1、Azure機器學習

　　如果你沒有高超的程式設計技能，但很希望能夠涉足機器學習領域，那你應該好好研究Azure機器學習。(注意，你應該有一些機器學習和資料科學的基礎，這樣才能感受到該平臺提供的好處)。它是基於雲端的服務，提供的工具可用來部署預測模型作為分析解決方案。還可以用來測試機器學習模型，執行演算法，並建立推薦系統等等。然而，使用者介面是使用者對它的吐槽點，尤其是涉及到程式碼編寫的時候。在這裡可以瞭解更多關於Azure機器學習的內容!

　　2、Caffe（卷積神經網路框架）

　　Caffe的建立者是賈揚清，它是作為加州大學伯克利分校的Jia’s Ph.D研究的一部 分。現在已經發展成為深度學習的一個開源框架了，支援各種型別的軟體架構設計會議及影象分割和影象分類。Caffe以其簡單易讀的原始碼和絕佳的質量效能而大受追捧。一些否定者認為由於需要使用Cude/C++編寫新的層，而且在為大型網路編寫原始檔案時很難使用。在這裡瞭解Caffe的更多內容吧!

　　3、CNTK

　　CNTK(計算網路工具包)是一款深度學習的工具包，是由微軟開發的“透過有向圖將神經網路描述為一系列的計算步驟”。它可以幫助使用者把不同型別的神經網路輕鬆地結合到一起，它有著巨大的效能，還允許分散式訓練，靈活度非常高。另一方面，它的原始碼沒有那麼的簡單易讀，而且缺乏視覺化。這裡可以瞭解更多關於CNTK!

　　4、Deeplearning4j

　　DeepLearning4J自稱是專門適用於JVM的開源、分散式深度學習的庫。它特別適於培訓分散式深度學習網路，可以非常穩定的處理大量資料。它還可以整合Hadoop和Spark，可以從頭開始實現機器學習演算法。另一方面，對於機器學習來說，Java並不是非常受歡迎，所以DL4J不能像其它庫那樣依靠越來越多的程式碼庫，因此開發成本可能會更高。此外，因為它是用Java構建的，所以必須自己手工建立顯式類以便將矩陣新增到一起，而如果是用Python的話，那就不需要建立了。在這裡瞭解更多關於DeepLearning4J!

　　5、IBM Watson

　　IBM Watson被稱為“問答機器”。它使用分析能力和人工智慧增強human-like的能力來應對問題。它可以幫助使用者擁有強大的商業洞察力，然後在已經很明智的決定上做出更明智的決定。IBM還可以確保使用者的資料得到世界級的安全保護和加密功能，而且承諾不會分享資料，除非你自己願意。另一方面，它的缺點包括只能用英語，不能直接處理結構化資料，轉換和整合需要耗費很高的成本。在這裡瞭解更多關於IBM Watson!

　　6、Keras

　　Keras神經網路是一個用Python編寫的開源庫。如果你正在尋找哪些庫可以允許使用者執行快速而且簡單的實驗，那麼Keras應該就是你需要的!它作用於卷積神經網路和/或複發性神經網路，也可以執行在兩個CPU和GPU。其優點是易於使用，對於熟悉深入學習的開發者來說非常簡單，但它的缺點就是如果想超越表面級別的定製可能會比較困難，其資料處理工具有點負擔。不過，總的來說，這是一個正在發展中的API，已經走過了漫長的道路，沒有人可以預言它的極限在哪裡.

　　7、Pybrain

　　PyBrain是一個開源的、模組化的機器學習庫。它完全面向框架，PyBrain旨在成為一個使用群眾包括既有剛剛開始探索世界的學生，也有專門從事於深入學習和神經網路的計算機科學研究人員的工具。PyBrains庫是由演算法組成的，這些演算法允許開發人員使用強化學習等概念，非監督機器學習和神經網路。在這裡瞭解更多關於PyBrain!

