最受开发人员喜爱的机器学习软件工具
机器学习软件的主要特点
模式识别技术有很多，包括分类、回归和模式识别。
图像和文本检索的预测分析。
减少维度的功能。
矢量机器提供帮助。
与 Apache SparkMLlib 等机器学习库协作。
使用流行的编程语言，如 Scala、Java 和 C++。
全栈开源机器学习。
1.亚马逊机器学习
Amazon Machine Learning (AML) 是一种基于云的综合机器学习工具，所有技能水平和在线应用程序开发人员都可以使用它，任何级别的开发人员都可以使用。
此托管服务提供机器学习模型和预测。它还集成了来自多个来源的数据，例如 Redshift、Amazon S3、RDS 和 Amazon S3。
Amazon Machine Learning 提供可视化和向导工具。
支持三种类型的模型：二元分类、多类分类和回归。
此工具允许用户使用 MySQL 数据库创建数据源对象。
它还允许用户从 Amazon Redshift 数据创建数据源对象。
2. 谷歌机器学习套件移动版
谷歌的 Android 团队为移动应用程序开发人员创建了一个 ML KIT ，它结合了机器学习和技术知识来创建更具弹性和优化的应用程序以在智能手机上运行。
该机器学习软件包可用于执行人脸检测、文本识别和地标检测等任务。
它还有助于图片标记和条形码扫描。您可以通过它访问强大的技术。
它可以在设备上或云端运行，具体取决于您的需要。它可以使用预制模型或现成的软件开发解决方案。该套件包括 Google 的 Firebase 移动开发平台。
3.Apple Core ML
Apple Core ML 是一个使用机器学习来帮助您将机器学习模型集成到您的移动应用程序中的平台，可从 Apple 获得。
将来自机器学习的文件拖放到您的项目中，Xcode 将立即生成 Swift 包装器或 Objective-C 代码。此方法易于使用，并将利用所有 CPU 和 GPU。
CoreML 支持 Computer Vision 以准确分析图像，支持 GameplayKit 以评估学习的决策树，以及 Natural Language 以快速执行自然语言处理。它针对设备上的最佳性能进行了优化。
4.Apache Spark MLlib
它是一个可以在 Apache Mesos 和 Hadoop 上扩展的机器学习库。它还可以从多个数据源检索数据。有多种技术可用于对数据进行分类，包括朴素贝叶斯和逻辑回归。回归：一般线性回归也可用。聚类：K-means 是另一种选择。其工作流工具包括 ML Pipeline Creation、Feature Transformations、ML Persistence 等。
您可以访问 Hadoop 数据源，如 HDFS、HBase 或本地文件。易于与Hadoop操作集成，因为它具有访问HDFS、HBase或本地文件等Hadoop数据源的能力。MLlib 还与 Spark API 集成，并与 Python 库和 R 库中的 NumPy 配合使用。它具有优于 MapReduce 的算法。
5.Apache Singa
该程序由新加坡国立大学数据库系统组与浙江大学数据库组合作开发。
该人工智能系统有助于图片识别和自然语言处理。它支持许多著名的深度学习模型。它由三个主要部分组成：IO Core、Model和Core。
张量抽象可用于创建更复杂的机器学习模型。此应用程序提供改进的 IO 类来写入、读取、编码和解码文件和数据。此应用程序可用于同步、异步或两者结合的训练。
6.Apache Mahout
Apache Mahout 是 Scala 的分布式线性代数框架和 Scala DSL。它具有数学表达能力。Apache 软件基金会的免费开源项目。
该框架旨在为统计学家、数学家和数据科学家快速开发算法。它提供机器学习技术，如推荐、分类、聚类和分类，以及用于创建可扩展的可扩展算法的框架。
它包括矢量和矩阵库，并使用 MapReduce 范例在 Apache Hadoop 上运行。
7.Accord.Net
它将 .Net 机器学习基础与 C# 音频和图像处理 API 集成在一起。它有许多可用于各种目的的库，例如模式识别、数据处理和线性代数。
