爱吧机器人网 » 技术 > 机器学习 > 正文

2018年值得关注的10种机器学习工具

核心提示:2017年是机器学习大放异彩的一年,这归功于众多公司广泛而深入地研究和开发更新颖、更高效的工具和框架。这里介绍,有望在2018年大行其道的10种机器学习的工具和框架。

2017年是机器学习大放异彩的一年,这归功于众多公司广泛而深入地研究和开发更新颖、更高效的工具和框架。这里介绍,有望在2018年大行其道的10种机器学习的工具和框架。
 
\
 
1.亚马逊Sagemaker
 
AWS re:Invent 2017上宣布的一款重大产品就是正式发布的亚马逊Sagemaker,这种新的框架简化了构建机器学习模型并部署到云端的任务。
 
这项服务对于并不深入了解机器学习的开发人员来说非常有用,因为它为开发人员提供了一系列预先构建的开发环境,基于流行的Jupyter笔记本格式。如果数据科学家不希望花费大量时间,就可以在AWS上构建有效的机器学习系统,并对性能进行微调,就会发现这项服务大有用处。
 
相关链接:
 
https://datahub.packtpub.com/machine-learning/amazon-sagemaker-machine-learning-service/
 
2.DSSTNE
 
DSSTNE(通常名为Destiny)是亚马逊提供的另一款产品,这种开源库被用于开发机器学习模型。它的主要优势在于可以用来训练和部署处理稀疏输入的推荐模型。使用DSSTNE开发的模型经训练后可以使用多个GPU,具有可扩展性,并针对快速性能进行了优化。
 
该库在GitHub上有近4000颗星,它是2018年值得关注的另一款工具!
 
相关链接:https://github.com/amzn/amazon-dsstne
 
3.Azure机器学习工作台
 
早在2014年,微软就发布了Azure机器学习工具,将机器学习和人工智能功能放到云端。不过这严格来说是一种纯云服务。在今年9月召开的Ignite 2017大会上,微软宣布了下一代Azure端机器学习工具,通过Azure机器学习工作台,为众多企业组织带来机器学习功能。
 
Azure机器学习工具台是一个跨平台客户软件,它在Windows机器和苹果机器上都可以运行。它是为想要执行数据操纵和处理任务的数据科学家和机器学习开发人员量身打造的。它为确保可扩展性而构建,用户可以从一系列广泛的数据源获得直观的洞察力,并用于数据建模任务。
 
相关链接:https://azure.microsoft.com/en-in/services/machine-learning-services/
 
4.Neon
 
早在2016年,英特尔宣布斥资3.5亿美元收购Nervana,打算成为人工智能市场的大玩家。Nervana是一家人工智能初创公司,一直在为机器学习开发软硬件。有了Neon,他们现在拥有一个快速、高性能的深度学习框架,专门为了在最近宣布的Nervana神经网络处理器上运行而设计。
 
Neon在设计当初力求易于使用,并支持与iPython笔记本集成,它支持常见的深度学习模型,比如CNN、RNN、LSTM及其他模型。该框架显示出日臻完善的迹象,在GitHub上有3000多颗星。Neon势必会在未来几年挑战几大深度学习库。
 
相关链接:https://github.com/NervanaSystems/neon
 
5.微软DMLT
 
企业在机器学习方面面临的主要挑战之一是,需要迅速扩展模型,在尽量减少资源使用的同时,又不牺牲性能。微软的分布式机器学习框架(DMLT)旨在做到这一点。DMLT由微软开放源代码,那样它可以从社区获得更广泛的支持。它让机器学习开发人员和数据科学家拿来单机器算法后可以扩大其规模,进而构建高性能分布式模型。
 
DMLT主要专注于分布式机器学习算法,让你可以轻松地执行诸如字嵌入、采样和梯度提升之类的任务。该框架目前还不支持对深度学习模型进行训练,不过我们预计这项功能很快就会被添加到该框架中。
 
相关链接:http://www.dmtk.io/
 
6.谷歌云机器学习引擎
 
云机器学习引擎被认为是谷歌主要的机器学习产品,它让你可以比较轻松地针对各种各样的数据来构建机器学习模型。该平台充分利用流行的Tensorflow机器学习框架,可用于执行大规模预测分析。它还让你可以使用流行的HyperTune功能,对机器学习模型的性能进行微调和优化。
 
