机器学习的 11 个开源项目

机器学习是目前数据分析领域的一个热点内容，在平时的学习和生活中经常会用到各种各样的机器学习算法。实际上，基于 Python、Java 等的很多机器学习算法基本都被前人实现过很多次了。这些算法在网上可以找到很多，然而往往存在很多“脏”或者“乱”的开源代码。

在这样的背景下， InfoWorld 近日公布了机器学习领域 11 个最受欢迎的开源项目，这 11 个开源项目大多与垃圾邮件过滤、人脸识别、推荐引擎相关。它们大多数基于现今最流行的语言以及平台，推广以及扩展了机器学习领域的很多重要算法。从中，用户不但可以找到 LDA 等主题模型，也可以找到 HMM 等隐马尔科夫模型。这些模型都是应用领域的热点，也是研究者们最需要的。

1. Scikit-learn Scikit-learn 是一个非常强大的 Python 机器学习工具包。它通过在现有 Python 的基础上构建了 NumPy 和 Matplotlib，提供了非常便利的数学工具。这个工具包包括了很多简单且高效的工具，很适合用于数据挖掘和数据分析。

在主页中，可以看到 User Guide，这是整个机器学习的索引，其中用户可以学到各种有效的方法。在 Reference 里，用户可以找到各个类具体的用法索引。
2. Shogun Shogun 是一个基于 C++ 的最古老的机器学习开源库，它创建于 1999 年。作为一个 SWIG 库，Shogun 可以轻松地嵌入 Java、Python、C#等主流处理语言中。它的重点在于大尺度上的内核方法，特别是“支持向量机”的学习工具箱。其中，它包括了大量的线性方法，如 LDA、LPM、HMM 等等。
3. Accord Framework/AForge.net Accord 是 AForge.net 的扩展，是一个基于.Net 的机器学习与信号处理框架。它包括了一系列的对图像和音频的机器学习算法，如人脸检测、SIFT 拼接等等。同时，Accord 支持移动对象的实时跟踪等功能。它提供了一个从神经网络到决策树系统的机器学习库。
4. Mahout Mahout 是一个广为人知的开源项目，它是 Apache Software 旗下的一个开源项目，提供了众多的机器学习经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。Mahout 内包含了聚类、分类、推荐等很多经典算法，并且提供了很方便的云服务的接口。
5. MLlib MLlib 是 Apache 自己的 Spark 和 Hadoop 机器学习库，它被设计用于大规模高速度地执行 MLlib 所包含的大部分常见机器学习算法。MLlib 是基于 Java 开发的项目，同时可以方便地与 Python 等语言对接。用户可以自己设计针对 MLlib 编写代码，这是很具有个性化的设计。
6. H2O H2O 是 0xdata 的旗舰产品，是一款核心数据分析平台。它的一部分是由 R 语言编写的，另一部分是由 Java 和 Python 语言编写的。用户可以部署 H2O 的 R 程序安装包，之后就可以在 R 语言环境下运行了。H2P 的算法是面向业务欺诈活着趋势预测的，目前正在新一轮的融资中。
7. Cloudera Oryx Oryx 也是由 Hadoop 所设计的机器学习开源项目，由 Cloudera Hadoop Distribution 的创造者所提供。Oryx 能够让机器学习的模型使用在实时的数据流上，如垃圾邮件过滤等。
8. GoLearn GoLearn 是谷歌所构建的 Go 语言的一体化机器学习库，目标是简单并且可定制。Go 语言是谷歌的主打语言，目前使用已经越来越广泛。GoLearn 的简单在于数据在库内被加载和处理，因此能够可定制地扩展数据结构以源码。
9. Weka >Weka 是使用 Java 开发的用户数据挖掘的开源项目。Weka 作为一个公开的数据挖掘工作平台，集合了大量能够承担数据挖掘人物的机器学习算法，包括了对数据进行预处理、分类、回归、聚类等等。同时，Weka 实现了对大数据的可视化，通过 Java 设计的新式交互界面上，实现人与程序的交互。
10. CUDA-Convnet CUDA 是我们众所周知的 GPU 加速套件。而 CUDA-Convnet 是一个基于 GPU 加速的神经网络应用程序机器学习库。它使用 C++ 编写，并且使用了 NVidia 的 CUDA GPU 处理技术。

目前，这个项目已经被重组成为 CUDA-Convnet2，支持多个 GPU 和 Kepler-generation GPUs. Vuples 项目与之类似，使用 F#语言编写，并且适用于.Net 平台上。
11. ConvNetJS ConvNetJS 是一款基于 JavaScript 的在线深度学习库，它提供了在线的深度学习训练方式。它能够帮助深度学习的初学者更快、更加直观的理解算法，通过一些简单的 Demo 给用户最直观的解释。

感谢郭蕾对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ）或者腾讯微博（ @InfoQ ）关注我们，并与我们的编辑和其他读者朋友交流。