专家们最常用的15款机器学习工具

机器学习是一项令人惊叹的技术。如果掌握了正确的使用方法，机器学习技术将势不可当。建造一个在很大程度上表现得像人类的机器，将是多么吸引人。精通机器学习工具有利于处理数据、训练模型、发现新方法并创建自己的算法。

随着机器学习技术的兴起，大量的机器学习（ML）工具、平台和软件纷纷涌现。 而且，机器学习技术也在不断发展。在这一堆机器学习工具中，你只需选择其中任意一种来获得专业知识。本文列出了专家们使用最多的前15个机器学习工具。

1. Knime

Knime是一个基于图形用户界面（Graphical User Interface，GUI）的开源机器学习工具。关于Knime，最值得一提的是，即使没有任何编程知识，仍然可以利用Knime提供的工具。Knime通常用于与数据相关的目的，例如：数据操纵、数据挖掘等。

而且，Knime通过创建并执行不同的工作流程来处理数据。Knime的存储库带有很多不同节点。然后，将这些节点带入Knime门户就能创建并执行节点的工作流程。

2. Accord.net

Accord.net是一个计算机器学习框架，配有图像和音频包。这样的软件包有助于训练模型和创建交互式应用程序，例如：试听、计算机视觉等。

由于工具名中包含.net，因此该框架的基础库是C＃语言。Accord库在测试和处理音频文件中非常有用。

3. Scikit-Learn

Scikit-Learn是一个开放源代码的机器学习包。 这是一个集成平台，具有多种用途。它有助于进行回归、聚类、分类、降维和预处理。Scikit-Learn创建于三个主要的Python库之上，即NumPy、Matplotlib和SciPy。除此之外，它还有助于测试以及模型训练。

4. TensorFlow

TensorFlow是一个开源框架，适用于大规模及数值机器学习（ML）。它是机器学习和神经网络模型的集合，也是Python的好朋友。

TensorFlow的最大特点是可以在CPU和GPU上运行。TensorFlow常用于自然语言处理和图像分类。

5. Weka

欢迎下一个机器学习工具——Weka，它也是开源软件。用户可以通过图形用户界面访问Weka。 该软件非常人性化。它也被应用于研究和教学中。除此之外，Weka还允许用户访问其他机器学习工具，例如：R、Scikit-Learn等。

6. Pytorch

Pytorch是一个深度学习框架，既快速又灵活。这是因为Pytorch可以很好地命令GPU。 它是机器学习最重要的工具之一，因为它被用于机器学习最重要的方面，包括构建深度神经网络和张量计算。

Pytorch完全基于Python。除此之外，它是NumPy的最佳替代工具。

7. RapidMiner

于非程序员用户而言，RapidMiner是他们的福音。它是一个数据科学平台，具有非常出色的界面。RapidMiner独立于平台，在跨平台操作系统上工作。

借助该工具，人们可以使用自己的数据，测试他们自己的模型。RapidMiner的界面非常人性化。用户只需要拖放即可。这也是它对非程序员大有裨益的主要原因。

8. Google Cloud AutoML

Google Cloud AutoML的目标是使所有人都能使用人工智能。Google Cloud AutoML为用户提供了预训练模型，以便创建各种服务，例如：文本识别、语音识别等。

Google Cloud AutoML在公司中非常受欢迎。公司希望将人工智能应用于行业的各个领域，但由于市场上缺少熟练的人工智能人才，因此Google Cloud AutoML的企业应用一直面临着困难。

9. Jupyter Notebook

Jupyter notebook是使用最广泛的机器学习工具之一。 这是一个非常快速的处理工具，也是一个高效的平台。此外，它支持三种语言，即：Julia、R、Python。

因此，Jupyter的名称是由这三种编程语言组合而成。Jupyter Notebook允许用户以笔记本的形式存储和共享动态代码，也可以通过GUI访问它，例如： winpython navigator,和anaconda navigator等。

10. Apache Mahout

Mahout由基于Hadoop的开源平台Apache启动。Mahout通常用于机器学习和数据挖掘。 Mahout使诸如回归、分类和聚类之类的技术成为可能。除此之外，它还利用了基于数学的函数，例如向量等。

11. Azure Machine Learning studio

Azure机器学习工作室由Microsoft发布。就像Google的Cloud AutoML一样，这是Microsoft的产品，可为用户提供机器学习服务。Azure机器学习工作室是建立模块和数据集连接的一种非常简单的方法。

除此之外，Azure还旨在为用户提供AI功能。与TensorFlow一样，它也可以在CPU和GPU上运行。

12. MLLIB

与Mahout一样，MLLIB也是Apache Spark的产品。 它用于回归、特征提取、分类、过滤等。通常也称之为Spark MLLIB。MLLIB具有非常好的速度和效率。

13. Orange3

Orange3是一款数据挖掘软件，它是Orange软件的最新版本。Orange3协助预处理、数据可视化以及其他与数据相关的工作。用户可以通过Anaconda Navigator访问Orange3。 在Python编程中，这确实很有帮助。除此之外，它还可以充当一个不错的用户界面。

14. IBM Watson

IBM Watson是IBM提供的使用Watson的网页界面。 Watson是基于自然语言处理的人机交互问答系统。Watson应用于各个领域，例如：自动学习、信息提取等。

IBM Watson通常用于研究和测试，其目的是为用户提供类似人的体验。

15. Pylearn2

Pylearn2是建立在Theano之上的机器学习库。因此，它们之间有许多相似的功能。除此之外，它还可以执行数学计算。Pylearn2也能够在CPU和GPU上运行。在进入Pylearn2之前，用户必须熟悉Theano。

尾记

综上所述，本文介绍的是一些最流行和广泛使用的机器学习工具。上述工具表明了机器学习的先进性。所有这些工具都使用不同的编程语言运行，例如：其中一些工具在Python上运行，一些在C ++上运行，而另一些在Java上运行。