Top 20 Python Machine Learning Open Source Projects

หมายเหตุ: บทความนี้เป็นส่วนหนึ่งของ "บทความชุด Article with Machine Translation" ซึ่งเป็นการแปลบทความจากต้นฉบับภาษาต่างประเทศด้วย Machine translation ดังนั้นจึงมีข้อผิดพลาดอยู่หลายจุด ขอให้ผู้อ่านโปรดใช้วิจารณญาณในการอ่าน ทาง EPT ไม่ขอรับประกันว่าข้อมูลที่ท่านได้อ่านเป็นข้อมูลที่ถูกต้อง และไม่ขอรับผิดชอบความเสียหายใด ๆ ที่เกิดต่อผู้อ่านทั้งทางร่างกาย จิตใจ ทรัพย์สิน ฯลฯ นะครับ

     การเข้าใจใน Machine Learning หรือปัญญาประดิษฐ์ ไม่ใช่งานที่ง่ายๆ มืออาชีพและผู้ที่สนใจหลายคนพบว่ามันยากที่จะสร้างเส้นทางใหม่ที่เหมาะสม ในสาขานี้ ทำให้ทุกวันนี้มีแหล่งข้อมูลที่มีอยู่เป็นจำนวนมหาศาล สาขานี้มีการ พัฒนาอย่างต่อเนื่องและมันก็สำคัญมากที่เราจะก้าวย่างไปต่อกับการพัฒนาที่รวดเร็วนี้ เพื่อที่จะรับมือกับความเร็วที่ท่วมท้นมากเกินของวิวัฒนาการและ นวัตกรรม หนทางที่ดีที่จะมีการอัปเดต(เหมือนทันตลอด)และมีความรู้ในเรื่องของ ความก้าวหน้าของ ML คือรวมแรงร่วมใจกันของ Comunity นักพัฒนา การสนับสนุนให้มีแหล่งข้อมูลโปรเจคและเครื่องมือที่เป็น opensource มากมาย ที่ถูกใช้เป็นประจำโดยผู้เชี่ยวชาญที่มี ความก้าวหน้า

นี่คือ สิ่งที่เราปรับปรุงข้อมูลใหม่และตรวจสอบแนวโน้มตั้งแต่โพสต์ก่อนของ พวกเรา Top 20 Python Machine Learning Open Source Projects (พฤศจิกายน ปี 2016)

   Tensorflow เลื่อนขึ้นมาเป็นอันดับที่ 1 ด้วยการเติบโตขึ้น 3 หลักของผู้ สนับสนุน Scikit-learn ตกไปเป็นที่ 2 แต่ยังคงมีฐานของผู้สนับสนุนที่ใหญ่ มากๆอยู่ 

   เมื่อเปรียบเทียบกับปี 2016 โปรเจคที่มีการเจริญเติบโตรวดเร็วที่สุดในจำนวน ของผู้สนับสนุน คือ

1. TensorFlow, ขึ้น 169% , จาก 493  เป็น 1324 คน
2. Deap,        ขึ้น 86% , จาก   21 เป็น 39 คน
3. Chainer,     ขึ้น 83% , จาก   84 เป็น 154 คน
4. Gensim,     ขึ้น 81% , จาก  145 เป็น 262 คน
5. Neon,        ขึ้น 66% , จาก   47 เป็น 78 คน
6. Nilearn,      ขึ้น 50% , จาก   46 เป็น 69 คน

และยังใหม่ในปี 2018 :

1. Keras,    629 คน
2. PyTorch, 399 คน

20 อันดับ Python AI และโปรเจค Machine Learning บน Github 

     ขนาดเป็นสัดส่วนต่อจำนวนของผู้สนับสนุน และสีเป็นตัวแทนของการเปลี่ยน แปลงของจำนวนผู้สนับสนุน สีแดง คือ สูงสุด สีฟ้า คือ ต่ำสุด รูปร่างเกล็ดหิมะ คือ สำหรับโปรเจคที่มีการเรียนรู้อย่างลึกซึ้ง โดยรอบสำหรับโปรเจคอื่นๆ  

