[vc_row][vc_column][vc_column_text]Cuando se quiere depurar correos, hacer reconocimiento facial, predicción en un gran conjunto de datos o reconocimiento de patrones, Machine Learniing es lo que se tiene que utilizar. La proliferación de software de código abierto hace que machine learning sea cada vez menos difícil de implementar tanto para una maquina como para una gran escala. Las siguientes herramientas de código abierto incluyen librerías para Python, R, C++, Java, Scala, Clojure, JavaScript y Go.
A continuación las herramientas:
- Sciki-learn: Python se ha convertido en el lenguaje de programación para matemáticas, ciencia y estadística ya sea por lo fácil que es adoptarlo y el número de librerías disponibles. Scikit-learn lidera al estar construido en las mejores librerías de Python (NumPy, SciPy y Matplotlib) para matemática y ciencias. La librería esta disponible bajo licencia BSD, por lo tanto es completamente abierto y reutilizable.
- Shogun: Creado en 1999 y escrito en C++, pero puede ser utilizado con Java, Python, C#, Ruby, R, Lua, Octave y Matlab. La última versión 6.0.0, agrega soporte para Windows y Scala. Shogun tiene un competidor Mlpack, que fue creado en 2011 y profesa ser más fácil y rápida para trabajar.
- Accord.Net framework: librería para machine learning y procesamiento de señales hecha para .Net, es una extensión del proyecto AForget.net. Accord incluye un conjunto de librerías para procesamiento de audio y flujo de imágenes (vídeos). Este algoritmo puede ser utilizado para detección de rostros o para seguimiento del movimiento de objetos.
- Apache Mahout: esta bastante emparejado con Hadoop, pero muchos de estos algoritmos funcionan también fuera de Hadoop. Es muy útil para aplicaciones de escritorio que luego serán migradas dentro de Hadoop o para proyectos con Hadoop.
- Spark MLib: Librería para Apache Spark y Apache Hadoop. MLib tiene muchos algoritmos y tipos de datos útiles, diseñado para ser rápido y a escala. Aunque Java es el primer lenguaje para trabajar con MLib, los usuarios de Python pueden conectar MLib con NumPy, los usuarios de Scala también pueden escribir código para MLib y los usuarios de R pueden trabajar con Spark versión 1.5.
- H2O: esta hecho para procesos de negocio, fraude o predicción de tendencias. H2O puede interactuar con HDFS, YARN, MapReduce o directamente con una instancia de EC2. Hadoop puede utilizar Java para interactuar H2O, pero el framework también proporciona enlaces para Python, R y Scala.
- GoLearn: librería de machine learning para el lenguaje Go de Google, ha sido creado con las reglas de simplicidad y personalización.
- Weka: es un conjunto de algoritmos Java para machine learning especificado para la minería de datos. Esta licenciado con GNU GLPv3 y tiene una colección de paquetes, oficiales y no oficiales. Weka también llega con un libro que explica el software y las técnicas usadas.
- Deeplearn.js: Otro proyecto para deep learning en el navegador web, Deeplearn.js, llega de la mano de Google. Las redes neuronales son entrenadas directamente en el browser, sin ningún software del lado del cliente.
- ConvNetJS: Tal como el nombre lo indica, esta librería es una librería JavaScript para redes neuronales, facilita el uso del navegador para trabajar con el navegador. También esta disponible para trabajar con Node.js utilizando NPM.
Si usted trabaja con Machine Learning, ¿que herramienta utiliza?[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
Este artículo esta basado en 11 open source tools to make the most of machine learning. Si les es de utilidad, por favor compartan y darle me gusta a la página.[/vc_column_text][/vc_column][/vc_row]
