四川福彩快乐12app下载-四川快乐12app官网(彩世界)
做最好的网站
来自 四川福彩快乐12app下载 2019-10-14 12:16 的文章
当前位置: 四川福彩快乐12app下载 > 四川福彩快乐12app下载 > 正文

2019年20个最佳Python人工智能和机器学习开源工具

图片.png

四川福彩快乐12app下载 1图片.png

提交数: 5254, 贡献者: 46, Github 链接: Nilearn(http://github.com/nilearn/nilearn)

Github URL: Tensorflow

参考资料

  • 讨论qq群630011153 144081101
  • 本文最新版本地址
  • 本文涉及的python测试开发库 谢谢点赞!
  • 本文相关海量书籍下载
  • 2018最佳人工智能机器学习工具书及下载
  • TensorFlow最初是由研究人员和工程师在Google机器智能研究组织的Google Brain团队中开发的。 该系统旨在促进机器学习的研究,并使其从研究原型到生产系统的快速和轻松过渡。

Github URL: Tensorflow

四川福彩快乐12app下载 2图片.png

  • Scikit-learn是用于数据挖掘和数据分析的简单而有效的工具,可供所有人访问,并可在各种环境中重用,基于NumPy,SciPy和matplotlib,开源,商业可用 - BSD许可证。

Github URL: Scikit-learn

四川福彩快乐12app下载 3图片.png

  • Keras:高级神经网络API,用Python编写,能够在TensorFlow,CNTK或Theano之上运行。

Github URL: Keras

  • PyTorch张量和动态神经网络,具有强大的GPU加速功能。

Github URL: pytorch

  • Theano允许您有效地定义,优化和评估涉及多维阵列的数学表达式。

Github URL: Theano

  • Gensim 具有可扩展的统计语义,分析语义结构的纯文本文档,检索语义相似的文档等功能。

Github URL: Gensim

-Caffe以表达,速度和模块化为基础的深度学习框架。 它由伯克利视觉和学习中心和社区贡献者开发。

Github URL: Caffe

  • Chainer:基于Python的独立开源框架,适用于深度学习模型。 Chainer提供灵活,直观和高性能的方法来实现全方位的深度学习模型,包括最新的模型,如递归神经网络和变分自动编码器。

Github URL: Chainer

  • Statsmodels: 允许用户浏览数据,估计统计模型和执行统计测试。 描述性统计,统计测试,绘图函数和结果统计的广泛列表可用于不同类型的数据和每个估算器。

Github URL: Statsmodels

  • Shogun是机器学习工具箱,提供各种统一和高效的机器学习方法。 工具箱无缝地允许轻松组合多个数据表示,算法类和通用工具。

    Github URL: Shogun

  • Pylearn2机器学习库。 它的大部分功能都建立在Theano之上。 这意味着您可以使用数学表达式编写Pylearn2插件,Theano将为您优化和稳定这些表达式,并将它们编译为您选择的后端。

Github URL: Pylearn2

  • NuPIC是一个基于新皮层理论的开源项目,称为分层时间记忆。 HTM理论的一部分已经在应用中得到实施,测试和使用,HTM理论的其他部分仍在开发中。

Github URL: NuPIC

  • Nilearn:基于Python的深度学习库。 它提供易用性,同时提供最高性能。

Github URL: Nilearn

  • Orange3:Python工具箱进行多变量统计,并使用预测建模,分类,解码或连接分析等应用程序。

Github URL: Orange3

  • Pymc: 实现贝叶斯统计模型和拟合算法,包括马尔可夫链蒙特卡罗。 其灵活性和可扩展性使其适用于大量问题。

Github URL: Pymc

-Deap: 一种新颖的进化计算框架,用于快速原型设计和思想测试。 它旨在使算法明确,数据结构透明。 它与多处理和SCOOP等并行机制完美协调。

Github URL: Deap

  • Annoy (Approximate Nearest Neighbors Oh Yeah)是一个带有Python绑定的C 库,用于搜索空间中接近给定查询点的点。 它还创建了大型只读基于文件的数据结构,这些数据结构映射到内存中,以便许多进程可以共享相同的数据。