     เราจะเห็นว่าโปรเจคที่มีการเรียนรู้อย่างลึกซึ้งอย่าง TensorFlow , Theano และ Caffe อยู่ท่ามกลางความนิยมสูงสุด รายการด้านล่างนี้ให้โปรเจคตามลำดับ จากมากไปน้อยขึ้นอยู่กับจำนวนผู้สนับสนุน บน Github การเปลี่ยนแปลงของ จำนวนผู้สนับสนุน คือ เทียบกับ 2016 KDnuggets Post on Top 20 Python Machine Learning Open Source Projects    

ผมหวังว่าคุณจะเพลิดเพลินไปกับหน้าเอกสารประกอบของแต่ละแห่งเพื่อเริ่มต้น การทำงานร่วมกันและเรียนรู้วิธีต่างๆของ Machine Learning โดยใช้ Python

1. TensorFlow ดั้งเดิมถูกพัฒนาโดยนักวิจัยและวิศวกรที่ทำงานอยู่ในทีม Google Brain Team โดยใช้การจัดการวิจัย Google’s Machine Intelligence ระบบถูกออกแบบขึ้นเพื่อจะอำนวยความสะดวกต่องานวิจัยใน Machine Learning และเพื่อทำให้มันรวดเร็วและง่ายต่อการเปลี่ยนแปลง จากต้นแบบงานวิจัยเพื่อผลิตระบบ

ผู้สนับสนุน : 1324 (ขึ้น 168%) , จำนวนการกระทำ : 28476 ,
Stars: 92359 , Github URL: Tensorflow

2. Scikit-learn เป็นเครื่องมือที่ง่ายและมีประสิทธิภาพสำหรับการสำรวจและ วิเคราะห์ข้อมูล สามารถเข้าถึงได้โดยทุกๆคนและสามารถนำกลับมาใช้ได้ ใหม่ในเนื้อหาที่หลากหลาย สร้างบน NumPy , SciPy และ matplotlib เป็น แหล่งข้อมูลเปิด สามารถใช้ในทางการค้าได้ – ลิขสิทธิ์ BSD

ผู้สนับสนุน : 1019 (ขึ้น 39%) , จำนวนการกระทำ : 22575 ,
Github URL : Scikit-learn

3. Keras เป็นเครือข่าย Neural API ในระดับสูง ถูกเขียนใน Python ทำงาน อยู่เหนือ TensorFlow , CNTK หรือ Theano 

ผู้สนับสนุน : 629 (ใหม่) , จำนวนการกระทำ : 4371 ,
Github URL : Keras

4. PyTorch , เครือข่าย Neural Tensors และ Dynamic ใน Python ด้วยการ เร่ง GPU ที่แข็งแกร่ง

ผู้สนับสนุน : 399 (ใหม่) , จำนวนการกระทำ : 6458 ,
Github URL : pytorch

5. Theano อนุญาตให้คุณกำหนด , เพิ่มประสิทธิภาพ , และประเมินผลนิพจน์ ทางคณิตศาสตร์ รวมไปถึง arrays หลายมิติได้อย่างมีประสิทธิภาพ

ผู้สนับสนุน : 327 (ขึ้น 24%) , จำนวนการกระทำ : 27931 ,
Github URL : Theano

6. Gensim เป็นไลบรารี Python ฟรีด้วยฟีเจอร์ต่างๆ เช่น ความหมายทาง  

       สถิติที่ปรับขนาดได้ , การวิเคราะห์เอกสารข้อความธรรมดาสำหรับ  

       โครงสร้างความหมาย , ดึงเอกสารที่มีความหมายคล้ายคลึงกันกลับ

ผู้สนับสนุน : 262 (ขึ้น 81%) , จำนวนการกระทำ : 3549 ,
Github URL : Gensim

7. Caffe เป็นการเรียนรู้ Framework อย่างลึกซึ้ง ทำขึ้นด้วยนิพจน์ ,          

       ความเร็วและต้นแบบในใจ มันถูกพัฒนาขึ้นโดย Berkeley Vision and   

       Learning Center (BVLC) และชุมชนผู้สนับสนุน

ผู้สนับสนุน : 260 (ขึ้น 21%) , การกระทำ : 4099, Github URL: Caffe

8. Chainer เป็นรากฐานของ Python เป็นแหล่งข้อมูล Framework เปิดแบบ 

       Standalone สำหรับการเรียนรู้โมเดลที่ลึกซึ้ง Chainer ให้ความยืดหยุ่น ,  

       ปรีชาญาณและการแสดงผลที่ดีมากๆ หมายถึงการใช้การเรียนรู้โมเดล 

       อย่างลึกซึ้งแบบเต็มรูปแบบ รวมไปถึงโมเดล state-of-the-art เช่น
      เครือข่าย Neural ที่เกิดขึ้นซ้อนๆกันและเครื่องเข้ารหัสอัตโนมัติแปรผัน

