[Machine learning] 国外程序员整理的机器学习资源大全

Myth丶恋晨 2022-10-26 12:49 307阅读 0赞

**阅读目录**

本文汇编了一些机器学习领域的框架、库以及软件(按编程语言排序)。

### 1. C++ ###

1.1 计算机视觉

*  [CCV][] —基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库
 *  [OpenCV][]—它提供C++, C, Python, Java以及MATLAB接口，并支持Windows，Linux， Android and Mac OS操作系统。

1.2 机器学习

*  [MLPack][]
 *  [DLib][]
 *  [ecogg][]
 *  [shark][]

### 2. Closure ###

*  [Closure Toolbox][]—Clojure语言库与工具的分类目录

### 3.Go ###

3.1 自然语言处理

*  [go-porterstemmer][]—一个Porter词干提取算法的原生Go语言净室实现
 *  [paicehusk][]—Paice/Husk词干提取算法的Go语言实现
 *  [snowball][]—Go语言版的Snowball词干提取器

3.2 机器学习

*  [Go Learn][]— Go语言机器学习库
 *  go-pr   —Go语言机器学习包
 *  [bayesian][]—Go语言朴素贝叶斯分类库。
 *  [go-galib][]—Go语言遗传算法库。

3.3 数据分析/数据可视化

*  [go-graph][]—Go语言图形库。
 *  [SVGo][]—Go语言的SVG生成库。

### 4. Java ###

4.1 自然语言处理

*  [CoreNLP][]—斯坦福大学的CoreNLP提供一系列的自然语言处理工具，输入原始英文文本，可以给出单词的基本形式(下面Stanford开头的几个工具都包含其中)。
 *  [Stanford Parser][]—一个自然语言解析器。
 *  [Stanford POS Tagger][] —一个词性分类器。
 *  [Stanford Name Entity Recognizer][]—Java实现的名称识别器。
 *  [Stanford Word Segmenter][]—分词器，很多NLP工作中都要用到的标准预处理步骤。
 *  [Tregex, Tsurgeon and Semgrex][Tregex_ Tsurgeon and Semgrex] —用来在树状数据结构中进行模式匹配，基于树关系以及节点匹配的正则表达式(名字是"tree regular expressions" 的缩写)。
 *  [Stanford Phrasal:][Stanford Phrasal]最新的基于统计短语的机器翻译系统，java编写。
 *  [Stanford Tokens Regex][]—用以定义文本模式的框架。
 *  [Stanford Temporal Tagger][]—SUTime是一个识别并标准化事件表达式的库。
 *  [Stanford SPIED][]—在种子集上使用模式，以迭代方式从无标签文本中学习字符实体
 *  [Stanford Topic Modeling Toolbox][] —为社会科学家及其他希望分析数据集的人员提供的主题建模工具。
 *  [Twitter Text Java][]—Java实现的推特文本处理库
 *  [MALLET][] -—基于Java的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习文本应用包。
 *  [OpenNLP][]—处理自然语言文本的机器学习工具包。
 *  [LingPipe][] —使用计算机语言学处理文本的工具包。

4.2 机器学习

*  [MLlib in Apache Spark][]—Spark中的分布式机器学习程序库
 *  [Mahout][] —分布式的机器学习库
 *  [Stanford Classifier][] —斯坦福大学的分类器
 *  [Weka][]—Weka是数据挖掘方面的机器学习算法集.
 *  [ORYX][]—提供一个简单的大规模实时机器学习/预测分析基础架构。

4.3 数据分析/数据可视化

*  [Hadoop][]—大数据分析平台
 *  [Spark][]—快速通用的大规模数据处理引擎。
 *  [Impala][] —为Hadoop实现实时查询

### 5. Javascript ###

5.1 自然语言处理

*  [Twitter-text-js][] —JavaScript实现的推特文本处理库
 *  [NLP.js][] —javascript及coffeescript编写的NLP工具
 *  [natural][]—Node下的通用NLP工具
 *  [Knwl.js][]—JS编写的自然语言处理器

