對於程序員來說,開源項目是十分有幫助的。希望你能從這篇文章中找到可以激發你靈感的有趣項目。最近磐創AI尋找“深大錦鯉”活動是2018年10月15日準時開獎哦~聽說除了送520現金之外,在文末留言點贊第一名還可以獲得200元噹噹購書券欸,快去留言叫小夥伴幫你點贊吧~
▌No.1 TransmogrifAI:用於建立機器學習工作流的 AutoML 庫
TransmogrifAI 是用 Scala 編寫的 AutoML 庫,運行在 Spark 上。該框架的開發初衷在於通過機器學習自動化技術,以及提升編譯速度與可重複利用性的 API,來提高機器學習開發者的開發效率。你可以在以下幾種場景使用該框架:
- 在幾小時內建立可投入使用的機器學習應用,無需幾個月的時間
- 輕鬆創建機器學習模型,即使你不是機器學習專業的 Ph.D
- 建立模塊化的、可重複利用的機器學習工作流
項目鏈接: https://github.com/salesforce/TransmogrifAI?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
▌No.2 YOLOv3:基於 PyTorch 的訓練與預測
YOLOv3 是當前最先進的實時檢測目標的系統,相比於前兩個版本,第三版針對小目標的精度有顯著提升。YOLOv3 的 Github 目錄包含了全部基於 PyTorch 的訓練和預測代碼。要求 Python 3.6 或以上的版本,以及三個工具包:numpy、torch、opencv-python。
項目鏈接: https://github.com/ultralytics/yolov3?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
▌No.3 FastTSNE:快速且可並行的 tSNE 算法
該項目將 160,796 個來自老鼠的神經系統的細胞轉錄過程進行了可視化,項目的初衷是在沒有外部 C 或 C++ 依賴的情況下,在本地快速實現 tSNE 算法。該工具包提供了兩種快速實現 tSNE 的方法:
- Barnes-hut tsne:源於 Multicore tSNE,適用於小規模數據集,時間複雜度爲 O(nlogn)。
- Fit-SNE:源於 Fit-SNE 的 C++ 實現方法,適用於樣本量在 10,000 以上的大規模數據集,時間複雜度爲 O(n)。
項目鏈接: https://github.com/pavlin-policar/fastTSNE?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
▌No.4 AIF360:用於檢測並去除機器學習模型偏差的開源庫
這個 AI Fairness 360 Python 庫包含一整套用於測量偏差的數據集和模型的指標,全部指標的解釋,以及減小偏差的算法。由於 AIF360 具備一整套功能,所以在面對一個用例時,很可能難以抉擇該使用什麼指標或算法,爲了解決這個問題,開發者爲我們提供了可用於參考的使用指南。
項目鏈接: https://github.com/IBM/AIF360?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more 使用指南: http://aif360.mybluemix.net/resources#guidance
▌No.5 殭屍射擊神經網絡:讓 AI 學習如何射擊殭屍
開發者利用神經網絡和強化學習來對 AI 進行訓練,使其學習如何射擊殭屍,從而存活下來。開發者還製作了一段小視頻,來展示其訓練過程。
項目鏈接: https://github.com/Daporan/Zombie-Shooter-Neural-Network?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more