ผู้สนับสนุน : 154 (ขึ้น 84%) , การกระทำ : 12613 ,
Github URL : Chainer

9. Statsmodels เป็นโมดูล Python ที่อนุญาตให้ผู้ใช้สำรวจข้อมูล , ประเมิน 

       ค่าโมเดลเชิงสถิติและแสดงผลการทดสอบเชิงสถิติได้ รายการที่ครอบ 

       คลุมของสถิติเชิงพรรณนา , การทดสอบทางสถิติ , ฟังก์ชั่นการวางแผน 

       และผลสถิติยังมีอยู่สำหรับชนิดของข้อมูลที่แตกต่างและตัวประเมินค่า
      แต่ละตัว

ผู้สนับสนุน : 144 (ขึ้น 33%) , การกระทำ : 9729 ,
Github URL: Statsmodels  

10. Shogun เป็นกล่องเครื่องมือ Machine Learning ที่ให้การจัดอันดับ     

          ที่กว้างของวิธีการ ML ที่เป็นอันหนึ่งอันเดียวกันและมีประสิทธิภาพ  

          กล่องเครื่องมืออนุญาตให้รวมการเป็นตัวแทนของข้อมูลที่หลากหลาย ,   

          คลาสอัลกอริทึมและจุดประสงค์ของเครื่องมือต่างๆ โดยทั่วไปได้ง่ายอย่าง 

          ลงตัว   

ผู้สนับสนุน : 139 (ขึ้น 32%) , การกระทำ : 16362 ,
  Github URL: Shogun

11. Pylearn2 เป็น machine learning library ฟังก์ชั่นของมันส่วนใหญ่ 

          ถูกสร้างขึ้นบน Theano นี่หมายความว่าคุณสามารถเขียน  

          Pylearn2 plugins (โมเดลใหม่ , อัลกอริทึมและอื่นๆ) โดยใช้นิพจน์ทาง  

          คณิตศาสตร์ และ Theano ซึ่งจะเพิ่มประสิทธิภาพและเสถียรภาพให้กับ 

          นิพจน์เหล่านั้นเพื่อคุณและ compile พวกมันเป็นตัวเลือก backend 

          ของคุณ (CPU หรือ GPU) ได้  

ผู้สนับสนุน : 119 (ขึ้น 3.5%) , การกระทำ : 7119 , 
Github URL: Pylearn2

12. NuPIC เป็นแหล่งข้อมูลโปรเจคเปิดโดยมีรากฐานอยู่บนทฤษฎีของ  

          neocortex ที่เรียกว่า Hierarchical Temporal Memory (HTM) ส่วนของ 

          ทฤษฎี HTM ได้เคยถูกใช้งาน , ทดสอบและใช้ในแอพพลิเคชั่นและส่วน 

          อื่นๆของทฤษฎี HTM ยังคงกำลังพัฒนา

ผู้สนับสนุน : 85 (ขึ้น 12%) , การกระทำ : 6588 ,
Github URL: NuPIC

13. Neon Neon เป็นไลบรารีการเรียนรู้ลึกของ Python ของ  Nervana      ให้ความสะดวกในการใช้งานในขณะที่ส่งการแสดงผลที่ดีที่สุด

ผู้สนับสนุน : 78 (ขึ้น 66%) , การกระทำ : 1112 , Github URL: Neon

14. Nilearn เป็นโมดูล Python สำหรับการเรียนรู้เชิงสถิติที่ง่ายและรวดเร็ว 

          บนข้อมูล NeuroImaging มันยกระดับกล่องเครื่องมือ Python
          scikit-learn สำหรับสถิติหลายตัวแปรด้วยแอพพลิเคชั่น เช่น ทำนาย 

