- TensorFlow最初是由研究人員和工程師在Google機(jī)器智能研究組織的Google Brain團(tuán)隊(duì)中開(kāi)發(fā)的,。 該系統(tǒng)旨在促進(jìn)機(jī)器學(xué)習(xí)的研究,，并使其從研究原型到生產(chǎn)系統(tǒng)的快速和輕松過(guò)渡。
Github URL: Tensorflow 圖片.png - Scikit-learn
- 是用于數(shù)據(jù)挖掘和數(shù)據(jù)分析的簡(jiǎn)單而有效的工具,，可供所有人訪(fǎng)問(wèn),，并可在各種環(huán)境中重用，基于NumPy,，SciPy和matplotlib,，開(kāi)源，商業(yè)可用 - BSD許可證,。
Github URL: Scikit-learn 圖片.png - Keras：高級(jí)神經(jīng)網(wǎng)絡(luò)API,，用Python編寫(xiě)，能夠在TensorFlow,，CNTK或Theano之上運(yùn)行,。
Github URL: Keras - PyTorch張量和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，具有強(qiáng)大的GPU加速功能,。
Github URL: pytorch - Theano允許您有效地定義,，優(yōu)化和評(píng)估涉及多維陣列的數(shù)學(xué)表達(dá)式。
Github URL: Theano - Gensim 具有可擴(kuò)展的統(tǒng)計(jì)語(yǔ)義,，分析語(yǔ)義結(jié)構(gòu)的純文本文檔,，檢索語(yǔ)義相似的文檔等功能。
Github URL: Gensim -Caffe以表達(dá),，速度和模塊化為基礎(chǔ)的深度學(xué)習(xí)框架,。 它由伯克利視覺(jué)和學(xué)習(xí)中心(BVLC)和社區(qū)貢獻(xiàn)者開(kāi)發(fā)。 Github URL: Caffe - Chainer：基于Python的獨(dú)立開(kāi)源框架,，適用于深度學(xué)習(xí)模型,。 Chainer提供靈活，直觀和高性能的方法來(lái)實(shí)現(xiàn)全方位的深度學(xué)習(xí)模型,，包括最新的模型,，如遞歸神經(jīng)網(wǎng)絡(luò)和變分自動(dòng)編碼器。
Github URL: Chainer - Statsmodels: 允許用戶(hù)瀏覽數(shù)據(jù),，估計(jì)統(tǒng)計(jì)模型和執(zhí)行統(tǒng)計(jì)測(cè)試,。 描述性統(tǒng)計(jì)，統(tǒng)計(jì)測(cè)試,，繪圖函數(shù)和結(jié)果統(tǒng)計(jì)的廣泛列表可用于不同類(lèi)型的數(shù)據(jù)和每個(gè)估算器,。
Github URL: Statsmodels - Shogun是機(jī)器學(xué)習(xí)工具箱，提供各種統(tǒng)一和高效的機(jī)器學(xué)習(xí)（ML）方法,。 工具箱無(wú)縫地允許輕松組合多個(gè)數(shù)據(jù)表示,，算法類(lèi)和通用工具,。
- Github URL: Shogun
- Pylearn2機(jī)器學(xué)習(xí)庫(kù)。 它的大部分功能都建立在Theano之上,。 這意味著您可以使用數(shù)學(xué)表達(dá)式編寫(xiě)Pylearn2插件（新模型,，算法等）,，Theano將為您優(yōu)化和穩(wěn)定這些表達(dá)式,，并將它們編譯為您選擇的后端（CPU或GPU）。
Github URL: Pylearn2 - NuPIC是一個(gè)基于新皮層理論的開(kāi)源項(xiàng)目,，稱(chēng)為分層時(shí)間記憶（HTM）,。 HTM理論的一部分已經(jīng)在應(yīng)用中得到實(shí)施，測(cè)試和使用,，HTM理論的其他部分仍在開(kāi)發(fā)中,。
Github URL: NuPIC - Nilearn:基于Python的深度學(xué)習(xí)庫(kù)。 它提供易用性,，同時(shí)提供最高性能,。
Github URL: Nilearn - Orange3:Python工具箱進(jìn)行多變量統(tǒng)計(jì)，并使用預(yù)測(cè)建模,，分類(lèi),，解碼或連接分析等應(yīng)用程序。
Github URL: Orange3 - Pymc: 實(shí)現(xiàn)貝葉斯統(tǒng)計(jì)模型和擬合算法,，包括馬爾可夫鏈蒙特卡羅,。 其靈活性和可擴(kuò)展性使其適用于大量問(wèn)題。
Github URL: Pymc -Deap: 一種新穎的進(jìn)化計(jì)算框架,，用于快速原型設(shè)計(jì)和思想測(cè)試,。 它旨在使算法明確，數(shù)據(jù)結(jié)構(gòu)透明,。 它與多處理和SCOOP等并行機(jī)制完美協(xié)調(diào),。 Github URL: Deap - Annoy (Approximate Nearest Neighbors Oh Yeah)是一個(gè)帶有Python綁定的C ++庫(kù)，用于搜索空間中接近給定查詢(xún)點(diǎn)的點(diǎn),。 它還創(chuàng)建了大型只讀基于文件的數(shù)據(jù)結(jié)構(gòu),，這些數(shù)據(jù)結(jié)構(gòu)映射到內(nèi)存中，以便許多進(jìn)程可以共享相同的數(shù)據(jù),。
Github URL: Annoy - PyBrain是一個(gè)用于Python的模塊化機(jī)器學(xué)習(xí)庫(kù),。 其目標(biāo)是為機(jī)器學(xué)習(xí)任務(wù)和各種預(yù)定義環(huán)境提供靈活，易用且功能強(qiáng)大的算法,，以測(cè)試和比較您的算法,。
Github URL: PyBrain - Fuel是一個(gè)數(shù)據(jù)管道框架，可為您的機(jī)器學(xué)習(xí)模型提供所需的數(shù)據(jù),。 它計(jì)劃由 Blocks和Pylearn2神經(jīng)網(wǎng)絡(luò)庫(kù)使用,。
最后給大家分享一些學(xué)習(xí)的資料
需要的小伙伴關(guān)注小編,，領(lǐng)取方式加簡(jiǎn)介v哦
|
