一文盤點近期熱門機器學習開源專案!(研究框架、AutoML庫、深度學習...)
授權自AI科技大本營(ID:rgznai100)
本文共1029字,建議閱讀5分鐘。
本文為你從過去一個月近 250 個有關機器學習的開源專案中,精心挑選出了最熱門的專案。
[ 導讀 ]我們從過去一個月近 250 個有關機器學習的開源專案中,精心挑選出了最熱門的專案。在挑選過程中,我們始終在各個專案之間作比較。Mybridge AI 基於大量的因素來估量專案的專業水平,從而對其進行排名。
這些專案在 Github 上獲得的平均 star 數高達 728,涉及的話題包括:研究框架、AutoML 庫、深度學習、PyTorch、TSNE、演算法工具箱、Fairness-ai、DeepDetect、殭屍射擊遊戲。
對於程式設計師來說,開源專案是十分有幫助的。希望你能從中找到可以激發你靈感的有趣專案。最後祝大家節日快樂!
TransmogrifAI:用於建立機器學習工作流的 AutoML 庫
TransmogrifAI 是用 Scala 編寫的 AutoML 庫,執行在 Spark 上。該框架的開發初衷在於通過機器學習自動化技術,以及提升編譯速度與可重複利用性的 API,來提高機器學習開發者的開發效率。你可以在以下幾種場景使用該框架:
在幾小時內建立可投入使用的機器學習應用,無需幾個月的時間
輕鬆建立機器學習模型,即使你不是機器學習專業的 Ph.D
建立模組化的、可重複利用的機器學習工作流
專案連結:
https://github.com/salesforce/TransmogrifAI?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
YOLOv3:基於 PyTorch 的訓練與預測
YOLOv3 是當前最先進的實時檢測目標的系統,相比於前兩個版本,第三版針對小目標的精度有顯著提升。YOLOv3 的 Github 目錄包含了全部基於 PyTorch 的訓練和預測程式碼。要求 Python 3.6 或以上的版本,以及三個工具包:numpy、torch、opencv-python。
專案連結:
https://github.com/ultralytics/yolov3?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
FastTSNE:快速且可並行的 tSNE 演算法
該專案將 160,796 個來自老鼠的神經系統的細胞轉錄過程進行了視覺化,專案的初衷是在沒有外部 C 或 C++ 依賴的情況下,在本地快速實現 tSNE 演算法。該工具包提供了兩種快速實現 tSNE 的方法:
Barnes-hut tsne:源於 Multicore tSNE,適用於小規模資料集,時間複雜度為 O(nlogn)。
Fit-SNE:源於 Fit-SNE 的 C++ 實現方法,適用於樣本量在 10,000 以上的大規模資料集,時間複雜度為 O(n)。
專案連結:
https://github.com/pavlin-policar/fastTSNE?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
AIF360:用於檢測並去除機器學習模型偏差的開源庫
這個 AI Fairness 360 Python 庫包含一整套用於測量偏差的資料集和模型的指標,全部指標的解釋,以及減小偏差的演算法。由於 AIF360 具備一整套功能,所以在面對一個用例時,很可能難以抉擇該使用什麼指標或演算法,為了解決這個問題,開發者為我們提供了可用於參考的使用指南。
專案連結:
https://github.com/IBM/AIF360?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
使用指南:
http://aif360.mybluemix.net/resources#guidance
殭屍射擊神經網路:讓 AI 學習如何射擊殭屍
開發者利用神經網路和強化學習來對 AI 進行訓練,使其學習如何射擊殭屍,從而存活下來。開發者還製作了一段小視訊,來展示其訓練過程。
專案連結:
https://github.com/Daporan/Zombie-Shooter-Neural-Network?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
原文連結:
https://medium.mybridge.co/machine-learning-open-source-of-the-month-v-sep-2018-d39e4082fd7c