它还包含协议。统计、Accord.Math 和 Accord.MachineLearning 类。
Accord.Net 的特点
有 40 多种统计分布估计可用于估计非参数或参数统计。
用于计算机视觉、计算机听觉、信号处理和统计的高质量计算机程序。
有超过 35 种假设检验可用，包括单向和双向方差分析检验。
它支持超过 38 个内核函数。
8.Shogun
它是一个开源和免费的机器学习库。它由 Gunnar Raetsch & Soeren Sonnenburg 于 1999 年开发。
这个软件可以用C++实现。该软件实际上提供了可用于解决机器学习问题的方法和数据结构。
它支持多种编程语言，包括 R、Python 和 Java、Octave 以及 C#、Ruby、Lua、Lua、Ruby、C#、Ruby 等等。
Shogun 主要关注内核机器，如回归问题和支持向量机分类。您可以连接到 LibLinear 和 LibSVM 等机器学习库。
9.TensorFlow
它是一个开源机器学习库，可让您构建 ML 模型。谷歌创建了 TensorFlow。
它提供范围广泛的库、工具和资源，使研究人员和开发人员能够开发和部署机器学习系统。
它可以帮助您开发和训练模型。TensorFlow.js 是一个将模型转换为 html 的工具。
它是一个开源软件程序，可用于使用数据流图进行数值计算。它可用于 CPU 和 GPU 以及一系列移动计算设备。
10.谷歌云机器学习引擎
如果您有数十亿或数百万个训练数据点，或者如果算法需要很长时间才能正确执行，Google Cloud ML Engine 是一个很好的工具。
它是一个基于云的平台，允许机器学习应用程序开发人员和数据科学家创建和执行高质量模型。
机器学习模型训练、构建、深度学习、预测建模甚至预测的所有可用选项都可用。
许多企业出于各种目的使用此应用程序。企业可以使用它来识别卫星图像中的云或更快地响应客户电子邮件。它可以通过多种方式训练复杂的模型。
11. IBM 机器学习
IBM Machine Learning Services 允许您结合和混合技术，例如 IBM Watson Studio 和 IBM Watson OpenScale。
开源软件可用于构建 AI 模型、将模型集成到您的应用程序中并对其进行测试。IBM Machine Learning 提供了一个免费的轻量级计划，其中包括 20 个 CPUH 的上限和两个同时优化的批处理任务。
12. Oryx 2
它建立在 Apache Spark 和 Apache Kafka 之上，是 lambda 架构的一个例子。它用于大规模的实时算法。
Orxy2 软件开发平台包括用于过滤和打包、回归、分类、聚类和分类的端到端应用程序。Oryx 2.8.0 是该实用程序的最新版本。
Oryx 2 是指 Oryx 1 项目的更高级版本。
它具有三层协同工作：速度层和批处理层。服务层是第三层。
还包括一个数据传输层，它跨不同级别传输数据并接收来自外部源的输入。
13. Neural Designer
Neural Designer 是一种新兴的机器学习服务，它允许您跳过编码并使用拖放和点击功能创建框图。与许多其他系统相比，它们以 417K+ 的采样率提供更好的平均 GPU 训练性能。
Neural Designer 完全用 C++ 编写。这会损害一些可用性优势以获得更快的性能。
大数据加载需要出色的内存管理。优化 CPU 和 GPU 性能可以实现快速计算。
14. Azure 机器学习
Microsoft 的 Azure 机器学习允许客户快速轻松地构建、训练、部署和维护机器学习模型。
QA 经理会喜欢使用自动化机器学习快速识别和测试相关方法的能力。它提供许多增强功能，例如事件处理、应用程序服务和自动化，最长可达 500 分钟的任务持续时间。
您可以获得丰富的附加组件选择、较长的试用期和货币积分。
15.Anaconda
Anaconda 是一个支持 MLOps 循环的框架，被美国国家银行和 AT&T，以及丰田和高盛使用。
Conda 的基本组件包括一个 Conda 包管理员、无限的企业产品和连接，以及一个可复制或云存储库，以及一个环境管理员。
通过个人订阅，自由职业很容易。它们可供任何人使用，其中包括数百个开源框架和工具以及 7500 多个 Conda 包。