专栏首页Urlteam机器学习各语言领域工具库中文版汇总

机器学习各语言领域工具库中文版汇总

主要资源来自TensorFlow中文社区,翻译借助谷歌翻译,仅用于资源分享。

以下是根据不同语言类型和应用领域收集的各类工具库,持续更新中。

C

通用机器学习

  • 推荐人 -一个产品推荐的Ç语言库,利用了协同过滤。

计算机视觉

  • CCV – C / Cached /核心计算机视觉库,是一个现代化的计算机视觉库。
  • VLFeat – VLFeat是开源的计算机视觉算法库,有Matlab工具箱。

C ++

计算机视觉

  • OpenCV – 最常用的视觉库。有C ++,C,Python以及Java接口),支持Windows,Linux,Android和Mac OS。
  • DLib – DLib有C ++和Python脸部识别和物体检测接口。
  • EBLearn – Eblearn是一个面向对象的C ++库,实现了各种机器学习模型。
  • VIGRA – VIGRA是一个跨平台的机器视觉和机器学习库,可以处理任意维度的数据,有Python接口。

通用机器学习

  • MLPack – 可拓展的C ++机器学习库。
  • DLib – 设计为方便嵌入到其他系统中。
  • encog-CPP
  • 鲨鱼
  • Vowpal Wabbit(VW) – 快速的核心外学习系统。
  • sofia-ml – 快速增量算法套件。
  • 幕府将军 – 学徒机器学习工具箱
  • Caffe – 深度学习框架,结构清晰,可读性好,速度快。
  • CXXNET – 精简的框架,核心代码不到1000行。
  • XGBoost – 为并行计算优化过的梯度提升库。
  • CUDA – 这是一个快速的C ++ / CUDA实现卷积[DEEP LEARNING]
  • Stan – 一种使用哈密尔顿蒙特卡洛取样执行完全贝叶斯统计推理的概率编程语言
  • BanditLib – 一个简单的多武装强盗图书馆。
  • Timbl – 实现了多个基于内存的算法,其中IB1-IG(KNN分类算法)和IGTree(决策树)在NLP中广泛应用。

自然语言处理

  • MIT信息提取工具包 – C,C ++和Python工具,用来命名实体识别和关系抽取。
  • CRF ++ – 条件随机场的开源实现,可以用作分词,词性标注等。
  • CRFsuite – CRFsuite是条件随机场的实现,可以用作词性标注等。
  • BLLIP解析器 – 即Charniak-Johnson解析器。
  • colibri-core – 一组C ++库,命令行工具以及Python绑定,高效实现了n-gram和skipgrams。
  • ucto – 多语言tokenizer,支持面向Unicode的正则表达式,支持FoLiA格式。
  • libfoliaFoLiA格式的 C ++库
  • MeTAMeTA:ModErn文本分析从巨量文本中挖掘数据。