5.2 数据分析/数据可视化

*  [D3.js][]
 *  [High Charts][]
 *  [NVD3.js][]
 *  [dc.js][]
 *  [chartjs][]
 *  [dimple][]
 *  [amCharts][]

5.3 机器学习

*  [Convnet.js][]—训练深度学习模型的JavaScript库。
 *  [Clustering.js][]—用JavaScript实现的聚类算法，供Node.js及浏览器使用。
 *  [Decision Trees][]—Node.js实现的决策树，使用ID3算法。
 *  [Node-fann][] —Node.js下的快速人工神经网络库。
 *  [Kmeans.js][]—k-means算法的简单Javascript实现，供Node.js及浏览器使用。
 *  [LDA.js][] —供Node.js用的LDA主题建模工具。
 *  [Learning.js][]—逻辑回归/c4.5决策树的JavaScript实现
 *  [Machine Learning][]—Node.js的机器学习库。
 *  [Node-SVM][]—Node.js的支持向量机
 *  [Brain][] —JavaScript实现的神经网络
 *  [Bayesian-Bandit][] —贝叶斯强盗算法的实现，供Node.js及浏览器使用。

### 6. Julia ###

6.1 机器学习

*  [PGM][]—Julia实现的概率图模型框架
 *  [DA][]—Julia实现的正则化判别分析包
 *  [Regression][]—回归分析算法包(如线性回归和逻辑回归)。
 *  [Local Regression][] —局部回归，非常平滑!
 *  [Naive Bayes][] —朴素贝叶斯的简单Julia实现
 *  [Mixed Models][] —(统计)混合效应模型的Julia包
 *  [Simple MCMC][] —Julia实现的节本mcmc采样器
 *  [Distance][]—Julia实现的距离评估模块
 *  [Decision Tree][] —决策树分类器及回归分析器
 *  [Neural][] —Julia实现的神经网络
 *  [MCMC][] —Julia下的MCMC工具
 *  [GLM][] —Julia写的广义线性模型包
 *  [Online Learning][]
 *  [GLMNet][] —GMLNet的Julia包装版，适合套索/弹性网模型。
 *  [Clustering][]—数据聚类的基本函数:k-means, dp-means等。
 *  [SVM][]—Julia下的支持向量机。
 *  [Kernal Density][]—Julia下的核密度估计器
 *  [Dimensionality Reduction][]—降维算法
 *  [NMF][] —Julia下的非负矩阵分解包
 *  [ANN][]—Julia实现的神经网络

6.2 自然语言处理

*  [Topic Models][] —Julia下的主题建模
 *  [Text Analysis][]—Julia下的文本分析包

6.3 数据分析/数据可视化

*  [Graph Layout][] —纯Julia实现的图布局算法。
 *  [Data Frames Meta][] —DataFrames的元编程工具。
 *  [Julia Data][]—处理表格数据的Julia库
 *  [Data Read][]—从Stata、SAS、SPSS读取文件
 *  [Hypothesis Tests][]—Julia中的假设检验包
 *  [Gladfly][] —Julia编写的灵巧的统计绘图系统。
 *  [Stats][]—Julia编写的统计测试函数包
 *  [RDataSets][] —读取R语言中众多可用的数据集的Julia函数包。
 *  [DataFrames][] —处理表格数据的Julia库。
 *  [Distributions][]—概率分布及相关函数的Julia包。
 *  [Data Arrays][] —元素值可以为空的数据结构。
 *  [Time Series][]—Julia的时间序列数据工具包
 *  [Sampling][]—Julia的基本采样算法包

6.4 杂项/演示文稿

*  [DSP][] —数字信号处理
 *  [JuliaCon Presentations][]—Julia大会上的演示文稿
 *  [SignalProcessing][]—Julia的信号处理工具。
 *  [Images][]—Julia的图片库

