weka甚至还带了一本书来解释软件和使用的技术。虽然Weka并没有专门针对Hadoop用户，但由于一组包装器，最新的版本可以与Hadoop一起使用。注意，Weka还不支持Spark，只有MapReduce。Clojure用户可以通过clj - ml库利用Weka。

Project:Weka

官网：http://www.cs.waikato.ac.nz/ml/weka/

 

Deeplearn.js

在web浏览器中深度学习的另一个项目，Deeplearn.js，通过谷歌来实现。神经网络模型可以直接在任何现代浏览器中进行训练，而不需要额外的客户端软件。Deeplearn.js还可以通过WebGL API进行gpu加速计算，因此性能并不局限于系统的CPU。项目中可用的函数是在谷歌的TensorFlow之后形成的，这使得该项目的用户可以轻松地开始使用这个项目。

Project:Deeplearn.js

官网:https://pair-code.github.io/deeplearnjs/

 

ConvNetJS

顾名思义，ConvNetJS是一个用于神经网络机器学习的JavaScript库，便于使用浏览器作为数据工作台。对于使用节点的用户，也可以使用NPM版本。js和库的设计是为了正确使用JavaScript的异步性。例如，培训操作一旦完成就可以执行回调。还包括了大量的演示示例。

Project:ConvNetJS

GitHub：https://github.com/karpathy/convnetjs

 

 

原    文： 11 open source tools to make the most of machine learning