摘要：?機器學習牽涉的編程語言十分之廣，包括了MATLAB、Python、Clojure、Ruby等等。為了讓開發者更加廣泛、深入地了解機器學習，云棲社區組織翻譯了GitHub Awesome Machine Learning 資源，涵蓋24種編程語言的機器學習的框架、庫以及其他相關資料。

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。機器學習牽涉的編程語言十分之廣，包括了MATLAB、Julia、R、Perl、Python、Clojure、Ruby等等。

為了讓開發者更加廣泛、深入地了解機器學習，云棲社區組織翻譯了GitHub Awesome Machine Learning 資源，涵蓋24種編程語言的機器學習的框架、庫以及其他相關資料。

目錄

• C
  • 通用機器學習
  • 計算機視覺
• C++
  • 計算機視覺
  • 通用機器學習
  • 自然語言處理
  • 序列分析
  • 手勢識別
• Common Lisp
  • 通用機器學習?
• Clojure
  • 自然語言處理
  • 通用機器學習
  • 數據分析 /數據可視化
• Erlang
  • 通用機器學習
• Go
  • 自然語言處理
  • 通用機器學習?
  • 數據分析 /數據可視化
• Haskell
  • 通用機器學習
• Java
  • 自然語言處理?
  • 通用機器學習
  • 數據分析 /數據可視化
  • 深度學習
• Javascript
  • 自然語言處理
  • 數據分析 /數據可視化?
  • 通用機器學習?
  • 其他
• Julia
  • 通用機器學習
  • 自然語言處理
  • 數據分析/數據可視化
  • 其他項 /展示
• Lua
  • 通用機器學習
  • 示例和腳本
• Matlab
  • 計算機視覺
  • 自然語言處理
  • 通用機器學?
  • 數據分析 / 數據可視化
• .NET
  • 計算機視覺
  • 自然語言處理?
  • 通用機器學習
  • 數據分析 /數據可視化?
• Objective C
  • 通用機器學習
• OCaml
  • 通用機器學習
• PHP
  • 自然語言處理?
  • 通用機器學習?
• Python
  • ?計算機視覺
  • 自然語言處理
  • 通用機器學習
  • 數據分析 /數據可視化?
  • 雜項腳本/ iPython筆記 /源碼庫?
  • Kaggle競賽源碼?
• Ruby
  • 自然語言處理
  • 通用機器學習?
  • 數據分析 /數據處理?
  • 雜項
• Rust
  • 通用機器學習
• R
  • 通用機器學習
  • 數據分析 /數據可視化?
• SAS
  • 通用機器學習?
  • 數據分析 /數據可視化?
  • 高性能機器學習（MPP）?
  • 自然語言處理
  • 示例和腳本
• Scala
  • 自然語言處理
  • 數據分析 /數據可視化?
  • 通用機器學習?
• Swift
  • 通用機器學習?
• Credits

C

通用機器學習

• Recommender??–?一個C語言庫，利用協同過濾（CF）進行產品推薦/建議；
• Darknet??-是一個用C和CUDA編寫的開源神經網絡框架，它速度快，易于安裝，并支持CPU和GPU計算。

計算機視覺

• CCV??-基于C語言、高速緩存的核計算機視覺庫，是一個現代化的計算機視覺庫；
• VLFeat??-開放、可便攜的計算機視覺算法庫，內有matlab工具箱。

語音識別

• HTK??-隱馬爾可夫模型工具包（HTK）是一個便攜式工具包，用于構建和操作隱馬爾可夫模型。

C++

計算機視覺

• OpenCV?-OpenCV自帶C ++、C、Python、Java和MATLAB接口，并支持Windows、Linux、Android版和Mac OS等系統；
• DLib?-DLib有C ++和Python接口，用于人臉檢測和訓練通用的目標探測器；
• EBLearn?-Eblearn是一種面向對象的C++庫，能夠實現各種機器學習模型；
• VIGRA?-VIGRA是通用跨平臺的C++計算機視覺和機器學習庫，能夠用Python綁定任意維度的體積。

