21 个必须知道的机器学习开源工具( 二 ) _机器学习

文章插图

4.用于计算机视觉，NLP和音频的开源机器学习工具“如果我们想要机器思考，我们需要教他们看。”——Fei-Fei Li博士的计算机视觉。

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。

文章插图

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。

文章插图

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！

文章插图

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。

5.用于强化学习的开源工具
当谈到机器学习时，RL是最近的热门话题。强化学习（RL）的目标是培养能够与环境互动并解决复杂任务的智能代理，实现机器人、自动驾驶汽车等领域的实际应用。以下是一些对RL最有用的培训环境：

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。

文章插图

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 。

文章插图

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。

6.最后指出
正如上面的一组工具可以明显看出，当我们考虑数据科学和人工智能相关的项目时，开源是一条正确的道路。我可能只是触及了冰山一角，但是有许多工具可用于各种任务，使你作为数据科学家的生活更轻松，你只需要知道在哪里查找即可。
你认为哪些工具应该列在这个清单上？在下面写下你的最爱，以便社区了解！
原文：https://medium.com/analytics-vidhya/21-must-know-open-source-tools-for-machine-learning-you-probably-arent-using-but-should-f605b94d9b06
本文为 CSDN 翻译，转载请注明来源出处。
【END】