机器学习十大不可忽视项目

morinson

机器学习十大不可忽视项目

2016-08-0818:27 Blake

前言：那些流行的机器学习项目之所以受欢迎，一般是因为其提供了一种多数人需要的服务，或是因为它们是第一个（也许是最好的）针对特定用户提供服务的。那些最流行的项目包括Scikit-learn、TensorFlow、 Theano、MXNet 、Weka 等。根据个人使用的工作系统、深度学习目标不同，不同的人认为流行的项目可能会有些许差异。然而，这些项目共有的特性是它们都面向大量的用户提供服务。但是仍然存在很多小型的机器学习项目：pipelines、wrappers、high-level APIs、cleaners等，通常来说这些项目都是针对小规模的用户群提供好用且灵活的服务。
本文将介绍十种不那么有名的机器学习项目，你也可能从这些项目中获得一些不错的启发。不建议你去尝试所有的项目，但是如果里面刚好有你需要的某个功能，请尽管去试一试。
以下即十大你不可忽视的机器学习项目（排名不分先后）：
1. Deepy

Deepy由Raphael Shu开发，是一个基于Theano扩展深度学习框架，它提供了一个简洁的、高阶的组件（如LSTMs）、批规范化、自动编码等功能。Deepy宣称其框架是十分简洁明了的，它的官方文档和示例也同样如此。

Deepy工作原理：在给定训练数据和参数（随机初始化）下运行模型，将错误（或梯度）反馈并更新参数，这个过程反复进行。
2. MLxtend

MLxtend 由Sebastian Raschka开发，是一系列有效工具的集合，也是针对机器学习任务的扩展。Sebastian Raschka提到MLxtend本质上是一些有效的工具集，也是与机器学习和数据科学相关的参考资料。他提到开发MLxtend主要是基于以下几个原因：

一些其他地方找不到的特定算法（如序列特征选择算法、多数表决分类器、叠加预估、绘图决策区域等）
用于教学目的（逻辑回归、Softmax回归、多层感知器、PCA、PCA内核等）这些实现主要关注于代码的可读性，而不是单纯的效率
打包便利：tensorflow、Softmax回归和多层感知器

MLxtend基本上是Sebastian Raschka所写的一个机器学习运行常用的库，其中很多功能的实现都与scikit-learn的API相似，但作者仍在持续更新中，且作者表示所有的新增特性与创新的算法都会一起打包在MLxtend中。
3. datacleaner

datacleaner由Randal Olson开发，他认为自己开发的datacleaner是一个“能自动清除数据集并且让它们便于分析的Python工具。”他认为：datacleaner所做的将会节约你大量的编码和清理数据的时间。
datacleaner还处于开发过程中，但目前已经能够处理以下常规（传统方式下耗时量巨大的）数据清洗任务：

在列的基础上，用模式或中位数替换丢失的值
用数值等价物对非数值变量进行编码等

4. auto-sklearn

auto-sklearn由德国弗莱堡大学机器学习自动算法小组开发，是针对Scikit-learn环境的自动机器学习工具。
auto-sklearn能将机器学习用户从算法选择和高参数调整中解救出来，它利用了近期在贝叶斯优化、元学习和集成构筑上研究的优势。其大致工作原理如下：

5. Deep Mining
Deep Mining由来自MIT CSAIL实验室的Sebastien Dubois开发，是一个机器学习深管道自动调谐器。为了尽快实现最好的分类精度，该软件将迭代、智能地测试一些超参数集。

另外值得一提的是文件夹GCP-HPO包含所有高斯过程（GCP）的实现代码以及基于其基础上的超参数优化（HPO）。高斯过程（GCP）可以看作是一种改进的版本。这项新技术被证明优于基于GP的超参数优化，已经远比随机搜索表现要好。
6. Rusty Machine

Rusty Machine是基于Rust的机器学习方法，Rust是由Mozilla赞助开发的一种与C和C++较为相似的计算机编程语言，其号称“Rust是一种系统的编程语言，运行速度极快，可以防止错误，并保证线程安全。”
Rusty Machine的开发者是否活跃，目前支持一系列想学习技术，包括：线性回归、逻辑回归、k-均值聚类、神经网络、支持向量机等等。
Rusty Machine还支持数据结构，如内置向量和矩阵。作为一种常见的模型接口，Rusty Machine为每个支持的模型提供了训练和预测的功能。
7. scikit-image

scikit-image图像是针对SciPy使用Python的图像处理方法。scikit-image是机器学习吗？它其实是一个机器学习项目（没有确切地表示他们必须用机器学习方法），scikit-image就属于数据处理和准备工具这一类。该项目包括一些图像处理算法，如点检测、滤波、特征选择和形态学等。
示例：

8. NLP Compromise

NLP Compromise是由Javascript语言编写的，其在浏览器中进行自然语言处理过程。NLP Compromise非常容易安装和使用，以下是它的一个使用范例：

9. Datatest

Datatest是一个依靠数据冲突的测试集，其由Python编写。
Datatest扩展了数据校正的测试工具标准数据库
Datatest是一种寻找数据冲突和准备的不同方式，如果你的大部分时间都被花在这个任务上，也许换一种新的方法是值得的。
10. GoLearn

GoLearn是一种针对Go语言的机器学习库，自称Go语言机器学习的“内置电池”学习库。简洁、易定制是其追求的目标。
对于一些想分支出来的Python用户或者想尝试下机器学习的Go语言用户来说，GoLearn是一个不错的选项。GoLearn实现了熟悉的Scikit-learn 适应/预测界面，可实现快速预估测试和交换。。
GoLearn是一个成熟的项目，它提供了交叉验证和训练/测试等辅助功能。如果你还记得的话，之前提到的 Rusty Machine还没有实现这个功能。如果要尝试一门新的Go语言的话，GoLearn可能是你所追求的那个。
总结：以上即十个机器学习项目概览，既有小众却简洁好用的学习框架，也有新兴语言衍生出来的学习库资料。再次重申不建议读者去尝试所有的项目，但是如果里面刚好有项目能解决你目前所遇到的问题，请尽管去使用。