通用機器學習

• mlpack??-可擴展的C++機器學習庫；
• DLib?-ML工具套件，能夠很容易嵌入到其他應用程序中；
• encog-cpp
• shark
• Vowpal Wabbit (VW)??-一個快速的核外（out-of-core?）學習系統；
• sofia-ml??-快速增量算法套件；
• Shogun??-Shogun機器學習工具箱；
• Caffe??-基于清潔度、可讀性和速度考慮而開發的深度學習框架。[深度學習]
• CXXNET??-另一個深度學習框架，其核心代碼少于1000行；[深度學習]
• XGBoost??-一種并行、優化、通用的梯度推進庫；
• CUDA??-利用C++ / CUDA快速實現卷積；[深度學習]
• Stan??-一種概率性的編程語言，能夠實現Hamiltonian Monte Carlo抽樣的全貝葉斯統計推斷；
• BanditLib??-一個簡單、有多重保護的Bandit庫；
• Timbl?：一個軟件包/ C ++庫，能夠實現多種基于內存的學習算法，其中有IB1-IG–k-最近鄰分類的實現、IGTree–IB1-IG的決策樹近似值；常用于NLP；
• Disrtibuted Machine learning Tool Kit (DMTK)??-微軟開發的分布式機器學習（參數服務器）框架，能夠在多臺機器的大型數據集上實現訓練模型，與它捆綁的現有工具包括：LightLDA和分布式（多傳感）字嵌入；
• igraph??-通用圖形庫；
• Warp-CTC??-在CPU和GPU上快速并行地實現連接時域分類（Connectionist Temporal Classification，CTC）；
• CNTK??-微軟研究院開發的計算網絡工具包（CNTK），它作為一系列計算步驟，通過有向圖來描述神經網絡，是統一的深度學習工具包；
• DeepDetect??-一個機器學習API，服務器用C++11編寫，它使機器學習的狀態易于工作，并容易集成到現有應用程序；
• Fido??-一個高度模塊化的C++機器學習庫，用于嵌入式電子產品和機器人中。

自然語言處理

• MIT Information Extraction Toolkit?-C，C ++和Python的工具，用于命名實體識別與關系抽取；
• CRF++??-條件隨機域（Conditional Random Fields，CRFs）的開源實現，用于分割/標記序列數據及其他自然語言處理任務；
• CRFsuite??-條件隨機域（CRFs）的實現，用于標記序列數據；
• BLLIP Parser??-BLLIP自然語言解析器（也稱為Charniak-Johnson解析器）；
• colibri-core??-是C++庫、命令行工具，和Python綁定用于提取與使用基本的語言結構，例如用快速和高效存儲的方式實現n-grams和skipgrams模型；
• ucto??-是一種工具和C++庫，基于支持各種語言的編譯器，內含統一字符標準及規則表達式；支持FoLiA格式；
• libfolia??-支持FoLiA格式的C++庫；
• frog??-為Dutch開發的基于內存的NLP套件：POS標簽、歸類分析、依存句法分析、NER、淺層句法分析、形態分析；
• MeTA??–MeTA : ModErn?語篇分析（ModErn Text Analysis），是一個C++數據科學工具包，便于挖掘大文本數據。

語音識別

• Kaldi??-Kaldi是用于語音識別的工具包，用C++編寫，由Apache許可證V2.0協議授權，專門給語音識別的研究人員使用。

序列分析

• ToPS??-這是一種面向對象的框架，便于在用戶定義的字母序列中整合概率模型。

手勢檢測

• grt??-手勢識別工具包（GRT）是一個跨平臺、開源的C++機器學習庫，用于實時的手勢識別。

Common Lisp

通用機器學習

• mgl??-神經網絡（玻耳茲曼機，前饋和循環網絡）以及高斯過程；
• mgl-gpr??-演化算法；
• cl-libsvm?-LIBSVM支持向量機庫的包裝。

