現在機器學習逐漸成為行業熱門，經過二十幾年的發展，機器學習目前也有了十分廣泛的應用，如：數據挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、DNA序列測序、語音和手寫識別、戰略游戲和機器人等方面。

云棲社區特意翻譯整理了目前GitHub上最受歡迎的28款開源的機器學習項目，以供開發者參考使用。

1. TensorFlow

TensorFlow 是谷歌發布的第二代機器學習系統。據谷歌宣稱，在部分基準測試中，TensorFlow的處理速度比第一代的DistBelief加快了2倍之多。

具體的講，TensorFlow是一個利用數據流圖（Data Flow Graphs）進行數值計算的開源軟件庫：圖中的節點（ Nodes）代表數學運算操作，同時圖中的邊（Edges）表示節點之間相互流通的多維數組，即張量（Tensors）。這種靈活的架構可以讓使用者在多樣化的將計算部署在臺式機、服務器或者移動設備的一個或多個CPU上，而且無需重寫代碼；同時任一基于梯度的機器學習算法均可夠借鑒TensorFlow的自動分化（Auto-differentiation）；此外通過靈活的Python接口，要在TensorFlow中表達想法也變得更為簡單。

TensorFlow最初由Google Brain小組（該小組隸屬于Google's Machine Intelligence研究機構）的研究員和工程師開發出來的，開發目的是用于進行機器學習和深度神經網絡的研究。但該系統的通用性足以使其廣泛用于其他計算領域。

目前Google 內部已在大量使用 AI 技術，包括 Google App 的語音識別、Gmail 的自動回復功能、Google Photos 的圖片搜索等都在使用 TensorFlow 。

開發語言：C++

許可協議：Apache License 2.0

GitHub項目地址：https://github.com/tensorflow/tensorflow

2. Scikit-Learn

Scikit-Learn是用于機器學習的Python 模塊，它建立在SciPy之上。該項目由David Cournapeau 于2007年創立，當時項目名為Google Summer of Code，自此之后，眾多志愿者都為此做出了貢獻。

主要特點：

操作簡單、高效的數據挖掘和數據分析

無訪問限制，在任何情況下可重新使用

建立在NumPy、SciPy 和 matplotlib基礎上

Scikit-Learn的基本功能主要被分為六個部分：分類、回歸、聚類、數據降維、模型選擇、數據預處理，具體可以參考官方網站上的文檔。經過測試，Scikit-Learn可在 Python 2.6、Python 2.7 和 Python 3.5上運行。除此之外，它也應該可在Python 3.3和Python 3.4上運行。

注：Scikit-Learn以前被稱為Scikits.Learn。

開發語言：Python

許可協議:3-Clause BSD license

GitHub項目地址:https://github.com/scikit-learn/scikit-learn

3.Caffe

Caffe 是由神經網絡中的表達式、速度、及模塊化產生的深度學習框架。后來它通過伯克利視覺與學習中心（(BVLC）和社區參與者的貢獻，得以發展形成了以一個伯克利主導，然后加之Github和Caffe-users郵件所組成的一個比較松散和自由的社區。

Caffe是一個基于C++/CUDA架構框架，開發者能夠利用它自由的組織網絡，目前支持卷積神經網絡和全連接神經網絡（人工神經網絡）。在Linux上，C++可以通過命令行來操作接口，對于MATLAB、Python也有專門的接口，運算上支持CPU和GPU直接無縫切換。

Caffe的特點

易用性：Caffe的模型與相應優化都是以文本形式而非代碼形式給出， Caffe給出了模型的定義、最優化設置以及預訓練的權重，方便快速使用；

速度快：能夠運行最棒的模型與海量的數據；

Caffe可與cuDNN結合使用，可用于測試AlexNet模型，在K40上處理一張圖片只需要1.17ms；

模塊化：便于擴展到新的任務和設置上；

使用者可通過Caffe提供的各層類型來定義自己的模型；

目前Caffe應用實踐主要有數據整理、設計網絡結構、訓練結果、基于現有訓練模型，使用Caffe直接識別。

開發語言：C++

許可協議： BSD 2-Clause license

GitHub項目地址:https://github.com/BVLC/caffe

4. PredictionIO

PredictionIO 是面向開發人員和數據科學家的開源機器學習服務器。它支持事件采集、算法調度、評估，以及經由REST APIs的預測結果查詢。使用者可以通過PredictionIO做一些預測，比如個性化推薦、發現內容等。PredictionIO 提供20個預設算法，開發者可以直接將它們運行于自己的數據上。幾乎任何應用與PredictionIO集成都可以變得更“聰明”。其主要特點如下所示：

基于已有數據可預測用戶行為；

使用者可選擇你自己的機器學習算法；

無需擔心可擴展性，擴展性好。

PredictionIO 基于 REST API（應用程序接口）標準，不過它還包含 Ruby、Python、Scala、Java 等編程語言的 SDK（軟件開發工具包）。其開發語言是Scala語言，數據庫方面使用的是MongoDB數據庫，計算系統采用Hadoop系統架構。

