推荐!国外程序员整理的机器学习资源大全

本文汇编了一些机器学习领域的框架、库以及软件（按编程语言排序）。

C++计算机视觉

• CCV —基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库
• OpenCV—它提供C++, C, Python, Java 以及 MATLAB接口，并支持Windows, Linux, Android and Mac OS操作系统。
  

通用机器学习

• MLPack
• DLib
• ecogg
• shark
  

Closure通用机器学习

• Closure Toolbox—Clojure语言库与工具的分类目录
  

Go自然语言处理

• go-porterstemmer—一个Porter词干提取算法的原生Go语言净室实现
• paicehusk—Paice/Husk词干提取算法的Go语言实现
• snowball—Go语言版的Snowball词干提取器
  

通用机器学习

• Go Learn— Go语言机器学习库
• go-pr —Go语言机器学习包.
• bayesian—Go语言朴素贝叶斯分类库。
• go-galib—Go语言遗传算法库。
  

数据分析/数据可视化

• go-graph—Go语言图形库。
• SVGo—Go语言的SVG生成库。
  

Java自然语言处理

• CoreNLP—斯坦福大学的CoreNLP提供一系列的自然语言处理工具，输入原始英语文本，可以给出单词的基本形式（下面Stanford开头的几个工具都包含其中）。
• Stanford Parser—一个自然语言解析器。
• Stanford POS Tagger —一个词性分类器。
• Stanford Name Entity Recognizer—Java实现的名称识别器
• Stanford Word Segmenter—分词器，很多NLP工作中都要用到的标准预处理步骤。
• Tregex, Tsurgeon and Semgrex —用来在树状数据结构中进行模式匹配，基于树关系以及节点匹配的正则表达式（名字是“tree regular expressions”的缩写）。
• Stanford Phrasal:最新的基于统计短语的机器翻译系统，java编写
• Stanford Tokens Regex—用以定义文本模式的框架。
• Stanford Temporal Tagger—SUTime是一个识别并标准化时间表达式的库。
• Stanford SPIED—在种子集上使用模式，以迭代方式从无标签文本中学习字符实体
• Stanford Topic Modeling Toolbox —为社会科学家及其他希望分析数据集的人员提供的主题建模工具。
• Twitter Text Java—Java实现的推特文本处理库
• MALLET -—基于Java的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习文本应用包。
• OpenNLP—处理自然语言文本的机器学习工具包。
• LingPipe —使用计算机语言学处理文本的工具包。
  

通用机器学习

• MLlib in Apache Spark—Spark中的分布式机器学习程序库
• Mahout —分布式的机器学习库
• Stanford Classifier —斯坦福大学的分类器
• Weka—Weka是数据挖掘方面的机器学习算法集。
• ORYX—提供一个简单的大规模实时机器学习/预测分析基础架构。
  

数据分析/数据可视化

• Hadoop—大数据分析平台
• Spark—快速通用的大规模数据处理引擎。
• Impala —为Hadoop实现实时查询
  

Javascript自然语言处理

• Twitter-text-js —JavaScript实现的推特文本处理库
• NLP.js —javascript及coffeescript编写的NLP工具
• natural—Node下的通用NLP工具
• Knwl.js—JS编写的自然语言处理器
  

数据分析/数据可视化

• D3.js
• High Charts
• NVD3.js
• dc.js
• chartjs
• dimple
• amCharts
  

通用机器学习

• Convnet.js—训练深度学习模型的JavaScript库。
• Clustering.js—用JavaScript实现的聚类算法，供Node.js及浏览器使用。
• Decision Trees—Node.js实现的决策树，使用ID3算法。
• Node-fann —Node.js下的快速人工神经网络库。
• Kmeans.js—k-means算法的简单Javascript实现，供Node.js及浏览器使用。
• LDA.js —供Node.js用的LDA主题建模工具。
• Learning.js—逻辑回归/c4.5决策树的JavaScript实现
• Machine Learning—Node.js的机器学习库。
• Node-SVM—Node.js的支持向量机
• Brain —JavaScript实现的神经网络
• Bayesian-Bandit —贝叶斯强盗算法的实现，供Node.js及浏览器使用。
  

Julia通用机器学习

• PGM—Julia实现的概率图模型框架。
• DA—Julia实现的正则化判别分析包。
• Regression—回归分析算法包（如线性回归和逻辑回归）。
• Local Regression —局部回归，非常平滑！
• Naive Bayes —朴素贝叶斯的简单Julia实现
• Mixed Models —（统计）混合效应模型的Julia包
• Simple MCMC —Julia实现的基本mcmc采样器
• Distance—Julia实现的距离评估模块
• Decision Tree —决策树分类器及回归分析器
• Neural —Julia实现的神经网络
• MCMC —Julia下的MCMC工具
• GLM —Julia写的广义线性模型包
• Online Learning
• GLMNet —GMLNet的Julia包装版，适合套索/弹性网模型。
• Clustering—数据聚类的基本函数：k-means, dp-means等。
• SVM—Julia下的支持向量机。
• Kernal Density—Julia下的核密度估计器
• Dimensionality Reduction—降维算法
• NMF —Julia下的非负矩阵分解包
• ANN—Julia实现的神经网络
  