Clojure

自然語言處理

• Clojure-openNLP?– Clojure中自然語言處理的工具包（openNLP）；
• Infections-clj?– Clojure和Clojure中類似于Rails的inflection庫。

通用機器學習

• Touchstone?– Clojure A/B 測試庫；
• Clojush?– Clojure中的Push程序語言和PushGP遺傳編程系統；
• Infer?– Clojure中分析和機器學習的工具；
• Clj-ML?– Clojure中基于Weka及其相關環境的深度學習庫；
• Encog?– 在Clojure中封裝成Encog (v3) （專門研究神經網絡的機器學習框架）；
• Fungp?– ?Clojure中的遺傳編程實例庫；
• Statistiker?– Clojure中基礎機器學習算法；
• clortex?-采用Numenta’s Cortical?學習算法的通用機器學習庫；
• comportex?–?采用Numenta’s Cortical?學習算法的功能組合的機器學習庫。

數據分析/數據可視化

• Incanter?– Incanter是基于?Clojure，類似R的統計計算與制圖平臺；
• PigPen?– ?Clojure中的Map-Reduce；
• Envision?–?基于Statistiker和D3Clojure 數據可視化庫。

Erlang

通用機器學習

• Disco– ?Erlang中的Map Reduce模型。

Go

自然語言處理

• go-porterstemmer?– 一個用于實現Porter詞干提取算法的原生Go語言凈室；
• paicehusk?– Go語言中用于實現Paice/Husk詞干提取算法；
• snowball?– Go語言中的Snowball 詞干提取器；
• go-ngram?-內存N-gram索引壓縮?。

通用機器學習

• Go Learn?– Go語言中的機器學習庫；
• go-pr?– Go語言中的模式識別包；
• go-ml?– 線性/邏輯回歸、神經網絡、協同過濾和多元高斯分布；
• bayesian?– Go語言中樸素貝葉斯分類庫；
• go-galib?–?Go語言版的遺傳算法庫；
• Cloudforest?– GO語言中的決策樹集合；
• gobrain?– GO語言版的神經網絡；
• GoNN?– GoNN?是用Go語言實現的神經網絡，它包括BPNN、RBF、PCN?；
• MXNet?– 輕量級、便攜式、靈活的分布式/深度學習系統，可對動態的、突變數據流調度部署，同時也支持Python、R、Julia、Go、Javascript 等編程語言。

數據分析/數據可視化

• go-graph?– Go語言圖形庫；
• SVGo?– Go語言的SVG生成庫；
• RF?– Go語言的隨機森林庫；

Haskell

通用機器學習

• haskell-ml?– Haskell?語言實現的各種深度學習算法?；
• HLearn?– 根據代數結構解釋其深度模型的庫；
• hnn?– Haskell語言的神經網絡庫；
• hopfield-networks?– Haskell中用于無監督學習的Hopfield網絡；
• caffegraph?– 一種用于深度神經網絡的領域特定語言（DSL）；
• LambdaNet?– Haskell中的可配置的神經網絡。