          โมเดล , การจัดกลุ่ม , decoding หรือการวิเคราะห์แบบเชื่อมโยง

ผู้สนับสนุน : 69 (ขึ้น 50%), การกระทำ : 6198 , Github URL: Nilearn

15. Orange3 แหล่งข้อมูล Machine Learning เปิดและการสร้างภาพข้อมูล  

          สำหรับผู้เริ่มต้นและผู้เชี่ยวชาญ ขั้นตอนการทำงานเชิงโต้ตอบของการ 

          วิเคราะห์ข้อมูลด้วยกล่องข้อมูลที่ใหญ่

ผู้สนับสนุน: 53 (ขึ้น 33%), การกระทำ: 8915, Github URL: Orange3

16. Pymc เป็นโมดูล Python ที่ใช้งานโมเดลเชิงสถิติ Bayesian และ  

          อัลกอริทึมที่เหมาะสม รวมไปถึง Markov chain Monte Carlo ความ  

          สามารถในการยืดหยุ่นและขยายของมันทำให้มันสามารถใช้ได้กับ 

          ปัญหาใหญ่ๆ 

ผู้สนับสนุน : 39 (ขึ้น 5.4%), การกระทำ: 2721, Github URL: Pymc

17. Deap เป็น Framework การคำนวณวิวัฒนาการใหม่สำหรับการสร้างต้น 

          แบบที่รวดเร็วและการทดสอบไอเดีย มันพยายามที่จะทำให้อัลกอริทึม   

          ชัดเจนและโครงสร้างข้อมูลที่โปร่งใส มันทำงานได้อย่างกลมกลืนกับ 

          กลไกคู่ขนาน เช่น การดำเนินการที่หลากหลายและ SCOOP

ผู้สนับสนุน : 39 (ขึ้น 86%), การกระทำ: 1960, Github URL: Deap

18. Annoy (Approximate Nearest Neighbors) เป็นไลบรารี C++ ด้วยการ 

          ผูก Python เพื่อที่จะค้นหาสำหรับจุดในพื้นที่ว่างที่อยู่ใกล้ เพื่อให้จุด 

          สืบค้นและมันยังสร้างโครงสร้างข้อมูลไฟล์ขนาดใหญ่ที่อ่านได้เพียง 

          อย่างเดียวที่ถูกวางแผนลงในหน่วยความจำเพื่อให้หลายๆกระบวนการ 

          แชร์ข้อมูลเดียวกันได้

ผู้สนับสนุน : 35 (ขึ้น 46%), การกระทำ: 527, Github URL: Annoy

19. PyBrain เป็น Machine Learning Library สำหรับ Python 

          แบบแยกส่วน เป้าหมายของมัน คือ การเสนอความยืดหยุ่น ใช้งานง่าย  

          และยังเป็นอัลกอริทึมที่มีประสิทธิภาพสำหรับภาระงานของการเรียนรู้ 

          ด้วยตนเองของเครื่องจักรและสิ่งแวดล้อมที่ถูกกำหนดไว้ก่อนที่  

          หลากหลาย เพื่อทดสอบและเปรียบเทียบอัลกอริทึมของคุณ

ผู้สนับสนุน : 32 (ขึ้น 3%), การกระทำ: 992, Github URL: PyBrain

20. Fuel เป็น Framework ท่อส่งข้อมูลที่ให้โมเดล Machine Learning     

          ของคุณด้วยข้อมูลที่พวกเขาต้องการ มันถูกวางแผนให้ถูกใช้โดย 

          ทั้งไลบรารีเครือข่าย Neural Blocks และ Pylearn2

ผู้สนับสนุน : 32 (ขึ้น 10%), การกระทำ: 1116, Github URL: Fuel

จำนวนผู้สนับสนุนและจำนวนการกระทำถูกบันทึกไว้ในเดือนกุมภาพันธ์ ปี 2018
 

ที่เกี่ยวข้อง :

• Top 20 Python Machine Learning Open Source Projects, updated
• Choosing an Open Source Machine Learning Library: TensorFlow, Theano, Torch, scikit-learn, Caffe
• 5 Fantastic Practical Machine Learning Resources

References :

https://www.kdnuggets.com/2018/02/top-20-python-ai-machine-learning-open-source-projects.html