认识达内从这里开始

随着互联网的不断发展，机器学习等人工智能相关的技术也在不断的被程序员掌握，而今天我们就一起来了解一下，机器学习的工具都有哪些。

1.Splunk

Splunk的原始版本初是作为一种工具，通过现代Web应用程序创建的大量日志文件进行搜索或“窥探”。它已经发展成为可以分析所有形式的数据，特别是时间序列和其他按顺序生成的数据。该工具将结果显示在具有复杂可视化例程的仪表板中。

新版本包括将数据源与TensorFlow等机器学习工具和一些优质Python开源工具集成的应用程序。它们提供快速解决方案，用于检测异常值、标记异常，并生成对未来值的预测。它们经过优化，可以在非常大的数据集中搜索文件。

2.DataRobot

DataRobot内部的堆栈是一些用R、Python或其他几个平台编写的开源机器库的集合。用户将只处理一个Web界面，该界面显示用于设置管道的类似流程图的工具。DataRobot连接到主要数据源，其中包括本地数据库、云数据存储和下载的文件或电子表格。用户构建的管道可以清理数据，填充缺失值，然后生成标记异常值，并预测未来值的模型。

DataRobot还可以尝试提供关于为什么进行某些预测的“人性化解释”，这对于理解人工智能的应用非常有用。

它可以部署在云端和内部部署解决方案的混合体中。云计算可以通过共享资源提供大的并行性和吞吐量，而本地安装可以提供更多的隐私和控制能力。

3.H2O

H2O喜欢用“无驱动的人工智能”来描述其探索各种机器学习解决方案的自动化堆栈。它将数据源(数据库、Hadoop、Spark等)联系在一起，并将它们输入到具有广泛参数的各种算法中。用户可以控制用于该问题的时间和计算资源，并测试各种参数组合，直到完成预算。其结果可以通过仪表板或Jupyter笔记本进行浏览和审核。

H2O的核心机器学习算法以及与Spark等工具的集成是开源的，但所谓的“无驱动”选项是销售给企业客户的专有包之一。

4.RapidMiner

RapidMiner生态系统的核心是一个用于从可视图标创建数据分析的工作室。它将清理用户的数据，然后通过各种统计算法运行它。如果用户想使用机器学习而不是更传统的数据科学，自动模型将从多种分类算法中进行选择，并搜索各种参数，直到找到合适的匹配。该工具的目标是生成数百个模型，然后确定优质模型。

创建模型后，该工具可以部署它们，同时测试它们的成功率，并解释模型如何做出决策。可以使用可视化工作流编辑器测试和调整对不同数据字段的敏感度。

近的改进包括更好的文本分析、用于构建可视化仪表板的各种图表以及用于分析时间序列数据的更复杂算法。

5.BigML

BigML仪表板提供了数据科学的基本工具，用于识别可以构成机器学习更复杂工作基础的相关性。例如，他们的深度网络提供了用于测试和优化更精细的神经网络的复杂机制。可以将模型的质量与其他算法进行比较，并使用标准化的比较框架，帮助用户在数据科学和更复杂的机器学习之间进行选择。

BigML的仪表板在浏览器中运行，其分析可以在BigML云平台中运行，也可以在服务器机房中运行。其云计算版本的价格较低，以鼓励早期应用，甚至还有一个免费套餐。其成本主要取决于数据集大小的限制以及可以调用的计算资源量。免费套餐将使用不超过两个并行运行的进程分析多16MB的数据。规模较小的付费账户的定价非常合理，每月账单只需30美元，但随着资源需求的增加，其价格会上升。

6.RStudio

对于非程序员来说，R并不是一种容易使用的语言，但它仍然是进行复杂统计分析的基本工具之一，因为它深受核心数据科学家的欢迎。RStudio是一个工具，为用户提供一组菜单和点击选项，使其更容易与深入内部运行的R层进行交互。

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!