Github URL: Annoy

  • PyBrain是一个用于Python的模块化机器学习库。 其目标是为机器学习任务和各种预定义环境提供灵活,易用且功能强大的算法,以测试和比较您的算法。

Github URL: PyBrain

  • Fuel是一个数据管道框架,可为您的机器学习模型提供所需的数据。 它计划由 Blocks和Pylearn2神经网络库使用。

Github URL: Fuel

  1. Pymc 是一个Python 模块,它能实现贝叶斯统计模型和拟合算法,包括马尔科夫链蒙特卡罗(Markov chain Monte Carlo)算法。它非常灵活,具有可扩展性,适用于处理一系列大规模问题。

四川福彩快乐12app下载 4

在比较同时上榜 2015 和 2016 Top 20 的项目时,可以发现,Pattern,PyBrain 和 Pylearn2 没有新的贡献者(contributors)也没有新的贡献代码。同时,还可以发现贡献者数和提交数之间有显著关联。贡献者数的增长可能会导致提交数的增长,我认为这是开源项目和社区的魔力——引领头脑风暴,激发更多创意,开发更好的软件工具。

  • BSD许可证。

提交数: 875, 贡献者: 47, Github 链接: Neon(https://github.com/NervanaSystems/neon)

四川福彩快乐12app下载 5

如今开源是创新的核心,推动着技术的飞速革新。本文会为你介绍 2016 年机器学习 Top 20 Python 开源项目,同时分析得出一些有趣的见解和发展趋势。

Github URL: TheanoGensim 具有可扩展的统计语义,分析语义结构的纯文本文档,检索语义相似的文档等功能。

  1. Statsmodels 是一个 Python 模块,可以用来探索数据,估计统计模型,进行统计测试。对于不同类型的数据和模型估计,都有描述性统计,统计测试,绘图功能和结果统计的详细列表可用。

Github URL: CaffeChainer:基于Python的独立开源框架,适用于深度学习模型。 Chainer提供灵活,直观和高性能的方法来实现全方位的深度学习模型,包括最新的模型,如递归神经网络和变分自动编码器。

提交数: 1854, 贡献者: 21, Github 链接: Deap(https://github.com/deap/deap)

四川福彩快乐12app下载 6

  1. Theano 允许高效地定义、优化以及评估涉及多维数组的数学表达式. 提交数: 24108, 贡献者: 263, Github 链接: Theano(https://github.com/Theano/Theano)

  2. Caffe 是一个基于表达式,速度和模块化原则创建的深度学习框架。它由伯克利视觉学习中心(BVLC, Berkeley Vision and Learning Center)和社区贡献者共同开发。 提交数: 3801, 贡献者: 215, Github 链接: Caffe(https://github.com/BVLC/caffe)

  3. Gensim 是一个免费的 Python 库,它包含可扩展的统计语义,分析纯文本文档的语义结构,以及检索相似语义的文档等功能。

上述github地址如不能访问,可以访问python测试开发库汇总: 或 本文首发地址

提交数: 9258, 贡献者: 26, Github 链接: PyMVPA(https://github.com/PyMVPA/PyMVPA)

Github URL: ChainerStatsmodels: 允许用户浏览数据,估计统计模型和执行统计测试。 描述性统计,统计测试,绘图函数和结果统计的广泛列表可用于不同类型的数据和每个估算器。

  1. Shogun 是一个机器学习工具箱,它提供了很多统一高效的机器学习方法。这个工具箱允许多个数据表达,算法类和通用工具无缝组合。

-Deap: 一种新颖的进化计算框架,用于快速原型设计和思想测试。 它旨在使算法明确,数据结构透明。 它与多处理和SCOOP等并行机制完美协调。

  1. Nilearn 是一个 Python 模块,用于在神经成像 (NeuroImaging) 数据上进行快速简单的统计学习。它利用 scikit-learn Python 工具箱来处理多变量统计信息,包括预测建模,分类,解码或连接分析.

Scikit-learn

在下面的图表中,可以看到 PyMVPA 相较于其他项目拥有最高的贡献率(contribution rate)。令人吃惊的是,Scikit-learn 虽然拥有最多的贡献者,但是贡献率却很低。这种现象背后的原因可能是:PyMVPA 是新项目,正处于开发的早期阶段,新功能开发,漏洞修补和重构等都能够引导更多的提交。而 Scikit-learn 属于比较旧且非常稳定的项目,改进和修复的空间更小。

Pylearn2机器学习库。 它的大部分功能都建立在Theano之上。 这意味着您可以使用数学表达式编写Pylearn2插件,Theano将为您优化和稳定这些表达式,并将它们编译为您选择的后端。

提交数: 1053, 贡献者: 29, Github 链接: Fuel(http://github.com/mila-udem/fuel)

Github URL: AnnoyPyBrain是一个用于Python的模块化机器学习库。 其目标是为机器学习任务和各种预定义环境提供灵活,易用且功能强大的算法,以测试和比较您的算法。

提交数: 365, Contributors: 24, Github 链接: Annoy(https://github.com/spotify/annoy)

Github URL: Pylearn2NuPIC是一个基于新皮层理论的开源项目,称为分层时间记忆。 HTM理论的一部分已经在应用中得到实施,测试和使用,HTM理论的其他部分仍在开发中。

以上是对 2016 Python 机器学习开源项目所做的分析,该分析基于项目贡献者和提交数,作者是 KDnuggets 团队的 Prasad 和 Gregory。

Github URL: Fuel

  1. Scikit-learn 是一个简单且高效的数据挖掘和数据分析工具,易上手,可以在多个上下文中重复使用。它基于NumPy, SciPy 和 matplotlib,开源,可商用(基于 BSD 许可)

Shogun是机器学习工具箱,提供各种统一和高效的机器学习方法。 工具箱无缝地允许轻松组合多个数据表示,算法类和通用工具。

  1. Fuel 是一个数据管道框架(data pipeline framework),它为机器学习模型提供所需的数据。Blocks 和 Pylearn2 这两个神经网络库都有计划使用 Fuel。

Github URL: NuPICNilearn:基于Python的深度学习库。 它提供易用性,同时提供最高性能。

  1. Chainer 是一个基于 Python 的独立的深度学习模型开源框架。Chainer 提供了灵活、直观且高性能的方法实现全方位的深度学习模型,包括循环神经网络 (recurrent neural networks) 和变分自编码器(variational autoencoders)这些最新的模型 。

图片.pngKeras:高级神经网络API,用Python编写,能够在TensorFlow,CNTK或Theano之上运行。

提交数: 2701, 贡献者: 37, Github 链接: Pymc(https://github.com/pymc-devs/pymc)

Github URL: NilearnOrange3:Python工具箱进行多变量统计,并使用预测建模,分类,解码或连接分析等应用程序。

提交数: 984, 贡献者: 31, Github 链接: PyBrain(http://github.com/pybrain/pybrain)

Github URL: Scikit-learn

提交数: 6088, 贡献者: 76, Github 链接: NuPIC(http://github.com/numenta/nupic)

Github URL: DeapAnnoy (Approximate Nearest Neighbors Oh Yeah)是一个带有Python绑定的C 库,用于搜索空间中接近给定查询点的点。 它还创建了大型只读基于文件的数据结构,这些数据结构映射到内存中,以便许多进程可以共享相同的数据。

  1. NuPIC 是一个基于 HTM 算法 (Hierarchical Temporal Memory) 的开源项目。HTM 的一部分已经通过实践、测试和应用,另一部分仍在开发之中。

TensorFlow最初是由研究人员和工程师在Google机器智能研究组织的Google Brain团队中开发的。 该系统旨在促进机器学习的研究,并使其从研究原型到生产系统的快速和轻松过渡。

开源万岁!分享万

-Caffe以表达,速度和模块化为基础的深度学习框架。 它由伯克利视觉和学习中心和社区贡献者开发。

17.PyMVPA 是一个 Python 包,旨在简化大型数据集的统计学习分析。它提供了一个可扩展的框架和一个用于分类,回归,特征选择,数据导入导出等算法的高级接口。

