สมัครเรียนโทร. 085-350-7540 , 084-88-00-255 , ntprintf@gmail.com

Tutorial Machine Learning

MT001 Artificial Intelligence MT002 Machine Learning MT003 8 Fun Machine Learning Projects For Beginner MT004 Optimization MT005 Mathematical Optimization MT006 Top 20 Python Machine Learning Open Source Projects MT101 Introduction to Neural Networks MT102 Introduction to Deep Learning with TensorFlow MT103 Installing TensorFlow for Deep Learning MT104 TensorFlow Creating the Neural Network Model MT105 TensorFlow How the Network will run

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

  1. 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

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

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

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

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

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

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

  1. Gensim เป็นไลบรารี Python ฟรีด้วยฟีเจอร์ต่างๆ เช่น ความหมายทาง  

       สถิติที่ปรับขนาดได้ , การวิเคราะห์เอกสารข้อความธรรมดาสำหรับ  

       โครงสร้างความหมาย , ดึงเอกสารที่มีความหมายคล้ายคลึงกันกลับ

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

  1. Caffe เป็นการเรียนรู้ Framework อย่างลึกซึ้ง ทำขึ้นด้วยนิพจน์ ,          

       ความเร็วและต้นแบบในใจ มันถูกพัฒนาขึ้นโดย Berkeley Vision and   

       Learning Center (BVLC) และชุมชนผู้สนับสนุน

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

  1. 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

  1. Statsmodels เป็นโมดูล Python ที่อนุญาตให้ผู้ใช้สำรวจข้อมูล , ประเมิน 

       ค่าโมเดลเชิงสถิติและแสดงผลการทดสอบเชิงสถิติได้ รายการที่ครอบ 

       คลุมของสถิติเชิงพรรณนา , การทดสอบทางสถิติ , ฟังก์ชั่นการวางแผน 

       และผลสถิติยังมีอยู่สำหรับชนิดของข้อมูลที่แตกต่างและตัวประเมินค่า
      แต่ละตัว

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

  1. Shogun เป็นกล่องเครื่องมือ Machine Learning ที่ให้การจัดอันดับ     

          ที่กว้างของวิธีการ ML ที่เป็นอันหนึ่งอันเดียวกันและมีประสิทธิภาพ  

          กล่องเครื่องมืออนุญาตให้รวมการเป็นตัวแทนของข้อมูลที่หลากหลาย ,   

          คลาสอัลกอริทึมและจุดประสงค์ของเครื่องมือต่างๆ โดยทั่วไปได้ง่ายอย่าง 

          ลงตัว   

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

  1. 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

  1. 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

  1. Neon Neon เป็นไลบรารีการเรียนรู้ลึกของ Python ของ  Nervana      ให้ความสะดวกในการใช้งานในขณะที่ส่งการแสดงผลที่ดีที่สุด

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

  1. 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

  1. Orange3 แหล่งข้อมูล Machine Learning เปิดและการสร้างภาพข้อมูล  

          สำหรับผู้เริ่มต้นและผู้เชี่ยวชาญ ขั้นตอนการทำงานเชิงโต้ตอบของการ 

          วิเคราะห์ข้อมูลด้วยกล่องข้อมูลที่ใหญ่

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

  1. 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

  1. Deap เป็น Framework การคำนวณวิวัฒนาการใหม่สำหรับการสร้างต้น 

          แบบที่รวดเร็วและการทดสอบไอเดีย มันพยายามที่จะทำให้อัลกอริทึม   

          ชัดเจนและโครงสร้างข้อมูลที่โปร่งใส มันทำงานได้อย่างกลมกลืนกับ 

          กลไกคู่ขนาน เช่น การดำเนินการที่หลากหลายและ SCOOP

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

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

          ผูก Python เพื่อที่จะค้นหาสำหรับจุดในพื้นที่ว่างที่อยู่ใกล้ เพื่อให้จุด 

          สืบค้นและมันยังสร้างโครงสร้างข้อมูลไฟล์ขนาดใหญ่ที่อ่านได้เพียง 

          อย่างเดียวที่ถูกวางแผนลงในหน่วยความจำเพื่อให้หลายๆกระบวนการ 

          แชร์ข้อมูลเดียวกันได้

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

  1. 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

  1. 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 :

 

References :

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

 



ไม่อยากอ่าน Tutorial อยากมาเรียนเลยทำอย่างไร?

