机器学习平台不是未来的潮流。它现在正在发生。开发人员需要知道如何以及何时利用他们的力量。使用像Filestack这样的合适工具在ML环境中工作可以使开发人员更容易创建一个能够充分发挥其功能的高效算法。以下机器学习平台和工具 - 无法按特定顺序列出 - 现在可用作将ML的功能无缝集成到日常任务中的资源。

1. H2O

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，这个开源软件使开发人员可以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

正在寻找开源堆栈的开发人员也应该将Apache PredictionIO视为构建可以满足任何人工智能任务的预测引擎的一种方式，该开源堆栈还具有用于构建在其上的机器学习的开源服务器。除了事件服务器和平台本身，Apache PredictionIO还包括一个模板库。

3. Eclipse Deeplearning4j

Eclipse Deeplearning4j是为Java虚拟机构建的开源库。以深度学习为核心，该工具面向那些需要在分布式CPU和GPU上工作的业务环境中构建深度神经网络的开发人员。与Hadoop等文件系统一起工作的Scala，Clojure和Java程序员都会喜欢Eclipse Deeplearning4j。此工具提供付费支持和企业分发，该工具是总部位于旧金山的Skymind公司的一个项目。

4. Accord.NET Framework

图像和音频处理库使用C＃编程语言编写，然后与Accord.NET框架结合使用。在其中，开发人员可以创建一系列商业用途的应用程序，这些应用程序依赖于机器学习，例如计算机视觉，信号处理，模式识别和机器收听，这也称为计算机试听。有多种选择可供选择，开发人员可以利用图像和信号处理，科学计算和支持库。强大的功能，如实时人脸检测，自然学习算法等，增加了该框架的多功能性。

5. Microsoft

在2017年9月的Ignite会议期间，Microsoft推出了三种Azure机器学习工具 - 学习工作台，学习模型管理服务和学习实验服务 - 允许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，内容管理员，自定义语音服务和Bing语音API，以增加其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

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手。此工具的资源列表包括开发人员API，文档库和构建代理，可用于将数据转换为支持ML和AI结构的规则集。

7. IBM

IBM的Watson平台是业务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套件，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

以Lua编程语言为基础，Torch包括脚本语言，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

乍一看，似乎Protege对企业的关注几乎没有留下任何其他空间。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。两组开发人员都可以修改，创建，共享和上传应用程序，以及利用支持性社区。

10. TensorFlow

TensorFlow专为在依赖机器学习的项目中使用而设计，具有使用开源软件设计的平台的额外好处。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。这种方法的目的是允许开发人员在包括移动设备，平板电脑和台式机在内的多种设备上启动深度学习框架。

11. DiffBlue

DiffBlue是一种非常罕见的开发工具，它是一个非常有用但简单的专用于代码自动化的平台。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 - 这些都是通过使用自动化完成的。

12. Neon

作为英特尔和Nervana的创意，Neon是一个基于Python的ML库，是开源的开源软件。利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。Neon位于云端，支持开发人员发布，构建和培训深度学习技术。

13. Apache Spark MLlib

作为包含内存数据处理的框架，Apache Spark MLlib具有算法数据库，其重点是聚类，协同过滤，分类和回归。开发人员还可以找到一个开源框架Singa，它包含一个可以在众多机器及其深度学习网络中使用的编程工具。

14. OpenNN

OpenNN是一个C ++编程库，面向那些想要实现神经网络的经验丰富的开发人员。OpenNN包括Neural Designer，这是一种旨在通过创建表格，图形和其他可视内容来解释和简化数据条目的工具。虽然OpenNN为其用户提供了大量的教程和文档库，但它主要针对那些已经拥有大量AI经验的开发人员。

15. Amazon Web Services

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每个工具来创建ML工具。例如，亚马逊波利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构成了该品牌聊天机器人的基础，与其个人助理Alexa一起使用。

16. Mahout

对于需要创建依赖ML以扩展的应用程序的开发人员，有Mahout。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

使用C ++编写并使用Python进行节点协调，Veles是三星对ML环境的贡献。那些已经需要可以立即用于数据分析并且由经过训练的模型组成的API的开发人员将在Veles中找到价值。

18. Caffe

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测工具。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

刚刚开始他们的职业生涯的开发人员以及那些专家的开发人员将在他们通过上述列表工作时找到宝库资源。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允许开发人员利用每个产品的优势。

原文标题《18 Machine Learning Platforms For Developers》