自然语言处理

• Topic Models —Julia下的主题建模
• Text Analysis—Julia下的文本分析包
  

数据分析/数据可视化

• Graph Layout —纯Julia实现的图布局算法。
• Data Frames Meta —DataFrames的元编程工具。
• Julia Data—处理表格数据的Julia库
• Data Read—从Stata、SAS、SPSS读取文件
• Hypothesis Tests—Julia中的假设检验包
• Gladfly —Julia编写的灵巧的统计绘图系统。
• Stats—Julia编写的统计测试函数包
• RDataSets —读取R语言中众多可用的数据集的Julia函数包。
• DataFrames —处理表格数据的Julia库。
• Distributions—概率分布及相关函数的Julia包。
• Data Arrays —元素值可以为空的数据结构。
• Time Series—Julia的时间序列数据工具包。
• Sampling—Julia的基本采样算法包
  

杂项/演示文稿

• DSP —数字信号处理
• JuliaCon Presentations—Julia大会上的演示文稿
• SignalProcessing—Julia的信号处理工具
• Images—Julia的图片库
  

Lua
通用机器学习

• Torch7
  • cephes —Cephes数学函数库，包装成Torch可用形式。提供并包装了超过180个特殊的数学函数，由Stephen L. Moshier开发，是SciPy的核心，应用于很多场合。
  • graph —供Torch使用的图形包。
  • randomkit—从Numpy提取的随机数生成包，包装成Torch可用形式。
  • signal —Torch-7可用的信号处理工具包，可进行FFT, DCT, Hilbert, cepstrums, stft等变换。
  • nn —Torch可用的神经网络包。
  • nngraph —为nn库提供图形计算能力。
  • nnx—一个不稳定实验性的包，扩展Torch内置的nn库。
  • optim—Torch可用的优化算法库，包括 SGD, Adagrad, 共轭梯度算法, LBFGS, RProp等算法。
  • unsup—Torch下的非监督学习包。提供的模块与nn(LinearPsd, ConvPsd, AutoEncoder, …)及独立算法 (k-means, PCA)等兼容。
  • manifold—操作流形的包。
  • svm—Torch的支持向量机库。
  • lbfgs—将liblbfgs包装为FFI接口。
  • vowpalwabbit —老版的vowpalwabbit对torch的接口。
  • OpenGM—OpenGM是C++编写的图形建模及推断库，该binding可以用Lua以简单的方式描述图形，然后用OpenGM优化。
  • sphagetti —MichaelMathieu为torch7编写的稀疏线性模块。
  • LuaSHKit —将局部敏感哈希库SHKit包装成lua可用形式。
  • kernel smoothing —KNN、核权平均以及局部线性回归平滑器
  • cutorch—torch的CUDA后端实现
  • cunn —torch的CUDA神经网络实现。
  • imgraph—torch的图像/图形库，提供从图像创建图形、分割、建立树、又转化回图像的例程
  • videograph—torch的视频/图形库，提供从视频创建图形、分割、建立树、又转化回视频的例程
  • saliency —积分图像的代码和工具，用来从快速积分直方图中寻找兴趣点。
  • stitch —使用hugin拼合图像并将其生成视频序列。
  • sfm—运动场景束调整/结构包
  • fex —torch的特征提取包，提供SIFT和dSIFT模块。
  • OverFeat—当前最高水准的通用密度特征提取器。
    
• Numeric Lua
• Lunatic Python
• SciLua
• Lua – Numerical Algorithms
• Lunum
  

演示及脚本

• Core torch7 demos repository.核心torch7演示程序库
  • 线性回归、逻辑回归
  • 人脸检测（训练和检测是独立的演示）
  • 基于mst的断词器
  • train-a-digit-classifier
  • train-autoencoder
  • optical flow demo
  • train-on-housenumbers
  • train-on-cifar
  • tracking with deep nets
  • kinect demo
  • 滤波可视化
  • saliency-networks
    
• Training a Convnet for the Galaxy-Zoo Kaggle challenge(CUDA demo)
• Music Tagging—torch7下的音乐标签脚本
• torch-datasets 读取几个流行的数据集的脚本，包括：
  • BSR 500
  • CIFAR-10
  • COIL
  • Street View House Numbers
  • MNIST
  • NORB
    
• Atari2600 —在Arcade Learning Environment模拟器中用静态帧生成数据集的脚本。
  

Matlab计算机视觉

• Contourlets —实现轮廓波变换及其使用函数的MATLAB源代码
• Shearlets—剪切波变换的MATLAB源码
• Curvelets—Curvelet变换的MATLAB源码（Curvelet变换是对小波变换向更高维的推广，用来在不同尺度角度表示图像。）
• Bandlets—Bandlets变换的MATLAB源码
  

自然语言处理

• NLP —一个Matlab的NLP库
  

通用机器学习

• Training a deep autoencoder or a classifier on MNIST digits—在MNIST字符数据集上训练一个深度的autoencoder或分类器[深度学习]。
• t-Distributed Stochastic Neighbor Embedding —获奖的降维技术，特别适合于高维数据集的可视化
• Spider—Matlab机器学习的完整面向对象环境。
• LibSVM —支持向量机程序库
• LibLinear —大型线性分类程序库
• Machine Learning Module —M. A .Girolami教授的机器学习课程，包括PDF，讲义及代码。
• Caffe—考虑了代码清洁、可读性及速度的深度学习框架
• Pattern Recognition Toolbox —Matlab中的模式识别工具包，完全面向对象
  

数据分析/数据可视化

• matlab_gbl—处理图像的Matlab包
• gamic—图像算法纯Matlab高效实现，对MatlabBGL的mex函数是个补充。