是用于数据挖掘和数据分析的简单而有效的工具,可供所有人访问,并可在各种环境中重用,基于NumPy,SciPy和matplotlib,开源,商业可用

  1. Deap 是一个创新的,仍在发展中的计算框架,用于快速构建原型和测试方法。它旨在使算法和数据结构更加清晰透明。它与并行机制(如多进程和 SCOOP 模块)完美协调。

Github URL: Orange3Pymc: 实现贝叶斯统计模型和拟合算法,包括马尔可夫链蒙特卡罗。 其灵活性和可扩展性使其适用于大量问题。

  1. Orange3 是一个同时适用于新手和数据专家的机器学习和数据可视化开源软件,支持拥有大型工具箱的交互式数据分析工作流程。

Github URL: Statsmodels

提交数: 2702, 贡献者: 145, Github 链接: Gensim(https://github.com/RaRe-Technologies/gensim)

Github URL: PyBrainFuel是一个数据管道框架,可为您的机器学习模型提供所需的数据。 它计划由 Blocks和Pylearn2神经网络库使用。

提交数: : 943, Contributors: 20 , Github 链接: Pattern(http://github.com/clips/pattern)

Github URL: KerasPyTorch张量和动态神经网络,具有强大的GPU加速功能。

提交数: 7100, 贡献者: 115, Github 链接: Pylearn2(http://github.com/lisa-lab/pylearn2)

Github URL: Gensim

提交数: 15172 贡献者: 105, Github 链接: Shogun(https://github.com/shogun-toolbox/shogun)

Github URL: Pymc

KDnuggets 为您带来 Github 上最新的 Python 机器学习开源项目前 20 名。奇怪的是,去年一些非常活跃的项目渐渐停滞了,因此没能上榜,而 13 个新项目冲进了今年的 top 20(参考贡献 contributions 和提交数 commits)。

Github URL: Shogun

  1. PyBrain 是一个模块化的 Python 机器学习库。它致力于为机器学习任务提供灵活易上手但功能强大的算法,和一系列用于测试和比较算法的预定义环境。

Github URL: pytorchTheano允许您有效地定义,优化和评估涉及多维阵列的数学表达式。

提交数: 6298, 贡献者: 84, Github 链接: Chainer(https://github.com/pfnet/chainer)

  1. Pattern 是一个 Python 的网络挖掘模块。它绑定了数据挖掘(Google Twitter Wikipedia API, 网络爬虫, HTML DOM 解析器),自然语言处理 (词性标记, n-gram 搜索, 语义分析, WordNet),机器学习(向量空间模型, k-means 聚类, Naive Bayes k-NN SVM 分类器) 和网络分析(图核心性 graph centrality 和可视化)等工具。

提交数: 6356, 贡献者: 40, Github 链接: Orange3(https://github.com/biolab/orange32019年20个最佳Python人工智能和机器学习开源工具(项目)【四川福彩快乐12app下载】。)

  1. Neon 是 Nervana 公司一个基于 Python 的深度学习库。它易于使用且具有超高的性能。
  1. Annoy (Approximate Nearest Neighbors Oh Yeah) 是一个带有 Python 绑定的 C 库,用于在空间中找到和已知的查询点临近的点。它还可以创建大型的基于文件的只读数据结构,并映射至内存,以便多个进程能共同使用相同的数据。

2016 Top 20 Python 机器学习开源项目

  1. Pylearn2 是一个机器学习库。它的大多数功能都是构建于Theano 之上的。这意味着你可以利用数学表达式自己写 Pylearn2 插件(新模型,算法等等),Theano 会为你优化这些表达式使其更加稳定,你还可以选择将其编译到后端(CPU 或 GPU)。

提交数: 10466, 贡献者: 493, Github 链接: Tensorflow(https://github.com/tensorflow/tensorflow)

提交数: 21486, 贡献者: 736, Github 链接: Scikit-learn(http://github.com/scikit-learn/scikit-learn0

  1. Tensorflow 最初由谷歌机器智能科研组织中的谷歌大脑团队(Google Brain Team)的研究人员和工程师开发。该系统设计的初衷是为了便于机器学习研究,能够更快更好地将科研原型转化为生产项目。

提交数: 8664, 贡献者: 108, Github 链接: Statsmodels(https://github.com/statsmodels/statsmodels/)

本文由四川福彩快乐12app下载发布于四川福彩快乐12app下载,转载请注明出处:2019年20个最佳Python人工智能和机器学习开源工具

关键词: 人工智能 人工 开源 机器