本文用Python更新了頂級的AI和機(jī)器學(xué)習(xí)項(xiàng)目。Tensorflow已經(jīng)成為了貢獻(xiàn)者的三位數(shù)增長的第一位。 Scikit-learn下降到第二位，但仍有非常大的貢獻(xiàn)者群體。

進(jìn)入機(jī)器學(xué)習(xí)和人工智能并非易事?？紤]到今天可用的大量資源，許多有抱負(fù)的專業(yè)人員和愛好者發(fā)現(xiàn)難以在該領(lǐng)域建立正確的路徑。這個(gè)領(lǐng)域正在不斷發(fā)展，我們必須跟上飛速發(fā)展的步伐。

經(jīng)過信息的更新、檢查，本文用Python更新了頂級的AI和機(jī)器學(xué)習(xí)項(xiàng)目。Tensorflow已經(jīng)成為了貢獻(xiàn)者的三位數(shù)增長的第一位。 Scikit-learn下降到第二位，但仍有非常大的貢獻(xiàn)者群體。

與2016年相比，貢獻(xiàn)者人數(shù)增長最快的項(xiàng)目是：

1.TensorFlow增長169％，從493個(gè)增加到1324個(gè)貢獻(xiàn)者

2.Deap，增長86％，從21到39個(gè)貢獻(xiàn)者

3.Chainer，增長83％，從84到154個(gè)貢獻(xiàn)者

4.Gensim，增長81％，從145到262個(gè)貢獻(xiàn)者

5.Neon，增長66％，從47到78個(gè)貢獻(xiàn)者

6.Nilearn提高了50％，從46個(gè)到69個(gè)貢獻(xiàn)者

2018年的更新：

1.Keras，629名貢獻(xiàn)者

2.PyTorch，399名貢獻(xiàn)者

Github上的前20名Python人工智能和機(jī)器學(xué)習(xí)項(xiàng)目

大小與貢獻(xiàn)者的數(shù)量成正比，顏色代表貢獻(xiàn)者數(shù)量的變化，紅色更高，藍(lán)色更低。雪花形狀適用于深度學(xué)習(xí)項(xiàng)目，否則適用于其他項(xiàng)目。

我們看到像TensorFlow、Theano和Caffe這樣的深度學(xué)習(xí)項(xiàng)目是最受歡迎的項(xiàng)目之一。

[[220952]]

下面的列表是根據(jù)Github上貢獻(xiàn)者的數(shù)量以降序給出的項(xiàng)目。貢獻(xiàn)者人數(shù)的變化是相對于2016年發(fā)布的前20名Python機(jī)器學(xué)習(xí)的開源項(xiàng)目。

1.TensorFlow最初是由谷歌機(jī)器智能研究機(jī)構(gòu)的Google Brain Team的研究人員和工程師開發(fā)的。該系統(tǒng)的設(shè)計(jì)是為了便于機(jī)器學(xué)習(xí)的研究，并使其快速、容易地從研究原型過渡到生產(chǎn)系統(tǒng)。

貢獻(xiàn)者：1324（168％），Github 網(wǎng)址：https://github.com/tensorflow/tensorflow

2.Scikit-learn是用于數(shù)據(jù)挖掘和數(shù)據(jù)分析的簡單而高效的工具，可供所有人訪問，并且可在各種環(huán)境中重用，基于NumPy、SciPy和matplotlib、開源、商業(yè)可用，BSD許可證。

貢獻(xiàn)者：1019（39％上），Github網(wǎng)址： https://github.com/scikit-learn/scikit-learn

3.Keras是一種高級神經(jīng)網(wǎng)絡(luò)API，用Python編寫，能夠在TensorFlow、CNTK或Theano上運(yùn)行。

貢獻(xiàn)者：629（新），Github網(wǎng)址： https://github.com/keras-team/keras

4.Python中的PyTorch，張量和動態(tài)神經(jīng)網(wǎng)絡(luò)以及強(qiáng)勁的GPU加速。

貢獻(xiàn)者：399（新），Github網(wǎng)址：https://github.com/pytorch/pytorch

5.Theano允許你高效地定義、優(yōu)化和評估涉及多維數(shù)組的數(shù)學(xué)表達(dá)式。

貢獻(xiàn)者：327（24％上），Github網(wǎng)址： https://github.com/Theano/Theano

6.Gensim是一個(gè)免費(fèi)的Python庫，它具有可擴(kuò)展的統(tǒng)計(jì)語義，分析用于語義結(jié)構(gòu)的純文本文檔，檢索語義相似的文檔。

貢獻(xiàn)者：262（81％上升），Github網(wǎng)址： https://github.com/RaRe-Technologies/gensim

7.Caffe是一個(gè)深思熟慮的表達(dá)，速度和模塊化的深度學(xué)習(xí)框架。它由伯克利視覺和學(xué)習(xí)中心（BVLC）和社區(qū)貢獻(xiàn)者開發(fā)。

貢獻(xiàn)者：260（提高21％），Github網(wǎng)址： https://github.com/RaRe-Technologies/gensim

8.Chainer是一個(gè)基于Python的深度學(xué)習(xí)模型的獨(dú)立開源框架。 Chainer提供靈活、直觀和高性能的手段來實(shí)施全面的深度學(xué)習(xí)模型，其中包括最新的模型，如遞歸神經(jīng)網(wǎng)絡(luò)和變分自動編碼器。

貢獻(xiàn)者：154（上升84％），Github網(wǎng)址： https://github.com/chainer/chainer

9.Statsmodels是一個(gè)Python模塊，允許用戶探索數(shù)據(jù)，估計(jì)統(tǒng)計(jì)模型并執(zhí)行統(tǒng)計(jì)測試。描述統(tǒng)計(jì)、統(tǒng)計(jì)測、繪圖功能和結(jié)果統(tǒng)計(jì)的廣泛列表適用于不同類型的數(shù)據(jù)和每個(gè)估算器。

貢獻(xiàn)者：144（上升33％），Github網(wǎng)址： https://github.com/statsmodels/statsmodels/

10.Shogun是機(jī)器學(xué)習(xí)工具箱，它提供了廣泛的統(tǒng)一和高效的機(jī)器學(xué)習(xí)（ML）方法。該工具箱無縫地允許組合多個(gè)數(shù)據(jù)表示、算法類和通用工具。

貢獻(xiàn)者：139（上升32％），Github網(wǎng)址： https://github.com/shogun-toolbox/shogun

11.Pylearn2是一個(gè)機(jī)器學(xué)習(xí)庫。其大部分功能都建立在Theano之上。這意味著你可以使用數(shù)學(xué)表達(dá)式編寫Pylearn2插件（新模型，算法等），Theano將為你優(yōu)化和穩(wěn)定這些表達(dá)式，并將它們編譯為你選擇的后端（CPU或GPU）。

貢獻(xiàn)者：119（3.5％上），Github網(wǎng)址： https://github.com/lisa-lab/pylearn2

12.NuPIC是一個(gè)開源項(xiàng)目，它基于稱為分層時(shí)間存儲器（HTM）的新大腦皮層理論。部分HTM理論已經(jīng)在應(yīng)用中實(shí)施、測試和使用，HTM理論的其他部分仍在開發(fā)中。

貢獻(xiàn)者：85（提高12％），Github網(wǎng)址： https://github.com/numenta/nupic

13.Neon是Nervana基于Python的深度學(xué)習(xí)庫。它提供易用性，同時(shí)提供最高的性能。

貢獻(xiàn)者：78（66％上），Github網(wǎng)址： https://github.com/NervanaSystems/neon

14.Nilearn是一個(gè)Python模塊，用于在NeuroImaging數(shù)據(jù)上進(jìn)行快速簡單的統(tǒng)計(jì)學(xué)習(xí)。它利用scikit-learn Python工具箱進(jìn)行多變量統(tǒng)計(jì)，并提供預(yù)測建模、分類、解碼或連接分析等應(yīng)用。

貢獻(xiàn)者：69（上升50％），Github網(wǎng)址： https://github.com/nilearn/nilearn/branches

15.Orange3是開源機(jī)器學(xué)習(xí)和數(shù)據(jù)可視化新手，同時(shí)也是專家。使用大型工具箱交互式數(shù)據(jù)分析工作流程。

貢獻(xiàn)者：53（上升33％），Github網(wǎng)址： https://github.com/biolab/orange3

16.Pymc是一個(gè)python模塊，實(shí)現(xiàn)貝葉斯統(tǒng)計(jì)模型和擬合算法，包括馬爾可夫鏈蒙特卡羅。其靈活性和可擴(kuò)展性使其適用于大量問題。

貢獻(xiàn)者：39（上升5.4％），Github網(wǎng)址： https://github.com/pymc-devs/pymc

[[220953]]

17.Deap是用于快速原型設(shè)計(jì)和測試思想的新型演化計(jì)算框架。它試圖使算法明確、數(shù)據(jù)結(jié)構(gòu)透明。它與多處理和SCOOP等并行機(jī)制完美協(xié)調(diào)。

貢獻(xiàn)者：39（86％上），Github網(wǎng)址： https://github.com/deap/deap

18.Annoy（近似最近鄰居Oh Yeah）是一個(gè)C ++庫，它使用Python綁定來搜索接近給定查詢點(diǎn)的空間點(diǎn)。它還創(chuàng)建映射到內(nèi)存的大型只讀基于文件的數(shù)據(jù)結(jié)構(gòu)，以便許多進(jìn)程可以共享相同的數(shù)據(jù)。

貢獻(xiàn)者：35（46％上），Github網(wǎng)址： https://github.com/spotify/annoy

19.PyBrain是Python的模塊化機(jī)器學(xué)習(xí)庫。其目標(biāo)是為機(jī)器學(xué)習(xí)任務(wù)提供靈活、易于使用但仍然強(qiáng)大的算法，以及各種預(yù)定義環(huán)境來測試和比較的算法。

貢獻(xiàn)者：32（3％上），Github網(wǎng)址： https://github.com/pybrain/pybrain

20.Fuel是一個(gè)數(shù)據(jù)管道框架，它為你的機(jī)器學(xué)習(xí)模型提供他們需要的數(shù)據(jù)。計(jì)劃由Blocks和Pylearn2神經(jīng)網(wǎng)絡(luò)庫使用。

貢獻(xiàn)者：32（10％上），Github網(wǎng)址：https://github.com/mila-udem/fuel

（貢獻(xiàn)者在2018年2月錄得。）