机器翻译

语音识别

  • Kaldi – Kaldi是一个C ++工具,以Apache许可证V2.0发布.Kaldi适用于语音识别的研究。

序列分析

  • ToPS – 这是一个面向对象的框架,有助于在用户定义的字母表上整合序列的概率模型。

Java的

自然语言处理

  • Cortical.io – Retina:此API执行复杂的NLP操作(消歧义,分类,流文本过滤等),快速,直观如同大脑一般。
  • CoreNLP – Stanford CoreNLP提供了一组自然语言分析工具,可采取原始英语文本输入并给出单词的基本形式。
  • 斯坦福解析器 – 解析器是一个程序,能分析出句子的语法结构。
  • Stanford POS Tagger – 词性标注器
  • 斯坦福大学名称实体识别器 – 斯坦福大学NER是一个Java实现的命名实体识别器。
  • Stanford Word Segmenter – 原始文本的令牌化是许多NLP任务的标准预处理步骤。
  • Tregex,Tsurgeon和Semgrex – Tregex是匹配树模式的工具,基于树的关系和正则表达式的节点匹配(“树正则表达式”的缩写)。
  • 斯坦福Phrasal:基于短语的翻译系统
  • 斯坦福英语Tokenizer – Stanford Phrasal是最先进的统计的基于短语的机器翻译系统,用Java编写。
  • 斯坦福令牌正则表达式标记器将文本划分成一系列令牌,大致对应于“单词”
  • 斯坦福时代标签 – SUTime是识别和规范时间表达式的库。
  • 斯坦福SPIED – 从种子集开始,迭代使用模式,从未标注文本中习得实体。
  • 斯坦福主题建模工具箱 – 主题建模工具,社会学家用它分析的数据集。
  • Twitter Text Java – Java实现的Twitter文本处理库。
  • MALLET – 基于Java的软件包,包括统计自然语言处理,文档分类,聚类,主题建模,信息提取,以及其它机器学习应用。
  • OpenNLP – 一个基于机器学习的自然语言处理的工具包。
  • LingPipe – 计算语言学工具包。
  • ClearTK – ClearTK提供了开发统计自然语言处理组件的框架,其建立在Apache UIMA之上。
  • Apache cTAKES – Apache临床文本分析及知识提取系统(cTAKES)是从电子病历,临床文本中进行信息抽取的一个开源系统。

通用机器学习

  • 气溶胶 – Airbnb从头开始设计的机器学习库,易用性好。
  • Datumbox – 机器学习和统计应用程序的快速开发框架。
  • ELKI – 数据挖掘工具。(非监督学习:聚类,离群点检测等。)
  • Encog中包含用于创建各种网络,以及规范和处理数据的神经网络Encog训练采用多线程弹性的传播方式。Encog还可以利用GPU的进一步加快处理时间。有基于GUI的工作台。
  • H2O – 机器学习引擎,支持Hadoop,Spark等分布式系统和个人电脑,可以通过R,Python,Scala,REST / JSON调用API。
  • htm.java – 通用机器学习库,使用Numenta的皮质学习算法
  • Java-deeplearning – 分布式深度学习平台Java,Clojure,Scala
  • JAVA-ML – Java通用机器学习库,所有算法统一接口。
  • JSAT – 具有很多分类,回归,聚类等机器学习算法。
  • Mahout – 分布式机器学习工具。
  • Meka – 一个开源实现的多标签分类和评估方法。
  • Apache Spark中的 MLlib – Spark分布式机器学习库
  • Neuroph – 轻量级Java神经网络框架
  • ORYX – Lambda架构框架,使用Apache Spark和Apache Kafka实现实时大规模机器学习。
  • RankLib排序算法学习库。
  • 斯坦福分类器 – 分类器是一种机器学习工具,它将获取数据项并将它们放入k类之一。
  • SmileMiner – 统计机器智能和学习引擎
  • SystemML – 灵活的,可扩展的机器学习语言。
  • WalnutiQ – 面向对象的人脑模型
  • Weka – WEKA是机器学习算法用于数据挖掘任务的算法集合。

语音识别

  • CMU Sphinx – 开源工具包,用于语音识别,完全基于Java的语音识别库。

数据分析,可视化

深度学习

  • Deeplearning4j – 可扩展的产业化的深度学习,利用并行的GPU。

蟒蛇

计算机视觉

  • Scikit-Image – Python中的图像处理算法的集合。
  • SimpleCV – 一个开源的计算机视觉框架,允许访问几个高性能计算机视觉库,如OpenCV。可以运行在Mac,Windows和Ubuntu Linux操作系统上。
  • Vigranumpy – 计算机视觉库VIGRA C ++的Python绑定。