### 7. Lua ###

7.1 机器学习

*  [Torch7][]
    
     *  [cephes][] —Cephes数学函数库，包装成Torch可用形式。提供并包装了超过180个特殊的数学函数，由Stephen L. Moshier开发，是SciPy的核心，应用于很多场合。
     *  [graph][] —供Torch使用的图形包。
     *  [randomkit][]—从Numpy提取的随机数生成包，包装成Torch可用形式。
     *  [signal][] —Torch-7可用的信号处理工具包，可进行FFT，DCT， Hilbert，cepstrums， stft等交换。
     *  [nn][] —Torch可用的神经网络包。
     *  [nngraph][] —为nn库提供图形计算能力。
     *  [nnx][]—一个不稳定实验性的包，扩展Torch内置的nn库。
     *  [optim][]—Torch可用的优化算法库，包括 SGD, Adagrad, 共轭梯度算法, LBFGS, RProp等算法。
     *  [unsup][]—Torch下的非监督学习包。提供的模块与nn(LinearPsd, ConvPsd, AutoEncoder, …)及独立算法 (k-means, PCA)等兼容。
     *  [manifold][]—操作流形的包。
     *  [svm][]—Torch的支持向量机库。
     *  [lbfgs][]—将liblbfgs包装为FFI接口。
     *  [vowpalwabbit][] —老版的vowpalwabbit对torch的接口。
     *  [OpenGM][]—OpenGM是C++编写的图形建模及推断库，该binding可以用Lua以简单的方式描述图形，然后用OpenGM优化。
     *  [sphagetti][] —MichaelMathieu为torch7编写的稀疏线性模块。
     *  [LuaSHKit][] —将局部敏感哈希库SHKit包装成lua可用形式。
     *  [kernel smoothing][] —KNN、核权平均以及局部线性回归平滑器
     *  [cutorch][]—torch的CUDA后端实现
     *  [cunn][] —torch的CUDA神经网络实现。
     *  [imgraph][]—torch的图像/图形库，提供从图像创建图形、分割、建立树、又转化回图像的例程
     *  [videograph][]—torch的视频/图形库，提供从视频创建图形、分割、建立树、又转化回视频的例程
     *  [saliency][] —积分图像的代码和工具，用来从快速积分直方图中寻找兴趣点。
     *  [stitch][] —使用hugin拼合图像并将其生成视频序列。
     *  [sfm][]—运动场景束调整/结构包
     *  [fex][] —torch的特征提取包，提供SIFT和dSIFT模块。
     *  [OverFeat][]—当前最高水准的通用密度特征提取器。
 *  [Numeric Lua][]
 *  [Lunatic Python][]
 *  [SciLua][]
 *  [Lua – Numerical Algorithms][Lua _ Numerical Algorithms]
 *  [Lunum][]

7.2 演示及脚本

*  [Core torch7 demos repository][].核心torch7演示程序库
    
     *  线性回归、逻辑回归
     *  人脸检测（训练和检测是独立的演示）
     *  基于mst的断词器
     *  train-a-digit-classifier
     *  train-autoencoder
     *  optical flow demo
     *  train-on-housenumbers
     *  train-on-cifar
     *  tracking with deep nets
     *  kinect demo
     *  滤波可视化
     *  saliency-networks
 *  [Training a Convnet for the Galaxy-Zoo Kaggle challenge(CUDA demo)][Training a Convnet for the Galaxy-Zoo Kaggle challenge_CUDA demo]
 *  [Music Tagging][]—torch7下的音乐标签脚本
 *  [torch-datasets][] 读取几个流行的数据集的脚本，包括：
    
     *  BSR 500
     *  CIFAR-10
     *  COIL
     *  Street View House Numbers
     *  MNIST
     *  NORB
 *  [Atari2600][] —在Arcade Learning Environment模拟器中用静态帧生成数据集的脚本。

