适用于经典机器学习的工具
Scikit-learn 是一种强大的基于 Python 语言的机器学习算法库（ https://scikit-learn.org/stable/ ）。其中，包含了算法预处理，模型参数择优，回归与分类等算法，官方文档包含了每一种算法的例子，代码简洁优美，可视化了每一种算法结果，即能学习 python，也是帮助开发者更好理解机器学习算法的便利工具。
尤其在监督学习部分，Scikit-learn 提供了广义线性模型、支持向量机、最近邻算法、高斯过程、朴素贝叶斯、决策树和集成方法等算法教程，同时还介绍了特征选择、随即梯度下降算法、线性与二次判别分析等在监督学习中非常重要的概念；而在半监督学习中的标签传播算法和无监督学习中的聚类与降维算法方面，也有非常多的教程。
XGBoost 的全称是 eXtreme Gradient Boosting，它在 Gradient Boosting 框架下实现了 c++机器学习算法。
XGBoost 最大的特点在于，它能够自动利用 CPU 的多线程进行并行，同时在算法上加以改进提高了精度。它是经过优化的分布式梯度提升库，可扩展性强，高效、灵活且可移植。
GitHub 地址：https://github.com/dmlc/xgboost
Accord.NET Framework 是一个 .NET 机器学习框架，结合了完全用 C＃编写的音频和图像处理库（ http://accord-framework.net/ ）。
它可用于构建生产级计算机视觉、计算机试听、信号处理和统计应用程序甚至用于商业用途的完整框架，并为 .NET 的应用程序提供了统计分析、机器学习、图像处理、计算机视觉相关的算法。
GitHub 地址：https://github.com/accord-net/framework
适用于深度学习的工具
TensorFlow 是用于机器学习的端到端开源平台，也是2019年度 GitHub 上最受欢迎的项目。
它具有工具、库、社区资源全面且灵活的生态系统，提供稳定的 Python 和 C ++ API，以及其他语言的非保证向后兼容 API；能够帮助开发者们在 ML 领域的研究与发展，并使开发人员轻松构建和部署 ML 支持的应用程序。
GitHub 地址：https://github.com/tensorflow/tensorflow
PyTorch 是一个开源的机器学习框架，提供了两个高级功能，包括：具有强有力的 GPU 加速度的张量计算（ 如 NumPy ），以及基于磁带自动调整系统构建的深度神经网络；可加快从研究原型到生产部署的过程。
此前，OpenAI 官方宣布了「 全面转向 PyTorch 」的消息，计划将自家平台的所有框架统一为 PyTorch，也进一步体现了 PyTorch 在深度学习方面的潜力。
GitHub 地址：https://github.com/pytorch/pytorch
MXNet 是一个功能齐全，可编程和可扩展的深入学习框架，支持最先进的深入学习模式（ https://mxnet.apache.org/ ）。
MXNet 提供了混合编程模型（ 命令式和声明式 ）和大量编程语言的代码（ 包括 Python、C++、R、Scala、Julia、Matlab 和 JavaScript ）的能力，是一个易安装易上手的开源深度学习工具，它提供了一个 python 接口 gluon，能够让开发者迅速搭建起神经网络，并进行高效训练。
Sonnet 是由 DeepMind 发布的，在 TensorFlow 上用于构建复杂神经网络的开源库。
Sonnet 主要用于让 DeepMind 开发的其它模型更容易共享，Sonnet 可以在内部的其它子模块中编写模块，或者在构建新模块时传递其它模型作为参数；同时，Sonnet 提供实用程序来处理这些任意层次结构，以便于使用不同的 RNN 进行实验，整个过程无需繁琐的代码改写。
GitHub 地址：https://github.com/deepmind/sonnet
DL4J 是采用 java 和 jvm 编写的开源深度学习库，支持各种深度学习模型。DL4J 最重要的特点是支持分布式，可以在 Spark 和 Hadoop 上运行，它支持分布式 CPU 和 GPU 运行，并可以利用 Spark 在多台服务器多个 GPU 上开展分布式的深度学习模型训练，让模型运行更快。
DL4J 的基本特性包括：DL4J 中的神经网络训练通过簇的迭代并行计算；整个过程由 Hadoop 和 Spark 架构支持；使用 Java 允许开发者在 Android 设备的程序开发周期中使用。
相关文章