自然语言处理

  • NLTK – 构建与人类语言数据相关工作的Python程序的领先平台。
  • 模式 – 基于Python的Web挖掘模块。它有自然语言处理,机器学习等工具。
  • Quepy – 将自然语言问题转换成数据库查询语言。
  • TextBlob – 为普通的自然语言处理(NLP)任务提供一致的API。构建于NLTK和Pattern上,并且很好地与两者交互。
  • YAlign – 句子对齐工具,从对照语料中抽取并行句子。
  • jieba – 中文分词工具
  • SnowNLP – 中文文本处理库。
  • loso – 中文分词工具
  • 天才 – 基于条件随机场的中文分词工具
  • KoNLPy韩语自然语言处理
  • 坚果 – 自然语言理解工具
  • Rosetta – 文字处理工具和包装纸(例如Vowpal Wabbit)
  • BLLIP解析器 – BLLIP自然语言解析器的Python绑定(即Charniak-Johnson解析器)
  • PyNLPl – Python的自然语言处理库。还包含用于解析常见NLP格式的工具,如FoLiA,以及ARPA语言模型,Moses短语,GIZA ++对齐等。
  • python-ucto – ucto(面向unicode的基于规则的tokenizer)的Python绑定
  • python-frog – Frog的Python绑定。荷兰语的词性标注,lemmatisation,依存分析,NER。
  • python-zparZPar的Python绑定(英文的基于统计的词性标注,constiuency解析器和依赖解析器)
  • colibri-core – 高效提取n-gram和skipgrams的C ++库的Python绑定
  • spaCy – 工业级NLP与Python和Cython。
  • PyStanfordDependencies – 将Penn Treebank树转换到Stanford依存树的Python接口。

通用机器学习

  • 机器学习 – 构建和Web界面程序化界面兼容的支持向量机API。相应的数据集存储到一个SQL数据库,然后生成用于预测的模型,存储到一个的NoSQL的数据库。
  • XGBoost – eXtreme Gradient Boosting(Tree)库的Python绑定
  • Featureforge一组工具,用于创建和测试机器学习的特征,具有与scikit学习兼容的API
  • scikit-learning – 基于SciPy的机器学习的Python模块。
  • 度量学习 – 度量学习的Python模块
  • SimpleAI – 实现了“人工智能现代方法”一书中描述的许多人工智能算法。它着重于提供一个易于使用的,文档良好的和经过测试的库。
  • astroML – 天文学机器学习和数据挖掘库。
  • graphlab-create – 基于磁盘支持的DataFrame的库,实现了各种机器学习模型(回归,聚类,推荐系统,图形分析等)。
  • BigML – 与外部服务器交流的库。
  • 模式 – Web数据挖掘模块。
  • NuPIC – Numenta智能计算平台。
  • Pylearn2 – 基于Theano的机器学习库。
  • keras – 基于Theano的神经网络库
  • hebel – GPU加速的Python深度学习库。
  • Chainer – 灵活的神经网络架构
  • gensim – 易用的主题建模工具
  • topik – 主题建模工具包
  • PyBrain – 另一个Python机器学习库。
  • Crab – 灵活的,快速的推荐引擎
  • python-recsys – 实现一个推荐系统的Python工具
  • 限制玻尔兹曼机器 – 受限玻尔兹曼机
  • CoverTree – 覆盖树的Python实现,scipy.spatial.kdtree的近似替换
  • nilearn – NeuroImaging机器学习库
  • 幕府将军学习机器学习工具箱
  • Pyevolve – 遗传算法框架
  • Caffe – 深度学习框架,结构清晰,可读性好,速度快。
  • breze – 基于Theano的深度神经网络
  • pyhsmm -贝叶斯隐马尔可夫模型近似无监督的推理和显式时长隐半马尔可夫模型,专注于贝叶斯非参数扩展时,HDP-HMM和HDP-HSMM,大多是弱极限近似。
  • mrjob – 使得Python程序可以跑在Hadoop上。
  • SKLL – 简化的scikit-learn接口,易于做实验
  • neurolabhttps://github.com/zueve/neurolab
  • 薄荷 – 贝叶斯算法的优化。方法见于论文:机器学习算法的实践贝叶斯优化。Jasper Snoek,Hugo Larochelle和Ryan P. Adams。2012年神经信息处理系统进展。
  • Pebl – 贝叶斯学习的Python环境
  • Theano – 优化GPU元编程代码,生成面向矩阵的优化的数学编译器
  • TensorFlow – 用数据流图进行数值计算的开源软件库
  • yahmm – 隐马尔可夫模型,用Cython实现
  • python-timbl – 包装了完整的TiMBL C ++编程接口。Timbl是一个精心制作的ķ最近邻机器学习工具包。
  • deap – 进化算法框架
  • pydeep – Python深度学习
  • mlxtend – 对数据科学和机器学习任务非常有用的工具库。
  • 霓虹灯高性能深度学习框架
  • Optunity – 致力于自动化超参数优化过程,使用一个简单的,轻量级的API,以方便直接替换网格搜索。
  • 惹恼 -近似最近邻居执行
  • skflow – TensorFlow的简化界面,类似Scikit Learn。
  • TPOT – 自动创建并利用遗传编程优化机器学习的管道。将它看作您的数据科学助理,自动化机器学习中大部分的枯燥工作。

