13 個輔助你學習機器學習( Machine Learning )的開源專案

你的友好機器學習助手

Otto 是 Facebook AI 挑戰賽的獲勝者,讓機器學習成為一種直覺的、自然語言體驗

Otto 是一個智慧聊天應用程式,旨在幫助有抱負的機器學習工程師從想法到執行與最低領域知識。我們的網站具有簡單的模型選擇,洞察力的視覺化,和直覺的自然語言經驗指導你的每一步。

亮點

  • 適合初學者的設計。Otto 是為初學者設計的,因為它假設對機器學習的瞭解很少。使用者可以簡單地描述他們的最終目標以獲得明智的建議,或者可以從樣本資料集中進行選擇,以便在瞬間利用我們的模型。
  • 強大的機器學習工具。支援一系列機器學習功能,包括迴歸、分類和自然語言處理模型,以及為你的問題量身定製的前處理器。使用神經網路,探索資料視覺化,並在你的瀏覽器中生成現成的 Python 程式碼!
  • 教育經驗。使用者透過每個階段的流程,Otto 解釋術語時,需要。帶註釋的程式碼塊為渴望學習的人提供了端到端管道的高階理解。

Netron – 用於神經網路、深度學習和機器學習模型的視覺化工具

Netron 支援 ONNX  (.onnx.pb.pbtxt), Keras (.h5.keras), Core ML (.mlmodel), Caffe (.caffemodel.prototxt), Caffe2 (predict_net.pbpredict_net.pbtxt), MXNet (.model-symbol.json), ncnn (.param) and TensorFlow Lite (.tflite).

也實驗性的支援 TorchScript (.pt.pth), PyTorch (.pt.pth), Torch (.t7), Arm NN (.armnn), BigDL (.bigdl.model), Chainer (.npz.h5), CNTK (.model.cntk), Deeplearning4j (.zip), Darknet (.cfg), ML.NET (.zip), MNN (.mnn), OpenVINO (.xml), PaddlePaddle (.zip__model__), scikit-learn (.pkl), TensorFlow.js (model.json.pb) and TensorFlow (.pb.meta.pbtxt.ckpt.index).

這是一個桌面軟體,支援 Windows/Mac/Linux ,這篇中文 blog 有簡單的介紹

解釋機器學習黑盒子

InterpretML 是一個開源軟體套件,它集合了最先進的機器學習解釋技術於一身。有了這個軟體套件,你可以訓練可解釋的玻璃盒模型,並解釋黑盒系統。InterpretML 可以幫助你理解模型的全域性行為,或者理解單個預測背後的原因。

可解釋性對於下列情況至關重要:

  • 模型除錯——為什麼我的模型犯了這個錯誤?
  • 檢測公平性問題-我的模型歧視嗎?
  • 人工智慧合作-我如何理解和信任模型的決定?
  • 守規-我的模型滿足法律要求嗎?
  • 高風險應用-醫療,金融,司法,..

可解釋的機器學習電子書

這本書是關於可解釋的機器學習。機器學習已經融入到我們日常生活的許多產品和流程中,然而機器做出的決定並不會自動帶來解釋。一個解釋增加了對決策和機器學習模型的信任。作為演算法的程式設計師,你想知道是否可以信任所學到的模型。它是否學到了可概括的特性?或者在訓練資料中是否有一些奇怪的偽影被演算法拾取了?這本書將給出一個概述的技術,可以用來使黑盒儘可能透明和解釋的決定。

可以搭配這個工具 – 解釋機器學習黑盒子

簡中翻譯 https://github.com/MingchaoZhu/InterpretableMLBook

電子書購買 https://leanpub.com/interpretable-machine-learning

免費線上閱讀 https://christophm.github.io/interpretable-ml-book/

Nanoneuron 是7個簡單的 JavaScript 函式,它們可以讓你感受到機器實際上是如何“學習”的

Nanoneuron 是來自神經網路的神經元概念的一個簡化的版本。 Nanoneuron 經過訓練可以將溫度值從攝氏度轉換為華氏度。

程式碼範例包含7個簡單的 JavaScript 函式(包含模型預測、成本計算-機器學習中的 cost function 、向前 / 向後傳播和訓練) ,它們將讓你感受到機器實際上是如何“學習”的。 不需要第三方程式庫,沒有外部資料集或相依關係,只有純粹和簡單的 JavaScript 函式

