原文
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习牵涉的编程语言十分之广，包括了MATLAB、Julia、R、Perl、Python、Clojure、Ruby等等。
为了让开发者更加广泛、深入地了解机器学习，云栖社区组织翻译了GitHub Awesome Machine Learning 资源，涵盖24种编程语言的机器学习的框架、库以及其他相关资料。
Lua
通用机器学习
Torch7
cephes– 由Torch包装的Cephes数学函数库，由Stephen L. Moshier开发，库中提供并包装了从Cephes数学库中的180多个特殊的数学函数，是SciPy的核心，作用广泛；
autograd– Autograd自动区分本机Torch代码，受原始的Python版本的启发；
graph– Torch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– 适用Torch-7的信号处理工具箱，包括FFT、DCT、Hilbert、cepstrums、stft等变换；
nn– Torch的神经网络包；
nngraph– 此软件包为Torch7 nn库提供图形计算；
nnx– 一个不稳定的实验包，能够扩展Torch的内置nn库；
rnn– 能够扩展Torch nn库的递推神经网络库，包括RNNs、LSTMs、GRUs、BRNNs、BLSTMs等等；
dpnn– 许多有用的功能，并不是主要的神经网络包的一部分；
dp– 深度学习库，专门使用Torch7分配进行合理化的研究和开发，它强调通过优雅地使用面向对象的设计模式，从而实现灵活性；
optim– 针对Torch的优化库，包括Adagrad、共轭梯度、LBFGS, RProp等算法；
unsup– Torch中的无监督学习包，提供了与nn相兼容的模块（(LinearPsd、ConvPsd、AutoEncoder等），以及独立的算法（k-均值、PCA）；
manifold– 操作流形的包；
svm– Torch的支持向量机库；
lbfgs– 针对liblbfgs的FFT包；
vowpalwabbit– torch的旧式vowpalwabbit接口；
OpenGM– OpenGM是一个用于图形化建模和推断的C++库， Lua binding提供了一种简单的描绘图形的方法，用Lua描绘，再用OpenGM优化；
sphagetti– @MichaelMathieu开发的用于torch7的Spaghetti（稀疏线型）模块；
LuaSHKit– 将局部敏感哈希库SHKit包装成Lua可用形式；
kernel smoothing– KNN，内核加权平均，以及局部线性回归平滑器；
cutorch– Torch的CUDA实现；
cunn– Torch的CUDA神经网络实现；
imgraph– Torch的图像/图形库，该软件包提供了在图像上构造图形、分割、组建树、并转换成图像的例程；
videograph– Torch的视频/图形库，该软件包提供了在视频上构造图形、分割、组建树、并转换成视频的例程；
saliency– 积分图像的代码和工具，一种基于快速积分直方图找到兴趣点的库；
stitch– 使用hugin拼接图像，并将其应用以便视频序列；
sfm– 运动场景束调整/结构包；
fex– Torch中用于特征提取的软件包，提供SIFT和dSIFT模块；
OverFeat– 当前最先进的通用密集特征提取方式。
Numeric Lua
Lunatic Python
SciLua
Lua – Numerical Algorithms
Lunum
演示与脚本
torch7核心演示资源库
线性回归，逻辑回归；
面部检测器（训练和检测作为独立的演示）；
基于mst的分段器；
train-a-digit-classifier
train-autoencoder
optical flow demo
train-on-housenumbers
train-on-cifar
深层网络追踪；
Kinect 演示；
滤波组件可视化；
网络卓越度；
Training a Convnet for the Galaxy-Zoo Kaggle challenge(CUDA demo)
Music Tagging– Torch7的音乐标记脚本；
torch-datasets– 用于加载多个大众数据集的脚本，数据集包括如下：
BSR 500
CIFAR-10
COIL
Street View House Numbers
MNIST
NORB
Atari2600– 从Arcade学习环境的静态帧中生成数据集的脚本。
Matlab
计算机视觉
Contourlets–MATLAB源代码，能够实现轮廓变换及其效用函数；
Shearlets–剪切波变换的MATLAB代码；
Curvelets–曲波变换是小波变换的高维推广，用于表示不同尺度和不同角度的图像；
Bandlets– bandlet变换的MATLAB代码；
mexopencv– 针对OpenCV库，用于收集和开发MATLAB MEX函数的套件；
