【51CTO.com快译】2017年是机器学习大放异彩的一年。现在开发智能模型比以往任何时候都要来得容易，这归功于众多公司广泛而深入地研究和开发更新颖、更高效的工具和框架。虽然像Tensorflow、Keras、PyTorch和另一些框架作为顶级的机器学习和深度学习库（https://datahub.packtpub.com/deep-learning/top-10-deep-learning-frameworks/）在2017年唱主角，但2018年有望成为更激动人心的一年，因为阵容强大的一批开源工具和企业工具已准备取代目前的老牌工具，或者至少一较高下。
我们在本文中介绍了有望在2018年大行其道的这样10种工具和框架。
1.亚马逊Sagemaker
AWS re：Invent 2017上宣布的一款重大产品就是正式发布的亚马逊Sagemaker，这种新的框架简化了构建机器学习模型并部署到云端的任务。
这项服务对于并不深入了解机器学习的开发人员来说非常有用，因为它为开发人员提供了一系列预先构建的开发环境，基于流行的Jupyter笔记本格式。如果数据科学家不希望花费大量时间，就可以在AWS上构建有效的机器学习系统，并对性能进行微调，就会发现这项服务大有用处。
相关链接：
https://datahub.packtpub.com/machine-learning/amazon-sagemaker-machine-learning-service/
2.DSSTNE
DSSTNE（通常名为Destiny）是亚马逊提供的另一款产品，这种开源库被用于开发机器学习模型。它的主要优势在于可以用来训练和部署处理稀疏输入的推荐模型。使用DSSTNE开发的模型经训练后可以使用多个GPU，具有可扩展性，并针对快速性能进行了优化。
该库在GitHub上有近4000颗星，它是2018年值得关注的另一款工具！
相关链接：https://github.com/amzn/amazon-dsstne
3.Azure机器学习工作台
早在2014年，微软就发布了Azure机器学习工具，将机器学习和人工智能功能放到云端。不过这严格来说是一种纯云服务。在今年9月召开的Ignite 2017大会上，微软宣布了下一代Azure端机器学习工具，通过Azure机器学习工作台，为众多企业组织带来机器学习功能。
Azure机器学习工具台是一个跨平台客户软件，它在Windows机器和苹果机器上都可以运行。它是为想要执行数据操纵和处理任务的数据科学家和机器学习开发人员量身打造的。它为确保可扩展性而构建，用户可以从一系列广泛的数据源获得直观的洞察力，并用于数据建模任务。
相关链接：https://azure.microsoft.com/en-in/services/machine-learning-services/
4.Neon
早在2016年，英特尔宣布斥资3.5亿美元收购Nervana，打算成为人工智能市场的大玩家。Nervana是一家人工智能初创公司，一直在为机器学习开发软硬件。有了Neon，他们现在拥有一个快速、高性能的深度学习框架，专门为了在最近宣布的Nervana神经网络处理器上运行而设计。
Neon在设计当初力求易于使用，并支持与iPython笔记本集成，它支持常见的深度学习模型，比如CNN、RNN、LSTM及其他模型。该框架显示出日臻完善的迹象，在GitHub上有3000多颗星。Neon势必会在未来几年挑战几大深度学习库。
相关链接：https://github.com/NervanaSystems/neon
5.微软DMLT
企业在机器学习方面面临的主要挑战之一是，需要迅速扩展模型，在尽量减少资源使用的同时，又不牺牲性能。微软的分布式机器学习框架（DMLT）旨在做到这一点。DMLT由微软开放源代码，那样它可以从社区获得更广泛的支持。它让机器学习开发人员和数据科学家拿来单机器算法后可以扩大其规模，进而构建高性能分布式模型。
DMLT主要专注于分布式机器学习算法，让你可以轻松地执行诸如字嵌入、采样和梯度提升之类的任务。该框架目前还不支持对深度学习模型进行训练，不过我们预计这项功能很快就会被添加到该框架中。
相关链接：http://www.dmtk.io/
6.谷歌云机器学习引擎
云机器学习引擎被认为是谷歌主要的机器学习产品，它让你可以比较轻松地针对各种各样的数据来构建机器学习模型。该平台充分利用流行的Tensorflow机器学习框架，可用于执行大规模预测分析。它还让你可以使用流行的HyperTune功能，对机器学习模型的性能进行微调和优化。
由于无服务器架构支持自动监控、配置和扩展，机器学习引擎确保你只需要为想要训练哪种机器学习模型而操心。这项功能尤其适用于期望外出时可以构建大规模模型的机器学习开发人员。
相关链接：https://cloud.google.com/ml-engine/
7.苹果Core ML
Core ML框架由苹果开发，旨在帮助iOS开发人员构建更智能的应用程序，它是让Siri更智能的秘诀。它充分利用CPU的功能和GPU的功能，让开发人员得以构建不同类型的机器学习和深度学习模型，然后这些模型可以无缝集成到iOS应用程序中。Core ML支持所有常用的机器学习算法，比如决策树、支持向量机和线性模型等等。
Core ML的功能针对实际环境的诸多使用场合，比如自然语言处理和计算机视觉等，因而外出时可以在苹果设备上分析数据，无需导入到模型来学习。
相关链接：https://developer.apple.com/machine-learning/
8.苹果Turi Create
在许多情况下，iOS开发人员想要定制希望集成到所开发的应用程序中的机器学习模型。为此，苹果推出了Turi Create。该库让你得以专注于手头的任务，而不是决定使用哪种算法。那样就可以在数据集、模型需要运行的规模以及需要将模型部署到哪个平台方面做到很灵活。
Turi Create用起来很方便，可用于为推荐、图像处理、文本分类及众多任务构建自定义模型。你只需要对Python有所了解，即可上手！
相关链接：https://github.com/apple/turicreate
9.Convnetjs
深度学习不仅仅出现在超级计算机和机器集群上，现在它还切实出现在你的互联网浏览器上！现在你使用流行的基于Javascript的Convnetjs库，就可以直接在浏览器上训练先进的机器学习和深度学习模型，不需要CPU或GPU。
该库最初由特斯拉公司的现任人工智能主管安德烈•卡帕锡（Andrej Karpathy）编写，此后被开源，在社区的积极贡献下有所扩展。你可以直接在浏览器上轻松训练深度神经网络，甚至训练强化学习模型，这有赖于这个非常独特而有用的库提供支持。这个库适合不想购买专业硬件来训练计算密集型模型的那些人。Convnetjs在GitHub上有近9000颗星，它俨然是2017年的明星项目之一，迅速成为深度学习方面的首选库。
相关链接：http://cs.stanford.edu/people/karpathy/convnetjs/
10.BigML
BigML是一家知名的机器学习公司，为开发机器学习模型提供了一个易于使用的平台。使用BigML的REST API，你可以在其平台上顺畅无阻地训练机器学习模型。它让你可以执行不同的任务，比如异常检测和时间序列预测，还可以构建执行实时预测分析的应用程序。
借助BigML，你可以在本地或在云端部署模型，可以灵活地选择运行机器学习模型所需要的那种环境。BigML恪守承诺，力求“使机器学习对每个人而言都异常简单”。
由于微软、亚马逊和谷歌都竞相成为人工智能领域的霸主，2018年可能会是人工智能领域发展迎来突破的一年。除此之外还有旨在为用户简化机器学习的各种开源库，还有一大堆的工具和框架需要密切关注。令人兴奋的是，它们都有能力成为下一个TensorFlow，带来下一场AI颠覆。
相关链接：https://bigml.com/
原文标题：10 Machine Learning Tools to watch in 2018，作者：Amey Varangaonkar
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
