机器学习资源大全

通用机器学习

• MLlib in Apache Spark—Spark中的分布式机器学习程序库
• Mahout —分布式的机器学习库
• Stanford Classifier —斯坦福大学的分类器
• Weka—Weka是数据挖掘方面的机器学习算法集。
• ORYX—提供一个简单的大规模实时机器学习/预测分析基础架构。

数据分析/数据可视化

• Hadoop—大数据分析平台
• Spark—快速通用的大规模数据处理引擎。
• Impala —为Hadoop实现实时查询

Javascript自然语言处理

• Twitter-text-js —JavaScript实现的推特文本处理库
• NLP.js —javascript及coffeescript编写的NLP工具
• natural—Node下的通用NLP工具
• Knwl.js—JS编写的自然语言处理器

数据分析/数据可视化

• D3.js
• High Charts
• NVD3.js
• dc.js
• chartjs
• dimple
• amCharts

通用机器学习

• Convnet.js—训练深度学习模型的JavaScript库。
• Clustering.js—用JavaScript实现的聚类算法，供Node.js及浏览器使用。
• Decision Trees—Node.js实现的决策树，使用ID3算法。
• Node-fann —Node.js下的快速人工神经网络库。
• Kmeans.js—k-means算法的简单Javascript实现，供Node.js及浏览器使用。
• LDA.js —供Node.js用的LDA主题建模工具。
• Learning.js—逻辑回归/c4.5决策树的JavaScript实现
• Machine Learning—Node.js的机器学习库。
• Node-SVM—Node.js的支持向量机
• Brain —JavaScript实现的神经网络
• Bayesian-Bandit —贝叶斯强盗算法的实现，供Node.js及浏览器使用。

Julia通用机器学习

• PGM—Julia实现的概率图模型框架。
• DA—Julia实现的正则化判别分析包。
• Regression—回归分析算法包（如线性回归和逻辑回归）。
• Local Regression —局部回归，非常平滑！
• Naive Bayes —朴素贝叶斯的简单Julia实现
• Mixed Models —（统计）混合效应模型的Julia包
• Simple MCMC —Julia实现的基本mcmc采样器
• Distance—Julia实现的距离评估模块
• Decision Tree —决策树分类器及回归分析器
• Neural —Julia实现的神经网络
• MCMC —Julia下的MCMC工具
• GLM —Julia写的广义线性模型包
• Online Learning
• GLMNet —GMLNet的Julia包装版，适合套索/弹性网模型。
• Clustering—数据聚类的基本函数：k-means, dp-means等。
• SVM—Julia下的支持向量机。
• Kernal Density—Julia下的核密度估计器
• Dimensionality Reduction—降维算法
• NMF —Julia下的非负矩阵分解包
• ANN—Julia实现的神经网络

自然语言处理

• Topic Models —Julia下的主题建模
• Text Analysis—Julia下的文本分析包

数据分析/数据可视化

• Graph Layout —纯Julia实现的图布局算法。
• Data Frames Meta —DataFrames的元编程工具。
• Julia Data—处理表格数据的Julia库
• Data Read—从Stata、SAS、SPSS读取文件
• Hypothesis Tests—Julia中的假设检验包
• Gladfly —Julia编写的灵巧的统计绘图系统。
• Stats—Julia编写的统计测试函数包
• RDataSets —读取R语言中众多可用的数据集的Julia函数包。
• DataFrames —处理表格数据的Julia库。
• Distributions—概率分布及相关函数的Julia包。
• Data Arrays —元素值可以为空的数据结构。
• Time Series—Julia的时间序列数据工具包。
• Sampling—Julia的基本采样算法包

杂项/演示文稿

• DSP —数字信号处理
• JuliaCon Presentations—Julia大会上的演示文稿
• SignalProcessing—Julia的信号处理工具
• Images—Julia的图片库

Lua
通用机器学习

• Torch7
  • cephes —Cephes数学函数库，包装成Torch可用形式。提供并包装了超过180个特殊的数学函数，由Stephen L. Moshier开发，是SciPy的核心，应用于很多场合。
  • graph —供Torch使用的图形包。
  • randomkit—从Numpy提取的随机数生成包，包装成Torch可用形式。
  • signal —Torch-7可用的信号处理工具包，可进行FFT, DCT, Hilbert, cepstrums, stft等变换。
  • nn —Torch可用的神经网络包。
  • nngraph —为nn库提供图形计算能力。
  • nnx—一个不稳定实验性的包，扩展Torch内置的nn库。
  • optim—Torch可用的优化算法库，包括 SGD, Adagrad, 共轭梯度算法, LBFGS, RProp等算法。
  • unsup—Torch下的非监督学习包。提供的模块与nn(LinearPsd, ConvPsd, AutoEncoder, …)及独立算法 (k-means, PCA)等兼容。
  • manifold—操作流形的包。
  • svm—Torch的支持向量机库。
  • lbfgs—将liblbfgs包装为FFI接口。
  • vowpalwabbit —老版的vowpalwabbit对torch的接口。
  • OpenGM—OpenGM是C++编写的图形建模及推断库，该binding可以用Lua以简单的方式描述图形，然后用OpenGM优化。
  • sphagetti —MichaelMathieu为torch7编写的稀疏线性模块。
  • LuaSHKit —将局部敏感哈希库SHKit包装成lua可用形式。
  • kernel smoothing —KNN、核权平均以及局部线性回归平滑器
  • cutorch—torch的CUDA后端实现
  • cunn —torch的CUDA神经网络实现。
  • imgraph—torch的图像/图形库，提供从图像创建图形、分割、建立树、又转化回图像的例程
  • videograph—torch的视频/图形库，提供从视频创建图形、分割、建立树、又转化回视频的例程
  • saliency —积分图像的代码和工具，用来从快速积分直方图中寻找兴趣点。
  • stitch —使用hugin拼合图像并将其生成视频序列。
  • sfm—运动场景束调整/结构包
  • fex —torch的特征提取包，提供SIFT和dSIFT模块。
  • OverFeat—当前最高水准的通用密度特征提取器。
• Numeric Lua
• Lunatic Python
• SciLua
• Lua – Numerical Algorithms
• Lunum

演示及脚本

• Core torch7 demos repository.核心torch7演示程序库
  • 线性回归、逻辑回归
  • 人脸检测（训练和检测是独立的演示）
  • 基于mst的断词器
  • train-a-digit-classifier
  • train-autoencoder
  • optical flow demo
  • train-on-housenumbers
  • train-on-cifar
  • tracking with deep nets
  • kinect demo
  • 滤波可视化
  • saliency-networks
• Training a Convnet for the Galaxy-Zoo Kaggle challenge(CUDA demo)
• Music Tagging—torch7下的音乐标签脚本
• torch-datasets 读取几个流行的数据集的脚本，包括：
  • BSR 500
  • CIFAR-10
  • COIL
  • Street View House Numbers
  • MNIST
  • NORB
• Atari2600 —在Arcade Learning Environment模拟器中用静态帧生成数据集的脚本。

转自：基因堂

机器学习资源大全

原文：http://www.cnblogs.com/jkmiao/p/4506426.html