人工智能和机器学习是两个创新的领导者，因为世界受益于技术对全球行业的吸引力。 选择使用哪种工具可能很困难，因为许多工具在市场上广受欢迎以保持竞争力。
选择机器学习工具时，您就选择了自己的未来。 由于人工智能领域的一切发展如此之快，因此在“老狗，老把戏”和“昨天才成功”之间保持平衡至关重要。
机器学习工具的数量正在增加； 有了它，要求是评估它们并理解如何选择最好的。
我们将在本文中了解一些著名的机器学习工具。 这篇评论将通过 ML 库、框架和平台。
赫敏
名为 Hermione 的最新开源库将使数据科学家更容易、更快速地设置顺序更好的脚本。 此外，Hermione 还提供数据视图、文本向量化、列规范化和反规范化以及其他有助于日常活动的主题的课程。 和赫敏在一起，你必须遵循一个程序； 剩下的就由她来处理，就像变魔术一样。
水润
一个名为 Hydra 的开源 Python 框架可以更轻松地创建用于研究和其他目的的复杂应用程序。 Hydra 指的是其管理众多相关任务的能力，很像具有多个头的 Hydra。 主要功能是动态组合分层配置并通过配置文件和命令行覆盖它的能力。
动态命令行选项卡完成是另一个。 它可以从各种来源进行分层配置，并且可以从命令行给出或更改配置。 此外，它可以启动您的程序以远程或本地运行，并使用单个命令执行带有各种参数的大量任务。
考拉
为了在处理大量数据时提高数据科学家的工作效率，Koalas 项目在 Apache Spark 之上集成了 pandas DataFrame API。
Pandas 是事实标准（单节点）Python DataFrame 实现，而 Spark 是大规模数据处理的事实标准。 如果您已经熟悉 pandas，您可以使用这个包立即开始使用 Spark 并避免任何学习曲线。 单个代码库与 Spark 和 Pandas（测试、较小的数据集）（分布式数据集）兼容。
路德维希
Ludwig 是一个声明式机器学习框架，它提供了一种直接且灵活的数据驱动配置方法来定义机器学习管道。 Linux Foundation AI & Data 托管 Ludwig，可用于各种 AI 活动。
输入和输出功能以及适当的数据类型在配置中声明。 用户可以指定额外的参数来预处理、编码和解码特征，从预训练模型加载数据，构建内部模型架构，调整训练参数，或执行超参数优化。
Ludwig 将使用配置的显式参数自动创建端到端的机器学习管道，同时将那些不是的设置恢复为智能默认值。
ML通知
只需一条导入线，开源程序 MLNotify 就可以在模型训练结束时向您发送在线、移动和电子邮件通知。 它是一个 Python 库，附加到著名的 ML 库的 fit() 函数，并在过程完成时提醒用户。
每个数据科学家都知道，在训练了数百个模型之后等待训练结束是一件很乏味的事情。 您需要偶尔来回 Alt+Tab 来检查它，因为这需要一些时间。 一旦训练开始，MLNotify 将打印您的特定跟踪 URL。 您可以通过三种方式输入代码：扫描二维码、复制 URL 或浏览至 https://mlnotify.aporia.com。 在那之后，您的培训的发展将是可见的。 培训结束后，您会立即收到通知。 您可以启用在线、智能手机或电子邮件通知，以便在锻炼结束后立即收到提醒。
皮卡雷特
机器学习的工作流程通过基于 Python 的开源 PyCaret 模块实现自动化。 它是一个简短、易于理解的 Python 低代码机器学习库。 使用 PyCaret，您可以花更多的时间在分析上，而花更少的时间进行开发。 有许多可用的数据准备选项。 工程特征缩放。 根据设计，PyCaret 是模块化的。 每个模块都有特定的机器学习操作。
在 PyCaret 中，函数是执行某些工作流活动的操作的集合。 它们在所有模块中都是相同的。 有大量引人入胜的材料可以教您 PyCaret。 您可以使用我们的说明开始。
火车发电机
Traingenerator 使用使用 streamlit 创建的简单 Web UI 为 PyTorch 和 sklearn 生成独特的模板代码。 让您即将开展的机器学习项目起步的理想工具！ Traingenerator（使用 Tensorboard 或 comet.ml）提供了许多预处理、模型构建、训练和可视化选项。 它可以导出到 Google Colab、Jupyter Notebook 或 .py。
图里创造
要为您的应用程序添加建议、对象识别、图片分类、图像相似性或活动分类，您可以成为机器学习方面的专家。 使用 Turi Create 可以更轻松地进行自定义机器学习模型开发。 它包括用于分析数据的内置流图形，并专注于任务而不是算法。 在单个系统上支持海量数据集，并处理文本、照片、音频、视频和传感器数据。 有了这个，模型可以导出到 Core ML 以用于 iOS、macOS、watchOS 和 tvOS 的应用程序。
Google Cloud 上的 AI 平台和数据集
任何 ML 模型都有一个根本问题，即没有适当的数据集就无法对其进行训练。 他们需要花费大量的时间和金钱来制作。 被称为谷歌云公共数据集的数据集由谷歌选择并经常更新。 格式从照片到音频、视频和文本，种类繁多。 该信息旨在供各种研究人员用于各种目的。
Google 还提供您可能会感兴趣的其他实用服务：
- 视觉人工智能（计算机视觉模型）、自然语言处理服务
- 用于培训和管理机器学习模型的平台
- 30多种语言的语音合成软件等
亚马逊网络服务
开发人员可以在 AWS 平台上访问人工智能和机器学习技术。 人们可以选择一种预训练的 AI 服务来处理计算机视觉、语言识别和语音生成，开发推荐系统并构建预测模型。
您可以使用 Amazon SageMaker 轻松构建、训练和部署可扩展的机器学习模型，或者您可以构建支持所有广受欢迎的开源 ML 平台的独特模型。
