导 语
机器学习平台正在蓬勃发展。开发人员需要知道如何以及何时使用他们。在机器学习环境中工作,使用像Filestack这样的合适工具的同时,可以使开发人员更容易创建一个能够发挥其功能的高效算法。以下机器学习平台和工具,无法按特定顺序列出 ,他们提供的功能,可以无缝的集成到互联网应用日常任务当中!
H2O
H2O是由H2O.ai为Python,R和Java编程语言设计的。通过使用这些熟悉的语言,这个开源软件使开发人员可以轻松地将预测分析和机器学习应用于各种情况。H2O可在Mac,Windows和Linux操作系统上使用,为开发人员提供分析Apache Hadoop文件系统中的数据集以及云中的数据集所需的工具。
Apache PredictionIO
正在寻找开源堆栈的开发人员也应该将Apache PredictionIO视为构建可以满足任何人工智能任务的预测引擎的一种方式,该开源堆栈还具有用于构建在其上的机器学习的开源服务器。除了事件服务器和平台本身,Apache PredictionIO还包括一个模板库。
Eclipse Deeplearning4j
Eclipse Deeplearning4j是Java虚拟机构建的开源库。以深度学习为核心,该工具面向那些需要在分布式CPU和GPU上工作的业务环境中构建深度神经网络的开发人员。与Hadoop等文件系统一起工作的Scala,Clojure和Java程序员都会喜欢Eclipse Deeplearning4j。此工具提供付费支持和企业分发,该工具是总部位于旧金山的Skymind公司的一个项目。
Microsoft
在2017年9月的Ignite会议期间,Microsoft推出了三种Azure机器学习工具:学习工作台,学习模型管理服务和学习实验服务,允许开发人员构建自己的人工智能模型。微软还推出了三个人工智能工具:内容管理员,自定义语音服务和Bing语音API,以增加其25个开发人员工具库,旨在提高人工智能的可访问性。
Torch
以Lua编程语言为基础,Torch包括脚本语言,科学计算框架和开源ML库。Torch通过一系列算法支持深度机器学习,并已被DeepMind和Facebook AI Research Group使用。
TensorFlow
TensorFlow专为在依赖机器学习的项目中使用而设计,具有使用开源软件设计的平台的额外好处。在大量的在线资源,文档和教程的帮助下,TensorFlow提供了一个包含数值计算形式的数据流图的库。这种方法的目的是允许开发人员在包括移动设备,平板电脑和台式机在内的多种设备上启动深度学习框架。
Neon
作为Intel和Nervana的心血结晶,Neon是一个基于Python的ML库,是开源的开源软件。利用其工具的开发人员可以利用技术先进的应用程序和智能代理。Neon位于云端,支持开发人员发布,构建和培训深度学习技术。
Apache Spark MLlib
作为包含内存数据处理的框架,Apache Spark MLlib具有算法数据库,其重点是聚类,协同过滤,分类和回归。开发人员还可以找到一个开源框架Singa,它包含一个可以在众多机器及其深度学习网络中使用的编程工具。
OpenNN
OpenNN是一个C ++编程库,面向那些想要实现神经网络的经验丰富的开发人员。OpenNN包括Neural Designer,这是一种旨在通过创建表格,图形和其他可视内容来解释和简化数据条目的工具。虽然OpenNN为其用户提供了大量的教程和文档库,但它主要针对那些已经拥有大量AI经验的开发人员。
Amazon Web Services
开发人员可以利用Amazon Web Services(AWS)提供的大量AI工具包,其中包括Amazon Lex,Amazon Rekognition Image和Amazon Polly。开发人员以不同的方式使用每个工具来创建ML工具。例如,Amazon Polly利用人工智能来自动化将语音翻译成书面文本的过程。Amazon Lex构成了该品牌聊天机器人的基础,与其个人助理Alexa一起使用。
结 语
这18个机器学习平台,就先介绍到这里,相信,不管你是初入职场,还是已经成为这个领域的专家,都可以在上述列表当中,寻找到适合工作的宝贵资源!其中一些依赖于特定的编程语言,而其他一些可以在包括云中的各种实例中使用。无论是基于自建软件,还是基于云端软件,都将大大的提高开发人员在机器学习领域的产品研发能力!
长按二维码 ▲
订阅「架构师小秘圈」公众号
如有启发,帮我点个在看,谢谢↓