Java

自然語言處理

• Cortical.io?– 像人腦一樣快速、精確處理復雜的NLP（自然語言處理）操作（如消歧、分類、流文本過濾等操作）的Retina API；
• CoreNLP?– 斯坦福大學的CoreNLP提供的一系列的自然語言處理工具，該工具可以根據輸入原始英語文本，給出單詞的基本形式；
• Stanford Parser?– 一種自然語言分析器，可以分析語句的語法結構；
• Stanford POS Tagger?-一個詞性分類器??(POS Tagger）；
• Stanford Name Entity Recognizer?– Stanford NER是一個Java實現的名稱識別器；
• Stanford Word Segmenter?– 分詞器，很多NLP工作中都要用到的標準預處理步驟；
• Tregex, Tsurgeon and Semgrex?– Tregex基于樹關系以及節點匹配的正則表達式，用于在樹狀數據結構中進行模式匹配（名字是“tree regular expressions”的縮寫）?；
• Stanford Phrasal:?一個基于短語的翻譯系統
• Stanford English Tokenizer?–?Stanford Phrasal 用Java寫成的最新的基于統計短語的機器翻譯系統；
• Stanford Tokens Regex?– 一個分解器，可以將文本大致分成一系列對應于“詞”的符號；
• Stanford Temporal Tagger?–?SUTime是一個用于識別并標準化時間表達式的庫；
• Stanford SPIED?-在種子集上使用模式，以迭代方式從無標簽文本中進行學習實體；
• Stanford Topic Modeling Toolbox?– 為社會科學家及其他希望分析數據集的人員提供的主題建模工具；
• Twitter Text Java?–?Java實現的推特文本處理庫；
• MALLET?–?基于Java的統計自然語言處理、文檔分類、聚類、主題建模、信息提取以及其他機器學習的文本應用包；
• OpenNLP?– 基于機器學習的自然語言文本處理工具包；
• LingPipe?– 一個使用計算機語言學文本處理的工具包；
• ClearTK?– 在Java中ClearTK為開發統計語言處理組件提供了一個框架，該框架是基于Apache UIMA；
• Apache cTAKES?– Apache cTAKES是一個開源自然語言處理系統，用于從臨床電子病歷的自由文本中提取信息；
• ClearNLP?– ClearNLP工程為自然語言處理提供了軟件和資源提供了。該項目最早在計算機愈合和教育研究中心啟動，目前由Emory 大學的語言和信息研究中心繼續開發。該項目遵循Apache 2?license。

通用機器學習

• aerosolve?– 是由Airbnb設計的定價建議系統的機器學習庫；
• Datumbox?-應對機器學習和統計應用快速發展的機器學習框架；
• ELKI?– 用于數據挖掘的Java工具包(無監督：聚類、異常檢測等等)；
• Encog?– 一種先進的神經網絡和機器學習框架。?Encog包含用于創建各類網絡的類，同時也支持為神經網絡規范和處理數據的類。它的訓練采用多線程彈性傳播。它也能使用GPU加快處理時間。提供了圖形化界面來幫助建模和訓練神經網絡。
• EvA2?– 包含遺傳算法、差分進化、協方差自適應進化策略等等的進化算法框架；
• FlinkML in Apache Flink?– Flink中的分布式機器學習庫；
• H2O?– 深度學習引擎，支持在Hadoop、Spark 或者通過R、Python、Scala 、REST/JSONML?的APIs連到的筆記本上進行分布式學習；
• htm.java?– 采用Numenta?Cortical 學習算法的通用機器學習庫 ；
• java-deeplearning?– Java、Clojure、Scala的分布式深度學習平臺；
• JAVA-ML?– 包含所有Java算法的通用接口的通用深度學習庫；
• JSAT?– 用于分類、回歸、聚類的機器學習算法集合；
• Mahout?– 分布式的機器學習庫；
• Meka?– MEKA提供了一個面向多標簽學習和評價方法的開源實現（擴展成Weka）；
• MLlib in Apache Spark?– Spark中的分布式機器學習程序庫；
• Neuroph?– Neuroph 是輕量級的Java神經網絡框架；
• ORYX?– 采用Apache Spark和Apache Kafka的Lambda 結構框架，專門用于實時大規模機器學習；
• Samoa?– SAMOA 是一個包含用于分布式機器學習數據流的框架，同時為數據流流入不同的流處理平臺提供了接口；
• RankLib?– RankLib是一個排序學習算法庫；
• rapaio?– Java中用于統計、數據挖掘和機器學習的工具箱；
• RapidMiner?– RapidMiner integration into Java code
• Stanford Classifier?– 斯坦福大學分類器是一種機器學習工具，它可以將數據項歸置不同的類別中；
• SmileMiner?– 統計機器智能與學習引擎；
• SystemML?– 靈活、可擴展的機器學習語言；
• WalnutiQ?– 人腦部分面向對象模型；
• Weka?–?Weka是數據挖掘方面的機器學習算法集?。

