本文翻譯自Medium上的一篇文章: The 6 most useful Machine Learning projects of the past year (2018)，原文地址：towardsdatascience.com/the-10-most…

對于人工智能和機器學習而言，過去的一年是非常重要的一年。許多最新的具有很大影響力的機器學習應用開發出來并得到應用，特別是在醫療保健、金融、語音識別、增強現實，以及更復雜的3D和視頻等領域。

我們已經看到了更多的應用驅動型研究，而不是理論研究。雖然這可能有其缺點，但它暫時產生了一些巨大的積極影響，推動了可以迅速轉化為商業和客戶價值的新研發。這一趨勢很大程度反映在大部分開源機器學習項目中。

讓我們來看看過去一年中前6個最實用的機器學習項目。這些項目發布了代碼和數據集，允許個體開發人員和小型團隊學習并立即創造價值。它們可能不是理論上最具開創性的作品，但它們適用且實用。

Fast.ai

Fast.ai庫使用現代最佳實踐，簡化了訓練快速且準確的神經網絡的代碼編寫。它抽象出了在實踐中實施深度神經網絡可能涉及的所有細節工作。它非常易于使用，并且按從業者的應用程序構建思維模式進行設計。最初它是為Fast.ai課程的學生而創建的，該庫以簡潔易懂的方式編寫在易于使用的Pytorch庫之上。他們的文檔也是一流的。

Detectron

Detectron是Facebook AI進行物體檢測和實例分割研究的研究平臺，用Caffe2編寫。它包含各種對象檢測算法的實現，包括：

• Mask R-CNN: 使用Faster R-CNN結構的對象檢測和實例分割
• RetinaNet: 基于特征金字塔的網絡，采用獨特的Focus Loss，可處理很復雜的場景。
• Faster R-CNN: 對象檢測網絡最常見的結構

所有網絡都可以使用以下幾種可選的分類網絡之一：

• ResNeXt{50,101,152}
• ResNet{50,101,152}
• Feature Pyramid Networks (with ResNet/ResNeXt)
• VGG16

更重要的是，它們都帶有COCO數據集上的預訓練模型，因此您可以立即使用它們！他們已經在Detectron model zoo中使用標準評估指標進行了測試。

FastText

另一項來自Facebook的研究，fastText庫專為文本表示和分類而設計。它配備了預先訓練的150多種語言的單詞向量模型。這些單詞向量可用于許多任務，包括文本分類、摘要和翻譯。

AutoKeras

Auto-Keras是一個用于自動機器學習(AutoML)的開源軟件庫。 它由Texas A＆M大學的DATA實驗室和社區貢獻者開發。AutoML的最終目標是為具有有限數據科學或機器學習背景的領域專家提供易于訪問的深度學習工具。Auto-Keras提供自動搜索深度學習模型的最佳架構和超參數的功能。

Dopamine

Dopamine是由Google創建的強化學習算法快速原型設計的研究框架。它旨在靈活且易于使用，實現了標準RL算法、指標和基準。

根據Dopamine的文檔，他們的設計原則是：

• 易于試驗：幫助新用戶運行基準實驗
• 靈活的開發：為新用戶提供新的創新想法
• 緊湊和可靠：為一些較舊和更流行的算法提供實現
• 可重復：確保結果可重復

vid2vid

vid2vid項目是Nvidia最先進的視頻到視頻合成算法的公開Pytorch實現。視頻到視頻合成的目標是學習從輸入源視頻（例如，一系列語義分割掩模）到精確描繪源視頻內容的擬真視頻輸出的映射函數。

這個庫的好處在于它的可選項：它提供了幾種不同的vid2vid應用程序，包括自動駕駛/城市場景、人臉和人體姿勢。它還附帶了豐富的指令和功能，包括數據集加載、任務評估、訓練功能和多GPU！

其它值得關注的項目

• ChatterBot：用于對話引擎和創建聊天機器人的機器學習
• Kubeflow：Kubernetes的機器學習工具包
• imgaug：用于深度學習的圖像增強
• imbalanced-learn：scikit下的python包專門用于修復不平衡數據集
• mlflow：用于管理ML生命周期的開源平臺，包括實驗，可重復性和部署。
• AirSim：基于虛幻引擎/ Unity的自動駕駛汽車模擬器，來自Microsoft AI & Research

總結

以上是生活随笔為你收集整理的2018年最实用的6个机器学习项目的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。