授权自AI科技大本营(ID:rgznai100)
本文共1029字,建议阅读5分钟。
本文为你从过去一个月近 250 个有关机器学习的开源项目中,精心挑选出了最热门的项目。
[ 导读 ]我们从过去一个月近 250 个有关机器学习的开源项目中,精心挑选出了最热门的项目。在挑选过程中,我们始终在各个项目之间作比较。Mybridge AI 基于大量的因素来估量项目的专业水平,从而对其进行排名。
这些项目在 Github 上获得的平均 star 数高达 728,涉及的话题包括:研究框架、AutoML 库、深度学习、PyTorch、TSNE、算法工具箱、Fairness-ai、DeepDetect、僵尸射击游戏。
对于程序员来说,开源项目是十分有帮助的。希望你能从中找到可以激发你灵感的有趣项目。最后祝大家节日快乐!
TransmogrifAI:用于建立机器学习工作流的 AutoML 库
TransmogrifAI 是用 Scala 编写的 AutoML 库,运行在 Spark 上。该框架的开发初衷在于通过机器学习自动化技术,以及提升编译速度与可重复利用性的 API,来提高机器学习开发者的开发效率。你可以在以下几种场景使用该框架:
在几小时内建立可投入使用的机器学习应用,无需几个月的时间
轻松创建机器学习模型,即使你不是机器学习专业的 Ph.D
建立模块化的、可重复利用的机器学习工作流
项目链接:
https://github.com/salesforce/TransmogrifAI?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
YOLOv3:基于 PyTorch 的训练与预测
YOLOv3 是当前最先进的实时检测目标的系统,相比于前两个版本,第三版针对小目标的精度有显著提升。YOLOv3 的 Github 目录包含了全部基于 PyTorch 的训练和预测代码。要求 Python 3.6 或以上的版本,以及三个工具包:numpy、torch、opencv-python。
项目链接:
https://github.com/ultralytics/yolov3?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
FastTSNE:快速且可并行的 tSNE 算法
该项目将 160,796 个来自老鼠的神经系统的细胞转录过程进行了可视化,项目的初衷是在没有外部 C 或 C++ 依赖的情况下,在本地快速实现 tSNE 算法。该工具包提供了两种快速实现 tSNE 的方法:
Barnes-hut tsne:源于 Multicore tSNE,适用于小规模数据集,时间复杂度为 O(nlogn)。
Fit-SNE:源于 Fit-SNE 的 C++ 实现方法,适用于样本量在 10,000 以上的大规模数据集,时间复杂度为 O(n)。
项目链接:
https://github.com/pavlin-policar/fastTSNE?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
AIF360:用于检测并去除机器学习模型偏差的开源库
这个 AI Fairness 360 Python 库包含一整套用于测量偏差的数据集和模型的指标,全部指标的解释,以及减小偏差的算法。由于 AIF360 具备一整套功能,所以在面对一个用例时,很可能难以抉择该使用什么指标或算法,为了解决这个问题,开发者为我们提供了可用于参考的使用指南。
项目链接:
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
僵尸射击神经网络:让 AI 学习如何射击僵尸
开发者利用神经网络和强化学习来对 AI 进行训练,使其学习如何射击僵尸,从而存活下来。开发者还制作了一段小视频,来展示其训练过程。
项目链接:
https://github.com/Daporan/Zombie-Shooter-Neural-Network?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
原文链接:
https://medium.mybridge.co/machine-learning-open-source-of-the-month-v-sep-2018-d39e4082fd7c