数据分析,可视化

  • SciPy – 一个基于Python的数据,科学和工程开源软件生态系统。
  • NumPy – 用Python进行科学计算的基础软件包。
  • Numba – Python JIT(及时)编译为LLVM,由Cython和NumPy的开发人员针对科学Python。
  • NetworkX – 复杂网络的高生产率软件。
  • 熊猫 – 提供高性能,易于使用的数据结构和数据分析工具的库。
  • 开放采矿 – Python中的商业智能(BI)(熊猫网络界面)
  • PyMC – 马尔可夫链蒙特卡洛取样工具包。
  • zipline – 一个Pythonic算法交易库。
  • PyDy – Python Dynamics的简称,用于协助基于NumPy,SciPy,IPython和matplotlib的动态运动建模中的工作流程。
  • SymPy – 符号数学的Python库。
  • statsmodels – Python中的统计建模和计量经济学。
  • astropy – 一个用于天文学的社区Python库。
  • matplotlib – 一个Python 2D绘图库。
  • 散景 – Python的互动网络绘图。
  • 剧情 – Python和matplotlib的协作网络绘图。
  • vincent – 一个Python到Vega翻译器。
  • d3py -一个plottling库的Python,基于D3.js
  • ggplot – 与ggplot2相同的API
  • ggfortify – ggplot2流行的R包的统一接口。
  • Kartograph.py – 在Python中呈现美丽的SVG地图。
  • pygal – 一个Python SVG图表创建者。
  • PyQtGraph – 一个基于PyQt4 / PySide和NumPy的纯python图形和GUI库。
  • pycascading
  • Petrel – 用于编写,提交,调试和监视纯Python中的风暴拓扑的工具。
  • Blaze – NumPy和Pandas与Big Data接口。
  • emcee – 仿射不变MCMC的Python集合采样工具包。
  • windML – 风能分析与预测的Python框架
  • vispy – 基于GPU的高性能交互式OpenGL 2D / 3D数据可视化库
  • cerebro2 NuPIC的基于Web的可视化和调试平台。
  • NuPIC Studio一体化NuPIC分层时态内存可视化和调试超级工具!
  • PySpark上的SparklingPandas Pandas(POPS)
  • Seaborn – 基于matplotlib的python可视化库
  • bqplot – 用于在Jupyter(IPython)中绘制的API

常见的Lisp

通用机器学习

  • mgl – 神经网络(boltzmann机器,前馈和复发网络),高斯过程
  • mgl-gpr – 进化算法
  • cl-libsvm – libsvm支持向量机库的包装器

Clojure的

自然语言处理

通用机器学习

  • Touchstone – Clojure A / B测试库
  • Clojush – 他推动编程语言和在Clojure中实现的PushGP遗传编程系统
  • Infer – 推理和机器学习在clojure
  • Clj-ML – 一个用于Clojure的机器学习库,建于Weka和朋友之上
  • Encog – 用于Encog(v3)的Clojure包装器(专门从事神经网络的机器学习框架)
  • Fungp – Clojure的遗传编程库
  • Statistiker – Clojure中的基本机器学习算法。
  • clortex – 通用机器学习库使用Numenta的皮质学习算法
  • comportex – 功能可组合的机器学习库,使用Numenta的皮质学习算法