### 8. Matlab ###

8.1 计算机视觉

*  [Contourlets][] —实现轮廓波变换及其使用函数的MATLAB源代码
 *  [Shearlets][]—剪切波变换的MATLAB源码
 *  [Curvelets][]—Curvelet变换的MATLAB源码（Curvelet变换是对小波变换向更高维的推广，用来在不同尺度角度表示图像。）
 *  [Bandlets][]—Bandlets变换的MATLAB源码

8.2 自然语言处理

*  [NLP][] —一个Matlab的NLP库

8.3 机器学习

*  [Training a deep autoencoder or a classifier on MNIST digits][]—在MNIST字符数据集上训练一个深度的autoencoder或分类器\[深度学习\]。
 *  [t-Distributed Stochastic Neighbor Embedding][] —获奖的降维技术，特别适合于高维数据集的可视化
 *  [Spider][]—Matlab机器学习的完整面向对象环境。
 *  [LibSVM][] —支持向量机程序库
 *  [LibLinear][] —大型线性分类程序库
 *  [Machine Learning Module][] —M. A .Girolami教授的机器学习课程，包括PDF，讲义及代码。
 *  [Caffe][]—考虑了代码清洁、可读性及速度的深度学习框架
 *  [Pattern Recognition Toolbox][] —Matlab中的模式识别工具包，完全面向对象

8.4 数据分析/数据可视化

*  [matlab\_gbl][matlab_gbl]—处理图像的Matlab包
 *  [gamic][]—图像算法纯Matlab高效实现，对MatlabBGL的mex函数是个补充。

[回到顶部][Link 1]

# #

### 9. .NET ###

9.1 计算机视觉

*  [OpenCVDotNet][] —包装器，使.NET程序能使用OpenCV代码
 *  [Emgu CV][]—跨平台的包装器，能在Windows, Linus, Mac OS X, iOS, 和Android上编译。

9.2 自然语言处理

*  [Stanford.NLP for .NET][] —斯坦福大学NLP包在.NET上的完全移植，还可作为NuGet包进行预编译。

9.3 通用机器学习

*  [Accord.MachineLearning][] —支持向量机、决策树、朴素贝叶斯模型、K-means、高斯混合模型和机器学习应用的通用算法，例如：随机抽样一致性算法、交叉验证、网格搜索。这个包是Accord.NET框架的一部分。
 *  [Vulpes][]—F\#语言实现的Deep belief和深度学习包，它在Alea.cuBase下利用CUDA GPU来执行。
 *  [Encog][] —先进的神经网络和机器学习框架，包括用来创建多种网络的类，也支持神经网络需要的数据规则化及处理的类。它的训练采用多线程弹性传播。它也能使用GPU加快处理时间。提供了图形化界面来帮助建模和训练神经网络。
 *  [Neural Network Designer][] —这是一个数据库管理系统和神经网络设计器。设计器用WPF开发，也是一个UI，你可以设计你的神经网络、查询网络、创建并配置聊天机器人，它能问问题，并从你的反馈中学习。这些机器人甚至可以从网络搜集信息用来输出，或是用来学习。

9.4 数据分析/数据可视化

*  [numl][] —numl这个机器学习库，目标就是简化预测和聚类的标准建模技术。
 *  [Math.NET Numerics][]—Math.NET项目的数值计算基础，着眼提供科学、工程以及日常数值计算的方法和算法。支持 Windows, Linux 和 Mac上的 .Net 4.0, .Net 3.5 和 Mono ，Silverlight 5, WindowsPhone/SL 8, WindowsPhone 8.1 以及装有 PCL Portable Profiles 47 及 344的Windows 8， 装有 Xamarin的Android/iOS 。
 *  [Sho][] —Sho是数据分析和科学计算的交互式环境，可以让你将脚本（IronPython语言）和编译的代码（.NET）无缝连接，以快速灵活的建立原型。这个环境包括强大高效的库，如线性代数、数据可视化，可供任何.NET语言使用，还为快速开发提供了功能丰富的交互式shell。

