2018年值得关注的10种机器学习工具由于众多公司对更新、更高效的工具和框架进行了广泛深入的研究和开发，现在开发智能模型比以往任何时候都容易。尽管Tensorflow、Keras、PyTorch等框架在2017年作为顶级机器学习和深度学习库发挥了主导作用(https://datahub.packtpub.com/deep-learning/top-10-deep-learning-frameworks/)，但2018年有望成为更加激动人心的一年，因为强大的开源和企业工具阵容有望取代或至少与当前的遗留工具竞争。在这篇文章中，我们介绍了10个预计在2018年流行的此类工具和框架。1.AmazonSagemakerAWSre:Invent2017宣布的一个主要产品是AmazonSagemaker的正式发布，这是一个简化构建任务的新框架机器学习模型并将它们部署到云端。该服务非常适合对机器学习没有深入了解的开发人员，因为它为开发人员提供了一系列基于流行的Jupyter笔记本格式的预构建开发环境。如果数据科学家不想花很多时间，他们可以在AWS上构建有效的机器学习系统并微调性能，他们会发现这项服务非常有用。相关链接：https://datahub.packtpub.com/machine-learning/amazon-sagemaker-machine-learning-service/2。DSSTNEDSSTNE（通常称为Destiny）是亚马逊提供的另一款产品，这个开源库用于开发机器学习模型。它的主要优势在于可用于训练和部署处理稀疏输入的推荐模型。使用DSSTNE开发的模型经过训练可以使用多个GPU，具有可扩展性，并且针对快速性能进行了优化。该库在GitHub上拥有近4000颗星，是2018年值得关注的另一个工具！相关链接：https://github.com/amzn/amazon-dsstne3.AzureMachineLearningWorkbench早在2014年，微软就发布了AzureMachineLearning工具，将机器学习和人工智能功能放在云端。但这严格来说是一项仅限云的服务。在今年9月举行的Ignite2017大会上，微软公布了下一代Azure端机器学习工具，通过AzureMachineLearningWorkbench为众多企业组织带来机器学习能力。AzureMachineLearningToolbench是一个跨平台的客户端软件，可以在Windows机器和Apple机器上运行。它是为想要执行数据操作和处理任务的数据科学家和机器学习开发人员量身定制的。它旨在确保可扩展性，用户可以从广泛的数据源中获得直观的洞察力，并将其用于数据建模任务。相关链接：https://azure.microsoft.com/en-in/services/machine-learning-services/4.Neon早在2016年，英特尔就宣布斥资3.5亿美元收购Nervana，意在成为大人工智能市场的参与者。Nervana是一家人工智能初创公司，一直在为机器学习开发硬件和软件。借助Neon，他们现在拥有了一个快速、高性能的深度学习框架，旨在在最近发布的Nervana神经网络处理器上运行。Neon旨在易于使用并支持与iPython笔记本电脑的集成。支持常见的深度学习模型，如CNN、RNN、LSTM等模型。该框架显示出改进的迹象，在GitHub上有超过3000颗星。Neon势必会在未来几年挑战几大深度学习库。相关链接：https://github.com/NervanaSystems/neon5.MicrosoftDMLT企业在机器学习领域面临的主要挑战之一是需要快速扩展模型，同时在不牺牲性能的情况下最大限度地减少资源使用。Microsoft的分布式机器学习框架(DMLT)旨在做到这一点。DMLT由微软开源，是为了得到社区更广泛的支持。它允许机器学习开发人员和数据科学家采用单机算法并将其扩展以构建高性能分布式模型。DMLT主要专注于分布式机器学习算法，让您轻松执行词嵌入、采样和梯度提升等任务。该框架目前不支持训练深度学习模型，但我们希望该功能尽快添加到框架中。相关链接：http://www.dmtk.io/6。GoogleCloudMachineLearningEngineCloud机器学习引擎被认为是Google的主要机器学习产品，它可以让您更轻松地构建针对各种数据的机器学习模型。该平台利用流行的Tensorflow机器学习框架，可用于执行大规模预测分析。它还允许您使用流行的HyperTune功能微调和优化机器学习模型的性能。由于无服务器架构支持自动监控、配置和扩展，机器学习引擎确保您只需要担心要训练哪种机器学习模型。此功能对于希望随时随地构建大型模型的机器学习开发人员特别有用。相关链接：https://cloud.google.com/ml-engine/7。AppleCoreMLCoreML框架是苹果开发的，旨在帮助iOS开发者构建更智能的应用程序，它是让Siri更智能的秘诀。它充分利用了CPU的强大功能和GPU的强大功能，允许开发者构建不同类型的机器学习和深度学习模型，然后可以无缝集成到iOS应用程序中。CoreML支持所有常用的机器学习算法，例如决策树、支持向量机和线性模型等。CoreML的功能针对的是实际环境中的很多用例，比如自然语言处理和计算机视觉，所以出门在苹果设备上就可以对数据进行分析，不需要导入模型去学习。相关链接：https://developer.apple.com/machine-learning/8.AppleTuriCreate在很多情况下，iOS开发人员希望自定义他们想要集成到他们开发的应用程序中的机器学习模型。为此，苹果推出了TuriCreate。该库允许您专注于手头的任务，而不是决定使用哪种算法。这允许在数据集、模型需要运行的大小以及模型需要部署在哪个平台方面具有灵活性。TuriCreate易于使用，可用于为推荐、图像处理、文本分类和许多其他任务构建自定义模型。您只需要对Python有所了解就可以开始了！相关链接：https://github.com/apple/turicreate9.Convnetjs深度学习不仅在超级计算机和机器集群上，现在它就在您的互联网浏览器上！现在，您可以使用流行的基于Javascript的Convnetjs库直接在浏览器中训练高级机器学习和深度学习模型，无需CPU或GPU。该库最初由Tesla现任人工智能主管AndrejKarpathy编写，此后开源并在社区的积极贡献下进行了扩展。由于这个非常独特且有用的库的支持，您可以轻松地训练深度神经网络，甚至可以直接在浏览器上训练强化学习模型。这个库适合那些不想购买专门硬件来训练计算密集型模型的人。Convnetjs在GitHub上有近9000颗星，它似乎是2017年的明星项目之一，迅速成为深度学习的首选库。相关链接：http://cs.stanford.edu/people/karpathy/convnetjs/10.BigMLBigML是一家著名的机器学习公司，为开发机器学习模型提供了一个易于使用的平台。使用BigML的RESTAPI，您可以在其平台上无缝训练机器学习模型。它可以让您执行不同的任务，例如异常检测和时间序列预测，还可以构建执行实时预测分析的应用程序。借助BigML，您可以在本地或云端部署模型，让您可以灵活地选择运行机器学习模型所需的环境。BigML兑现了“让机器学习对每个人都非常容易”的承诺。2018年可能是人工智能领域的突破之年，微软、亚马逊、谷歌争相成为人工智能之王。除此之外，还有各种旨在为用户简化机器学习的开源库，还有大量的工具和框架需要关注。令人兴奋的是，它们都有可能成为下一个TensorFlow，带来下一次AI颠覆。相关链接：https://bigml.com/原标题：2018年值得关注的10种机器学习工具，作者：AmeyVarangaonkar