数据分析,可视化

  • Incanter – Incanter是一个基于Clojure的R类统计计算和图形平台。
  • PigPen – Map-Reduce for Clojure。
  • Envision – Clojure数据可视化库,基于Statistiker和D3

MATLAB

计算机视觉

  • 轮廓 – 实现轮廓变换的 MATLAB源代码及其效用函数。
  • Shearlets – 用于小波变换的MATLAB代码
  • 曲线 – 曲线变换是小波变换的更高维度泛化,旨在表示不同尺度和不同角度的图像。
  • Bandlets – 用于带状变换的MATLAB代码
  • mexopencv – OpenCV库的收集和MATLAB mex功能的开发工具包

自然语言处理

  • NLP – 一个用于Matlab的NLP库

通用机器学习

  • t分布随机相邻嵌入 – t-SNE是一个获奖的技术,可以降维,尤其适合高维数据可视化
  • 蜘蛛 – 蜘蛛有望成为matlab里机器学习中的完整的面向对象环境。
  • LibSVM – 著名的支持向量机库。
  • LibLinear – 大型线性分类图书馆
  • Caffe – 深度学习框架,结构清晰,可读性好,速度快。
  • 模式识别工具箱 – Matlab机器学习中一个完整的面向对象的环境。
  • Optunity – 一个致力于自动化超参数优化的库,具有简单轻便的API,便于网格搜索的替换。Optunity是用Python编写的,但与MATLAB无缝连接。致力于自动化超参数优化的一个简单的,轻量级的API库,方便直接替换网格搜索。Optunity是用Python编写的,但与MATLAB的无缝连接。

数据分析,可视化

  • matlab_gbl – MatlabBGL是一个用于处理图形的Matlab包。
  • gamic – 图形算法的高效纯Matlab实现,以补充MatlabBGL的mex函数。

。净

计算机视觉

  • OpenCVDotNet – 用于与.NET应用程序一起使用的OpenCV项目的包装器。
  • Emgu CV – OpenCV的跨平台包装器,可以在Mono中编译为在Windows,Linus,Mac OS X,iOS和Android上运行。
  • AForge.NET – 开发人员和研究人员在计算机视觉和人工智能领域的开源C#框架。发展现在已经转移到GitHub。
  • Accord.NET – 与AForge.NET一起,该库可以为Windows,Windows RT和Windows Phone提供图像处理和计算机视觉算法。一些组件也可用于Java和Android。

自然语言处理

通用机器学习

  • 协调框架 – 一个完整的框架,可以用于机器学习,计算机视觉,计算机试听,信号处理,统计应用等。
  • Accord.MachineLearning – 支持向量机,决策树,朴素贝叶斯模型,K均值,高斯混合模型和一般算法,如机器学习应用的Ransac,交叉验证和网格搜索。此包是Accord.NET Framework的一部分。
  • DiffSharp – 一种用于机器学习和优化应用程序的自动差分(AD)库,提供精确和高效的衍生物(梯度,Hessians,Jacobians,方向导数和无矩阵Hessian和Jacobian矢量产品)。操作可以嵌套到任何级别,这意味着您可以计算精确的高阶导数并区分在内部使用差异化的功能,例如超参数优化应用程序。
  • Vulpes – 用F#编写的深度信念和深度学习实现,并利用与Alea.cuBase的CUDA GPU执行。
  • Encog – 一个先进的神经网络和机器学习框架。Encog包含创建各种网络的类,以及支持类来规范和处理这些神经网络的数据。使用多线程弹性传播的火车。Encog还可以利用GPU来进一步加快处理时间。还提供了基于GUI的工作台来帮助模拟和训练神经网络。
  • 神经网络设计师 – DBMS管理系统和神经网络设计师。设计师应用程序是使用WPF开发的,是一个用户界面,允许您设计神经网络,查询网络,创建和配置可以从您的反馈中提出问题和学习的聊天机器人。聊天机器人甚至可以刮擦互联网以获取信息以返回其输出以及用于学习。

