当你选择一个机器学习工具时，你就选择了你的未来。我们都知道，在人工智能的世界里，一切变化都很迅速，因此，在 "老狗，老把戏 "和 "昨天刚成功 "之间保持平衡是很重要的。
在这篇文章中，我们要看一下18个流行的机器学习工具。这次审查将涵盖ML平台、框架和ML库。
顶级机器学习框架、库和平台
首先，我们要谈的是平台。它们建立在一个单一的通道架构上，并以一种方便编程任务的方式设计。它们可能提供其他服务，如在云中工作，协作工作选项，或用于数据可视化的图形处理器。它们也使用谷歌、微软或亚马逊的流行框架。
然后，我们将看看开发ML应用程序时要使用的框架。
机器学习平台
如果你开始使用ML，一个具有现成的数据集和标准模型模板的平台将使你能够更快地创建你的第一个解决方案，并减少错误。这些平台安装了所有必要的工具，让你很快就能开始工作。
1.谷歌云上的AI平台和数据集
任何ML模型的基本问题是，你需要一个正确的数据集来训练它。它们的制作成本很高，而且需要大量的时间。谷歌云公共数据集是由谷歌策划的数据集，定期更新。其格式非常不同：从图像到音频、视频和文本。这些数据是为具有不同使用情况的广泛的研究人员准备的。
此外，谷歌还提供其他有用的服务，你可能会觉得有趣：
- 用于训练和管理ML模型的AI平台。
- 自然语言处理服务。
- 视觉AI（计算机视觉的模型）。
- 超过30种语言的语音合成软件等。
谷歌以其在人工智能方面的专业知识而闻名，因此你可以放心地将他们的解决方案用于你自己的项目。
2.亚马逊网络服务
AWS是一个为开发者提供人工智能和机器学习服务的平台。可以选择其中一个预先训练好的人工智能服务来处理计算机视觉、语言识别、语音生成、建立推荐系统和预测模型。
使用亚马逊SageMaker，你可以快速创建、训练和部署可扩展的机器学习模型，或创建支持所有流行的开源ML平台的定制模型。
你也可以使用亚马逊的服务，为现有的商业解决方案提供新的功能。它们可以很容易地与不同的软件集成，例如，使联络中心现代化，并提高客户保留率。AWS可以帮助实现更高的客户满意度，并扩大业务工具的标准集。
3.微软Azure
Azure机器学习工作室允许没有机器学习经验的开发人员使用拖放功能。这个平台允许你直接 "在云上 "构建解决方案，并轻松创建BI应用，而不考虑数据的质量。
微软还提供了Cortana Intelligence，这个工具允许你全面管理大数据和分析，将数据转化为有意义的信息和后续行动。
总的来说，Azure可以被团队和大型组织用来在云中共同研究ML解决方案。它有一套广泛的工具用于不同的目的，这使得它如此受到国际企业的喜爱。
4.RapidMiner
RapidMiner是一个数据科学和机器学习的平台。它有一个方便的图形界面，允许处理各种不同格式的数据，包括.csv、.txt、.xls、.pdf。由于这种易用性和对隐私的尊重，Rapid Miner被世界上成千上万的企业所使用。
当你需要快速建立自动化模型时，这个工具很好。它可以帮助你自动分析数据，识别常见的质量问题，如相关性、缺失值和稳定性。然而，为了解决更复杂的研究问题，最好使用其他工具。
5.IBM Watson
如果你正在寻找一个功能齐全的平台，并为研究团队和企业提供一些工具，请查看IBM的Watson平台。
Watson是一个开源的API套件。其用户可以获得样本代码、启动工具包，并可以创建认知搜索引擎和虚拟代理。他们的工具可以被任何开发者用来在云端创建自己的软件，而且价格非常亲民，这使得它成为中小型企业的良好解决方案。
此外，Watson有一个聊天机器人创建平台，机器学习的初学者可以使用它来更快地训练机器人。
6.Anaconda
Anaconda是一个用于数据分析的开源ML平台，与Python和R一起工作，它可以在任何支持的操作系统上运行，用于其他平台。它允许开发者使用1500多个Python和R数据科学包，管理库和环境（包括Dask、NumPy和pandas）。
Anaconda在报告和建模方面有很好的可视化能力。这个工具很受欢迎，因为它只需一次安装就能汇集许多工具。
现在，让我们仔细看看机器学习的框架、库和其他工具，你不能错过。
用于机器学习的流行语言
Python是最流行的ML语言之一。它很灵活，很容易学习。Python是一种古老的语言，它有一套丰富的库和框架，并定期更新。由于有成套的预编程元素，这些资源有助于更快地开发机器学习解决方案。
另一种相当流行的机器学习应用语言是R。这种语言是为了进行统计分析而创建的。它具有强大的可视化能力。如果你想用R语言工作，你将需要特殊的软件包。Ubuntu Pit已经收集了20个最好的R包，供你在ML中使用。
你会在下面找到这些语言和更多语言（如C++、Julia、Ruby和Scala）的工具。
机器学习框架和工具
Python工具
Python是机器学习领域中使用最广泛的语言。因此，许多重要的机器学习库都是Python语言。
7.TensorFlow
TensorFlow是谷歌的一套开源的深度学习软件库。使用TensorFlow工具，ML专家可以创建高度准确和功能丰富的机器学习模型。
