点击上方关注，All in AI中国

机器学习平台并不是未来的潮流，它已经真真切切的发生在我们的身边。开发人员需要知道如何以及何时利用其权力。在使用像Filestack这样的正确工具的同时，在ML环境中工作可以使开发人员更容易创建一个高效的算法，以充分发挥其功能。以下是小编为大家精心总结的机器学习平台和工具，现在已经可作为资源将ML的强大功能无缝集成到日常任务中。

1.H2O

https://www.h2o.ai

H2O是由H2O.ai为Python、R和Java编程语言设计的。通过使用这些熟悉的语言，这款开源软件使开发人员能够轻松地将预测分析和机器学习应用于各种情况。 H2O可在Mac、Windows和Linux操作系统上使用，为开发人员提供分析Apache Hadoop文件系统中的数据集以及云中的数据集所需的工具。

2. Apache PredictionIO

https://predictionio.apache.org

正在寻找开源软件的开发人员也有一个开源的机器学习服务器，该开发人员应该将Apache PredictionIO作为一种构建可满足任何人工智能任务的预测引擎的方法。除了事件服务器和平台本身之外，Apache PredictionIO还包含一个模板库。

3. Eclipse Deeplearning4j

https://projects.eclipse.org/proposals/eclipse-deeplearning4j

Eclipse Deeplearning4j是一个为Java虚拟机构建的开源库。以深度学习为核心，该工具针对那些需要在分布式CPU和GPU工作的商业环境中构建深度神经网络的开发人员。 Scala、Clojure和Java程序员可以使用像Hadoop这样的文件系统，并且有DIY倾向的人可能会更喜欢Eclipse Deeplearning4j。该工具是旧金山Skymind公司的一个项目，可以获得付费支持和企业分销。

4. Accord.NET Framework

http://accord-framework.net

图像和音频处理库以C＃编程语言编写，然后与Accord.NET框架相结合。在其中，开发人员可以创建一系列商业用途的应用程序，这些应用程序依赖机器学习，例如计算机视觉、信号处理、模式识别和计算机视觉。这样有多种可供选择，开发人员可以利用图像和信号处理、科学计算等。强大的功能，如实时人脸检测以及更多增加到这个框架的多功能性。

5.微软

https://docs.microsoft.com/en-us/azure/machine-learning/service/

在2017年9月举行的Ignite会议期间，微软推出了三款Azure机器学习工具：Azure机器学习实验服务、Azure机器学习工作台以及Azure机器学习模型管理服务。可以让开发人员构建自己的人工智能模型。微软还推出了三个人工智能工具，必应实体搜索 API、自定义影像服务、人脸API，以增加25个开发人员工具库，旨在提高人工智能的可访问性。

6. ai-one

http://www.ai-one.com

开发人员可以使用ai-one创建几乎适用于任何软件应用程序的智能助理。该工具的资源列表包括开发人员API、文档库和可用于将数据转换为支持ML和AI结构的规则集的构建代理。

7. IBM

https://www.ibm.com/watson/

IBM的Watson平台是商业用户和开发人员可以找到一系列AI工具的地方。该平台的用户可以使用入门工具包，示例代码和其他可通过开放API访问的工具来构建虚拟代理、认知搜索引擎和聊天机器人。

8.Torch

http://torch.ch

以Lua编程语言为基础，Torch包含脚本语言、科学计算框架和开源ML库。 Torch通过一系列算法支持深度机器学习，并已被DeepMind和Facebook AI Research Group使用。

9.Protege

https://protege.stanford.edu/products.php

乍一看，看起来似乎是Protege对企业的关注没有其他任何空间。但是，开发人员可以利用Protege的开源工具套件，为专家和知识渊博的初学者提供强大的应用工具。这两组开发人员都可以修改、创建、共享和上传应用程序，并利用支持社区。

10. TensorFlow

https://www.tensorflow.org

TensorFlow专为在依赖机器学习的项目中使用而设计，它具有作为使用开源软件设计的平台的附加优势。在大量的在线资源、文档和教程的帮助下，TensorFlow提供了一个包含数值计算形式的数据流图的库。这种方法的目的是让开发人员能够跨多种设备（包括移动设备、平板电脑和台式机）启动深度学习框架。

11. DiffBlue

https://www.diffblue.com

DiffBlue是非常罕见的开发工具，它是一个非常有用但简单的平台，致力于代码自动化。 DiffBlue有几个核心目的：测试编写、错误定位、重构代码以及发现和替换弱点的能力，这些都是使用自动化完成的。

12. Neon

https://github.com/NervanaSystems/neon

它是由Intel和Nervana开发的，Neon是一个基于Python的ML库，并且是开源的。使用其工具的开发人员可以利用技术先进的应用程序和智能代理。在云环境中， Neon支持云计算，支持开发人员开发、构建和训练深度学习技术。

13. Apache Spark MLlib

https://spark.apache.org/mllib/

作为包含内存数据处理的框架，Apache Spark MLlib提供了一个算法数据库，重点关注集群、协作过滤、分类和回归。开发人员还可以找到Singa，这是一个开源框架，其中包含一个编程工具，可用于大量机器及其深度学习网络。

14. OpenNN

http://www.opennn.net

一个C ++编程库，OpenNN主要针对那些想要实现神经网络的经验丰富的开发人员。 OpenNN包含Neural Designer，该工具旨在通过创建表格、图表和其他可视内容来解释和简化数据条目。尽管OpenNN为用户提供了大量的教程和文档库，但仍主要针对那些已经拥有丰富AI经验的开发人员。

15.亚马逊网络服务

https://mahout.apache.org

开发人员可以利用Amazon Web Services（AWS）提供的大量AI工具包，其中包括Amazon Lex、Amazon Rekognition Image和Amazon Polly。开发人员以不同的方式使用它们来创建ML工具。例如，Amazon Polly利用人工智能来自动化将语音翻译成书面文本的过程。亚马逊Lex是该品牌的聊天机器人的基础，可以与其个人助理Alexa一起使用。

16. Mahout

https://mahout.apache.org

对于需要创建依靠ML来扩展的应用程序的开发人员，Mahout就可以实现。除了诸如教程之类的资源之外，Mahout还为初级开发人员提供了使用先入为主的算法的能力，然后可以与Apache Flink、Apaches Spark和H2O一起使用。

17.Veles

https://velesnet.ml

以C ++编写，并使用Python进行节点协调，Veles是三星对ML景观的贡献。那些已经需要可以立即用于数据分析并且由训练有素的模型组成的API的开发人员将会在Veles中找到价值。

18.Caffe

http://caffe.berkeleyvision.org

Caffe由伯克利视觉与学习中心（BVLC）与开发者社区合作开发。它旨在为开发人员提供基于图像的自动检查工具。 Caffe被世界上一些最大的品牌使用，包括Pinterest和Facebook。

开始使用这些机器学习平台吧！

刚刚开始他们的职业生涯的开发人员以及专家将会在他们通过上述清单的过程中找到宝贵的资源。其中一些依赖于特定的编程语言，而其他一些可以在包括云中的各种实例中使用。软件和基于云的产品都可以让开发人员充分利用每种产品的优势。