สมัครเรียน ONLINE ได้ทันทีที่ https://elearn.expert-programming-tutor.com

หรือติดต่อ

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM

แผนที่ ที่ตั้งของอาคารของเรา

Python

L16 PYTHON SIMPLE ARITHMETIC
L40 PYTHON TUTORIAL INTRO
L41 PYTHON GETTING STARTED
L42 PYTHON SYNTAX
L43 PYTHON COMMENTS
L44 PYTHON VARIABLES
L45 PYTHON DATATYPE
L46 PYTHON NUMBERS
L47 PYTHON CASING
L48 PYTHON STRINGS
L49 PYTHON BOOLEANS
L50 PYTHON OPARETORS
L51 PYTHON LISTS
L52 PYTHON TUPELS
L53 PYTHON SETS
L54 PYTHON DICTIONARY
L55 PYTHON IF ELSE
L56 PYTHON WHILE LOOP
L57 PYTHON FOR LOOP
L58 PYTHON FUNCTION
L59 PYTHON LAMBDA
L60 PYTHON ARRAYS
L61 PYTHON CLASSSES OBJECTS
L62 PYTHON INHERITANCE
L63 PYTHON ITERATORS
L63 PYTHON SCOPE
L64 PYTHON MODULES
L65 PYTHON DATETIME
L66 PYTHON JSON
L67 PYTHON REGEX
L68 PYTHON PIP
L69 PYTHON TRY EXCAPE
L70 PYTHON USER INPUT
L71 PYTHON FILE OPEN
L73 PYTHON STRING FORMATTING
L74 PYTHON READ FILE
L75 PYTHON WRILE CREATE FILE
L76 PYTHON DELETE FILE
L90 PYTHON POISSON DISTRIBUTION
L90 PYTHON RANDOM INTRODUCTION
L91 PYTHON CHI SQUARE DISTRIBUTION
L91 PYTHON EXPONENTIAL DISTRIBUTION
L92 PYTHON RAYLEIGH DISTRIBUTION
L93 PYTHON PARETO DISTRIBUTION
L94 PYTHON ZIPF DISTRIBUTION
L96 PYTHON RANDOM PERMUTATIONS
L97 PYTHON SEABORN
L98 PYTHON NORMAL DISTRIBUTION
L99 PYTHON DISTRIBUTION
L99 PYTHON LOGISTIC DISTRIBUTION
L99 PYTHON MULTINOMIAL DISTRIBUTION
L99 PYTHON NUMPY SPLITTING ARRAY
L99 PYTHON NUMPY UFUNCS
L99 PYTHON UNIFORM DISTRIBUTION
LM60PYTHON BUILT IN FUNCTIONS
LM61PYTHON STRING METHODS
LM62PYTHON LIST ARRAY METHODS
LM63PYTHON DICTIONARY METHODS
LM64PYTHON TUPLE METHODS
LM65PYTHON SET METHODS
LM66PYTHON FILE METHODS
LM67PYTHON KEYWORD
LM68PYTHON BUILT IN EXCAPTION
LM69PYTHON RANDOM MODULE
LM70PYTHON MATH MODULE
LM70PYTHON REQUSTS MODULE
LM72PYTHON CMATH MODULE
LM73PYTHON HOWTO REMOVE DUPLICATES FROM A PYTHON LIST
LM74PYTHON HOW TO REVERSE A STRING IN PYTHON
LM75PYTHON HOW TO ADD TWO NUMBERS IN PYTHON
LM95PYTHON RANDOM DATA DISTRIBUTION


แผนผังการเรียนเขียนโปรแกรม

Link อื่นๆ

Allow sites to save and read cookie data.
Cookies are small pieces of data created by sites you visit. They make your online experience easier by saving browsing information. We use cookies to improve your experience on our website. By browsing this website, you agree to our use of cookies.

Copyright (c) 2013 expert-programming-tutor.com. All rights reserved. | 085-350-7540 | 084-88-00-255 | ntprintf@gmail.com

ติดต่อเราได้ที่

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM
แผนที่ ที่ตั้งของอาคารของเรา