- TensorFlow最初是由研究人員和工程師在Google機器智能研究組織的Google Brain團隊中開發(fā)的。 該系統(tǒng)旨在促進機器學習的研究，并使其從研究原型到生產系統(tǒng)的快速和輕松過渡。
Github URL: Tensorflow 圖片.png - Scikit-learn
- 是用于數(shù)據挖掘和數(shù)據分析的簡單而有效的工具，可供所有人訪問，并可在各種環(huán)境中重用，基于NumPy，SciPy和matplotlib，開源，商業(yè)可用 - BSD許可證。
Github URL: Scikit-learn 圖片.png - Keras：高級神經網絡API，用Python編寫，能夠在TensorFlow，CNTK或Theano之上運行。
Github URL: Keras - PyTorch張量和動態(tài)神經網絡，具有強大的GPU加速功能。
Github URL: pytorch - Theano允許您有效地定義，優(yōu)化和評估涉及多維陣列的數(shù)學表達式。
Github URL: Theano - Gensim 具有可擴展的統(tǒng)計語義，分析語義結構的純文本文檔，檢索語義相似的文檔等功能。
Github URL: Gensim -Caffe以表達，速度和模塊化為基礎的深度學習框架。 它由伯克利視覺和學習中心(BVLC)和社區(qū)貢獻者開發(fā)。 Github URL: Caffe - Chainer：基于Python的獨立開源框架，適用于深度學習模型。 Chainer提供靈活，直觀和高性能的方法來實現(xiàn)全方位的深度學習模型，包括最新的模型，如遞歸神經網絡和變分自動編碼器。
Github URL: Chainer - Statsmodels: 允許用戶瀏覽數(shù)據，估計統(tǒng)計模型和執(zhí)行統(tǒng)計測試。 描述性統(tǒng)計，統(tǒng)計測試，繪圖函數(shù)和結果統(tǒng)計的廣泛列表可用于不同類型的數(shù)據和每個估算器。
Github URL: Statsmodels - Shogun是機器學習工具箱，提供各種統(tǒng)一和高效的機器學習（ML）方法。 工具箱無縫地允許輕松組合多個數(shù)據表示，算法類和通用工具。
- Github URL: Shogun
- Pylearn2機器學習庫。 它的大部分功能都建立在Theano之上。 這意味著您可以使用數(shù)學表達式編寫Pylearn2插件（新模型，算法等），Theano將為您優(yōu)化和穩(wěn)定這些表達式，并將它們編譯為您選擇的后端（CPU或GPU）。
Github URL: Pylearn2 - NuPIC是一個基于新皮層理論的開源項目，稱為分層時間記憶（HTM）。 HTM理論的一部分已經在應用中得到實施，測試和使用，HTM理論的其他部分仍在開發(fā)中。
Github URL: NuPIC - Nilearn:基于Python的深度學習庫。 它提供易用性，同時提供最高性能。
Github URL: Nilearn - Orange3:Python工具箱進行多變量統(tǒng)計，并使用預測建模，分類，解碼或連接分析等應用程序。
Github URL: Orange3 - Pymc: 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。
Github URL: Pymc -Deap: 一種新穎的進化計算框架，用于快速原型設計和思想測試。 它旨在使算法明確，數(shù)據結構透明。 它與多處理和SCOOP等并行機制完美協(xié)調。 Github URL: Deap - Annoy (Approximate Nearest Neighbors Oh Yeah)是一個帶有Python綁定的C ++庫，用于搜索空間中接近給定查詢點的點。 它還創(chuàng)建了大型只讀基于文件的數(shù)據結構，這些數(shù)據結構映射到內存中，以便許多進程可以共享相同的數(shù)據。
Github URL: Annoy - PyBrain是一個用于Python的模塊化機器學習庫。 其目標是為機器學習任務和各種預定義環(huán)境提供靈活，易用且功能強大的算法，以測試和比較您的算法。
Github URL: PyBrain - Fuel是一個數(shù)據管道框架，可為您的機器學習模型提供所需的數(shù)據。 它計劃由 Blocks和Pylearn2神經網絡庫使用。
最后給大家分享一些學習的資料
需要的小伙伴關注小編，領取方式加簡介v哦
|