数据分析,可视化

  • numl – numl是一个机器学习库,旨在简化使用标准建模技术进行预测和聚类。
  • Math.NET数学 – Math.NET项目的数学基础,旨在为科学,工程和日常使用中的数值计算提供方法和算法。支持Windows,Linux和Mac上的.Net 4.0,.Net 3.5和Mono; Silverlight 5,WindowsPhone / SL 8,WindowsPhone 8.1和Windows 8与PCL便携式配置文件47和344; Android / iOS与Xamarin。
  • Sho -Sho是用于数据分析和科学计算的交互式环境,可让您将脚本(在IronPython中)与编译代码(.NET)无缝连接,以实现快速灵活的原型设计。环境包括用于线性代数的强大而高效的库,以及可以从任何.NET语言使用的数据可视化,以及用于快速开发的功能丰富的交互式shell。

红宝石

自然语言处理

  • 对待 – 文本REtrieval和注释工具包,绝对是我迄今为止遇到的最全面的工具包
  • Ruby语言学 – 语言学是用于为任何语言的Ruby对象构建语言实用程序的框架。它包括通用语言无关的前端,用于将语言代码映射到语言名称的模块,以及包含各种英语工具的模块。
  • Stemmer – 将libstemmer_c发布给Ruby
  • Ruby Wordnet – 该库是WordNet的一个Ruby接口
  • Raspel – raspell是一个绑定ruby的界面
  • UEA Stemmer – UEALite Stemmer的Ruby端口 – 搜索和索引的保守干预
  • Twitter-text-rb – 在Twitter中自动链接和提取用户名,列表和主题标签的图书馆