自然语言处理
NLP– 用于Mablab的NLP库；
通用机器学习
Training a deep autoencoder or a classifier on MNIST digits– 在MNIST数字上训练深度自编码或深度分类[深度学习]；
Convolutional-Recursive Deep Learning for 3D Object Classification– 针对三维目标分类的卷积递归深度学习[深度学习]；
t-Distributed Stochastic Neighbor Embedding– T-分布式随机邻域嵌入（T-SNE）法，已获奖，该降维技术特别适合高维数据集的可视化；
Spider– Matlab中完整的面向对象的环境，用于机器学习；
LibSVM– 支持向量机程序库；
LibLinear– 大型线性分类库；
Machine Learning Module– 机器学习课程，包括PDF、讲义及代码；
Caffe– 深度学习框架，开发时考虑到了清洁度，可读性和速度；
Pattern Recognition Toolbox– Matlab中完整的面向对象环境，用于机器学习；
Pattern Recognition and Machine Learning– C. Bishop在书Pattern Recognition and Machine Learning中描述了一个算法，该软件包包含了书中算法的matlab实现；
Optunity– 该库致力于用简单、轻量级的API进行自动超参数优化，以方便直接替换网格搜索；Optunity用Python编写，但与MATLAB无缝连接；
数据分析/数据可视化
matlab_gbl– 处理图形问题的MATLAB程序包；
gamic– 图形算法用纯Matlab高效实现，以补充MatlabBGL的MEX函数；
.NET
计算机视觉
OpenCVDotNet– OpenCV工程封装器，用于.NET应用程序；
Emgu CV– OpenCV的跨平台封装器，可在Mono中编译，并运行于Windows、Linus、Mac OS X、 iOS、Android等系统；
AForge.NET– 开放源码C＃框架，用于计算机视觉和人工智能领域的开发和研究人员，目前已转移到GitHub发展；
Accord.NET-连同AForge.NET，可为Windows、Windows RT和Windows Phone提供图像处理和计算机视觉算法，一些组件适用于Java和Android；
自然语言处理
Stanford.NLP for .NET– 斯坦福大学NLP包在.NET上的完整移植，也可作为NuGet包进行预编译；
通用机器学习
Accord-Framework– 完整的Accord.NET框架，用于机器学习，计算机视觉，计算机试听，信号处理和统计应用；
Accord.MachineLearning–该软件包是Accord.NET框架的一部分，包括支持向量机、决策树、朴素贝叶斯模型、K均值、高斯混合模型和一些通用算法，例如适用于机器学习应用的RANSAC、交叉验证和网格搜索；
DiffSharp– 一个自动微分（AD）库，能够提供精确高效，用于机器学习和优化应用的导数（梯度、Hessians、雅可比行列式、方向导数、无矩阵Hessian-和雅可比矢量积），操作可以嵌套到任何级别，这意味着你可以通过利用内部微分，来计算精确的高阶导数，如超参数优化函数的应用；
Vulpes– F＃写的Deep belief与深度学习的实现，并在Alea.cuBase下用CUDA GPU执行；
Encog–一种先进的神经网络和机器学习框架。 Encog包含用于创建各类网络的类，同时也支持为神经网络规范和处理数据的类。它的训练采用多线程弹性传播。同时使用GPU加快处理时间，此外还提供了图形化界面来帮助建模和训练神经网络；
Neural Network Designer– DBMS管理系统和神经网络的设计平台，该设计应用程序使用WPF开发，是一个用户界面，允许用户设计自己的神经网络，查询网络，创建和配置能够提出问题、并能从反馈中学习的聊天机器人，聊天机器人甚至可以搜集Internet上的信息，以便在返回时输出，或者用于学习；
数据分析/数据可视化
numl– 机器学习库，用于简化预测和聚类的标准建模技术；
Math.NET Numerics– Math.NET工程的数值基础，旨在为科学、工程中的数值计算提供了方法和算法，支持 Windows, Linux 和 Mac上的.Net 4.0, .Net 3.5 和 Mono ，Silverlight 5, WindowsPhone/SL 8, WindowsPhone 8.1 以及装有 PCL Portable Profiles 47 及 344的Windows 8， 装有 Xamarin的Android/iOS；
Sho– 用于数据分析和科学计算的交互环境，可以使用编译代码（.NET）无缝连接脚本（用IronPython），以实现快速、灵活的原型设计；该环境包括线性代数、数据可视化等强大高效的库，可供任何.NET语言使用，还为快速开发提供了功能丰富的交互式shell。
