机器学习开源社区很活跃。若是你了解开源的，你会发现那里有不少机器学习资源。这也包括能够在项目中使用的工具。在本文中，咱们将介绍用于机器学习的10个必知的开源工具。这些工具将帮助你改善工做流程。程序员
用于机器学习的10个必知开源工具。算法
1、对于非程序员编程
若是你不熟悉编程或机器学习，则须要使用与你的经验相匹配的工具。对于初学者，咱们建议使用这两个工具。浏览器
一、Knime：网络
Knime是一款出色的工具，可以让你无需编写一行代码便可执行端到端数据科学工做流。为了帮助新手，它带有拖放界面。界面清晰，你可使用它进行建立和生产。架构
第一步是使用该工具进行数据收集和转换。完成后，你能够建立模型并对其进行可视化。当涉及生产时，你能够部署和管理数据科学项目。最后，你能够经过使用Knime产生看法来利用你的实现。框架
二、Uber Ludwig：机器学习
Uber Ludwig是初学者的另外一个出色工具。有了它，你能够快速测试和训练深度学习模型。编写代码是可选的，你可使用拖放界面来发挥本身的优点。工具
首先，你须要先经过加载CSV文件来训练数据。经过使用预先训练的模型，你能够而后预测输出目标。最后，你可使用可用的可视化选项来可视化数据。若是你是编程的初学者，则还可使用其普遍的API并使用Python训练模型。学习
2、对于模型部署
模型部署是机器学习的关键方面之一。为了帮助你完成此过程，咱们列出了如下工具。
一、TensorFlow.js
TensorFlow.js可以让你直接从Web构建和部署机器学习模型。它使用JavaScript在网络上运行。
你也可使用Node.js。使用它，你不只能够运行现有模型，还能够从新训练现有模型。它提供了直观的API，使你可使用JavaScript构建和训练模型，也能够在Web浏览器上进行建模。若是你想在移动设备上进行开发，也可使用TensorFlow Lite。
二、MLFlow：
MLFlow使你可以应对端到端机器学习生命周期。它包含三个主要部分。
MLflow跟踪-经过记录并比较结果和参数来完成实验
MLflow项目-使你能够将项目打包为其余成员可重用的形式
MLflow模型-帮助你在各类平台中部署和管理ML库
MLFlow的另外一个使人惊奇的功能是它与库无关。这意味着你能够将其与其余机器学习库一块儿使用，而不会出现任何兼容性问题。为了实现库激活行为，它利用了REST API和CLI。
3、关于NLP，计算机视觉和音频的开源工具
你还可使用其余方便的工具来进行机器学习中的不一样操做。
一、Detectron：
若是你正在寻找最新的对象检测算法，那么Detectron不会出错。它由Facebook开发，是其AI Research软件系统的一部分。它利用了Caffe2深度学习框架和Python。
二、SimpleCV：
SimpleCV是一个开放源代码框架，可以让你构建计算机视觉应用程序。它相似于OpenCV，使你可以访问高级计算机视觉库。这意味着你没必要担忧复杂的概念。有了它，你能够进行计算机视觉项目，而无需花太多时间在基础知识上。毕竟，因为某种缘由，它被命名为SimpleCV。
三、Tesseract OCR：
Tesseract OCR是功能强大的光学字符识别软件，可以让你识别语言。它支持100多种语言，还能够进行编程以识别新语言。
4、强化学习
若是你想训练更加聪明的虚拟助手，那么你须要得到强化学习的帮助。
一、Open AI Gym：
Open AI Gym:可以让你训练代理人执行几乎全部事情，包括步行，玩游戏等。 它借助易于使用的强化学习任务套件来实现。
二、Unity ML Agents:
Unity提供了他们的开源unity插件，即Unity ML，可以让你开发可在游戏中使用的智能助手。
5、用于数据挖掘
若是但愿为数据科学项目收集数据，则可使用如下工具。
Weka：
Weka用于数据挖掘任务。 它借助于为数据挖掘而设计的机器学习算法来实现。 有了它，你能够找到不少东西，包括分类，准备，回归，聚类，可视化和关联规则挖掘。该项目是开源的，并得到GNU许可。
结论
机器学习正在改变咱们与世界互动的方式。 它使咱们的生活更加轻松，并确保咱们创建一个将来世界。Python Sk-learn和Keras也是很棒的工具，可用于创建机器学习模型。那么，你喜欢哪一种机器学习开源工具？
计算机视觉与语音识别的应用示例
Gravitylink推出钛灵AIX是一款集计算机视觉与智能语音交互两大核心功能为一体的人工智能硬件，Model Play是面向全球开发者的AI模型资源平台，内置多样化AI模型，与钛灵AIX结合，基于Google开源神经网络架构及算法，构建自主迁移学习功能，无需写代码，经过选择图片、定义模型和类别名称便可完成AI模型训练。