### 10. Python ###

10.1 计算机视觉

*  [SimpleCV][]—开源的计算机视觉框架，可以访问如OpenCV等高性能计算机视觉库。使用Python编写，可以在Mac、Windows以及Ubuntu上运行。

10.2 自然语言处理

*  [NLTK][] —一个领先的平台，用来编写处理人类语言数据的Python程序
 *  [Pattern][]—Python可用的web挖掘模块，包括自然语言处理、机器学习等工具。
 *  [TextBlob][]—为普通自然语言处理任务提供一致的API，以NLTK和Pattern为基础，并和两者都能很好兼容。
 *  [jieba][]—中文断词工具。
 *  [SnowNLP][] —中文文本处理库。
 *  [loso][]—另一个中文断词库。
 *  [genius][] —基于条件随机域的中文断词库。
 *  [nut][] —自然语言理解工具包。

10.3 机器学习

10.4 数据分析/数据可视化

10.5 杂项脚本/iPython笔记/代码库

10.6 Kaggle竞赛源代码

### 11. Ruby ###

11.1 自然语言处理

11.2 机器学习

11.3 数据分析/数据可视化

### 12. R ###

12.1 通用机器学习

12.2 数据分析/数据可视化

### 13. Scala ###

13.1 自然语言处理

13.2 数据分析/数据可视化

13.3 机器学习

*  [Bayesian Methods for Hackers][] —Python语言概率规划的电子书
 *  [MLlib in Apache Spark][]—Spark下的分布式机器学习库。
 *  [scikit-learn][]—基于SciPy的机器学习模块
 *  [graphlab-create][] —包含多种机器学习模块的库（回归，聚类，推荐系统，图分析等），基于可以磁盘存储的DataFrame。
 *  [BigML][]—连接外部服务器的库。
 *  [pattern][]—Python的web挖掘模块
 *  [NuPIC][]—Numenta公司的智能计算平台。
 *  [Pylearn2][]—基于Theano的机器学习库。
 *  [hebel][] —Python编写的使用GPU加速的深度学习库。
 *  [gensim][]—主题建模工具。
 *  [PyBrain][]—另一个机器学习库。
 *  [Crab][] —可扩展的、快速推荐引擎。
 *  [python-recsys][] —Python实现的推荐系统。
 *  [thinking bayes][]—关于贝叶斯分析的书籍
 *  [Restricted Boltzmann Machines][] —Python实现的受限波尔兹曼机。\[深度学习\]。
 *  [Bolt][] —在线学习工具箱。
 *  [CoverTree][] —cover tree的Python实现，scipy.spatial.kdtree便捷的替代。
 *  [nilearn][]—Python实现的神经影像学机器学习库。
 *  [Shogun][]—机器学习工具箱。
 *  [Pyevolve][] —遗传算法框架。
 *  [Caffe][] —考虑了代码清洁、可读性及速度的深度学习框架
 *  [breze][]—深度及递归神经网络的程序库，基于Theano。
 *  [SciPy][] —基于Python的数学、科学、工程开源软件生态系统。
 *  [NumPy][]—Python科学计算基础包。
 *  [Numba][] —Python的低级虚拟机JIT编译器，Cython and NumPy的开发者编写，供科学计算使用
 *  [NetworkX][] —为复杂网络使用的高效软件。
 *  [Pandas][]—这个库提供了高性能、易用的数据结构及数据分析工具。
 *  [Open Mining][]—Python中的商业智能工具（Pandas web接口）。
 *  [PyMC][] —MCMC采样工具包。
 *  [zipline][]—Python的算法交易库。
 *  [PyDy][]—全名Python Dynamics，协助基于NumPy, SciPy, IPython以及 matplotlib的动态建模工作流。
 *  [SymPy][] —符号数学Python库。
 *  [statsmodels][]—Python的统计建模及计量经济学库。
 *  [astropy][] —Python天文学程序库，社区协作编写
 *  [matplotlib][] —Python的2D绘图库。
 *  [bokeh][]—Python的交互式Web绘图库。
 *  [plotly][] —Python and matplotlib的协作web绘图库。
 *  [vincent][]—将Python数据结构转换为Vega可视化语法。
 *  [d3py][]—Python的绘图库，基于D3.js。
 *  [ggplot][] —和R语言里的ggplot2提供同样的API。
 *  [Kartograph.py][]—Python中渲染SVG图的库，效果漂亮。
 *  [pygal][]—Python下的SVG图表生成器。
 *  [pycascading][]
 *  [pattern\_classification][pattern_classification]
 *  [thinking stats 2][]
 *  [hyperopt][]
 *  [numpic][NuPIC]
 *  [2012-paper-diginorm][]
 *  [ipython-notebooks][]
 *  [decision-weights][]
 *  [Sarah Palin LDA][] —Sarah Palin关于主题建模的电邮。
 *  [Diffusion Segmentation][] —基于扩散方法的图像分割算法集合。
 *  [Scipy Tutorials][] —SciPy教程，已过时，请查看scipy-lecture-notes
 *  [Crab][Crab 1]—Python的推荐引擎库。
 *  [BayesPy][]—Python中的贝叶斯推断工具。
 *  [scikit-learn tutorials][]—scikit-learn学习笔记系列
 *  [sentiment-analyzer][] —推特情绪分析器
 *  [group-lasso][]—坐标下降算法实验，应用于（稀疏）群套索模型。
 *  [mne-python-notebooks][]—使用 mne-python进行EEG/MEG数据处理的IPython笔记
 *  [pandas cookbook][]—使用Python pandas库的方法书。
 *  [climin][]—机器学习的优化程序库，用Python实现了梯度下降、LBFGS、rmsprop、adadelta 等算法。
 *  [wiki challange][] —Kaggle上一个维基预测挑战赛 Dell Zhang解法的实现。
 *  [kaggle insults][]—Kaggle上”从社交媒体评论中检测辱骂“竞赛提交的代码
 *  [kaggle\_acquire-valued-shoppers-challenge][kaggle_acquire-valued-shoppers-challenge]—Kaggle预测回头客挑战赛的代码
 *  [kaggle-cifar][] —Kaggle上CIFAR-10 竞赛的代码，使用cuda-convnet
 *  [kaggle-blackbox][] —Kaggle上blackbox赛代码，关于深度学习。
 *  [kaggle-accelerometer][] —Kaggle上加速度计数据识别用户竞赛的代码
 *  [kaggle-advertised-salaries][] —Kaggle上用广告预测工资竞赛的代码
 *  [kaggle amazon][] —Kaggle上给定员工角色预测其访问需求竞赛的代码
 *  [kaggle-bestbuy\_big][kaggle-bestbuy_big]—Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（大数据版）
 *  [kaggle-bestbuy\_small][kaggle-bestbuy_small]—Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（小数据版）
 *  [Kaggle Dogs vs. Cats][] —Kaggle上从图片中识别猫和狗竞赛的代码
 *  [Kaggle Galaxy Challenge][] —Kaggle上遥远星系形态分类竞赛的优胜代码
 *  [Kaggle Gender][] —Kaggle竞赛：从笔迹区分性别
 *  [Kaggle Merck][]—Kaggle上预测药物分子活性竞赛的代码（默克制药赞助）
 *  [Kaggle Stackoverflow][]—Kaggle上 预测Stack Overflow网站问题是否会被关闭竞赛的代码
 *  [wine-quality][] —预测红酒质量。
 *  [Treat][]—文本检索与注释工具包，Ruby上我见过的最全面的工具包。
 *  [Ruby Linguistics][]—这个框架可以用任何语言为Ruby对象构建语言学工具。包括一个语言无关的通用前端，一个将语言代码映射到语言名的模块，和一个含有很有英文语言工具的模块。
 *  [Stemmer][]—使得Ruby可用 libstemmer\_c中的接口。
 *  [Ruby Wordnet][] —WordNet的Ruby接口库。
 *  [Raspel][] —aspell绑定到Ruby的接口