　　8、Scikit-Learn

　　Scikit-learn機器學習是一個開源框架，Python有用的資料探勘、資料分析和資料視覺化。它有利於分類、迴歸、聚類、降維、模型選擇、預處理，等等。它是建立在NumPy，SciPy，matplotlib。使用Python，工作速度比R和有偉大的表現。然而，沒有分散式版本可用，不適合大資料集。瞭解更多關於scikit-learn這裡!

　　9、Swift AI

　　Swift人工智慧是Swift用於深度學習和神經網路的庫，支援Mac機器(很快也會支援Linux)。這個庫是由各種工具組成，允許開發人員建立神經網路，建立深度學習演算法和訊號處理。在GitHub頁面上顯示的示例專案表明Swift AI已經迅速被用於建立可以識別人類筆跡模式的軟體。在這裡瞭解更多關於Swift AI!

　　10、Tensorflow

　　最初是由谷歌的機器智慧研究開發部門研究出來的，是用來進行深度學習神經網路和機器學習的研究，TensorFlow現在已經是semi-open-source庫了，允許開發人員進行數值計算。AI開發者可以使用TensorFlow庫在模式識別方面構建和訓練神經網路。它是用Python和C++這兩門強大的以及廣受歡迎的程式語言編寫的，允許分散式訓練。它的缺點是不包含許多pre-trained模型，像Caffe一樣，也不支援外部資料集。在這裡瞭解更多關於TensorFlow!

　　11、Theano

　　Theano是一個使用計算機代數系統從而定義、最佳化、操作和評估數學表示式的Python庫。如果你用深度學習處理，那就要處理很多數值的任務。Theano非常適合處理這些任務——特別是矩陣運算，符號變數，函式定義，可以即時編譯為CPU或GPU的機器程式碼。Theano是時間最久的深度學習庫之一，這意味著它非常成熟，但也意味著如果你想有一個高水平的抽象，它必須和其他庫一起使用。在這裡瞭解更多關於Theano!

　　12、Torch

　　Torch是一個用於科學計算的開源框架，支援機器學習演算法。它得益於指令碼語言LuaJIT和底層的C/CUDA實現，LuaJIT允許開發人員用C語言與Torch進行互動。正如在他們的網站上列出的那樣，Torch使用者們的突出特性就是“強大的n維陣列;線性代數的例程;神經網路、能源模型;快速和高效的GPU的支援。”此外，它還可以移植到iOS和Android的後端。Torch已經指出一些缺點，包括從目錄中載入資料是非常困難，過於依賴Lua(相對較新的語言)使不容易被使用。在這裡瞭解更多關於Torch!

開源人工智慧

　　以下這些開源人工智慧應用都處於人工智慧研究的最前沿。

　　1. Caffe它是由賈揚清在加州大學伯克利分校的讀博時創造的，Caffe 是一個基於表達體系結構和可擴充套件程式碼的深度學習框架。使它聲名鵲起的是它的速度，這讓它受到研究人員和企業使用者的歡迎。根據其網站所言，它可以在一天之內只用一個 NVIDIA K40 GPU 處理 6000 萬多個影象。它是由伯克利視野和學習中心(BVLC)管理的，並且由 NVIDIA 和亞馬遜等公司資助來支援它的發展。

　　2. CNTK

它是計算網路工具包(Computational Network Toolkit)的縮寫，CNTK 是一個微軟的開源人工智慧工具。不論是在單個 CPU、單個 GPU、多個 GPU 或是擁有多個 GPU 的多臺機器上它都有優異的表現。微軟主要用它做語音識別的研究，但是它在機器翻譯、影象識別、影象字幕、文字處理、語言理解和語言建模方面都有著良好的應用。

　　3. Deeplearning4j

Deeplearning4j 是一個 java 虛擬機器(JVM)的開源深度學習庫。它執行在分散式環境並且整合在 Hadoop 和 Apache Spark 中。這使它可以配置深度神經網路，並且它與 Java、Scala 和 其他 JVM 語言相容。