Objective
通用机器学习
YCML– 用于Objective-C 和Swift (OS X / iOS)的机器学习框架；
MLPNeuralNet–用于 iOS and Mac OS X的快速多层感知神经网络库，可通过神经网络预测新实例，建立在苹果公司的加速框架之上，如果需要，可利用向量化操作和硬件加速操作；
MAChineLearning– Objective-C多层感知库，通过反向传播全面支持训练，用vDSP和vecLib实现，比同等情况下的Java快20倍，包括从Swift使用的示例代码；
BPN-NeuralNetwork– 能够实现3层神经网络（输入层、隐藏层和输出层），其命名来源于BP神经网络（BPN），可用于产品建议、用户行为分析、数据挖掘和数据分析；
Multi-Perceptron-NeuralNetwork-它能够实现基于BPN的多感知神经网络，并设计于无限隐藏层上；
KRHebbian-Algorithm– 机器学习神经网络中的非监督和自学习算法（调整权重）；
KRKmeans-Algorithm– 它实现了K-均值聚类和分类算法，可用于数据挖掘和图像压缩；
KRFuzzyCMeans-Algorithm– 它实现了机器学习中的模糊C均值（FCM）模糊聚类/分类算法，可用于数据挖掘和图像压缩；
OCaml
通用机器学习
Oml– 通用的统计学和机器学习库；
GPR– OCaml中高效的高斯过程回归算法；
Libra-Tk– 用离散概率模型学习和推理的算法。
PHP
自然语言处理
jieba-php–中文分词工具。
通用机器学习
PredictionBuilder-采用线性回归建立预测的机器学习库。
Python
计算机视觉
Scikit-Image– Python图像处理算法的集合；
SimpleCV– 一个开源的计算机视觉框架，能够访问如OpenCV的高性能计算机视觉库，用Python编写，可运行在Mac、Windows和Ubuntu Linux等操作系统；
Vigranumpy– Python绑定的VIGRA C++计算机视觉库；
OpenFace-免费的开源面部识别深层神经网络；
自然语言处理
NLTK-用人类语言数据编写Python程序的一个领先平台；
Pattern– Python编程语言的Web挖掘模块，有用于自然语言处理、机器学习等的工具；
Quepy–一个Python框架，将自然语言问题转换成数据库查询语言；
TextBlob– 给常规的自然语言处理（NLP）任务提供一致的API，以NLTK和Pattern为基础，并和两者都能很好兼容；
YAlign– 语句校准器，较好地用于从比较语料库中提取并行语句；
jieba-中文分词工具；
SnowNLP–用于处理中文文本的库；
spammy– 建在NLTK之上的库，用于垃圾邮件过滤；
loso– 另一个中文分词库；
genius– 基于条件随机域的中文断词库；
KoNLPy– 用于韩语自然语言处理的Python包；
nut-自然语言理解工具包；
Rosetta-文本处理工具和包装器（例如Vowpal Wabbit）；
BLLIP Parser– Python绑定的BLLIP自然语言解析器（也称为Charniak-Johnson解析器）；
PyNLPl– Python的自然语言处理库，Python的通用NLP库，还包含一些特定模块，用于常规的NLP格式分析，尤其是FoLiA和ARPA语言模型，Moses phrasetables，GIZA++ alignments等；
python-ucto– Python绑定的ucto（包括Unicode，基于规则，各种语言的的标记生成器）；
python-frog– Python绑定的Frog，用于Dutch的NLP套件（词性标注，词性还原，依存分析，NER）；
python-zpar– Python绑定的ZPar，统计性的部分词性标注，constiuency解析器和英语依存句法分析；
colibri-core– Python绑定的C++库，用于以快速和存储器高效的方式提取并使用基本语言结构，例如-grams 和skipgrams；
spaCy– 使用Python和Cython，NLP的产业优势；
PyStanfordDependencies–Python接口，用于将Penn Treebank树转换成Stanford Dependencies；
通用机器学习
machine learning-自动构建网络接口，编程接口API套件，用于支持向量机；相应的数据集（多个）存储到一个SQL数据库，然后生成用于预测的模型（多个），再被存储到NoSQL数据存储中；
XGBoost– Python绑定的 eXtreme Gradient Boosting（树）库；
Bayesian Methods for Hackers-关于Python编程概率规划的图书/ IPythonnotebook；
Featureforge-用于创建和测试机器学习的特点的一组工具，具有兼容scikit学习的API；