語音識別

• CMU Sphinx?– CMU Sphinx?是基于Java 語音識別庫，用于純語音識別開源工具包。

數據分析/數據可視化

• Flink?– Apache Flink是一個面向分布式數據流處理和批量數據處理的開源計算平臺；
• Hadoop?– 大數據分析平臺；
• Spark?– Spark是一個快速通用的大規模數據處理引擎；
• Storm?– Storm是一個分布式實時計算系統；
• Impala?– 為Hadoop實現實時查詢
• DataMelt?– 用于數字計算、統計、符號計算、數據分析和數據可視化的數學軟件；
• Dr. Michael Thomas Flanagan’s Java Scientific Library

深度學習

• Deeplearning4j?– 采用并行GPU的商用可擴展深度學習庫。

數?Javascript

---

自然語言處理

• Twitter-text?– Twitter文本處理庫中使用JavaScript的實現；
• NLP.js?–?使用JavaScript和CoffeeScript的NLP實用工具；
• natural?–?用于節點的通用自然語言工具；
• Knwl.js?–?JS中的自然語言處理器；
• Retext?-用于分析和處理自然語言的可擴展系統；
• TextProcessing?-情感分析，詞干和詞形還原，部分詞性標注和組塊，短語提取和命名實體識別；
• NLP Compromise?– 瀏覽器中的自然語言處理。

數據分析/數據可視化

• D3.js
• High Charts
• NVD3.js
• dc.js
• chartjs
• dimple
• amCharts
• D3xter?–直接建立在D3上的繪圖；
• statkit?–?JavaScript的統計工具；
• datakit?– JavaScript的輕量級數據分析框架；
• science.js?– JavaScript中的科學統計計算；
• Z3d?–?在Three.js上輕松地繪制交互式3D圖；
• Sigma.js?– JavaScript庫，專門用于圖形繪制；
• C3.js?–?基于D3.js的定制庫，能夠輕松繪制圖表；
• ZingChart?– Vanilla JS編寫的庫，用于大數據可視化；
• cheminfo?–?數據可視化和分析的平臺，使用可視化項目。

通用機器學習

• Convnet.js?– ConvNetJS是一個JavaScript庫，用于訓練深度學習模型[深度學習]；
• Clusterfck?– 為Node.js和瀏覽器，用Javascript實現的凝聚層次聚類；
• Clustering.js?–?Javascript為Node.js和瀏覽器實現的聚類算法；
• Decision Trees?-使用ID3算法實現NodeJS決策樹；
• figue?– K-均值、模糊C均值和凝聚聚類；
• Node-fann?-Node.js綁定的快速人工神經網絡庫（Fast Artificial Neural Network Library，FANN）；
• Kmeans.js?– K-均值算法用JavaScript的簡單實現，用于Node.js和瀏覽器；
• LDA.js?–?Node.js的LDA主題建模；
• Learning.js?–用Javascript實現邏輯回歸/ c4.5決策樹；
• Machine Learning?–?Node.js的機器學習庫；
• Node-SVM?–?Node.js的支持向量機；
• Brain?–?JavaScript中的神經網絡[已棄用]；
• Bayesian-Bandit?–?Node和瀏覽器的貝葉斯實現；
• Synaptic?–?用于Node.js和瀏覽器的無架構神經網絡庫；
• kNear?–?JavaScript實現的k個最近鄰算法，用于監督學習；
• NeuralN?–?Node.js的C++神經網絡庫，其優點是有大量的數據集和多線程訓練；
• kalman?–?Javascript的卡爾曼濾波器；
• shaman?–?Node.js庫，同時支持簡單和多元的線性回歸；
• ml.js?–用于Node.js和瀏覽器的機器學習和數值分析工具；
• Pavlov.js?-利用馬爾可夫決策過程強化學習；
• MXNet?–?輕量級、便攜式、靈活的分布式/深度學習系統，可對動態的、突變數據流調度部署，同時也支持Python、R、Julia、Go、Javascript 等編程語言。

