深受开发者喜爱的15个机器学习软件工具
本文首发于网站机器翻译学堂
转载事宜请后台询问哦
译者|唐欢、王芳、刘晓倩
机器学习软件包括人工智能、自迭代数据分析、监督学习以及其他机器学习算法中的任何专业软件。
机器学习可以应用于各种软件应用程序，例如电子邮件分类和人机交互，还可以用于建模、设计、招聘和会计方面。
它不仅可以让功能齐全的AI系统与低级的机器人之间产生巨大的鸿沟，还能够帮助选择最适合你的软件包。
1.AmazonML
AmazonMachineLearning（AML）是一个基于云的综合性机器学习工具，所有技术水平和在线应用程序的开发人员都可以访问并使用。
2.GoogleMLKitMobile
Google的Android团队为移动应用程序开发人员创建了一个机器学习工具箱，该工具箱结合了机器学习和技术知识，可以创建更具弹性更优化的应用程序，从而使其在手机上的运行效果更佳。
该软件包可用于执行诸如人脸识别、文本识别和特征点检测等任务。
它还有助于图像标注和条形码扫描。可以通过它去访问更强大的技术。
GoogleMLKitMobile既可以在设备上运行，也可以在云端运行，具体取决于个人的需求。它还可以使用预先制作的模型或软件开发现有的解决方案。另外，该套件还包括Google的Firebase移动开发平台。
3.AppleCoreML
AppleCoreML是一个使用机器学习来帮助你将机器学习模型集成到移动应用程序中的平台，在苹果官网里即可获取。
将机器学习中的文件移至项目中，Xcode将立即生成Swift包装器或Objective-C代码。这种方法易于操作，且能利用所有的CPU和GPU。
CoreML不仅支持计算机视觉精确分析图像，还支持GameplayKit评估学习决策树以及自然语言快速执行自然语言处理。它对设备进行了优化，以达到最佳性能。
4.ApacheSparkMLlib
这是一个机器学习库，不仅可以在ApacheMesos和Hadoop上扩展，同时还能从多个数据源检索数据。这里有对数据进行分类的多种方法，包括朴素贝叶斯和逻辑回归。其工作流工具包括MLPipelineCreation、FeatureTransformations、MLPersistence等。
用户可以访问Hadoop数据源，如HDFS、HBase或本地文件。它易与Hadoop操作集成，因为它能够访问诸如HDFS、HBase或本地文件等Hadoop数据源。MLlib还与SparkAPI集成，并在Python库和R库中与NumPy搭配使用，具有优于MapReduce的算法。
5.ApacheSinga
该程序由新加坡国立大学数据组与浙江大学数据组联合开发。
这个AI系统可以辅助图像识别和自然语言处理，支持许多我们所熟悉的深度学习模型。它主要由三个部分组成：IOCore、Model和Core。
张量抽象可用于创建较为复杂的机器学习模型。ApacheSinga提供了经过改进的IO类（IOclasses）来写入、读取、编码、解码文件和数据。此程序可用于同步、异步或两者相结合的训练。
6.ApacheMahout
ApacheMahout在数学上很有表现力，是Scala的分布式线性代数框架和ScalaDSL，是Apache软件基金会的免费开源项目。
该框架的目的是为统计学家、数学家和数据科学家快速开发算法而创建的。其中提供了推荐、分类和聚类等机器学习方法，以及构建可扩展算法的框架。
它还包括向量库和矩阵库，使用MapReduce范例在ApacheHadoop上运行。
7.Accord.NET
Accord.NET将.Net机器学习基础与C#音频及图像处理APIs集成在一起，它有许多适用于各种需求的库，如模式识别、数据处理和线性代数。
它还包含Accord.Statistics，Accord.Math和Accord.MachineLearning类。
Accord.NET的特点：
8.Shogun
Shogun是一个开源免费的机器学习库，于1999年由GunnarRaetsch和SoerenSonnenburg合作开发。
该软件可以用C++实现。这个软件实际上提供了可以用来解决机器学习问题的方法和数据结构。
它支持多种编程语言，包括R、Python、Java、Octave、C#、Ruby、Lua、Ruby、C#、Ruby以及其他语言。
Shogun主要专注于核机器，如回归问题和支持向量机分类。可以连接到LibLinear和libSVM等机器学习库。
9.TensorFlow
TensorFlow是一个由Google开发的开源机器学习库，支持用户构建ML模型。
它提供了广泛的库、工具和资源，助力研究人员开发并部署机器学习系统。
并且它还帮助构建和训练机器学习模型。值得一提的是，TensorFlow.js可以将模型转换为html。
TensorFlow作为一个开源的软件程序，可基于数据流图完成数值计算，并在CPU和GPU以及一系列移动计算设备上使用。
10.GoogleCloudMLEngine
这是一个基于云的平台，允许机器学习应用程序开发人员和数据科学家创建、执行高质量的模型。
机器学习模型的训练、构建、深度学习、预测建模甚至预测的所有选项都是可以使用的。
该应用程序为许多企业所用。企业可以通过它来识别卫星图像中的云，或者更快地响应客户电子邮件。它能以多种方式训练复杂的模型。
11.IBMMachineLearning
IBMMachineLearning服务允许用户混合IBMWatsonStudio和IBMWatsonOpenScale等技术。
它是一款可用于构建AI模型的开源软件，将模型集成到应用程序中并对其进行测试。IBMML提供了一个免费的轻量级计划，其中包括20个CPUH的上限和两个批处理任务的同时优化。
12.Oryx2
它基于ApacheSpark和ApacheKafka构建而成，是lambda架构的一个示例，用于大规模实时算法。
Orxy2软件开发平台可用于过滤、打包、回归、分类、聚类和归类的端到端应用程序。Oryx2.8.0是该应用程序的最新版本。
Oryx2指的是Oryx1项目的更高级版本。
它有三层在协同工作：分别是速度层、批处理层和服务层。
除此之外还有一个数据传输层，该层能够跨越不同级别传输数据并接收来自外部源的输入。
13.NeuralDesigner
NeuralDesigner是一种新兴的机器学习服务，它允许使用者跳过编码，通过拖放和点击功能创建框图。与其他系统相比，NeuralDesigner以417K+的采样率提供了更好的GPU训练性能。
NeuralDesigner完全是由C++编写而成的，这牺牲了一定的优势以获得更快的性能。
大数据负载需要出色的内存管理，而优化CPU和GPU性能就可以实现快速计算。
14.AzureMachineLearning
微软的AzureML允许客户快速轻松地构建、训练、部署和维护机器学习模型。
此外，还提供好用的插件、较长的试用期和货币信用。
15.Anaconda
Conda的基本组件包括Conda软件包管理员、无限公司的产品和连接性，还有云存储库、环境管理员。
自由职业者也能进行订阅。Anaconda对所有人开放，包括数百个开源框架、工具以及7500多个Conda软件包。
尽管有些机器学习算法只能对特定领域进行预先设计，但也有其他算法可以允许用户使用任何数据来创建自己的模型。
市面上有不同类型的应用软件，在这里主要讨论了应用于机器学习领域的软件工具。
我们列出了一些使用最广泛的机器学习工具，以及如何通过它们来解决各种需求。
当然，随着机器学习领域的不断发展，还有许多没有提及到的优秀的机器学习库，欢迎大家进行补充。