全文共1935字，預計學習時長8分鐘
圖源：unsplash
機器學習是一項令人驚歎的技術，而發揮其潛能的關鍵在於，你得掌握正確的使用方法。精通機器學習工具有利於處理數據、訓練模型、發現新方法以及創建自己的算法。
如今，大量的機器學習工具、平臺和軟件不斷湧現。而實際上你只需要選擇一種進行深耕，亂花漸欲迷人眼，面對紛繁複雜的工具，難免會挑花了眼。本文將介紹專家們最常用的15個機器學習工具，不如來get專家同款工具吧！
Accord.net
Accord.net是一個計算機器學習框架，配有圖像和音頻包。這樣的軟件包有助於訓練模型和創建交互式應用程序，例如試聽、計算機視覺等。由於工具名中包含.net，因此該框架的基礎庫是C＃語言。
圖源：accord-framework
Accord庫在測試和處理音頻文件中非常有用。
RapidMiner
對於於非程序員用戶而言，RapidMiner算是福音，它是一個數據科學平臺，具有非常出色的界面。RapidMiner獨立於平臺，可以在跨平臺操作系統上工作。
藉助該工具，人們可以使用自己的數據測試自己的模型。
此外，RapidMiner的界面也非常人性化。用戶只需要拖放即可。這也是它對非程序員非常友好的主要原因。
圖源：pinterest
Scikit-Learn
Scikit-Learn是一個開放源代碼的機器學習包。它是一個多用途集成平臺，可以用來進行迴歸、聚類、分類、降維和預處理。Scikit-Learn創建於三個主要的Python庫之上，即NumPy、Matplotlib和SciPy。除此之外，它還有助於測試以及模型訓練。
TensorFlow
TensorFlow是一個開源框架，適用於大規模及數值機器學習。它是機器學習和神經網絡模型的集合，也是Python的好朋友，它最大的特點是可以在CPU和GPU上運行。
TensorFlow常用於自然語言處理和圖像分類。
Weka
Weka也是開源軟件，用戶可以通過圖形用戶界面訪問Weka。該軟件非常人性化，也常被應用於研究和教學中。此外，Weka還允許用戶訪問其他機器學習工具，例如：R、Scikit-Learn等。
Knime
圖源：milearning
Knime是一個基於圖形用戶界面（Graphical UserInterface，GUI）的開源機器學習工具。即使沒有任何編程知識，你仍然可以利用Knime提供的工具。Knime通常用於與數據相關的目的，比如數據操縱、數據挖掘等。
Knime通過創建並執行不同的工作流程來處理數據，它的存儲庫帶有很多不同節點，將這些節點帶入Knime門戶就能創建並執行節點的工作流程。
Pytorch
Pytorch是一個深度學習框架，既快速又靈活，這是因為Pytorch可以很好地命令GPU。它是機器學習最重要的工具之一，因為它被用於機器學習最重要的方面，包括構建深度神經網絡和張量計算。
Pytorch完全基於Python。除此之外，它還是NumPy的最佳替代工具。
Google Cloud AutoML
Google Cloud AutoML的目標是使所有人都能使用人工智能。Google Cloud AutoML為用戶提供了預訓練模型，以便創建各種服務，例如文本識別、語音識別等。
Google Cloud AutoML在公司中非常受歡迎。公司希望將人工智能應用於行業的各個領域，但由於市場上成熟的AI人才，因此它的企業應用一直面臨著困難。
Jupyter Notebook
Jupyter notebook是使用最廣泛的機器學習工具之一，是一個非常快速的處理工具，也是一個高效的平臺。它支持三種語言：Julia、R、Python。
Jupyter的名稱也是由這三種編程語言組合而成。Jupyter Notebook允許用戶以筆記本的形式存儲和共享動態代碼，也可以通過GUI訪問它，例如winpythonnavigator和anacondanavigator等。
Azure Machine Learning studio
Azure機器學習工作室由Microsoft發佈，就像Google的Cloud AutoML一樣，這是Microsoft的產品，可為用戶提供機器學習服務。
Azure機器學習工作室是建立模塊和數據集連接的一種非常簡單的方法。，Azure還旨在為用戶提供AI功能。與TensorFlow一樣，它也可以在CPU和GPU上運行。
Orange3
圖源：orange
Orange3是一款數據挖掘軟件，它是Orange軟件的最新版本。Orange3協助預處理、數據可視化以及其他與數據相關的工作。用戶可以通過AnacondaNavigator訪問Orange3。在Python編程中，這確實很有幫助。此外，它還可以充當一個不錯的用戶界面。
MLLIB
與Mahout一樣，MLLIB也是Apache Spark的產品。它用於迴歸、特徵提取、分類、過濾等。通常也稱之為Spark MLLIB，它具有非常好的速度和效率。
IBM Watson
IBM Watson是IBM提供的使用Watson的網頁界面，Watson是基於自然語言處理的人機交互問答系統。Watson應用於各個領域，例如自動學習、信息提取等。
圖源：9-medium
IBM Watson通常用於研究和測試，其目的是為用戶提供類似人的體驗。
Apache Mahout
Mahout由基於Hadoop的開源平臺Apache啟動，通常用於機器學習和數據挖掘，它使諸如迴歸、分類和聚類之類的技術成為可能。它還利用了基於數學的函數，如向量等。
Pylearn2
Pylearn2是建立在Theano之上的機器學習庫，它們之間有許多相似的功能。它還可以執行數學計算。Pylearn2也能夠在CPU和GPU上運行。需要注意的是，在進入Pylearn2之前，用戶必須熟悉Theano。
圖源：unsplash
本文介紹的是一些最流行和廣泛使用的機器學習工具，所有這些工具都使用不同的編程語言運行，其中一些工具在Python上運行，一些在C ++上運行，而另一些在Java上運行。
選擇適合你的試試吧，只碼不看可不是好習慣~
留言點贊關注
我們一起分享AI學習與發展的乾貨
如轉載，請後臺留言，遵守轉載規範
