21 个必须知道的机器学习开源工具 _机器学习

文章插图
作者 | SebastianScholl
译者 | 刘静，责编 | 郭芮
出品 | CSDN（ID：CSDNnews）
以下为译文：
你肯定已经了解流行的开源工具，如R、Python、Jupyter笔记本等。但是，除了这些流行的工具之外还有一个世界——一个隐藏在机器学习工具下的地方。这些并不像他们的同行那样出色，但可以成为许多机器学习任务的救星。

文章插图
在本文中，我们将介绍21种用于机器学习的开源工具。我强烈建议你花一些时间浏览我提到的每个类别。除了我们通常在课程和视频中学到的东西之外，还有很多需要学习的地方。
1.向非程序员的开源机器学习工具
对于来自非编程和非技术背景的人来说，机器学习看起来很复杂。这是一个广阔的领域，我可以想象第一步可能会多么令人生畏。没有编程经验的人能否在机器学习中取得成功？
事实证明，你可以！这里有一些工具可以帮助你跨越鸿沟并进入著名的机器学习世界：

优步路德维希：路德维希允许我们训练和测试深度学习模型，而无需编写代码。您需要提供的只是一个包含数据的CSV文件，一个用作输入的列的列表，以及一个用作输出的列的列表——Ludwig将完成剩下的工作。
KNIME：KNIME允许您使用拖放界面创建整个数据科学工作流程。这种可视化实现整个模型工作流的方法非常直观，在处理复杂的问题陈述时非常有用。

文章插图

Orange：您不必知道如何编码以便能够使用Orange挖掘数据，处理数据并获得洞察力。

有许多有趣的免费和开源软件可以提供很好的机器学习功能，而无需编写（大量）代码。
【21 个必须知道的机器学习开源工具】另一方面，你可以考虑一些开箱即用的付费服务，例如google AutoML、Azure Studio、Deep Cognition和Data Robot 。

2.用于模型部署的开源机器学习工具
部署机器学习模型是最容易被忽视但重要的任务之一，它几乎肯定会在采访中出现，所以你可能也很熟悉这个话题。
以下是一些框架，可以更轻松地将你的项目部署到现实世界的设备中。

MLFlow：MLFlow被设计用于使用任何机器学习库或算法，并管理整个生命周期，包括实验、重现性和机器学习模型的部署。

文章插图

Apple的CoreML：CoreML是一个流行的框架，它可用于将机器学习模型集成到你的IOS / Apple Watch / Apple TV / macOS应用程序中。关于CoreML的最好的部分是你不需要有关神经网络或机器学习的广泛知识，双赢！

文章插图

TensorFlow Lite：TensorFlow Lite是一组工具，可帮助开发人员在移动设备（Android和iOS），嵌入式和物联网设备上运行TensorFlow模型。
TensorFlow.JS - TensorFlow.JS可以成为你在网络上部署机器学习模型的首选。它是一个开源库，可让你在浏览器中构建和训练机器学习模型。