其它

• sylvester?–?用于JavaScript的向量和矩陣數學；
• simple-statistics?–?描述，回歸和推斷統計的JavaScript實現；用文字實現的JavaScript，沒有依賴性，能在所有現代瀏覽器（包括IE）以及在node.js中工作；
• regression-js?–?JavaScript庫，包含小二乘法擬合方法的集合，用于尋找數據集的趨勢；
• Lyric?-線性回歸庫；
• GreatCircle?–?計算大圓距的庫。

Julia

通用機器學習

• MachineLearning?–?Julia機器學習庫；
• MLBase?-一組支持機器學習算法的發展的函數；
• PGM?–?一個概率圖模型的Julia框架；
• DA?–?正則判別分析的Julia組件；
• Regression?–?回歸分析算法（例如線性回歸和邏輯回歸）；
• Local Regression?-局部回歸，超級流暢！
• Naive Bayes?–?Julia樸素貝葉斯方法的簡單實現；
• Mixed Models?–?用于裝配（統計）混合效應模型的Julia組件；
• Simple MCMC?–?Julia實現基本的MCMC采樣；
• Distance?–?Julia距離評估模塊；
• Decision Tree?-決策樹分類和回歸；
• Neural?–?Julia神經網絡；
• MCMC?–?Julia?的MCMC工具；
• Mamba?–?Julia中馬爾可夫鏈蒙特卡羅（MCMC）的貝葉斯分析；
• GLM?–?Julia的廣義線性模型。
• Online Learning
• GLMNet?–?GMLNet的Julia包裝版，適合套索/彈性網模型；
• Clustering?-集群數據的基本功能：K-均值，DP-均值等；
• SVM?–?Julia適用的SVM；
• Kernal Density?–?Julia的核密度估計量；
• Dimensionality Reduction?-降維方法；
• NMF?–?非負矩陣分解的Julia包；
• ANN?–?Julia人工神經網絡；
• Mocha?–?受Caffe啟發，Julia的深度學習框架；
• XGBoost?–?Julia中的eXtreme Gradient Boosting 包；
• ManifoldLearning?–?用于流形學習和非線性降維的Julia組件；
• MXNet?–?輕量級、便攜式、靈活的分布式/深度學習系統，可對動態的、突變數據流調度部署，同時也支持Python、R、Julia、Go、Javascript 等編程語言。
• Merlin?–?Julia靈活的深度學習框架。

自然語言處理

• Topic Models?–?Julia下的主題模型；
• Text Analysis?–?Julia下的文本分析包。

數據分析/數據可視化

• Graph Layout?–?純Julia實現的圖布局算法；
• Data Frames Meta?–?DataFrames的元編程工具；
• Julia Data?–?處理表格數據的Julia庫；
• Data Read?–?從Stata、SAS、SPSS讀取文件；
• Hypothesis Tests?–?Julia的假設檢驗；
• Gadfly?–?Julia?靈活的統計制圖法；
• Stats?–?Julia的統計圖檢驗；
• RDataSets?–?用于裝載許多R中可用數據集的Julia包；
• DataFrames?–?處理列表數據的Julia庫；
• Distributions?–?概率分布和相關函數的Julia包；
• Data Arrays?–?允許缺失值的數據結構；
• Time Series?–?Julia的時間序列工具包；
• Sampling?–?Julia的基本采樣算法。

其他項/展示

• DSP?-數字信號處理（濾波，周期圖，頻譜圖，窗函數）；
• JuliaCon Presentations?–?JuliaCon的演示文稿；
• SignalProcessing?–?Julia寫的信號處理工具；
• Images?–?Julia的圖像庫。

總結

以上是生活随笔為你收集整理的史上最全的机器学习资料（上）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。