本文将介绍21种用于机器学习的开源工具。

以下为译文：

你肯定已经了解流行的开源工具，如R、Python、Jupyter笔记本等。但是，除了这些流行的工具之外还有一个世界——一个隐藏在机器学习工具下的地方。这些并不像他们的同行那样出色，但可以成为许多机器学习任务的救星。

在本文中，我们将介绍21种用于机器学习的开源工具。我强烈建议你花一些时间浏览我提到的每个类别。除了我们通常在课程和视频中学到的东西之外，还有很多需要学习的地方。

面向非程序员的开源机器学习工具

对于来自非编程和非技术背景的人来说，机器学习看起来很复杂。这是一个广阔的领域，我可以想象第一步可能会多么令人生畏。没有编程经验的人能否在机器学习中取得成功？

事实证明，你可以！这里有一些工具可以帮助你跨越鸿沟并进入著名的机器学习世界：

• 优步路德维希：路德维希允许我们训练和测试深度学习模型，而无需编写代码。您需要提供的只是一个包含数据的CSV文件，一个用作输入的列的列表，以及一个用作输出的列的列表——Ludwig将完成剩下的工作。
• KNIME：KNIME允许您使用拖放界面创建整个数据科学工作流程。这种可视化实现整个模型工作流的方法非常直观，在处理复杂的问题陈述时非常有用。

• Orange：您不必知道如何编码以便能够使用Orange挖掘数据，处理数据并获得洞察力。

• MLFlow：MLFlow被设计用于使用任何机器学习库或算法，并管理整个生命周期，包括实验、重现性和机器学习模型的部署。

• Apple的CoreML：CoreML是一个流行的框架，它可用于将机器学习模型集成到你的iOS / Apple Watch / Apple TV / MacOS应用程序中。关于CoreML的最好的部分是你不需要有关神经网络或机器学习的广泛知识，双赢！

• TensorFlow Lite：TensorFlow Lite是一组工具，可帮助开发人员在移动设备（Android和iOS），嵌入式和物联网设备上运行TensorFlow模型。
• TensorFlow.JS - TensorFlow.JS可以成为你在网络上部署机器学习模型的首选。它是一个开源库，可让你在浏览器中构建和训练机器学习模型。

• Hadoop：使用大数据最重要和最相关的工具之一是Hadoop项目。Hadoop是一个框架，它允许使用简单的编程模型跨计算机集群分布式处理大型数据集。

• Spark：Apache Spark被认为是Hadoop用于大数据应用程序的自然继承者。这个开源大数据工具的关键点在于它填补了Apache Hadoop在数据处理方面的空白。有趣的是，Spark可以处理批量数据和实时数据。
• Neo4j：对于所有与数据相关的大问题，Hadoop可能不是明智的选择。例如，当你需要处理大量网络数据或图形相关问题（如社交网络或人口统计模式）时，图形数据库可能是最佳选择。

• SimpleCV：如果你从事任何计算机视觉项目，必须使用OpenCV。但你有遇到过SimpleCV吗？SimpleCV可以访问几个高性能的计算机视觉库，如OpenCV——无需首先了解位深度、文件格式、色彩空间、缓冲区管理、特征值或矩阵与位图存储，这使计算机视觉变得简单。

• Tesseract OCR：你是否使用过创意应用程序，通过使用智能手机的相机扫描文档或购物账单，或者仅仅通过给支票拍照就可以把钱存入银行账户？所有这些应用程序都称之为OCR或光学字符识别软件。Tesseract就是这样一种OCR引擎，能够识别100多种语言，也可以训练识别其他语言。
• Detectron：Detectron是Facebook AI Research的软件系统，它实现了最先进的物体检测算法，包括Mask R-CNN。它是用Python编写的，由Caffe2深度学习框架提供支持。

• StanfordNLP：StanfordNLP是一个Python自然语言分析包，关于这个库的最好的部分就是它支持超过70种人类语言！

• BERT即服务：你们所有的NLP爱好者都会听说过BERT这一来自谷歌的突破性NLP架构，但你可能还没有遇到过这个非常有用的项目。Bert-as-a-service使用BERT作为句子编码器，并通过ZeroMQ将其作为服务托管，允许你仅用两行代码将句子映射到固定长度的表示形式。
• Google Magenta：此库提供了用于处理源数据（主要是音乐和图像）的实用程序，使用此数据来训练机器学习模型，最后从这些模型生成新内容。
• LibROSA：LibROSA是一个用于音乐和音频分析的Python包。它提供了创建音乐信息检索系统所需的构建块。当我们使用深度学习等语音到文本的应用程序时，它在音频信号预处理中被大量使用。

• 谷歌研究足球：谷歌研究足球环境是一个新颖的RL环境，代理商的目标是掌握世界上最受欢迎的运动——足球。这种环境为你提供了大量的控制来训练RL代理。
• OpenAI Gym：Gym是一个用于开发和比较强化学习算法的工具包。它支持教学代理从步行到玩乒乓球或弹球戏等游戏。在下面的gif图片中，你可以看到一个正在学习走路的机器人。

• Unity ML代理：Unity机器学习代理工具包（ML-Agents）是一个开放源码Unity插件，可以将游戏和模拟作为培训智能代理的环境。通过一个简单易用的Python API，可以使用强化学习、模仿学习、神经进化或其他机器学习方法来训练agent。

• Malmo项目：Malmo平台是一个基于Minecraft构建的复杂AI实验平台，旨在支持人工智能的基础研究，由Microsoft开发。

推荐阅读

• 打破深度学习局限，强化学习、深度森林或是企业AI决策技术的“良药”自动驾驶行业观察 | 停车不再难，L2到L4的泊车辅助系统技术剖析

• Python微信远程控制摄像头-拍摄女朋友坐电脑前聊天时表情

• 5大必知的图算法，附Python代码实现

• 阿里云弹性计算负责人蒋林泉：亿级场景驱动的技术自研之路

• 40 岁身体死亡，11 年后成“硅谷霍金”，他用一块屏幕改变 100 万人！AI大神如何用区块链解决模型训练痛点, AI+区块链的正确玩法原来是这样…… | 人物志

• Docker是啥？容器变革的火花？

你点的每个“在看”，我都认真当成了喜欢