通用机器学习

数据分析,可视化

杂项


[R

通用机器学习

  • ahaz – ahaz:半参数加性危险回归的正则化
  • 弧形 – 弧形:采矿协会规则和频繁项集
  • bigrf – bigrf:大随机森林:大数据集的分类和回归森林
  • bigRR – bigRR:广义岭回归(对于p >> n个情况具有特殊优势)
  • bmrm – bmrm:用于正则化风险最小化包的捆绑方法
  • Boruta – Boruta:用于所有相关特征选择的包装算法
  • bst – bst:渐变提升
  • C50 – C50:C5.0决策树和基于规则的模型
  • 插入符号 – 分类和回归训练:统一接口到〜150 ML算法在R.
  • 护理装配 – 护理装配:适合多个插入符号模型的框架以及创建这种模型的集合。
  • 机器学习的巧妙算法
  • CORElearn – CORElearn:分类,回归,特征评估和序数评估
  • CoxBoost – CoxBoost:Cox模型通过基于可能性的单一生存终点提升或竞争风险
  • 立体主义者 – 立体主义者:基于规则和实例的回归建模
  • 统计部门的其他功能(e1071),TU Wien
  • 地球:多变量自适应回归样条模型
  • elasticnet – elasticnet:弹性网稀疏估计和稀疏PCA
  • ElemStatLearn – ElemStatLearn:本书的数据集,功能和示例:Trevor Hastie,Robert Tibshirani和Jerome Friedman预测的“统计学习,数据挖掘,推理和预测的要素”,由Trevor Hastie,Robert Tibshirani和Jerome Friedman
  • evtree – evtree:全球最佳树的进化学习
  • fpc – fpc:灵活的聚类过程
  • frbs – frbs:用于分类和回归任务的基于模糊规则的系统
  • GAMBoost – GAMBoost:通过基于可能性的增强的广义线性和加性模型
  • gamboostLSS – gamboostLSS:GAMLSS的增强方法
  • gbm – gbm:广义增强回归模型
  • glmnet – glmnet:拉索和弹性网络正则化广义线性模型
  • glmpath – glmpath:L1广义线性模型和Cox比例危险模型的正则化路径
  • GMMBoost – GMMBoost:广义混合模型的基于可能的推动
  • grplasso – grplasso:适合用户指定的模型与组拉索罚款
  • grpreg – grpreg:具有分组协变量的回归模型的正则化路径
  • h2o – 快速,平行和分布式机器学习算法的框架 – 深度学习,随机森林,GBM,KMeans,PCA,GLM
  • hda – hda:异方差判别分析
  • 统计学习简介
  • ipred – ipred:改进的预测器
  • kernlab – kernlab:基于内核的机器学习实验室
  • klaR – klaR:分类和可视化
  • Lars – lars:最小角度回归,Lasso和Forward Stage
  • lasso2 – lasso2:L1约束估计aka’lasso’
  • LiblineaR – LiblineaR:基于线性C / C ++库的线性预测模型
  • LogicReg – LogicReg:逻辑回归
  • 机器学习黑客
  • maptree – maptree:映射,修剪和图形树模型
  • mboost – mboost:基于模型的增强
  • 混合混合:混合回归模型,使用贪心逐步的方法
  • mlr – mlr:机器学习在R
  • mvpart – mvpart:多变量分区
  • ncvreg – ncvreg:SCAD和MCP惩罚回归模型的正则化路径
  • nnet -nnet:前馈神经网络和多项对数线性模型
  • slope.tree – tilt.tree:分类数据的斜树
  • pamr – pamr:Pam:微阵列预测分析
  • 党派:递归提问实验室
  • partykit – partykit:一个递归提交工具包
  • 惩罚 – 处罚:在GLMs和Cox模型中的L1(套索和融合套索)和L2(脊)惩罚估计
  • 惩罚LDA – 处罚LDA:使用Fisher线性判别的惩罚分类
  • 惩罚的 SVM – 处罚的SVM:使用惩罚函数的特征选择SVM
  • quantregForest – quantregForest:分位数回归森林
  • randomForest – randomForest:Breiman和Cutler的随机森林进行分类和归一化
  • randomForestSRC – randomForestSRC:为生存,回归和分类随机森林(RF-SRC)
  • rattle – rattle:R中数据挖掘的图形用户界面
  • rda – rda:Shrunken Centroids正则判别分析
  • rdetools – rdetools:特征空间中的相关维度估计(RDE)
  • REEMtree – REEMtree:回归树与纵向(面板)数据随机效应
  • relaxo – relaxo:轻松的套索
  • rgenoud – rgenoud:R版本的使用衍生物的遗传优化
  • rgp – rgp:R遗传编程框架
  • Rmalschains – Rmalschains:使用R中的本地搜索链(MA-LS链)的Memetic算法进行连续优化
  • 简单的:在分类和回归中更简单地使用数据挖掘方法(如NN和SVM)
  • ROCR – ROCR:可视化评分分类器的性能
  • RoughSets – RoughSets:数据分析基于粗糙集与模糊粗糙集理论
  • rpart – rpart:递归分区和回归树
  • RPMM – RPMM:递归分区混合模型
  • RSNNS – RSNNS:使用斯图加特神经网络模拟器(SNNS)的R中的神经网络
  • RWeka – RWeka:R / Weka界面
  • RXshrink – RXshrink:通过通用脊或最小角度回归的最大似然收缩
  • sda -sda:收缩判别分析和CAT分数变量选择
  • SDDA – SDDA:逐步对角判别分析
  • 超级听众组合 – 多算法集成学习包。
  • svmpath – svmpath:svmpath:SVM路径算法
  • tgp – tgp:贝叶斯高斯过程模型
  • – 树:分类和回归树
  • varSelRF – varSelRF:使用随机林的变量选择
  • XGBoost.R – R绑定用于eXtreme渐变提升(树)库
  • Optunity – 一个致力于自动化超参数优化的库,具有简单轻便的API,便于网格搜索的替换。Optunity是用Python编写的,但是可以无缝地连接到R.