由于无服务器架构支持自动监控、配置和扩展,机器学习引擎确保你只需要为想要训练哪种机器学习模型而操心。这项功能尤其适用于期望外出时可以构建大规模模型的机器学习开发人员。
 
相关链接:https://cloud.google.com/ml-engine/
 
7.苹果Core ML
 
Core ML框架由苹果开发,旨在帮助iOS开发人员构建更智能的应用程序,它是让Siri更智能的秘诀。它充分利用CPU的功能和GPU的功能,让开发人员得以构建不同类型的机器学习和深度学习模型,然后这些模型可以无缝集成到iOS应用程序中。Core ML支持所有常用的机器学习算法,比如决策树、支持向量机和线性模型等等。
 
Core ML的功能针对实际环境的诸多使用场合,比如自然语言处理和计算机视觉等,因而外出时可以在苹果设备上分析数据,无需导入到模型来学习。
 
相关链接:https://developer.apple.com/machine-learning/
 
8.苹果Turi Create
 
在许多情况下,iOS开发人员想要定制希望集成到所开发的应用程序中的机器学习模型。为此,苹果推出了Turi Create。该库让你得以专注于手头的任务,而不是决定使用哪种算法。那样就可以在数据集、模型需要运行的规模以及需要将模型部署到哪个平台方面做到很灵活。
 
Turi Create用起来很方便,可用于为推荐、图像处理、文本分类及众多任务构建自定义模型。你只需要对Python有所了解,即可上手!
 
相关链接:https://github.com/apple/turicreate
 
9.Convnetjs
 
深度学习不仅仅出现在超级计算机和机器集群上,现在它还切实出现在你的互联网浏览器上!现在你使用流行的基于Javascript的Convnetjs库,就可以直接在浏览器上训练先进的机器学习和深度学习模型,不需要CPU或GPU。
 
该库最初由特斯拉公司的现任人工智能主管安德烈?卡帕锡(Andrej Karpathy)编写,此后被开源,在社区的积极贡献下有所扩展。你可以直接在浏览器上轻松训练深度神经网络,甚至训练强化学习模型,这有赖于这个非常独特而有用的库提供支持。这个库适合不想购买专业硬件来训练计算密集型模型的那些人。Convnetjs在GitHub上有近9000颗星,它俨然是2017年的明星项目之一,迅速成为深度学习方面的首选库。
 
相关链接:http://cs.stanford.edu/people/karpathy/convnetjs/
 
10.BigML
 
BigML是一家知名的机器学习公司,为开发机器学习模型提供了一个易于使用的平台。使用BigML的REST API,你可以在其平台上顺畅无阻地训练机器学习模型。它让你可以执行不同的任务,比如异常检测和时间序列预测,还可以构建执行实时预测分析的应用程序。
 
借助BigML,你可以在本地或在云端部署模型,可以灵活地选择运行机器学习模型所需要的那种环境。BigML恪守承诺,力求“使机器学习对每个人而言都异常简单”。
 
由于微软、亚马逊和谷歌都竞相成为人工智能领域的霸主,2018年可能会是人工智能领域发展迎来突破的一年。除此之外还有旨在为用户简化机器学习的各种开源库,还有一大堆的工具和框架需要密切关注。令人兴奋的是,它们都有能力成为下一个TensorFlow,带来下一场AI颠覆。
 
相关链接:https://bigml.com/

上一篇:40道题检测你的机器学习掌握程度
下一篇:图灵奖得主Judea Pearl:机器学习无法成为强AI基础,突破口在“因果革命”

本周栏目热点

机器学习对抗案例|愚弄Google图像识别算法

[2018-01-19]  近年来,人工智能的浪潮不断拍打着 IT 领域的海岸,各家科技巨头们都喜欢向外骄傲地宣布自己的算法能够如何完美地识别图片。然而事实还是能够证明图像识别算法所存在的弱点......

【资源】15个在线机器学习课程和教程

[2018-01-20]  本文推荐15个机器学习课程和行业领先大牛的教程。其中大多数课程都是免费的,无需注册即可自学。内容包括决策树、朴素贝叶斯、逻辑回归、神经网络和深度学习、估计、贝叶斯学......

机械手是如何被创作出来的?浅析手抓握东西的原理

[2018-01-20]     大多数人都没有觉得人手去抓取东西是什么难的事情,这是因为我们大脑用了如 ...

