机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习牵涉的编程语言十分之广，包括了MATLAB、Julia、R、Perl、Python、Clojure、Ruby等等。

为了让开发者更加广泛、深入地了解机器学习，云栖社区组织翻译了GitHub Awesome Machine Learning 资源，涵盖24种编程语言的机器学习的框架、库以及其他相关资料。

• – 一个C语言库，利用协同过滤（CF）进行产品推荐/建议；
• -是一个用C和CUDA编写的开源神经网络框架，它速度快，易于安装，并支持CPU和GPU计算。

• -基于C语言、高速缓存的核计算机视觉库，是一个现代化的计算机视觉库；
• -开放、可便携的计算机视觉算法库，内有matlab工具箱。

• -隐马尔可夫模型工具包（HTK）是一个便携式工具包，用于构建和操作隐马尔可夫模型。

• -DLib有C ++和Python接口，用于人脸检测和训练通用的目标探测器；
• -Eblearn是一种面向对象的C++库，能够实现各种机器学习模型；
• -VIGRA是通用跨平台的C++计算机视觉和机器学习库，能够用Python绑定任意维度的体积。

• -可扩展的C++机器学习库；
• -ML工具套件，能够很容易嵌入到其他应用程序中；
• -一个快速的核外（out-of-core ）学习系统；
• -Shogun机器学习工具箱；
• -基于清洁度、可读性和速度考虑而开发的深度学习框架。[深度学习]
• -另一个深度学习框架，其核心代码少于1000行；[深度学习]
• -一种并行、优化、通用的梯度推进库；
• -一种概率性的编程语言，能够实现Hamiltonian Monte Carlo抽样的全贝叶斯统计推断；
• -一个简单、有多重保护的Bandit库；
• ：一个软件包/ C ++库，能够实现多种基于内存的学习算法，其中有IB1-IG–k-最近邻分类的实现、IGTree–IB1-IG的决策树近似值；常用于NLP；
• -微软开发的分布式机器学习（参数服务器）框架，能够在多台机器的大型数据集上实现训练模型，与它捆绑的现有工具包括：LightLDA和分布式（多传感）字嵌入；
• -微软研究院开发的计算网络工具包（CNTK），它作为一系列计算步骤，通过有向图来描述神经网络，是统一的深度学习工具包；
• -一个机器学习API，服务器用C++11编写，它使机器学习的状态易于工作，并容易集成到现有应用程序；
• -一个高度模块化的C++机器学习库，用于嵌入式电子产品和机器人中。

• -C，C ++和Python的工具，用于命名实体识别与关系抽取；
• -条件随机域（Conditional Random Fields，CRFs）的开源实现，用于分割/标记序列数据及其他自然语言处理任务；
• -条件随机域（CRFs）的实现，用于标记序列数据；
• -是C++库、命令行工具，和Python绑定用于提取与使用基本的语言结构，例如用快速和高效存储的方式实现n-grams和skipgrams模型；
• -是一种工具和C++库，基于支持各种语言的编译器，内含统一字符标准及规则表达式；支持FoLiA格式；
• -为Dutch开发的基于内存的NLP套件：POS标签、归类分析、依存句法分析、NER、浅层句法分析、形态分析；
• –），是一个C++数据科学工具包，便于挖掘大文本数据。