開發語言：Scala

許可協議：Apache License 2.0

GitHub項目地址:https://github.com/PredictionIO/PredictionIO

5. Brain

Brain是 JavaScript 中的 神經網絡庫。以下例子說明使用Brain來近似 XOR 功能：

var net = new brain.NeuralNetwork();net.train([{input: [0, 0], output: [0]},{input: [0, 1], output: [1]},{input: [1, 0], output: [1]},{input: [1, 1], output: [0]}]);var output = net.run([1, 0]);// [0.987]

當 brain 用于節點中，可使用npm安裝：

npm install brain

當 brain 用于瀏覽器，下載最新的 brain.js 文件。訓練計算代價比較昂貴，所以應該離線訓練網絡（或者在 Worker 上），并使用 toFunction()或者toJSON()選項，以便將預訓練網絡插入到網站中。

開發語言：JavaScript

GitHub項目地址:https://github.com/harthur/brain

6. Keras

Keras是極其精簡并高度模塊化的神經網絡庫，在TensorFlow 或 Theano 上都能夠運行，是一個高度模塊化的神經網絡庫，支持GPU和CPU運算。Keras可以說是Python版的Torch7，對于快速構建CNN模型非常方便，同時也包含了一些最新文獻的算法，比如Batch Noramlize，文檔教程也很全，在官網上作者都是直接給例子淺顯易懂。Keras也支持保存訓練好的參數，然后加載已經訓練好的參數，進行繼續訓練。

Keras側重于開發快速實驗，用可能最少延遲實現從理念到結果的轉變，即為做好一項研究的關鍵。

當需要如下要求的深度學習的庫時，就可以考慮使用Keras：

考慮到簡單快速的原型法（通過總體模塊性、精簡性以及可擴展性）；

同時支持卷積網絡和遞歸網絡，以及兩者之間的組合；

支持任意連接方案（包括多輸入多輸出訓練）；

可在CPU 和 GPU 上無縫運行。

Keras目前支持 Python 2.7-3.5。

開發語言：Python

GitHub項目地址:https://github.com/fchollet/keras

7. CNTK

CNTK（Computational Network Toolkit ）是一個統一的深度學習工具包，該工具包通過一個有向圖將神經網絡描述為一系列計算步驟。在有向圖中，葉節點表示輸入值或網絡參數，其他節點表示該節點輸入之上的矩陣運算。

CNTK 使得實現和組合如前饋型神經網絡DNN、卷積神經網絡（CNN）和循環神經網絡(RNNs/LSTMs)等流行模式變得非常容易。同時它實現了跨多GPU 和服務器自動分化和并行化的隨機梯度下降（SGD，誤差反向傳播）學習。

下圖將CNTK的處理速度（每秒處理的幀數）和其他四個知名的工具包做了比較了。配置采用的是四層全連接的神經網絡（參見基準測試腳本）和一個大小是8192 的高效mini batch。在相同的硬件和相應的最新公共軟件版本（2015.12.3前的版本）的基礎上得到如下結果：

CNTK自2015年四月就已開源。

開發語言：C++

GitHub項目地址:https://github.com/Microsoft/CNTK

8. Convnetjs

ConvNetJS是利用Javascript實現的神經網絡，同時還具有非常不錯的基于瀏覽器的Demo。它最重要的用途是幫助深度學習初學者更快、更直觀的理解算法。

它目前支持：

常見的神經網絡模塊（全連接層，非線性）；

分類（SVM/ SOFTMAX）和回歸（L2）的成本函數；

指定和訓練圖像處理的卷積網絡；

基于Deep Q Learning的實驗強化學習模型。

一些在線示例：

Convolutional Neural Network on MNIST digits

Convolutional Neural Network on CIFAR-10

Toy 2D data

Toy 1D regression

Training an Autoencoder on MNIST digits

Deep Q Learning Reinforcement Learning demo+Image Regression ("Painting")+Comparison of SGD/Adagrad/Adadelta on MNIST開發語言：Javascript 許可協議：MIT License GitHub項目地址:https://github.com/karpathy/convnetjs

9. Pattern

Pattern是Python的一個Web挖掘模塊。擁有以下工具：

數據挖掘：網絡服務（Google、Twitter、Wikipedia）、網絡爬蟲、HTML DOM解析；

自然語言處理：詞性標注工具(Part-Of-Speech Tagger)、N元搜索(n-gram search)、情感分析(sentiment analysis)、WordNet；

機器學習：向量空間模型、聚類、分類（KNN、SVM、 Perceptron）；

網絡分析：圖形中心性和可視化。

其文檔完善，目前擁有50多個案例和350多個單元測試。 Pattern目前只支持Python 2.5+（尚不支持Python 3），該模塊除了在Pattern.vector模塊中使用LSA外沒有其他任何外部要求，因此只需安裝 NumPy （僅在Mac OS X上默認安裝）。

開發語言：Python

許可協議：BSD license

GitHub項目地址:https://github.com/clips/pattern

10. NuPIC

NuPIC是一個實現了HTM學習算法的機器智能平臺。HTM是一個關于新（大腦）皮質（Neocortex）的詳細人工智能算法。HTM的核心是基于時間的連續學習算法，該算法可以存儲和調用時間和空間兩種模式。NuPIC可以適用于解決各類問題，尤其是異常檢測和流數據源預測方面。