無論如何,這些功能都不是機器學習的完整指南。 許多機器學習的概念被跳過和過分簡化了! 這種簡化的目的是讓讀者對機器如何學習有一個真正基本的理解和感受,並最終使讀者認識到它不是“機器學習的魔術” ,而是“機器學習的數學”

使用 Python 從零開始實現機器學習  

機器學習模型和演算法的實現,主要關注可訪問性( accessibility ) ,目標在涵蓋從線性迴歸到深度學習的所有內容

這個專案的目的不是產生儘可能最佳化和運算效率高的演算法,而是以一種透明和可訪問的方式呈現它們的內部工作。

使用 Numpy 做機器學習

是否曾經希望自己的機器學習演算法只用 numpy 模組實現,雖然效率低下,但是觀念清晰

快速建立用於機器學習模型調整的 UI 原型

快速建立可客製化的 UI 元件圍繞在 TensorFlow 或 PyTorch 模型,甚至任意的 Python 函式。混合和匹配元件,以支援任何組合的投入和產出。透過拖放你自己的圖片(或者貼上你自己的文字,錄製你自己的聲音等等) ,你可以很容易地在瀏覽器中“玩弄”你的模型看看模型輸出什麼。你還可以生成一個共享連結,該連結允許任何人、任何地方在模型繼續在你的機器上執行時使用該介面。

Gradio 在以下狀況很有用

  • 為客戶/合作者/使用者建立機器學習程式碼的展示
  • 從使用者那裡獲得關於模型效能的反饋
  • 在開發過程中以互動方式除錯模型

機器學習視覺化效果

ML Visuals 是一個新的協作專案,旨在通過提供免費的專業的、引人注目的和充分的視覺效果和資料,幫助機器學習社群改善科學交流。 你可以在你的簡報或部落格文章中自由使用這些視覺效果。 使用任何視覺效果都不需要獲得許可,但是如果你能夠向設計師 / 作者提供信任(在幻燈片說明中找到的作者資訊) ,那就更好了。 看看下面的視覺效果。

機器學習的數學

書籍介紹

我們寫了一本關於機器學習的數學的書,激勵人們學習數學概念。 這本書不打算涵蓋先進的機器學習技術,因為已經有很多書籍這樣做。 相反,我們的目標是提供必要的數學技能來閱讀其他的書籍。

這本書可以下載免費的 PDF 電子版本

機器學習系統設計

這個專案主要教你設計機器學習系統的四個主要步驟

  1. 專案設置
  2. 資料管線
  3. 建模: 選擇、模型訓練和偵錯
  4. 服務: 測試、部署和維護

這個專案的開發者非常有名,她叫 Chip Huyen,目前在 Nvidia 人工智慧應用團隊工作,想知道她目前多有名,列一下之前有關於她的報導

今天介紹的專案出現在 github trend 中沒多久,中國的機械之心就出了一篇報導

Chip Huyen 無疑是 Nvidia 的最佳佈道師,在 Nvidia 用 GPU 不用花錢學機器學習真棒!

100 天挑戰機器學習

挑戰 100 天使用 python 學習機器學習,簡中翻譯版本 https://github.com/Avik-Jain/100-Days-of-ML-Code-Chinese-Version

針對軟體工程師的機器學習學習路徑

這個專案主要目標是找到一種以實踐為主的學習方法,並為初學者抽象掉大多數的數學概念。 這種學習方法是非傳統的,因為它是專門為軟體工程師所設計的自上而下,以結果為導向的學習方法。

有簡體和繁體中文翻譯

相關線上課程

追蹤 Soft & Share

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: