面向开发者的18个机器学习平台

机器学习平台不是未来的潮流, 而是现在正在发生了。开发人员需要知道如何以及何时利用他们的能力。在ML环境中工作，同时使用正确的工具(如Filestack)，可以使开发人员更容易创建利用其强大功能的高效算法。下面列出的机器学习平台和工具(没有特定的顺序)现在可以作为资源来无缝地将ML的强大功能集成到日常任务中。

1. H2O

H2O是由H2O.ai为 Python 、R和 Java 编程语言设计的。通过使用这些熟悉的语言，这个开源软件使开发人员能够轻松地将预测分析和机器学习应用于各种情况。H2O可以在Mac、Windows和 Linux 操作系统上使用，它为开发人员提供了分析Apache Hadoop文件系统中的数据集和云中的数据集所需的工具。

2. Apache PredictionIO

开发人员正在寻找一种开放源码的堆栈，这种堆栈上也有一个用于机器学习的开放源码服务器，他们应该将Apache PredictionIO作为一种构建预测引擎的方法，这种预测引擎可以满足任何人工智能任务。除了事件服务器和平台本身之外，Apache PredictionIO还包括一个模板库。

3.Eclipse Deeplearning4j

Eclipse Deeplearning4j是为Java虚拟机构建的开源库。以深度学习为核心，该 工具 针对的是那些需要在分布式cpu和gpu上工作的业务环境中构建深度神经网络的开发人员。Scala、Clojure和Java程序员如果使用Hadoop这样的文件系统并具有DIY爱好，就会喜欢Eclipse Deeplearning4j。这个工具是旧金山Skymind公司的一个项目，可以获得付费支持和企业分发。

4.Accord.NET Framework

图像和音频处理库是用c#编程语言编写的，然后与Accord结合。净框架。在它里面，开发人员可以创建一系列的应用程序，用于商业用途，这些应用程序依赖于机器学习，如计算机视觉、信号处理、模式识别和机器听力(也称为计算机听觉)。有了多种选择，开发人员可以利用图像和信号处理、科学计算和支持库。实时人脸检测、自然学习算法等健壮特性为该框架的通用性增加了更多内容。

5. 微软

在2017年9月的Ignite会议上，微软发布了3款Azure机器学习工具——学习工作台、学习模型管理服务和学习实验服务——允许开发人员构建自己的人工智能模型。微软还推出了三款人工智能工具:Content Moderator、定制语音服务(Custom Speech Service)和必应(Bing)语音api，以增加其拥有25个开发人员工具的库，这些工具旨在提高人工智能的可访问性。

6. ai-one

开发人员可以使用ai- 1创建几乎适用于任何软件应用程序的智能助手。该工具的资源列表包括开发人员api、文档库和构建代理，这些构建代理可用于将数据转换为支持ML和AI结构的规则集。

7. IBM

IBM的沃森平台是企业用户和开发人员都可以找到一系列人工智能工具的平台。该平台的用户可以使用starter工具包、样例代码和其他可通过开放api访问的工具来构建虚拟代理、认知搜索引擎和聊天机器人。

8. Torch

以 Lua 编程语言为基础，Torch包括脚本语言、科学计算框架和开源ML库。Torch通过一系列算法支持深度机器学习，并已被DeepMind和Facebook人工智能研究小组使用。

9. Protege

乍一看，Protege对企业的关注似乎没有给其他业务留下多少空间。但是，开发人员可以利用Protege的开源工具套件，该套件为专家和知识渊博的初学者提供了健壮的应用程序工具。两组开发人员都可以修改、创建、共享和上传应用程序，并利用一个支持他们的社区。

10. TensorFlow

TensorFlow是专门为依赖机器学习的项目而设计的，它的另一个好处是它是一个使用开源软件设计的平台。借助大量的在线资源、文档和教程，TensorFlow提供了一个包含数值计算形式的数据流图的库。这种方法的目的是允许开发人员跨多个设备(包括移动设备、平板电脑和台式机)启动深度学习框架。

11. DiffBlue

DiffBlue是一种非常罕见的开发工具，它是一种非常有用而又简单的用于代码自动化的平台。DiffBlue有几个核心目的——测试编写、bug定位、重构代码以及发现和替换弱点的能力——这些都是通过使用自动化实现的。

12. Neon

Neon是Intel和Nervana的结晶，它是一个基于Python的ML库，并且是开源的。利用其工具的开发人员可以利用技术先进的应用程序和智能代理。Neon位于云端，支持开发人员启动、构建和培训深度学习技术。

13. Apache Spark MLlib

作为一个包含内存数据处理的框架，Apache Spark MLlib提供了一个算法数据库，重点关注集群、协作过滤、分类和回归。开发人员还可以找到Singa，这是一个开源框架，其中包含一个编程工具，可以跨许多机器及其深度学习网络使用。

14. OpenNN

OpenNN是一个c++编程库，目标用户是那些想要实现神经网络的有经验的开发人员。OpenNN包括神经设计器，这是一种工具，旨在通过创建表、图和其他可视化内容来解释和简化数据条目。尽管OpenNN为用户提供了大量的教程和文档库，但它主要针对的是那些已经拥有丰富人工智能经验的开发人员。

15. Amazon Web Services

开发人员可以利用Amazon Web Services (AWS)提供的许多AI工具包，其中包括Amazon Lex、Amazon Rekognition Image和Amazon Polly。开发人员以不同的方式使用每种工具来创建ML工具。例如，Amazon Polly利用人工智能将语音翻译成书面文本的过程自动化。亚马逊Lex构成了该品牌与其个人助理Alexa一起使用的聊天机器人的基础。

16. Mahout

对于需要创建依赖于ML以实现可伸缩性的应用程序的开发人员，可以使用Mahout。除了教程等资源之外，Mahout还为初级开发人员提供了使用预先设计的算法的能力，这些算法可以与Apache Flink、Apaches Spark和H2O一起使用。

17. Veles

使用c++编写并使用Python进行节点协调，Veles是三星对ML领域的贡献。那些已经需要可以立即用于数据分析并且由经过训练的模型组成的API的开发人员将在Veles中找到价值。

18.Caffe

Caffe是由Berkeley Vision and Learning Center (BVLC)与开发人员社区合作开发的。它的设计目的是为开发人员提供一个基于图像的自动检查工具。Caffe被一些世界上最大的品牌使用，包括Pinterest和Facebook。

开始使用这些机器学习平台

刚刚开始他们职业生涯的开发人员，以及那些专家，将会发现一个宝贵的资源宝库，因为他们的工作方式通过上面的列表。虽然有些依赖于特定的编程语言，但是其他的可以在各种实例中使用，包括在云中。软件和基于云的产品都允许开发人员利用各自的优势。