[[255723]]

機器學習平臺不是未來的潮流, 而是現在正在發生了。開發人員需要知道如何以及何時利用他們的能力。在ML環境中工作，同時使用正確的工具(如Filestack)，可以使開發人員更容易創建利用其強大功能的高效算法。下面列出的機器學習平臺和工具(沒有特定的順序)現在可以作為資源來無縫地將ML的強大功能集成到日常任務中。

1. H2O

H2O是由H2O.ai為Python、R和Java編程語言設計的。通過使用這些熟悉的語言，這個開源軟件使開發人員能夠輕松地將預測分析和機器學習應用于各種情況。H2O可以在Mac、Windows和Linux操作系統上使用，它為開發人員提供了分析Apache Hadoop文件系統中的數據集和云中的數據集所需的工具。

2. Apache PredictionIO

開發人員正在尋找一種開放源碼的堆棧，這種堆棧上也有一個用于機器學習的開放源碼服務器，他們應該將Apache PredictionIO作為一種構建預測引擎的方法，這種預測引擎可以滿足任何人工智能任務。除了事件服務器和平臺本身之外，Apache PredictionIO還包括一個模板庫。

3.Eclipse Deeplearning4j

Eclipse Deeplearning4j是為Java虛擬機構建的開源庫。以深度學習為核心，該工具針對的是那些需要在分布式cpu和gpu上工作的業務環境中構建深度神經網絡的開發人員。Scala、Clojure和Java程序員如果使用Hadoop這樣的文件系統并具有DIY愛好，就會喜歡Eclipse Deeplearning4j。這個工具是舊金山Skymind公司的一個項目，可以獲得付費支持和企業分發。

4.Accord.NET Framework

圖像和音頻處理庫是用c#編程語言編寫的，然后與Accord結合。凈框架。在它里面，開發人員可以創建一系列的應用程序，用于商業用途，這些應用程序依賴于機器學習，如計算機視覺、信號處理、模式識別和機器聽力(也稱為計算機聽覺)。有了多種選擇，開發人員可以利用圖像和信號處理、科學計算和支持庫。實時人臉檢測、自然學習算法等健壯特性為該框架的通用性增加了更多內容。

5. 微軟

在2017年9月的Ignite會議上，微軟發布了3款Azure機器學習工具——學習工作臺、學習模型管理服務和學習實驗服務——允許開發人員構建自己的人工智能模型。微軟還推出了三款人工智能工具:Content Moderator、定制語音服務(Custom Speech Service)和必應(Bing)語音api，以增加其擁有25個開發人員工具的庫，這些工具旨在提高人工智能的可訪問性。

6. ai-one

開發人員可以使用ai- 1創建幾乎適用于任何軟件應用程序的智能助手。該工具的資源列表包括開發人員api、文檔庫和構建代理，這些構建代理可用于將數據轉換為支持ML和AI結構的規則集。

7. IBM

IBM的沃森平臺是企業用戶和開發人員都可以找到一系列人工智能工具的平臺。該平臺的用戶可以使用starter工具包、樣例代碼和其他可通過開放api訪問的工具來構建虛擬代理、認知搜索引擎和聊天機器人。

8. Torch

以Lua編程語言為基礎，Torch包括腳本語言、科學計算框架和開源ML庫。Torch通過一系列算法支持深度機器學習，并已被DeepMind和Facebook人工智能研究小組使用。

9. Protege

乍一看，Protege對企業的關注似乎沒有給其他業務留下多少空間。但是，開發人員可以利用Protege的開源工具套件，該套件為專家和知識淵博的初學者提供了健壯的應用程序工具。兩組開發人員都可以修改、創建、共享和上傳應用程序，并利用一個支持他們的社區。

10. TensorFlow

TensorFlow是專門為依賴機器學習的項目而設計的，它的另一個好處是它是一個使用開源軟件設計的平臺。借助大量的在線資源、文檔和教程，TensorFlow提供了一個包含數值計算形式的數據流圖的庫。這種方法的目的是允許開發人員跨多個設備(包括移動設備、平板電腦和臺式機)啟動深度學習框架。

11. DiffBlue

DiffBlue是一種非常罕見的開發工具，它是一種非常有用而又簡單的用于代碼自動化的平臺。DiffBlue有幾個核心目的——測試編寫、bug定位、重構代碼以及發現和替換弱點的能力——這些都是通過使用自動化實現的。

12. Neon

Neon是Intel和Nervana的結晶，它是一個基于Python的ML庫，并且是開源的。利用其工具的開發人員可以利用技術先進的應用程序和智能代理。Neon位于云端，支持開發人員啟動、構建和培訓深度學習技術。

13. Apache Spark MLlib

作為一個包含內存數據處理的框架，Apache Spark MLlib提供了一個算法數據庫，重點關注集群、協作過濾、分類和回歸。開發人員還可以找到Singa，這是一個開源框架，其中包含一個編程工具，可以跨許多機器及其深度學習網絡使用。

14. OpenNN

OpenNN是一個c++編程庫，目標用戶是那些想要實現神經網絡的有經驗的開發人員。OpenNN包括神經設計器，這是一種工具，旨在通過創建表、圖和其他可視化內容來解釋和簡化數據條目。盡管OpenNN為用戶提供了大量的教程和文檔庫，但它主要針對的是那些已經擁有豐富人工智能經驗的開發人員。

15. Amazon Web Services

開發人員可以利用Amazon Web Services (AWS)提供的許多AI工具包，其中包括Amazon Lex、Amazon Rekognition Image和Amazon Polly。開發人員以不同的方式使用每種工具來創建ML工具。例如，Amazon Polly利用人工智能將語音翻譯成書面文本的過程自動化。亞馬遜Lex構成了該品牌與其個人助理Alexa一起使用的聊天機器人的基礎。

16. Mahout

對于需要創建依賴于ML以實現可伸縮性的應用程序的開發人員，可以使用Mahout。除了教程等資源之外，Mahout還為初級開發人員提供了使用預先設計的算法的能力，這些算法可以與Apache Flink、Apaches Spark和H2O一起使用。

17. Veles

使用c++編寫并使用Python進行節點協調，Veles是三星對ML領域的貢獻。那些已經需要可以立即用于數據分析并且由經過訓練的模型組成的API的開發人員將在Veles中找到價值。

18.Caffe

Caffe是由Berkeley Vision and Learning Center (BVLC)與開發人員社區合作開發的。它的設計目的是為開發人員提供一個基于圖像的自動檢查工具。Caffe被一些世界上最大的品牌使用，包括Pinterest和Facebook。

開始使用這些機器學習平臺

剛剛開始他們職業生涯的開發人員，以及那些專家，將會發現一個寶貴的資源寶庫，因為他們的工作方式通過上面的列表。雖然有些依賴于特定的編程語言，但是其他的可以在各種實例中使用，包括在云中。軟件和基于云的產品都允許開發人員利用各自的優勢。