数据分析,可视化

  • ggplot2 – 基于图形语法的数据可视化包。

斯卡拉

自然语言处理

  • ScalaNLP – ScalaNLP是一套机器学习和数字计算库。
  • 微风 – 微风是Scala的数字处理库。
  • 粉笔 – 粉笔是自然语言处理图书馆。
  • FACTORIE – FACTORIE是可部署概率建模的工具包,在Scala中作为软件库实现。它为用户提供了一种简洁的语言,用于创建关系因子图,估计参数和执行推理。

数据分析,可视化

  • Apache Spark中的 MLlib – Spark中的分布式机器学习库
  • Scalding – 用于级联的Scala API
  • 总结鸟 – 流行的MapReduce与Scalding和风暴
  • Algebird – Scala的抽象代数
  • xerial – Scala的数据管理工具
  • – 减少你的数据。用于algebird供电聚合的unix过滤器。
  • PredictionIO – PredictionIO,用于软件开发人员和数据工程师的机器学习服务器。
  • BIDMat – CPU和GPU加速矩阵库,旨在支持大规模的探索性数据分析。
  • 沃尔夫声明机器学习

通用机器学习

  • 推测 – 可扩展机器学习在缩放
  • 刷火 – Scala中的分布式决策树合奏学习
  • ganitha烫金机器学习
  • adam – 使用Apache Avro,Apache Spark和Parquet构建的基因组处理引擎和专用文件格式。Apache 2许可。
  • bioscala – Scala编程语言的生物信息学
  • BIDMach – CPU和GPU加速机器学习库。
  • 费加罗 – 构建概率模型的Scala库。
  • H2O闪蒸水 – H2O和Spark互操作性。

原创文章,转载请注明: 转载自URl-team

本文链接地址: 机器学习各语言领域工具库中文版汇总

No related posts.

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 和 Nature 封面论文一作,聊了聊天机芯的科研故事

    邓磊,清华首位类脑计算博士、美国加州大学圣芭芭拉分校博士后。8 月 1 日《 Nature 》杂志的封面上,展示了文章《面向人工通用智能的异构天机芯片架构》,他...

    AI算法与图像处理
  • 终结者T-800回归!哥伦比亚大学Hod Lipson:未来或出现有自我意识的机器人

    自古以来,人类就希望制造一种像人一样的机器,以便代替人类完成各种工作。怀着如此初衷,人类开始了对机器人的漫长探索。

    大数据文摘
  • 达观数据:5分钟带你理解机器学习及分类算法

    机器学习是什么?机器学习是从历史数据(历史经验)中获取模型(规律),并将其应用到新的类似场景中。 举个很简单的例子:

    达观数据
  • 终于有人把XGBoost 和 LightGBM 讲明白了,项目中最主流的集成算法!

    本文是决策树的第三篇,主要介绍基于 Boosting 框架的主流集成算法,包括 XGBoost 和 LightGBM。

    Datawhale
  • 随机森林算法

    几个月前,我在悉尼参加了一个会议。会上,fast.ai向我介绍了一门在线机器学习课程,那时候我根本没注意。这周,在Kaggle竞赛寻找提高分数的方法时,我又遇到...

    磐创AI
  • GAN:「太难的部分我就不生成了,在下告退」

    生成对抗网络(GAN)在合成逼真的图像方面能力出色,但我们不禁要问:怎样才能知道 GAN 无法生成的东西呢?模式丢失或模式崩塌被视为 GAN 所面临的最大难题之...

    机器之心
  • Using Gaussian processes for regression降维之高斯过程

    In this recipe, we'll use the Gaussian process for regression. In the linear mod...

    到不了的都叫做远方
  • 独家 | 手把手教你做数据挖掘 !(附教程&数据源)

    最近笔者学到了一个新词,叫做“认知折叠”。就是将复杂的事物包装成最简单的样子,让大家不用关心里面的细节就能方便使用。作为数据科学领域从业者,我们所做的事情就是用...

    数据派THU
  • 【典型案例】用 TensorFlow 实现鸢尾花分类

    智能钛机器学习平台的 Tensorflow 框架为用户提供了基于 Python API 的 Tensorflow 运行环境,用户可将编写好的脚本及依赖文件上传至...

    腾讯智能钛AI开发者
  • 面部识别必看!5篇顶级论文了解如何实现人脸反欺诈、跨姿势识别等(附链接)

    面部识别是计算机视觉中最大的研究领域之一。现在,我们可以使用面部识别来解锁手机,在安全门上验证身份,并在某些国家/地区进行刷脸支付。许多公司都投资于面部识别技术...

    数据派THU

扫码关注云+社区

领取腾讯云代金券