微信号:rgznai100

介绍:欢迎来到AI科技大本营.这里汇集了优秀的AI学习者,技术大咖和产业领袖;提供接地气的实战课程.在这里和优秀的人一起成长.

资源 | 盘点GitHub最著名的20个Python机器学习项目

2017-12-22 14:36 AI科技大本营

本文授权转自云栖社区知乎专栏


我们分析了GitHub上的前20名Python机器学习项目,发现scikit-Learn,PyLearn2和NuPic是贡献最积极的项目。让我们一起在Github上探索这些流行的项目!

  • Scikit-learn:Scikit-learn 是基于Scipy为机器学习建造的的一个Python模块,他的特色就是多样化的分类,回归和聚类的算法包括支持向量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient Boosting,聚类算法和DBSCAN。而且也设计出了Python numerical和scientific libraries Numpy and Scipy
    www.github.com/scikit-learn/scikit-learn

  • Pylearn2:Pylearn是一个让机器学习研究简单化的基于Theano的库程序。
    www.github.com/lisa-lab/pylearn2

  • NuPIC:NuPIC是一个以HTM学习算法为工具的机器智能平台。HTM是皮层的精确计算方法。HTM的核心是基于时间的持续学习算法和储存和撤销的时空模式。NuPIC适合于各种各样的问题,尤其是检测异常和预测的流数据来源。
    www.github.com/numenta/nupic

  • Nilearn:Nilearn 是一个能够快速统计学习神经影像数据的Python模块。它利用Python语言中的scikit-learn 工具箱和一些进行预测建模,分类,解码,连通性分析的应用程序来进行多元的统计。
    www.github.com/nilearn/nilearn

  • PyBrain:Pybrain是基于Python语言强化学习,人工智能,神经网络库的简称。 它的目标是提供灵活、容易使用并且强大的机器学习算法和进行各种各样的预定义的环境中测试来比较你的算法。
    www.github.com/pybrain/pybrain

  • Pattern:Pattern 是Python语言下的一个网络挖掘模块。它为数据挖掘,自然语言处理,网络分析和机器学习提供工具。它支持向量空间模型、聚类、支持向量机和感知机并且用KNN分类法进行分类。
    www.github.com/clips/pattern

  • Fuel:Fuel为你的机器学习模型提供数据。他有一个共享如MNIST, CIFAR-10 (图片数据集), Google’s One Billion Words (文字)这类数据集的接口。你使用他来通过很多种的方式来替代自己的数据。
    www.github.com/mila-udem/fuel

  • Bob:Bob是一个免费的信号处理和机器学习的工具。它的工具箱是用Python和C++语言共同编写的,它的设计目的是变得更加高效并且减少开发时间,它是由处理图像工具,音频和视频处理、机器学习和模式识别的大量软件包构成的。
    www.github.com/idiap/bob

  • Skdata:Skdata是机器学习和统计的数据集的库程序。这个模块对于玩具问题,流行的计算机视觉和自然语言的数据集提供标准的Python语言的使用。
    www.github.com/jaberg/skdata

  • MILK:MILK是Python语言下的机器学习工具包。它主要是在很多可得到的分类比如SVMS,K-NN,随机森林,决策树中使用监督分类法。 它还执行特征选择。 这些分类器在许多方面相结合,可以形成不同的例如无监督学习、密切关系金传播和由MILK支持的K-means聚类等分类系统。
    www.github.com/luispedro/milk

  • IEPY:IEPY是一个专注于关系抽取的开源性信息抽取工具。它主要针对的是需要对大型数据集进行信息提取的用户和想要尝试新的算法的科学家。
    www.github.com/machinalis/iepy

  • Quepy:Quepy是通过改变自然语言问题从而在数据库查询语言中进行查询的一个Python框架。他可以简单的被定义为在自然语言和数据库查询中不同类型的问题。所以,你不用编码就可以建立你自己的一个用自然语言进入你的数据库的系统。现在Quepy提供对于Sparql和MQL查询语言的支持。并且计划将它延伸到其他的数据库查询语言。
    www.github.com/machinalis/quepy