这个软件简化了构建和部署复杂神经网络的过程。TensorFlow为Python和C/C ++语言提供API，允许为研究目的探索其可能性。此外，世界各地的企业得到了强大的工具来处理他们自己的数据，并在一个廉价的云环境中处理它。
TensorFlow库大大简化了旨在解决高复杂度问题（如语音识别、计算机视觉或自然语言处理）的应用程序的自学习元素的集成。
8.Scikit-learn
Scikit-learn简化了创建分类、回归、降维算法的过程，并有助于进行预测性数据分析。这个库是开源的，可以用于研究和商业目的。Sklearn建立在NumPy、SciPy、pandas和matplotlib之上，这些都是Python中ML编程不可缺少的工具。
9.Jupyter笔记本
Jupyter Notebook是一个用于交互式计算的命令外壳。这个工具不仅可以用于Python，还可以用于其他编程语言。Julia, R, Haskell, 和Ruby。它经常被用于数据分析、统计建模和机器学习。
基本上，Jupyter笔记本有助于数据科学领域的项目的交互式表示。它允许创建漂亮的分析报告，并存储和分享代码、可视化和评论。
10.Colab
如果你在使用Python工作，你可能想拥有的另一个方便的工具是Colab。Colaboratory，或简称Colab，允许你在浏览器中编写和执行Python。它需要零配置，让你获得GPU的能力，而且结果很容易分享。
11.PyTorch
PyTorch是一个基于Python的开源框架，用于基于Torch的深度学习。它像NumPy一样进行GPU加速的张量计算。在此基础上，PyTorch提供了一个大型的API库，用于神经网络应用的编程。
PyTorch与其他机器学习服务不同。与TensorFlow或Caffe2不同，它不使用静态图。相反，PyTorch中的图是动态的，并在运行中计算。使用动态图使PyTorch对一些人来说更容易操作，甚至允许初学者在他们的项目中应用深度学习。
12.Keras
Keras是一个神经网络API，为Python提供一个深度学习库。Keras是Kaggle上获胜团队中最广泛选择的深度学习框架。对于那些开始机器学习专家生涯的人来说，这是最好的工具之一。与其他库相比，Keras更容易理解。而且，它更加高级，因此，使用Keras更容易将大局概念化。流行的Python框架，如TensorFlow、CNTK或Theano，也可以与它一起工作。
其他框架
机器学习是通过大量不同的语言和工具实现的。这里有一些不是专门 "为Python "的框架。
13.Knime
你将需要Knime来处理数据分析和表格报告。这个开源的机器学习工具通过其模块化的数据管道概念，整合了机器学习和数据挖掘的众多组件。这个软件有定期的发布和出色的支持。
这个工具的一大优势是，它可以整合各种编程语言的代码，如C、C++、R、Python、Java和JavaScript。它很容易被具有不同编程技能的团队所采用。
14.Apache Spark MLlib
Apache Spark MLlib是一个数据处理框架，拥有一个庞大的算法数据库。MlLib是一个使用Spark这个集群计算框架的库。它将计算分布在计算机之间，这是它的主要优势。在其他方面，Apache Spark允许你解决与分类、聚类和协同过滤有关的问题。
在Apache生态系统中，还有一个名为Singa的开源框架，它是一个用于深度神经网络的可扩展分布式训练的软件工具。
15.Apache Mahout
Apache Mahout是一个开源的跨平台框架，适用于那些想要开发可扩展的机器学习应用的专业人士。Mahout让开发者有能力使用Apache Spark、H20和Apache Flink的预建算法。
目前，Apache Mahout算法通常用于建立推荐系统（协同过滤），用于聚类和分类任务。然而，从理论上讲，它可以用来解决任何一种与ML相关的问题，其中可扩展性和性能很重要。
16.Caffe
Caffe是一个著名的C + +库，用于实现深度学习算法。它是开源的，并继续由第三方开发者开发，重点是保持高水平的可读性、处理速度和数据清洁度。它支持Python并能与MATLAB集成。
17.Accord.NET
Accord.NET是一个基于.NET的机器学习框架，用C#编写。该平台由几个库组成，涵盖广泛的任务，如静态数据处理、机器学习和模式识别。它允许实现和测试大量的机器学习算法，并且有很好的文档。
18.Shogun
Shogun是一个开源的机器学习解决方案，专注于支持向量机（SVM）。它是用C++编写的。这个框架在可靠和可理解的算法基础上提供了广泛的统一的机器学习方法。Shogun可以被普通的程序员用于广泛的标准和尖端的任务。科学家们可以应用它进行快速的原型设计和灵活的嵌入工作流程。该工具支持多种语言（Python、R、Java/Scala、C#、Ruby）和平台（Linux/Unix、macOS和Windows），并容易与科学计算环境整合。
最后的想法
智能机器学习工具有助于更快地开发模型，并提供强大的研究、分析和报告机会。
