盘点2018 年含金量最强的 6 款开源机器学习项目

2019 年 1 月 8 日 七月在线实验室

刚过去的 2018 年对人工智能与机器学习领域来说是「丰收」的一年,我们看到越来越多具有影响力的机器学习应用被开发出来,并且应用到了实际生活的诸多领域,特别是在医疗保健、金融、语音识别、增强现实和更复杂的 3D 视频应用领域。


此外,我们发现业内产生越来越多应用驱动型的研究工作,数量上甚至超过了理论驱动型研究。不可否认这种变化有其弊端,然而我们要看到它积极的一面,能够被商业化的研究增多,对整个行业产生了不可估量的积极影响,这在机器学习开源领域尤其明显。


最后,一起看看过去一年中 6 个最实用的机器学习项目。这些项目都已发布了代码与数据集,方便个人和小团队进行学习并创造价值,这些项目也许在理论上并不具有开创性,却非常实用。


1

开源地址:

https://github.com/fastai/fastai


Fast.ai 库能让我们通过最优方案来简化神经网络的训练工程,它抽象出了在实际搭建深度神经网络过程中的所有细节工作,设计上充分考虑了从业者们构建程序的思维模式,因而非常易于使用。该库最初是为 Fast.ai 课程的学生所创建,通过简洁易懂的方式在 Pytorch 库的基础上进行编写。另外,它在文件库的整理上也是一流的。(文件库地址:https://docs.fast.ai)


2


开源地址:

https://github.com/facebookresearch/Detectron


Detectron 是由 Facebook 开发用于物体检测与实例分割的研究型平台,用深度学习框架 Caffe2 写成,包含了各类物体检测算法的实现,如:

  • Mask R-CNN:通过 Faster R-CNN 结构实施物体检测与实例分割。

  • RetinaNet:特征金字塔网络,通过独特的 Focal Loss 来处理具有挑战性的案例。

  • Faster R-CNN:物体检测网络中最常见的结构。


值得一提的是,这些平台功能自带 COCO 数据集上的预训练模型,这也意味着用户可以快速使用。同时这些功能均已严格按照标准评估指标在 Detectron model zoo中完成测试工作。


3


开源地址:

https://github.com/facebookresearch/fastText


这是另一项来自 Facebook 的研究成果,fastText 库专为文本表示与文本分类而编写。该库配备了预先训练好的单词向量模型,涵盖语言达 150 多种,可用于完成多项任务,包括文本分类、摘要和翻译等。


4


Auto-Keras 是用于自动机器学习(AutoML)的开源软件库,由德克萨斯 A&M 大学的 DATA Lab(http://faculty.cs.tamu.edu/xiahu/index.html)与社区贡献者共同开发。AutoML 的目标是为缺乏数据科学或机器学习背景的领域专家们打造一个易于使用的深度学习工具。Auto-Keras 提供了为深度学习模型自动匹配最佳架构与超参数的功能。


5


开源地址:

https://github.com/google/dopamine


Dopamine 是 Google 专为加速强化学习算法原型设计而创建的研究框架,在严格遵照 RL 算法、指标与基准的基础上,达到灵活且易于使用的目的。

根据 Dopamine 提供的文档显示,他们产品设计原则包括:


  • 便于执行的实验:帮助新用户运行基准实验

  • 灵活的开发流程:促进更多开创性想法的诞生

  • 简洁可靠:能够落地实现一些较旧或者较流行的算法

  • 可重复性:确保结果得以复现



6


开源地址:

https://github.com/NVIDIA/vid2vid


vid2vid 是基于 Nvidia 最先进视频到视频合成算法的 Pytorch 实现项目。视频到视频合成算法的目标是习得从输入源视频(例如一系列语义分割 mask)到输出可精确描绘源视频内容的真实渲染视频过程中的映射函数。


该库的优点在于选择的多样性:它提供了针对自动驾驶/城市场景、人脸以及人体姿势在内的不同 vid2vid 应用程序。此外,还附带了丰富的指令和功能,其中包括数据集加载、任务评估、网络训练和多 GPU。


7


其他开源项目:


1、ChatterBot:用于创建对话引擎和聊天机器人的机器学习项目

开源地址:

https://github.com/gunthercox/ChatterBot


2、Kubeflow:Kubernetes 的机器学习工具包

开源地址:

https://github.com/kubeflow/kubeflow


3、imgaug:用于图像增强的深度学习项目

开源地址:

https://github.com/aleju/imgaug


4、imbalanced-learn:scikit 下的 Python 框架,专用于修复不平衡的数据集

开源地址:

https://github.com/scikit-learn-contrib/imbalanced-learn


5、mlflow:用于管理 ML 项目周期的开源平台,覆盖实验、复现与部署等流程。

开源地址:

https://github.com/mlflow/mlflow


6、AirSim:基于 Unreal Engine/ Unity 的自动驾驶汽车模拟器,由微软出品

开源地址:

https://github.com/Microsoft/AirSim



今日学习推荐

机器学习集训营第七期

火热报名中

仅剩9特惠名额

2019年1月14日开课

三个月挑战年薪四十万,甚至拿更高薪~

现在报名加送售价2699元的18VIP

[包2018全年在线课程和全年GPU]


且两人及两人以上组团还能各减500元

有意的亲们抓紧时间喽


咨询/报名/组团可添加微信客服

julyedukefu_02

长按识别二维码


更多资讯

戳一戳

往期推荐

为什么互联网公司需要测试人员?

程序员为什么 365 天背电脑包?这答案我服!

寒冬缩招 | 如何拿下年薪40万,这几大点分享给你

一个程序员父亲的呼吁:不要教你的孩子从小学编程!


↓↓↓拼团,咨询,查看课程,请点击阅读原文

喜欢就给我“好看”吧~
登录查看更多
7

相关内容

fast.ai网站提供了许多免费且高质量的AI教程。 官网地址:https://www.fast.ai/
【复旦大学-SP2020】NLP语言模型隐私泄漏风险
专知会员服务
24+阅读 · 2020年4月20日
专知会员服务
109+阅读 · 2020年3月12日
【新书】Pro 机器学习算法Python实现,379页pdf
专知会员服务
198+阅读 · 2020年2月11日
最新《分布式机器学习》论文综述最新DML进展,33页pdf
专知会员服务
118+阅读 · 2019年12月26日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
机器学习开源项目Top10
AI100
4+阅读 · 2019年1月20日
2018年最实用机器学习项目Top 6(附开源链接)
新智元
20+阅读 · 2019年1月4日
年度大盘点:机器学习开源项目及框架
云栖社区
3+阅读 · 2018年12月17日
10月机器学习开源项目Top10
机器学习算法与Python学习
3+阅读 · 2018年10月30日
6月份最热门的机器学习开源项目Top10
AI前线
8+阅读 · 2018年7月3日
3月份Github上最热门的数据科学和机器学习项目
大数据技术
7+阅读 · 2018年4月23日
资源 | GitHub上的五大开源机器学习项目
机器之心
9+阅读 · 2017年11月9日
Clustered Object Detection in Aerial Images
Arxiv
5+阅读 · 2019年8月27日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
Arxiv
11+阅读 · 2019年4月15日
Arxiv
11+阅读 · 2019年1月24日
Arxiv
7+阅读 · 2018年3月19日
Arxiv
7+阅读 · 2018年1月24日
VIP会员
相关VIP内容
相关资讯
机器学习开源项目Top10
AI100
4+阅读 · 2019年1月20日
2018年最实用机器学习项目Top 6(附开源链接)
新智元
20+阅读 · 2019年1月4日
年度大盘点:机器学习开源项目及框架
云栖社区
3+阅读 · 2018年12月17日
10月机器学习开源项目Top10
机器学习算法与Python学习
3+阅读 · 2018年10月30日
6月份最热门的机器学习开源项目Top10
AI前线
8+阅读 · 2018年7月3日
3月份Github上最热门的数据科学和机器学习项目
大数据技术
7+阅读 · 2018年4月23日
资源 | GitHub上的五大开源机器学习项目
机器之心
9+阅读 · 2017年11月9日
相关论文
Clustered Object Detection in Aerial Images
Arxiv
5+阅读 · 2019年8月27日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
Arxiv
11+阅读 · 2019年4月15日
Arxiv
11+阅读 · 2019年1月24日
Arxiv
7+阅读 · 2018年3月19日
Arxiv
7+阅读 · 2018年1月24日
Top
微信扫码咨询专知VIP会员