  • Hebel:Hebel是在Python语言中对于神经网络的深度学习的一个库程序,它使用的是通过PyCUDA来进行GPU和CUDA的加速。它是最重要的神经网络模型的类型的工具而且能提供一些不同的活动函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。
    www.github.com/hannes-brt/hebel

  • mlxtend:它是一个由有用的工具和日常数据科学任务的扩展组成的一个库程序。
    www.github.com/rasbt/mlxtend

  • nolearn:这个程序包容纳了大量能对你完成机器学习任务有帮助的实用程序模块。其中大量的模块和scikit-learn一起工作,其它的通常更有用。
    www.github.com/dnouri/nolearn

  • Ramp:Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架,它现存的Python语言下的机器学习和统计工具(比如scikit-learn,rpy2等)Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。
    www.github.com/kvh/ramp

  • Feature Forge:这一系列工具通过与scikit-learn兼容的API,来创建和测试机器学习功能。这个库程序提供了一组工具,它会让你在许多机器学习程序使用中很受用。当你使用scikit-learn这个工具时,你会感觉到受到了很大的帮助。(虽然这只能在你使用不同的算法时起作用。)
    www.github.com/machinalis/featureforge

  • REP:REP是以一种和谐、可再生的方式为指挥数据移动驱动所提供的一种环境。它有一个统一的分类器包装来提供各种各样的操作,例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以在一个群体以平行的方式训练分类器。同时它也提供了一个交互式的情节。
    www.github.com/yandex/rep

  • Python 学习机器样本:用亚马逊的机器学习建造的简单软件收集。
    www.github.com/awslabs/machine-learning-samples

  • Python-ELM:这是一个在Python语言下基于scikit-learn的极端学习机器的实现。
    www.github.com/dclambert/Python-ELM


以上为全部译文

文章原标题Top 20 Python Machine Learning Open Source Projects
译者:Anchor C.,审阅:虎说八道。


资源推荐


资源 | 做一款炫酷的机器人需要哪些学习资源(机器人资源Awesome系列)

资源 | 2017深度学习优秀论文盘点(建议收藏)

资源 | 普通程序员如何自学机器学习?这里有一份指南~

资源 | 想用Python学机器学习?Google大神替你写好了所有的编程示范代码

资源 | 亚马逊 AI 主任科学家李沐:动手学深度学习视频大全

资源 | Yann LeCun最新演讲:大脑是如何高效学习的?(附PPT+视频)

@那些想要转行AI的人:送你一份人工智能入门指南

资源 | 史上最全机器学习笔记

重磅 | 128篇论文,21大领域,深度学习最值得看的资源全在这了

爆款 | Medium上6900个赞的AI学习路线图,让你快速上手机器学习

Chatbot大牛推荐:AI、机器学习、深度学习必看9大入门视频

葵花宝典之机器学习:全网最重要的AI资源都在这里了(大牛,研究机构,视频,博客,书籍,Quora......)

☟☟☟ 更多学习资源,请戳“阅读原文”

 
AI科技大本营 更多文章 百度开撕前离职创业高管窃密,索赔5000万!景驰遭遇成立后最严峻考验 知识图谱大咖云集阿里,他们都说了啥 是的,网络身份证来了!一堆技术和安全上的麻烦事也来了 腾讯SNG举办TSAIC大会,学术和工业界共话AI前沿趋势 马上进入2018年了,但愿你还有被剥削的价值!因为AI失业潮真的开始了...
猜您喜欢 OpenStack成浪潮云产品核心,以“FAST”加速开源技术普惠 深入理解 RESTful Api 架构 你已患上国庆后遗症,请左边排队挂号就诊【Bus Weekly】二十二期 如何成为一名合格的(Java)程序员 PHP程序员为什么要学C和JAVA