摘要：開源是技術(shù)創(chuàng)新和快速發(fā)展的核心。這篇文章向你展示Python機(jī)器學(xué)習(xí)開源項(xiàng)目以及在分析過程中發(fā)現(xiàn)的非常有趣的見解和趨勢。

我們分析了GitHub上的前20名Python機(jī)器學(xué)習(xí)項(xiàng)目，發(fā)現(xiàn)scikit-Learn，PyLearn2和NuPic是貢獻(xiàn)最積極的項(xiàng)目。讓我們一起在Github上探索這些流行的項(xiàng)目！

Scikit-learn：Scikit-learn 是基于Scipy為機(jī)器學(xué)習(xí)建造的的一個(gè)Python模塊，他的特色就是多樣化的分類，回歸和聚類的算法包括支持向量機(jī)，邏輯回歸，樸素貝葉斯分類器，隨機(jī)森林，Gradient Boosting，聚類算法和DBSCAN。而且也設(shè)計(jì)出了Python numerical和scientific libraries Numpy and Scipy

Pylearn2：Pylearn是一個(gè)讓機(jī)器學(xué)習(xí)研究簡單化的基于Theano的庫程序。

NuPIC：NuPIC是一個(gè)以HTM學(xué)習(xí)算法為工具的機(jī)器智能平臺。HTM是皮層的精確計(jì)算方法。HTM的核心是基于時(shí)間的持續(xù)學(xué)習(xí)算法和儲存和撤銷的時(shí)空模式。NuPIC適合于各種各樣的問題,尤其是檢測異常和預(yù)測的流數(shù)據(jù)來源。

Nilearn：Nilearn 是一個(gè)能夠快速統(tǒng)計(jì)學(xué)習(xí)神經(jīng)影像數(shù)據(jù)的Python模塊。它利用Python語言中的scikit-learn 工具箱和一些進(jìn)行預(yù)測建模，分類，解碼，連通性分析的應(yīng)用程序來進(jìn)行多元的統(tǒng)計(jì)。

PyBrain：Pybrain是基于Python語言強(qiáng)化學(xué)習(xí)，人工智能，神經(jīng)網(wǎng)絡(luò)庫的簡稱。 它的目標(biāo)是提供靈活、容易使用并且強(qiáng)大的機(jī)器學(xué)習(xí)算法和進(jìn)行各種各樣的預(yù)定義的環(huán)境中測試來比較你的算法。

Pattern：Pattern 是Python語言下的一個(gè)網(wǎng)絡(luò)挖掘模塊。它為數(shù)據(jù)挖掘，自然語言處理，網(wǎng)絡(luò)分析和機(jī)器學(xué)習(xí)提供工具。它支持向量空間模型、聚類、支持向量機(jī)和感知機(jī)并且用KNN分類法進(jìn)行分類。

Fuel：Fuel為你的機(jī)器學(xué)習(xí)模型提供數(shù)據(jù)。他有一個(gè)共享如MNIST, CIFAR-10 (圖片數(shù)據(jù)集), Google's One Billion Words (文字)這類數(shù)據(jù)集的接口。你使用他來通過很多種的方式來替代自己的數(shù)據(jù)。

Bob：Bob是一個(gè)免費(fèi)的信號處理和機(jī)器學(xué)習(xí)的工具。它的工具箱是用Python和C++語言共同編寫的，它的設(shè)計(jì)目的是變得更加高效并且減少開發(fā)時(shí)間，它是由處理圖像工具,音頻和視頻處理、機(jī)器學(xué)習(xí)和模式識別的大量軟件包構(gòu)成的。

Skdata：Skdata是機(jī)器學(xué)習(xí)和統(tǒng)計(jì)的數(shù)據(jù)集的庫程序。這個(gè)模塊對于玩具問題，流行的計(jì)算機(jī)視覺和自然語言的數(shù)據(jù)集提供標(biāo)準(zhǔn)的Python語言的使用。

MILK：MILK是Python語言下的機(jī)器學(xué)習(xí)工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機(jī)森林，決策樹中使用監(jiān)督分類法。 它還執(zhí)行特征選擇。 這些分類器在許多方面相結(jié)合,可以形成不同的例如無監(jiān)督學(xué)習(xí)、密切關(guān)系金傳播和由MILK支持的K-means聚類等分類系統(tǒng)。

IEPY：IEPY是一個(gè)專注于關(guān)系抽取的開源性信息抽取工具。它主要針對的是需要對大型數(shù)據(jù)集進(jìn)行信息提取的用戶和想要嘗試新的算法的科學(xué)家。

Quepy：Quepy是通過改變自然語言問題從而在數(shù)據(jù)庫查詢語言中進(jìn)行查詢的一個(gè)Python框架。他可以簡單的被定義為在自然語言和數(shù)據(jù)庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個(gè)用自然語言進(jìn)入你的數(shù)據(jù)庫的系統(tǒng)。現(xiàn)在Quepy提供對于Sparql和MQL查詢語言的支持。并且計(jì)劃將它延伸到其他的數(shù)據(jù)庫查詢語言。

Hebel：Hebel是在Python語言中對于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的一個(gè)庫程序，它使用的是通過PyCUDA來進(jìn)行GPU和CUDA的加速。它是最重要的神經(jīng)網(wǎng)絡(luò)模型的類型的工具而且能提供一些不同的活動函數(shù)的激活功能，例如動力，涅斯捷羅夫動力，信號丟失和停止法。

mlxtend：它是一個(gè)由有用的工具和日常數(shù)據(jù)科學(xué)任務(wù)的擴(kuò)展組成的一個(gè)庫程序。

nolearn：這個(gè)程序包容納了大量能對你完成機(jī)器學(xué)習(xí)任務(wù)有幫助的實(shí)用程序模塊。其中大量的模塊和scikit-learn一起工作，其它的通常更有用。

Ramp：Ramp是一個(gè)在Python語言下制定機(jī)器學(xué)習(xí)中加快原型設(shè)計(jì)的解決方案的庫程序。他是一個(gè)輕型的pandas-based機(jī)器學(xué)習(xí)中可插入的框架，它現(xiàn)存的Python語言下的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)工具（比如scikit-learn,rpy2等）Ramp提供了一個(gè)簡單的聲明性語法探索功能從而能夠快速有效地實(shí)施算法和轉(zhuǎn)換。

Feature Forge：這一系列工具通過與scikit-learn兼容的API，來創(chuàng)建和測試機(jī)器學(xué)習(xí)功能。這個(gè)庫程序提供了一組工具，它會讓你在許多機(jī)器學(xué)習(xí)程序使用中很受用。當(dāng)你使用scikit-learn這個(gè)工具時(shí)，你會感覺到受到了很大的幫助。（雖然這只能在你使用不同的算法時(shí)起作用。）

REP：REP是以一種和諧、可再生的方式為指揮數(shù)據(jù)移動驅(qū)動所提供的一種環(huán)境。它有一個(gè)統(tǒng)一的分類器包裝來提供各種各樣的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以在一個(gè)群體以平行的方式訓(xùn)練分類器。同時(shí)它也提供了一個(gè)交互式的情節(jié)。

Python 學(xué)習(xí)機(jī)器樣本：用亞馬遜的機(jī)器學(xué)習(xí)建造的簡單軟件收集。

Python-ELM：這是一個(gè)在Python語言下基于scikit-learn的極端學(xué)習(xí)機(jī)器的實(shí)現(xiàn)。