国外程序员整理的机器学习资源大全

　　本列表选编了一些机器学习领域牛B的框架、库以及软件（按编程语言排序）。

C++

计算机视觉

• CCV —基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库

• OpenCV—它提供C++, C, Python, Java 以及 MATLAB接口，并支持Windows, Linux, Android and Mac OS操作系统。

通用机器学习

• MLPack

• DLib

• ecogg

• shark

Closure

通用机器学习

• Closure Toolbox—Clojure语言库与工具的分类目录

Go

自然语言处理

• go-porterstemmer—一个Porter词干提取算法的原生Go语言净室实现

• paicehusk—Paice/Husk词干提取算法的Go语言实现

• snowball—Go语言版的Snowball词干提取器

通用机器学习

• Go Learn— Go语言机器学习库

• go-pr —Go语言机器学习包.

• bayesian—Go语言朴素贝叶斯分类库。

• go-galib—Go语言遗传算法库。

数据分析/数据可视化

• go-graph—Go语言图形库。

• SVGo—Go语言的SVG生成库。

Java

自然语言处理

• CoreNLP—斯坦福大学的CoreNLP提供一系列的自然语言处理工具，输入原始英语文本，可以给出单词的基本形式（下面Stanford开头的几个工具都包含其中）。

• Stanford Parser—一个自然语言解析器。

• Stanford POS Tagger —一个词性分类器。

• Stanford Name Entity Recognizer—Java实现的名称识别器

• Stanford Word Segmenter—分词器，很多NLP工作中都要用到的标准预处理步骤。

• Tregex, Tsurgeon and Semgrex —用来在树状数据结构中进行模式匹配，基于树关系以及节点匹配的正则表达式（名字是“tree regular expressions”的缩写）。

• Stanford Phrasal:最新的基于统计短语的机器翻译系统， java编写

• Stanford Tokens Regex—用以定义文本模式的框架。

• Stanford Temporal Tagger—SUTime是一个识别并标准化时间表达式的库。

• Stanford SPIED—在种子集上使用模式，以迭代方式从无标签文本中学习字符实体

• Stanford Topic Modeling Toolbox —为社会科学家及其他希望分析数据集的人员提供的主题建模工具。

• Twitter Text Java—Java实现的推特文本处理库

• MALLET -—基于Java的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习文本应用包。

• OpenNLP—处理自然语言文本的机器学习工具包。

• LingPipe —使用计算机语言学处理文本的工具包。

通用机器学习

• MLlib in Apache Spark—Spark中的分布式机器学习程序库

• Mahout —分布式的机器学习库

• Stanford Classifier —斯坦福大学的分类器

• Weka—Weka是数据挖掘方面的机器学习算法集。

• ORYX—提供一个简单的大规模实时机器学习/预测分析基础架构。

数据分析/数据可视化

• Hadoop—大数据分析平台

• Spark—快速通用的大规模数据处理引擎。

• Impala —为Hadoop实现实时查询

Javascript

自然语言处理

• Twitter-text-js —JavaScript实现的推特文本处理库

• NLP.js —javascript及coffeescript编写的NLP工具

• natural—Node下的通用NLP工具

• Knwl.js—JS编写的自然语言处理器

数据分析/数据可视化

• D3.js

• High Charts

• NVD3.js

• dc.js

• chartjs

• dimple

• amCharts

通用机器学习

• Convnet.js—训练深度学习模型的JavaScript库。

• Clustering.js—用JavaScript实现的聚类算法，供Node.js及浏览器使用。

• Decision Trees—Node.js实现的决策树，使用ID3算法。

• Node-fann —Node.js下的快速人工神经网络库。

• Kmeans.js—k-means算法的简单Javascript实现，供Node.js及浏览器使用。

• LDA.js —供Node.js用的LDA主题建模工具。

• Learning.js—逻辑回归/c4.5决策树的JavaScript实现

• Machine Learning—Node.js的机器学习库。

• Node-SVM—Node.js的支持向量机

• Brain —JavaScript实现的神经网络

• Bayesian-Bandit —贝叶斯强盗算法的实现，供Node.js及浏览器使用。

Julia

通用机器学习

• PGM—Julia实现的概率图模型框架。

• DA—Julia实现的正则化判别分析包。

• Regression—回归分析算法包（如线性回归和逻辑回归）。

• Local Regression —局部回归，非常平滑！

• Naive Bayes —朴素贝叶斯的简单Julia实现

• Mixed Models —（统计）混合效应模型的Julia包

• Simple MCMC —Julia实现的基本mcmc采样器

• Distance—Julia实现的距离评估模块

• Decision Tree —决策树分类器及回归分析器

• Neural —Julia实现的神经网络

• MCMC —Julia下的MCMC工具

• GLM —Julia写的广义线性模型包

• Online Learning

• GLMNet —GMLNet的Julia包装版，适合套索/弹性网模型。

• Clustering—数据聚类的基本函数：k-means, dp-means等。

• SVM—Julia下的支持向量机。

• Kernal Density—Julia下的核密度估计器

• Dimensionality Reduction—降维算法

• NMF —Julia下的非负矩阵分解包

• ANN—Julia实现的神经网络

自然语言处理

• Topic Models —Julia下的主题建模

• Text Analysis—Julia下的文本分析包

数据分析/数据可视化

• Graph Layout —纯Julia实现的图布局算法。

• Data Frames Meta —DataFrames的元编程工具。

• Julia Data—处理表格数据的Julia库

• Data Read—从Stata、SAS、SPSS读取文件

• Hypothesis Tests—Julia中的假设检验包

• Gladfly —Julia编写的灵巧的统计绘图系统。

• Stats—Julia编写的统计测试函数包

• RDataSets —读取R语言中众多可用的数据集的Julia函数包。

• DataFrames —处理表格数据的Julia库。

• Distributions—概率分布及相关函数的Julia包。

• Data Arrays —元素值可以为空的数据结构。

• Time Series—Julia的时间序列数据工具包。

• Sampling—Julia的基本采样算法包

杂项/演示文稿

• DSP —数字信号处理

• JuliaCon Presentations—Julia大会上的演示文稿

• SignalProcessing—Julia的信号处理工具

• Images—Julia的图片库