2019年20个最佳Python人工智能和机器学习开源工具(项目)

图片.png

参考资料

• 探讨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(持续升级)

• 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

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

图片.png

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

Github URL: Keras

• PyTorch张量和动态神经网络，具备强大的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 具备可扩展的统计语义，分析语义结构的纯文本文档，检索语义类似的文档等功能。

Github URL: Gensim

-Caffe以表达，速度和板块化为基础的深度学习框架。 它由伯克利视觉和学习中心(BVLC)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: 允许客户浏览数据，预计统计模型和执行统计测试。 形容性统计，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（ML）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（新模型，算法等），Theano将为您优化和稳固这些表达式，并将它们编译为您选择的后台（CPU或者GPU）。

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）。 HTM理论的一部分已经在应用中得到实施，测试和使用，HTM理论的其余部分仍在开发中。

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，解码或者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。 它与多解决和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。 它还创立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的板块化机器学习库。 其目标是为机器学习任务和各种预约义环境提供灵活，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