2018最有用的六个机器学习项目-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

2018最有用的六个机器学习项目

简介: 用了这六个机器学习开源项目,你的项目一定进行的666!

2018年又是人工智能和机器学习快速发展的一年。许多新的机器学习的项目正在以非常高的影响力影响着诸多领域,特别是医疗保健、金融、语音识别、增强现实和更复杂3D视频渲染。

这一年,我们看到了更多的应用驱动研究,而不是理论研究。虽然这可能有其缺点,但它在短时间内产生了一些巨大的积极影响,产生了可以迅速转化为业务和客户创造价值的新研发,这一趋势在ML开源项目中得到了强烈反映。

让我们来看看过去一年中最实用的6个ML项目。这些项目都公开发布了代码和数据集,允许个别开发人员和小型团队学习并创造价值。它们可能不是理论上最具开创性的作品,但它们很实用!

Fast.ai

Fast.ai库的编写是为了使用现代最佳实践方法以简化且快速准确进行神经网络训练,它抽象了在实践中实施深度神经网络可能带来的所有细节工作。而且它非常易于使用,并且设计它的人有应用程序构建思维。它最初是为Fast.ai课程的学生创建的,该库以简洁易懂的方式编写在易于使用的Pytorch库之上。

cabcd36a0462469685c4eb8ae102d35423a45a68

Detectron

Detectron是Facebook AI用于物体检测和实例分割研究的研究平台,系统是用Caffe2编写。它包含各种对象检测算法的实现,包括:

·Mask R-CNN:使用更快的R-CNN结构的对象检测和实例分割;

·RetinaNet:一个基于(Feature Pyramid Network)算法的网,具有独特的Focal Loss难题

·Faster R-CNN检测最常构;

所有网络都可以使用以下几种可选的分类主干之一:

·ResNeXt {50101152}

·RESNET {50101152}

·Feature Pyramid Network(使用ResNet/ResNeXt);

·VGG16

更重要的是,所有上述这些模型都是带有COCO数据集上的预训练模型,因此你可以立即使用它们!他们已经在Detectron模型动物园中使用标准评估指标进行了测试

a318a69cd1b82b80cc0abf3339c78c5845ee9515

FastText

这是另一个来自Facebook的研究,fastText库专为文本表示和分类而设计。它配备了预先训练的150多种语言的词向量模型,这些单词向量可用于许多任务,包括文本分类,摘要和翻译等。

6f09083a5eb5450955762c71997fcc87c1e13396

Auto-Keras

Auto-Keras是一个用于自动机器学习(AutoML)的开源软件库。它由Texas A&M大学的DATA实验室和社区贡献者开发。AutoML的最终目标是为具有有限数据科学或机器学习背景的开发工程师提供易于访问的深度学习工具。Auto-Keras提供自动搜索深度学习模型的最佳架构和超参数的功能。

5dd834ff3b13ea9ef0e47cdb06b46bc0e3657af2

Dopamine

Dopamine是由Google基于强化学习创建的快速原型设计的研究框架,它旨在灵活且易于使用,实现标准RL算法,指标和基准。

根据Dopamine的文档,他们的设计原则是:

·简单的测试:帮助新用运行基准测试;

·灵活的开新用提供新的新想法;

·可靠一些旧和更流行的算法提供实现;

·可重复性:确保果是可重复;

a7c59efd4462ed79ec9a1dbe1cb1cf8b3a59c007

vid2vid

vid2vid项目是在Pytorch上实现的Nvidia最先进的视频到视频合成的模型。视频到视频合成的目标是学习从输入源视频(例如,一系列语义分割掩模)到精确描绘源视频内容的输出照片拟真视频的映射函数。

这个库的好处在于它的选择:它提供了几种不同的vid2vid应用程序,包括自动驾驶/城市场景,人脸和人体姿势。它还附带了丰富的指令和功能,包括数据集加载、任务评估、训练功能和多GPU!

其他一些有价值的项目:

·ChatterBot用于对话引擎和建聊天机器人的机器学习模型;

·KubeflowKubernetes机器学工具包;

·imgaug用于深度学像增强;

·imbalanced-learnscikit下的python包,专门用于修复不平衡数据集;

·mlflow用于管理ML生命周期的开源平台:包括测试,可重复性和部署;

·AirSim基于虚幻引擎/Unity的自动驾驶器,来自Microsoft AIResearch

本文由阿里云云栖社区组织翻译。

文章原标题《the-6-most-useful-machine-learning-projects-of-the-past-year

作者:George Seif  译者:虎说八道,审校:袁虎。

文章为简译,更为详细的内容,请查看原文

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章