Github上的10大机器学习项目

关于转载授权

大数据文摘作品，欢迎个人转发朋友圈，自媒体、媒体、机构转载务必申请授权，后台留言“机构名称+文章标题+转载”，申请过授权的不必再次申请，只要按约定转载即可，但文末需放置大数据文摘二维码。

选文：孙强

整理翻译：孙强，HeHe， Dr Guo, Mano

原文链接：http://www.kdnuggets.com/2015/12/top-10-machine-learning-github.html/2

摘要：GitHub上排名前10的机器学习项目，包括一些库、框架和教育资源。让我们一起学习一下这些工具和资源。

10个项目被点赞和ForK的数量代表了它们受欢迎的程度(文中★表示点赞，Y表示Fork)

开源软件是数据科学拼图中重要的一块。根据最近KDnuggets对数据科学软件所做的调查结果，过去的12个月内，有73%的数据科学家使用的是免费软件。虽然互联网有很多免费软件来源，Github已然成为所有开源软件的信息交流中心，包括那些用于在数据科学界的工具。机器学习对于数据科学而言，其重要性和中心地位，不言而喻。以下所列，是Github上排名前10位的机器学习项目的概况。

ScikitLearn

★ 8641, Y 5125

基于Python的机器学习

毫无悬念地，列为十大项目之首的，是服务于遍布全世界从工业到学术界的Python使用者们的机器学习库。基于NumPy, SciPy和matplotlib，ScikitLearn最大化了Python的科学计算能力。作为通用的工具包，ScikitLearn包含了分类、回归和聚类算法，以及数据准备和模型评估等辅助工具。

链接：https://github.com/scikit-learn/scikit-learn

Awesome机器学习
★ 8404, Y 1885

一系列Awsome机器学习的框架、库和软件的整合列表。

该列表首先根据语言进行分类，然后由机器学习类别（如通用，计算机视觉，自然语言处理等等）进一步细分。它还包括了数据可视化工具，从某种意义上说，这使得它更多被视为一个通用的机器学习方法。这不失为一件好事。

链接：https://github.com/josephmisiti/awesome-machine-learning

PredictionIO

★ 8145, Y 1002

PredictionIO 是开发人员和ML工程师的机器学习服务器，构建于Apache Spark, HBase 和 Spray之上。

PredictionIO是一个通用的框架。它包括多个服务于几个常见任务的模块，如可定制的分类和建议，并通过REST API或SDK与现有应用程序相连接，还包括对Spark MLib的支持。因为它是建立在Spark之上，并利用Spark的生态系统，毫无悬念地，PredictionIO主要是由Scala开发而来。
链接：https://github.com/PredictionIO/PredictionIO

Dive Into Machine Learning （潜入式机器学习）
★ 4326, Y 342

基于Jupyter notebook和ScikitLearn的交互式机器学习资源

该项目集合了服务于ScikitLearn的IPython的笔记本电脑教程和大量链接，指向特定的Python相关的和一般的机器学习主题，以及更为广泛的数据科学信息。开发者很大度，指出如果该项目不适合你，他们还包括了许多其他类似的教程。如果你是Python机器学习的新手，千万别错过该项目。

链接：https://github.com/hangtwenty/dive-into-machine-learning

Pattern
★ 3799, Y 598

Python网络挖掘模块，包括抓取工具、自然语言处理、机器学习、网络分析及可视化。

Pattern是一个基于Python的网络挖掘工具包，来自于安特卫普大学的计算语言学和心理语言学研究中心。它的主要作用是数据抓取、机器学习、自然语言处理、网络分析和可视化。Pattern能从几个知名的网络服务器中较易地挖掘数据。该项目有很成熟的开发记录，还包括了大量的例子和单元测试。

链接：https://github.com/clips/pattern

NuPIC (Numenta智能处理平台)

★ 3647, Y 987

是一种脑力激发机器智能平台，具有基于脑皮质性学习算法的生物学准确性神经网络。

NuPIC实现了分层时间内存( Hierarchical Temporal Memory, 简称HTM)机器学习算法。HTM尝试模拟大脑皮层算法，旨在专注于存储和记忆时空模式。NuPIC适合于模式相关的异常检测。

链接：https://github.com/numenta/nupic

Vowpal Wabbit

★ 2949, Y 827

Vowpal Wabbit是一个机器学习系统，旨在推动机器学习技术的发展，如联网、散列法、归约、搜索学习2、主动以及相互学习。

Vowpal Wabbit的用途是迅速处理大规模数据库集并支持并行学习。该项目开始于雅虎，目前在微软研发。Vowpal Wabbit利用核外 (out-of-core) 分布式学习，曾经在一个小时内用1000个计算节点处理terabyte级别的特征的数据集。

链接：https://github.com/JohnLangford/vowpal_wabbit

Aerosolve

★2538，Y 245

专为人类设计的机器学习软件包。

aerosolve评论

试图与其他库管理程序不同，Aerosolve注重人性化的调试工具，运用Scala代码进行训练，利用图像内容分析引擎，达到便于图像排名的目的，并通过功能转换语言为用户提供灵活性和控制功能。 Aerosolve实现了基于Thrift（译者注：Thrift 是Apache开发的多语言协作平台）特征呈现，在Aerosolve中，特征会按照逻辑分组，可以一次性地对整个特征组进行转换，或者将两个不同的特征簇组合到一起创建新的特征簇。

链接：http://airbnb.github.io/aerosolve/

GoLearn: 基于谷歌Go预言的机器学习项目
★2334，Y 215

GoLearn是一个为谷歌Go 语言开发的程序库。

其目标是为开发者提供一个功能全面、简单易用、可定制的软件包。 GoLearn实现了ScikitLearn的许多熟悉的拟合/预测算法，可以很容易调换机器学习算法，并实现了交叉验证和训练/测试分组之类的“辅助功能”。

链接：https://github.com/sjwhitworth/golearn

黑客的机器学习代码 (Machine Learning for Hackers)

★ 2003, Y 1446

“黑客的机器学习(Machine Learning for Hackers)“一书的伴随代码。

此项目包含来自O'Reilly的书《黑客的机器学习》的所有代码。所有代码均为R语言，依靠众多的R程序包，涉及主题包括分类(Classification)，排行(Ranking)，以及回归(Regression)的所有常见的任务，以及统计方法，如主成分分析(PCA)和多维尺度(Multi-dimenstional Scaling)等。

链接：https://github.com/johnmyleswhite/ML_for_Hackers

编译者简介

回复“志愿者”，了解我们及如何加入我们