微软Azure
Azure Machine Learning Studio 中的拖放功能使没有机器学习专业知识的开发人员也能使用该平台。 无论数据质量如何，您都可以使用该平台快速创建 BI 应用程序，并直接“在云端”构建解决方案。
微软还提供 Cortana Intelligence，这是一个能够全面管理大数据和分析并将数据转化为信息和后续行动的平台。
总体而言，团队和大公司可以使用 Azure 在云中就 ML 解决方案进行协作。 国际公司喜欢它，因为它包含用于各种用途的各种工具。
RapidMiner
数据科学和机器学习平台称为 RapidMiner。 它提供易于使用的图形用户界面，并支持处理各种格式的数据，包括.csv、.txt、.xls 和.pdf。 由于 Rapid Miner 的简单性和对隐私的尊重，全球许多企业都在使用它。
当您需要快速开发自动化模型时，此工具很有用。 您可以使用它来识别具有相关性、缺失值和稳定性的典型质量问题，并自动分析数据。 然而，在尝试解决更具挑战性的研究课题时，最好使用替代方法。
IBM Watson
如果您正在为研究团队和企业寻找具有各种功能的功能齐全的平台，请查看 IBM 的 Watson 平台。
一个开源 API 集称为 Watson。 它的用户可以开发认知搜索引擎和虚拟代理，并且可以访问启动工具和示例程序。 Watson 还提供了一个构建聊天机器人的框架，机器学习的新手可以利用它来更快地训练他们的机器人。 任何开发人员都可以使用他们的设备在云中开发自己的软件，而且由于成本低廉，它是中小型组织的绝佳选择。
蟒蛇
Python 和 R 通过称为 Anaconda 的开源 ML 平台得到支持。 任何其他平台支持的操作系统都可以使用它。 它使程序员能够控制库和环境以及 1,500 多种 Python 和 R 数据科学工具（包括 Dask、NumPy 和 pandas）。 Anaconda 提供出色的建模和报告可视化功能。 该工具的流行源于其仅用一个工具即可安装多个工具的能力。
TensorFlow
Google 的 TensorFlow 是免费的深度学习软件库的集合。 机器学习专家可以使用 TensorFlow 技术构建精确且功能丰富的模型。
该软件简化了复杂神经网络的创建和使用。 TensorFlow 提供 Python 和 C/C++ API，以便可以出于研究目的探索它们的潜力。 此外，世界各地的企业都可以使用可靠的工具在负担得起的云环境中处理和处理自己的数据。
Scikit学习
Scikit-learn 可以更轻松地创建分类、回归、降维和预测数据分析算法。 Sklearn 基于 Python ML 开发框架 NumPy、SciPy、pandas 和 matplotlib。 这个开源库允许研究和商业用途。
Jupyter笔记本
用于交互式计算的命令外壳是 Jupyter Notebook。 除了 Python 之外，该工具还可以与 Julia、R、Haskell 和 Ruby 以及其他编程语言一起使用。 它经常用于机器学习、统计建模和数据分析。
本质上，Jupyter Notebook 支持数据科学计划的交互式可视化。 除了存储和共享代码、可视化和评论之外，它还支持创建令人惊叹的分析报告。
人
如果您使用 Python，Colab 是一个很有价值的工具。 Collaboratory，通常称为 Colab，使您能够在 Web 浏览器中编写和运行 Python 代码。 它没有配置要求，让您可以使用 GPU 的强大功能，并让共享结果变得简单。
PyTorch
PyTorch 基于 Torch，是一个使用 Python 的开源深度学习框架。 与 NumPy 一样，它使用 GPU 加速执行张量计算。 此外，PyTorch 还为开发神经网络应用程序提供了一个相当大的 API 库。
与其他机器学习服务相比，PyTorch 是独一无二的。 与 TensorFlow 或 Caffe2 相比，它不使用静态图。 相比之下，PyTorch 图是动态的，并且是不断计算的。 使用动态图使 PyTorch 对某些人来说更容易，甚至使初学者能够在他们的项目中包含深度学习。
Keras
在成功的 Kaggle 团队中最受欢迎的深度学习框架是 Keras。 对于开始成为机器学习专业人士的个人来说，最好的工具之一就是这个。 名为 Keras 的神经网络 API 为 Python 提供了一个深度学习库。 Keras 库比其他库更容易理解。 此外，Keras 更高级，可以更直接地了解更广泛的情况。 它还可以与著名的 Python 框架（如 TensorFlow、CNTK 或 Theano）一起使用。
尼姆
需要 Knime 才能创建报告并进行数据分析。 通过其模块化数据流水线设计，这个开源机器学习工具整合了各种机器学习和数据挖掘组件。 该软件提供了良好的支持和频繁的发布。
该工具能够合并来自其他编程语言（包括 C、C++、R、Python、Java 和 JavaScript）的代码，这是其重要功能之一。 它可以被一群具有不同背景的程序员迅速采用。
来源：
- https://github.com/kelvins/awesome-mlops#data-validation
- https://www.spec-india.com/blog/machine-learning-tools
- https://serokell.io/blog/popular-machine-learning-tools
- https://neptune.ai/blog/best-mlops-tools
- https://www.aporia.com/blog/meet-mlnotify/
–>