NuPIC Binaries文件目前可用于：

Linux x86 64bit

OS X 10.9

OS X 10.10

Windows 64bit

NuPIC 有自己的獨特之處。許多機器學習算法無法適應新模式，而NuPIC的運作接近于人腦，當模式變化的時候，它會忘掉舊模式，記憶新模式。

開發語言：Python

GitHub項目地址：https://github.com/numenta/nupic

11. Theano

Theano是一個Python庫，它允許使用者有效地定義、優化和評估涉及多維數組的數學表達式，同時支持GPUs和高效符號分化操作。Theano具有以下特點：

與NumPy緊密相關--在Theano的編譯功能中使用了Numpy.ndarray ；

透明地使用GPU--執行數據密集型計算比CPU快了140多倍（針對Float32）；

高效符號分化--Theano將函數的導數分為一個或多個不同的輸入；

速度和穩定性的優化--即使輸入的x非常小也可以得到log(1+x)正確結果；

動態生成 C代碼--表達式計算更快；

廣泛的單元測試和自我驗證--多種錯誤類型的檢測和判定。

自2007年起，Theano一直致力于大型密集型科學計算研究，但它目前也很被廣泛應用在課堂之上（ 如Montreal大學的深度學習/機器學習課程）。

開發語言：Python

GitHub項目地址：https://github.com/Theano/Theano

12. MXNet

MXNet是一個兼具效率和靈活性的深度學習框架。它允許使用者將符號編程和命令式編程相結合，以追求效率和生產力的最大化。其核心是動態依賴調度程序，該程序可以動態自動進行并行化符號和命令的操作。其中部署的圖形優化層使得符號操作更快和內存利用率更高。該庫輕量且便攜帶，并且可擴展到多個GPU和多臺主機上。

主要特點：

其設計說明提供了有用的見解，可以被重新應用到其他DL項目中；

任意計算圖的靈活配置；

整合了各種編程方法的優勢最大限度地提高靈活性和效率；

輕量、高效的內存以及支持便攜式的智能設備；

多GPU擴展和分布式的自動并行化設置；

支持Python、R、C++和 Julia；

對“云計算”友好，直接兼容S3、HDFS和Azure。

MXNet不僅僅是一個深度學習項目，它更是一個建立深度學習系統的藍圖、指導方針以及黑客們對深度學習系統獨特見解的結合體。

開發語言：Jupyter Notebook

開源許可：Apache-2.0license

GitHub項目地址：https://github.com/dmlc/mxnet

13. Vowpal Wabbit

Vowpal Wabbit是一個機器學習系統，該系統推動了如在線、散列、Allreduce、Learning2search、等方面機器學習前沿技術的發展。 其訓練速度很快，在20億條訓練樣本，每個訓練樣本大概100個非零特征的情況下：如果特征的總位數為一萬時，訓練時間為20分鐘；特征總位數為1000萬時，訓練時間為2個小時。Vowpal Wabbit支持分類、 回歸、矩陣分解和LDA。

當在Hadoop上運行Vowpal Wabbit時，有以下優化機制：

懶惰初始化：在進行All Reduce之前，可將全部數據加載到內存中并進行緩存。即使某一節點出現了錯誤，也可以通過在另外一個節點上使用錯誤節點的數據（通過緩存來獲取）來繼續訓練。

Speculative Execution：在大規模集群當中，一兩個很慢的Mapper會影響整個Job的性能。Speculative Execution的思想是當大部分節點的任務完成時，Hadoop可以將剩余節點上的任務拷貝到其他節點完成。

開發語言：C++

GitHub項目地址：https://github.com/JohnLangford/vowpal_wabbit

14. Ruby Warrior

通過設計了一個游戲使得Ruby語言和人工智能學習更加有樂趣和互動起來。

使用者扮演了一個勇士通過爬上一座高塔，到達頂層獲取珍貴的紅寶石（Ruby）。在每一層，需要寫一個Ruby腳本指導戰士打敗敵人、營救俘虜、到達樓梯。使用者對每一層都有一些認識，但是你永遠都不知道每層具體會發生什么情況。你必須給戰士足夠的人工智能，以便讓其自行尋找應對的方式。

勇士的動作相關API：

Warrior.walk： 用來控制勇士的移動，默認方向是往前；

warrior.feel：使用勇士來感知前方的情況，比如是空格，還是有怪物；

Warrior.attack：讓勇士對怪物進行攻擊；

Warrior.health：獲取勇士當前的生命值；

Warrior.rest：讓勇士休息一回合，恢復最大生命值的10%。

勇士的感知API:

Space.empty：感知前方是否是空格；

Space.stairs：感知前方是否是樓梯；

Space.enemy： 感知前方是否有怪物；

Space.captive：感知前方是否有俘虜；

Space.wall：感知前方是否是墻壁。

開發語言：Ruby

GitHub項目地址：https://github.com/ryanb/ruby-warrior

以上為GitHub上最流行的開源機器學習項目TOP14，“28款GitHub最流行的開源機器學習項目（二）”。