20名Python人工智能和機器學習開源項目
本文用Python更新了頂級的AI和機器學習項目。Tensorflow已經(jīng)成為了貢獻者的三位數(shù)增長的第一位。 Scikit-learn下降到第二位，但仍有非常大的貢獻者群體。
進入機器學習和人工智能并非易事?？紤]到今天可用的大量資源，許多有抱負的專業(yè)人員和愛好者發(fā)現(xiàn)難以在該領(lǐng)域建立正確的路徑。這個領(lǐng)域正在不斷發(fā)展，我們必須跟上飛速發(fā)展的步伐。
經(jīng)過信息的更新、檢查，本文用Python更新了頂級的AI和機器學習項目。Tensorflow已經(jīng)成為了貢獻者的三位數(shù)增長的第一位。 Scikit-learn下降到第二位，但仍有非常大的貢獻者群體。
與2016年相比，貢獻者人數(shù)增長最快的項目是：
1.TensorFlow增長169％，從493個增加到1324個貢獻者
2.Deap，增長86％，從21到39個貢獻者
3.Chainer，增長83％，從84到154個貢獻者
4.Gensim，增長81％，從145到262個貢獻者
5.Neon，增長66％，從47到78個貢獻者
6.Nilearn提高了50％，從46個到69個貢獻者
2018年的更新：
1.Keras，629名貢獻者
2.PyTorch，399名貢獻者
Github上的前20名Python人工智能和機器學習項目
大小與貢獻者的數(shù)量成正比，顏色代表貢獻者數(shù)量的變化，紅色更高，藍色更低。雪花形狀適用于深度學習項目，否則適用于其他項目。
我們看到像TensorFlow、Theano和Caffe這樣的深度學習項目是最受歡迎的項目之一。
下面的列表是根據(jù)Github上貢獻者的數(shù)量以降序給出的項目。貢獻者人數(shù)的變化是相對于2016年發(fā)布的前20名Python機器學習的開源項目。
1.TensorFlow最初是由谷歌機器智能研究機構(gòu)的Google Brain Team的研究人員和工程師開發(fā)的。該系統(tǒng)的設計是為了便于機器學習的研究，并使其快速、容易地從研究原型過渡到生產(chǎn)系統(tǒng)。
貢獻者：1324（168％），Github 網(wǎng)址：https://github.com/tensorflow/tensorflow
2.Scikit-learn是用于數(shù)據(jù)挖掘和數(shù)據(jù)分析的簡單而高效的工具，可供所有人訪問，并且可在各種環(huán)境中重用，基于NumPy、SciPy和matplotlib、開源、商業(yè)可用，BSD許可證。
貢獻者：1019（39％上），Github網(wǎng)址： https://github.com/scikit-learn/scikit-learn
3.Keras是一種高級神經(jīng)網(wǎng)絡API，用Python編寫，能夠在TensorFlow、CNTK或Theano上運行。
貢獻者：629（新），Github網(wǎng)址： https://github.com/keras-team/keras
4.Python中的PyTorch，張量和動態(tài)神經(jīng)網(wǎng)絡以及強勁的GPU加速。
貢獻者：399（新），Github網(wǎng)址：https://github.com/pytorch/pytorch
5.Theano允許你高效地定義、優(yōu)化和評估涉及多維數(shù)組的數(shù)學表達式。
貢獻者：327（24％上），Github網(wǎng)址： https://github.com/Theano/Theano
6.Gensim是一個免費的Python庫，它具有可擴展的統(tǒng)計語義，分析用于語義結(jié)構(gòu)的純文本文檔，檢索語義相似的文檔。
貢獻者：262（81％上升），Github網(wǎng)址： https://github.com/RaRe-Technologies/gensim
7.Caffe是一個深思熟慮的表達，速度和模塊化的深度學習框架。它由伯克利視覺和學習中心（BVLC）和社區(qū)貢獻者開發(fā)。
貢獻者：260（提高21％），Github網(wǎng)址： https://github.com/RaRe-Technologies/gensim
8.Chainer是一個基于Python的深度學習模型的獨立開源框架。 Chainer提供靈活、直觀和高性能的手段來實施全面的深度學習模型，其中包括最新的模型，如遞歸神經(jīng)網(wǎng)絡和變分自動編碼器。
貢獻者：154（上升84％），Github網(wǎng)址： https://github.com/chainer/chainer