斯坦福大学机器学习笔记之成本函数

[2018-01-21]  本文是斯坦福大学机器学习课程的2-2,2-3,2-4的学习笔记,主要是内容是成本函数以及成本函数的意义。如下图所示,在房价预测的案例中,我们得到了预测房价的目标函数...

深度学习之生成式对抗网络(GAN)入门指南

[2018-01-19]  本文将介绍GAN的基础概念及其工作方式,并辅之以有趣案例的实现方法和重要资源,方便初学者训练、使用。2014年Ian J Goodfellow等人首先提出生成对抗网络(Generative Ad......

图灵奖得主Judea Pearl:机器学习无法成为强AI基础,突破口在“因果革命”

[2018-01-17]  图灵奖得主、贝叶斯网络之父Judea Pearl日前在arXiv上传了他的最新论文,论述当前机器学习理论局限,并给出来自因果推理的7大启发。Pearl指出,当前的机器学习系统几乎完全以......

精选推荐

CES 2018:英特尔推出49量子位芯片争夺量子霸权
CES 2018:英特尔推出49量子位芯片争夺量子霸权

[2018-01-10]  在与Google、IBM的一场关于建立量子计算系统的马拉松比赛中,英特尔通过了一个关键的里程碑。近日,这个科技巨头已经推出了一个49个量子位 ...

从AI中窥探人性
从AI中窥探人性

[2018-01-03]  人们对人造智能的恐惧早已成为科幻书籍和电影的极好题材。但现在,一些同样的担忧开始影响关于现实世界AI技术的政策讨论。如果这样的担忧演变成为一种技术恐慌...

2017年:AI渗入云端
2017年:AI渗入云端

[2017-12-29]  云中的人工智能不仅仅是科技巨头的权力游戏,它也可能是人工智能领域的下一个飞跃。加利福尼亚州的Rigetti Computing公司刚刚使用其原型量子芯片之一在其云平台上运行机器学......

人工智能民主化能否实现取决于科技巨头
人工智能民主化能否实现取决于科技巨头

[2017-12-29]  我们经常听到像谷歌和微软这样的公司说他们希望人工智能民主化。这是一个很好的词,民主化。 但这些公司如何界定“民主化”还不清楚,像AI本身一样,它似乎有点炒作的味道...

美国Natilus公司试飞水上无人货机 设计简单成本降低
美国Natilus公司试飞水上无人货机 设计简单成本降低

[2017-12-28]  Natilus创业公司成立于2014年,其梦想是建造大型无人机,以半价提供比船舶快得多国际货运。在十二月份,Natilus计划在旧金山湾测试一个9米翼展的小型原型无人机的水上滑行能力......

助力卷积神经网络时空特征学习 史上最大行人重识别视频数据集被提出
助力卷积神经网络时空特征学习 史上最大行人重识别视频数据集被提出

[2017-12-25]  本文提出了一个大型的、长序列的、用于行人重识别的视频数据集,简称LVreID。与现有的同类数据集相比,该数据集具有以下特点:1)长序列:平均每段视频序列长为200帧,包含丰......

机器人iCub作为嵌入式AI的标准机器人研究平台的重要性
机器人iCub作为嵌入式AI的标准机器人研究平台的重要性

[2017-12-24]  机器人的研究在过去10年中得益于一个具有嵌入式人工智能(AI)的标准化开源平台——人形机器人iCub。iCub最初在意大利被创建,如今在欧洲、美国、韩国、新加坡和日本的实验室......

基于生物启发的机器人很容易适应丢失附属器官
基于生物启发的机器人很容易适应丢失附属器官

[2017-12-17]  很多机器人被设计应用在危险环境,如灾难现场。在这些地方,他们的运动系统完全有可能被损坏。那这样会吓跑这些机器人吗?也许不是,如果它们像日本的东北和北海道大学创造的......

7种常见的机器人焊接类型
7种常见的机器人焊接类型

[2017-12-17]  机器人焊接是工业领域最常见的机器人应用之一,近几十年来主要由汽车行业驱动。机器人焊接在完成大批量,重复性的焊接任务时效率最高。...

农业将为高科技行业 农业机器人的应用领域
农业将为高科技行业 农业机器人的应用领域

[2017-12-17]  农业正在迅速成为一个令人兴奋的高科技产业,吸引了新专业人士,新公司和新投资者。技术发展迅速,不仅提高了农民的生产能力,而且促进了我们所知道的机器人和自动化技术的发展。...