MLlib in Apache Spark– Spark下的分布式机器学习库；
scikit-learn-基于SciPy的机器学习模块；
metric-learn– 测度学习的Python模块；
SimpleAI– 实现了许多书Artificial Intelligence, a Modern Approach书中描述的人工智能算法，着重于提供一个易于使用、方便存档和测试的库；
astroML– 用于天文学的机器学习和数据挖掘；
graphlab-create– 实现各种机器学习模型（回归、聚类、推荐系统、图形分析等）的库，基于可以磁盘存储的DataFrame；
BigML– 用于连接外部服务器的库；
pattern– Python Web挖掘模块；
NuPIC– 智能计算的Numenta平台；
Pylearn2– 基于Theano的机器学习库；
keras-基于Theano的模块化神经网络库；
hebel– Python下的GPU加速深度学习库；
Chainer-灵活的神经网络架构；
gensim– 主题建模工具；
topik-主题建模工具包；
PyBrain-另一个Python机器学习库；
Brainstorm– 继PyBrain后，快速、灵活、有趣的神经网络；
Crab– 灵活、快速的推荐引擎；
python-recsys– 实现推荐系统的Python库；
thinking bayes– 关于贝叶斯分析的书籍；
Restricted Boltzmann Machines– Python编写的受限的玻尔兹曼机[深度学习]；
Bolt– Bolt在线学习工具箱；
CoverTree– cover tree的Python实现，scipy.spatial.kdtree便捷的替代；
nilearn– Python编写的用于神经影像的机器学习；
Shogun– Shogun机器学习工具箱；
Pyevolve-遗传算法框架；
Caffe– 深度学习框架，开发时考虑了清洁度、可读性和速度；
breze– 基于Theano的用于深层递归神经网络的库；
pyhsmm– 用于近似无监督推论的库，存在于贝叶斯隐马尔可夫模型（HMM模型）和隐藏式半马尔可夫模型（HSMMs），HDP-HMM和HDP-HSMM侧重于非参数贝叶斯扩展，大多是弱极限近似值；
mrjob– 让Python程序运行在Hadoop上的库；
SKLL– scikit-learn的包装器，使其实验起来较容易；
neurolab–https://github.com/zueve/neurolab
Spearmint– Spearmint是根据论文中提出的算法执行贝叶斯优化的程序包，论文如下：Practical Bayesian Optimization of Machine Learning Algorithms. Jasper Snoek, Hugo Larochelle and Ryan P. Adams. Advances in Neural Information Processing Systems, 2012.
Pebl-贝叶斯学习的Python环境；
Theano– 在Python中，用优化的GPU元编程代码生成阵列导向的优化数学编译器；
TensorFlow-使用数据流图进行数值计算的开源软件库；
yahmm– Python下的隐马尔可夫模型，考虑到速度和效率，用Cython来实现；
python-timbl– 一个Python扩展模块，可包装完整的TiMBL C ++编程接口；Timbl是一个详尽的k最近邻域机器学习工具包；
deap-进化算法框架；
pydeep– Python下的深度学习；
mlxtend-工具库，包括对数据科学和机器学习任务等非常有用的工具；
neon– Nervana基于Python的高性能深度学习框架[深度学习]；
Optunity– 该库致力于用一个简单、轻量级的API直接替换网格搜索以实现自动超参数优化；
Neural Networks and Deep Learning– 《神经网络和深度学习》一书中的代码示例[深度学习]；
Annoy– 近似最近邻算法的实现；
skflow-为TensorFlow简化的界面，模仿了Scikit Learn；
TPOT– 使用遗传编程自动创建并优化了机器学习流水线的工具；
pgmpy– 用于概率图解模型的Python库；
DIGITS-深度学习GPU训练系统（DIGITS）是用于训练深度学习模型的Web应用程序；
Orange–同时适用于初学者和专家的开源数据可视化和数据分析；
MXNet– 轻量级、便携式、灵活的分布式/深度学习系统，可对动态的、突变数据流调度部署，同时也支持Python、R、Julia、Go、Javascript 等编程语言。
milk– 强调监督分类法的机器学习工具包；
TFLearn-针对TensorFlow的高层次API深度学习库。
作者：readilen
链接：https://www.jianshu.com/p/d556af7de634
來源：
著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。