9.Statsmodels是一個Python模塊，允許用戶探索數(shù)據(jù)，估計統(tǒng)計模型并執(zhí)行統(tǒng)計測試。描述統(tǒng)計、統(tǒng)計測、繪圖功能和結(jié)果統(tǒng)計的廣泛列表適用于不同類型的數(shù)據(jù)和每個估算器。
貢獻者：144（上升33％），Github網(wǎng)址： https://github.com/statsmodels/statsmodels/
10.Shogun是機器學習工具箱，它提供了廣泛的統(tǒng)一和高效的機器學習（ML）方法。該工具箱無縫地允許組合多個數(shù)據(jù)表示、算法類和通用工具。
貢獻者：139（上升32％），Github網(wǎng)址： https://github.com/shogun-toolbox/shogun
11.Pylearn2是一個機器學習庫。其大部分功能都建立在Theano之上。這意味著你可以使用數(shù)學表達式編寫Pylearn2插件（新模型，算法等），Theano將為你優(yōu)化和穩(wěn)定這些表達式，并將它們編譯為你選擇的后端（CPU或GPU）。
貢獻者：119（3.5％上），Github網(wǎng)址： https://github.com/lisa-lab/pylearn2
12.NuPIC是一個開源項目，它基于稱為分層時間存儲器（HTM）的新大腦皮層理論。部分HTM理論已經(jīng)在應用中實施、測試和使用，HTM理論的其他部分仍在開發(fā)中。
貢獻者：85（提高12％），Github網(wǎng)址： https://github.com/numenta/nupic
13.Neon是Nervana基于Python的深度學習庫。它提供易用性，同時提供最高的性能。
貢獻者：78（66％上），Github網(wǎng)址： https://github.com/NervanaSystems/neon
14.Nilearn是一個Python模塊，用于在NeuroImaging數(shù)據(jù)上進行快速簡單的統(tǒng)計學習。它利用scikit-learn Python工具箱進行多變量統(tǒng)計，并提供預測建模、分類、解碼或連接分析等應用。
貢獻者：69（上升50％），Github網(wǎng)址： https://github.com/nilearn/nilearn/branches
15.Orange3是開源機器學習和數(shù)據(jù)可視化新手，同時也是專家。使用大型工具箱交互式數(shù)據(jù)分析工作流程。
貢獻者：53（上升33％），Github網(wǎng)址： https://github.com/biolab/orange3
16.Pymc是一個python模塊，實現(xiàn)貝葉斯統(tǒng)計模型和擬合算法，包括馬爾可夫鏈蒙特卡羅。其靈活性和可擴展性使其適用于大量問題。
貢獻者：39（上升5.4％），Github網(wǎng)址： https://github.com/pymc-devs/pymc
17.Deap是用于快速原型設計和測試思想的新型演化計算框架。它試圖使算法明確、數(shù)據(jù)結(jié)構(gòu)透明。它與多處理和SCOOP等并行機制完美協(xié)調(diào)。
貢獻者：39（86％上），Github網(wǎng)址： https://github.com/deap/deap
18.Annoy（近似最近鄰居Oh Yeah）是一個C ++庫，它使用Python綁定來搜索接近給定查詢點的空間點。它還創(chuàng)建映射到內(nèi)存的大型只讀基于文件的數(shù)據(jù)結(jié)構(gòu)，以便許多進程可以共享相同的數(shù)據(jù)。
貢獻者：35（46％上），Github網(wǎng)址： https://github.com/spotify/annoy
19.PyBrain是Python的模塊化機器學習庫。其目標是為機器學習任務提供靈活、易于使用但仍然強大的算法，以及各種預定義環(huán)境來測試和比較的算法。
貢獻者：32（3％上），Github網(wǎng)址： https://github.com/pybrain/pybrain
20.Fuel是一個數(shù)據(jù)管道框架，它為你的機器學習模型提供他們需要的數(shù)據(jù)。計劃由Blocks和Pylearn2神經(jīng)網(wǎng)絡庫使用。
貢獻者：32（10％上），Github網(wǎng)址：https://github.com/mila-udem/fuel
（貢獻者在2018年2月錄得。）
