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