• -Kaldi是用于语音识别的工具包，用C++编写，由Apache许可证
  • – OpenCV工程封装器，用于.NET应用程序；
  • – 开放源码C＃框架，用于计算机视觉和人工智能领域的开发和研究人员，目前已转移到GitHub发展；
  • -连同上的完整移植，也可作为NuGet包进行预编译；
  • – 完整的框架的一部分，包括支持向量机、决策树、朴素贝叶斯模型、K均值、高斯混合模型和一些通用算法，例如适用于机器学习应用的RANSAC、交叉验证和网格搜索；
  • 一个自动微分（AD）库，能够提供精确高效，用于机器学习和优化应用的导数（梯度、Hessians、雅可比行列式、方向导数、无矩阵Hessian-和雅可比矢量积），操作可以嵌套到任何级别，这意味着你可以通过利用内部微分，来计算精确的高阶导数，如超参数优化函数的应用；
  • – F＃写的Deep belief与深度学习的实现，并在工程的数值基础，旨在为科学、工程中的数值计算提供了方法和算法，支持 Windows, Linux 和 Mac上的.Net ）无缝连接脚本（用IronPython），以实现快速、灵活的原型设计；该环境包括线性代数、数据可视化等强大高效的库，可供任何.NET语言使用，还为快速开发提供了功能丰富的交互式shell。
  • X的快速多层感知神经网络库，可通过神经网络预测新实例，建立在苹果公司的加速框架之上，如果需要，可利用向量化操作和硬件加速操作；
  • Objective-C多层感知库，通过反向传播全面支持训练，用vDSP和vecLib实现，比同等情况下的Java快20倍，包括从Swift使用的示例代码；
  • – 能够实现3层神经网络（输入层、隐藏层和输出层），其命名来源于BP神经网络（BPN），可用于产品建议、用户行为分析、数据挖掘和数据分析；
  • -它能够实现基于BPN的多感知神经网络，并设计于无限隐藏层上；
  • – 机器学习神经网络中的非监督和自学习算法（调整权重）；
  • – 它实现了K-均值聚类和分类算法，可用于数据挖掘和图像压缩；
  • – 它实现了机器学习中的模糊C均值（FCM）模糊聚类/分类算法，可用于数据挖掘和图像压缩；
  • – 通用的统计学和机器学习库；
  • – OCaml中高效的高斯过程回归算法；
  • – 用离散概率模型学习和推理的算法。
  • -采用线性回归建立预测的机器学习库。
  • – Python图像处理算法的集合；
  • – 一个开源的计算机视觉框架，能够访问如OpenCV的高性能计算机视觉库，用Python编写，可运行在Mac、Windows和Ubuntu Linux等操作系统；
  • -免费的开源面部识别深层神经网络；
  • -用人类语言数据编写Python程序的一个领先平台；
  • – Python编程语言的Web挖掘模块，有用于自然语言处理、机器学习等的工具；
  • –一个Python框架，将自然语言问题转换成数据库查询语言；
  • – 给常规的自然语言处理（NLP）任务提供一致的API，以NLTK和Pattern为基础，并和两者都能很好兼容；
  • – 语句校准器，较好地用于从比较语料库中提取并行语句；
  • –用于处理中文文本的库；
  • – 建在NLTK之上的库，用于垃圾邮件过滤；
  • – 另一个中文分词库；
  • – 基于条件随机域的中文断词库；
  • – 用于韩语自然语言处理的Python包；
  • -自然语言理解工具包；
  • -文本处理工具和包装器（例如Vowpal Wabbit）；
  • – Python绑定的ucto（包括Unicode，基于规则，各种语言的的标记生成器）；
  • – Python绑定的Frog，用于Dutch的NLP套件（词性标注，词性还原，依存分析，NER）；
  • – Python绑定的，统计性的部分词性标注，constiuency解析器和英语依存句法分析；
  • – Python绑定的C++库，用于以快速和存储器高效的方式提取并使用基本语言结构，例如-grams 和skipgrams；
  • -自动构建，API套件，用于支持向量机；相应的数据集（多个）存储到一个SQL数据库，然后生成用于预测的模型（多个），再被存储到NoSQL数据存储中；
  • -用于创建和测试机器学习的特点的一组工具，具有兼容scikit学习的API；
  • – Spark下的分布式机器学习库；
  • -基于SciPy的机器学习模块；
  • – 测度学习的Python模块；
  • – 用于天文学的机器学习和数据挖掘；
  • – 实现各种机器学习模型（回归、聚类、推荐系统、图形分析等）的库，基于可以磁盘存储的DataFrame；
  • – 用于连接外部服务器的库；
  • – 智能计算的Numenta平台；
  • – 基于的机器学习库；
  • -基于的模块化神经网络库；
  • – Python下的GPU加速深度学习库；
  • -灵活的神经网络架构；
  • -另一个Python机器学习库；
  • – 继PyBrain后，快速、灵活、有趣的神经网络；
  • – 灵活、快速的推荐引擎；
  • – 实现推荐系统的Python库；
  • – 关于贝叶斯分析的书籍；
  • – Python编写的受限的玻尔兹曼机[深度学习]；
  • – Bolt在线学习工具箱；
  简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。