2018最有用的六个机器学习项目

摘要： 用了这六个机器学习开源项目，你的项目一定停止的666！

2018年又是人工智能和机器学习疾速发展的一年。许多新的机器学习的项目正在以非常高的影响力影响着诸多范畴，特别是医疗保健、金融、语音辨认、加强理想和更复杂3D视频渲染。

这一年，我们看到了更多的运用驱动研讨，而不是实际研讨。虽然这能够有其缺陷，但它在短工夫内产生了一些宏大的积极影响，产生了可以迅速转化为业务和客户创造价值的新研发，这一趋向在ML开源项目中得到了激烈反映。

让我们来看看过去一年中最适用的6个ML项目。这些项目都公开发布了代码和数据集，允许个别开发人员和小型团队学习并创造价值。它们能够不是实际上最具创始性的作品，但它们很适用！

Fast.ai

Fast.ai库的编写是为了运用古代最佳实际方法以简化且疾速准确停止神经网络训练，它笼统了在实际中实施深度神经网络能够带来的一切细节工作。而且它非常易于运用，并且设计它的人有运用程序构建思想。它最后是为Fast.ai课程的先生创建的，该库以简约易懂的方式编写在易于运用的Pytorch库之上。

Detectron

Detectron是Facebook AI用于物体检测和实例分割研讨的研讨平台，系统是用Caffe2编写。它包含各种对象检测算法的完成，包括：

·Mask R-CNN：运用更快的R-CNN结构的对象检测和实例分割；

·RetinaNet：一个基于(Feature Pyramid Network)算法的网络，具有独特的Focal Loss来处理难题；

·Faster R-CNN：对象检测网络最常见的结构；

一切网络都可以运用以下几种可选的分类主干之一：

·ResNeXt {50101152}；

·RESNET {50101152}；

·Feature Pyramid Network（运用ResNet/ResNeXt）；

·VGG16；

更重要的是，一切上述这些模型都是带有COCO数据集上的预训练模型，因此你可以立刻便用它们！他们曾经在Detectron模型动物园中运用标准评价目的停止了测试。

FastText

这是另一个来自Facebook的研讨，fastText库专为文本表示和分类而设计。它装备了预先训练的150多种言语的词向量模型，这些单词向量可用于许多义务，包括文本分类，摘要和翻译等。

Auto-Keras

Auto-Keras是一个用于自动机器学习（AutoML）的开源软件库。它由Texas A＆M大学的DATA实验室和社区贡献者开发。AutoML的最终目的是为具有有限数据迷信或机器学习背景的开发工程师提供易于访问的深度学习工具。Auto-Keras提供自动搜索深度学习模型的最佳架构和超参数的功能。

Dopamine

Dopamine是由Google基于强化学习创建的疾速原型设计的研讨框架，它旨在灵敏且易于运用，完成标准RL算法，目的和基准。

根据Dopamine的文档，他们的设计准绳是：

·简单的测试：协助新用户运转基准测试；

·灵敏的开发：为新用户提供新的创新想法；

·牢靠：为一些较旧和更盛行的算法提供完成；

·可反复性：确保结果是可反复；

vid2vid

vid2vid项目是在Pytorch上完成的Nvidia最先进的视频到视频合成的模型。视频到视频合成的目的是学习从输入源视频（例如，一系列语义分割掩模）到准确描画源视频内容的输入照片拟真视频的映射函数。

这个库的好处在于它的选择：它提供了几种不同的vid2vid运用程序，包括自动驾驶/城市场景，人脸和人体姿态。它还附带了丰富的指令和功能，包括数据集加载、义务评价、训练功能和多GPU！

其他一些有价值的项目：

·ChatterBot：用于对话引擎和创建聊天机器人的机器学习模型；

·Kubeflow：Kubernetes的机器学习工具包；

·imgaug：用于深度学习的图像加强；

·imbalanced-learn：scikit下的python包，专门用于修复不平衡数据集；

·mlflow：用于管理ML生命周期的开源平台：包括测试，可反复性和部署；

·AirSim：基于虚幻引擎/Unity的自动驾驶汽车模拟器，来自Microsoft AI和Research；

本文由阿里云云栖社区组织翻译。

文章原标题《the-6-most-useful-machine-learning-projects-of-the-past-year》

作者：George Seif 译者：虎说八道，审校：袁虎。

分享了

分享了

前排支持下了哦~

赞一个，赞一个