　　這個專案是由一個叫做 Skymind 的商業公司管理的，它為這個專案提供支援、培訓和一個企業的發行版。

　　4.DMTK 是分散式機器學習工具(Distributed Machine Learning Toolkit)的縮寫，和 CNTK 一樣，是微軟的開源人工智慧工具。作為設計用於大資料的應用程式，它的目標是更快的訓練人工智慧系統。它包括三個主要元件：DMTK 框架、LightLDA 主題模型演算法和分散式(多義)字嵌入演算法。為了證明它的速度，微軟聲稱在一個八叢集的機器上，它能夠“用 100 萬個主題和 1000 萬個單詞的詞彙表(總共 10 萬億引數)訓練一個主題模型，在一個文件中收集 1000 億個符號，”。這一成績是別的工具無法比擬的。

　　5. H20

相比起科研，H2O 更注重將 AI 服務於企業使用者，因此 H2O 有著大量的公司客戶，比如第一資本金融公司、思科、Nielsen Catalina、PayPal 和泛美都是它的使用者。它聲稱任何人都可以利用機器學習和預測分析的力量來解決業務難題。它可以用於預測建模、風險和欺詐分析、保險分析、廣告技術、醫療保健和客戶情報。

　　它有兩種開源版本：標準版 H2O 和 Sparking Water 版，它被整合在 Apache Spark 中。也有付費的企業使用者支援。

　　6. Mahout

它是 Apache 基金會專案，Mahout 是一個開源機器學習框架。根據它的網站所言，它有著三個主要的特性：一個構建可擴充套件演算法的程式設計環境、像 Spark 和 H2O 一樣的預製演算法工具和一個叫 Samsara 的向量數學實驗環境。使用 Mahout 的公司有 Adobe、埃森哲諮詢公司、Foursquare、英特爾、領英、Twitter、雅虎和其他許多公司。其網站列了出第三方的專業支援。

　　7. MLlib

由於其速度，Apache Spark 成為一個最流行的大資料處理工具。MLlib 是 Spark 的可擴充套件機器學習庫。它集成了 Hadoop 並可以與 NumPy 和 R 進行互動操作。它包括了許多機器學習演算法如分類、迴歸、決策樹、推薦、叢集、主題建模、功能轉換、模型評價、ML 管道架構、ML 持久、生存分析、頻繁項集和序列模式挖掘、分散式線性代數和統計。

　　8. NuPIC

由 Numenta 公司管理的 NuPIC 是一個基於分層暫時記憶(Hierarchical Temporal Memory, HTM)理論的開源人工智慧專案。從本質上講，HTM 試圖建立一個計算機系統來模仿人類大腦皮層。他們的目標是創造一個 “在許多認知任務上接近或者超越人類認知能力” 的機器。

　　除了開源許可，Numenta 還提供 NuPic 的商業許可協議，並且它還提供技術專利的許可證。

　　9. OpenNN

作為一個為開發者和科研人員設計的具有高階理解力的人工智慧，OpenNN 是一個實現神經網路演算法的 c++ 程式設計庫。它的關鍵特性包括深度的架構和快速的效能。其網站上可以查到豐富的文件，包括一個解釋了神經網路的基本知識的入門教程。OpenNN 的付費支援由一家從事預測分析的西班牙公司 Artelnics 提供。

　　10. OpenCyc

由 Cycorp 公司開發的 OpenCyc 提供了對 Cyc 知識庫的訪問和常識推理引擎。它擁有超過 239,000 個條目，大約 2,093,000 個三元組和大約 69,000 owl：這是一種類似於連結到外部語義庫的名稱空間。它在富領域模型、語義資料整合、文字理解、特殊領域的專家系統和遊戲 AI 中有著良好的應用。該公司還提供另外兩個版本的 Cyc：一個免費的用於科研但是不開源，和一個提供給企業的但是需要付費

它是計算網路工具包(Computational Network Toolkit)的縮寫，CNTK 是一個微軟的開源人工智慧工具。不論是在單個 CPU、單個 GPU、多個 GPU 或是擁有多個 GPU 的多臺機器上它都有優異的表現。

微軟主要用它做語音識別的研究，但是它在機器翻譯、影象識別、影象字幕、文字處理、語言理解和語言建模方面都有著良好的應用。