 *  [UEA Stemmer][]—UEALite Stemmer的Ruby移植版，供搜索和检索用的保守的词干分析器
 *  [Twitter-text-rb][]—该程序库可以将推特中的用户名、列表和话题标签自动连接并提取出来。
 *  [Ruby Machine Learning][] —Ruby实现的一些机器学习算法。
 *  [Machine Learning Ruby][]
 *  [jRuby Mahout][] —精华！在JRuby世界中释放了Apache Mahout的威力。
 *  [CardMagic-Classifier][]—可用贝叶斯及其他分类法的通用分类器模块。
 *  [Neural Networks and Deep Learning][]—《神经网络和深度学习》一书的示例代码。
 *  [rsruby][] – Ruby – R bridge
 *  [data-visualization-ruby][]—关于数据可视化的Ruby Manor演示的源代码和支持内容
 *  [ruby-plot][] —将gnuplot包装为Ruby形式，特别适合将ROC曲线转化为svg文件。
 *  [plot-rb][]—基于Vega和D3的ruby绘图库
 *  [scruffy][] —Ruby下出色的图形工具包
 *  [SciRuby][]
 *  [Glean][]—数据管理工具
 *  [Bioruby][]
 *  [Arel][]
 *  [Clever Algorithms For Machine Learning][]
 *  [Machine Learning For Hackers][]
 *  [Machine Learning Task View on CRAN][]—R语言机器学习包列表，按算法类型分组。
 *  [caret][]—R语言150个机器学习算法的统一接口
 *  [SuperLearner][] and [subsemble][]—该包集合了多种机器学习算法
 *  [Introduction to Statistical Learning][]
 *  [Learning Statistics Using R][]
 *  [ggplot2][]—基于图形语法的数据可视化包。
 *  [ScalaNLP][]—机器学习和数值计算库的套装
 *  [Breeze][] —Scala用的数值处理库
 *  [Chalk][]—自然语言处理库。
 *  [FACTORIE][]—可部署的概率建模工具包，用Scala实现的软件库。为用户提供简洁的语言来创建关系因素图，评估参数并进行推断。
 *  [MLlib in Apache Spark][]—Spark下的分布式机器学习库
 *  [Scalding][] —CAscading的Scala接口
 *  [Summing Bird][]—用Scalding 和 Storm进行Streaming MapReduce
 *  [Algebird][] —Scala的抽象代数工具
 *  [xerial][] —Scala的数据管理工具
 *  [simmer][] —化简你的数据，进行代数聚合的unix过滤器
 *  [PredictionIO][] —供软件开发者和数据工程师用的机器学习服务器。
 *  [BIDMat][]—支持大规模探索性数据分析的CPU和GPU加速矩阵库。
 *  [Conjecture][]—Scalding下可扩展的机器学习框架
 *  [brushfire][]—scalding下的决策树工具
 *  [ganitha][] —基于scalding的机器学习程序库
 *  [adam][]—使用Apache Avro, Apache Spark 和 Parquet的基因组处理引擎，有专用的文件格式，Apache 2软件许可。
 *  [bioscala][] —Scala语言可用的生物信息学程序库
 *  [BIDMach][]—机器学习CPU和GPU加速库。

[CCV]: https://github.com/liuliu/ccv
[OpenCV]: http://opencv.org/
[MLPack]: http://www.mlpack.org/
[DLib]: http://dlib.net/ml.html
[ecogg]: https://code.google.com/p/encog-cpp/
[shark]: http://image.diku.dk/shark/sphinx_pages/build/html/index.html
[Closure Toolbox]: http://www.clojure-toolbox.com/
[go-porterstemmer]: https://github.com/reiver/go-porterstemmer
[paicehusk]: https://github.com/Rookii/paicehusk
[snowball]: https://bitbucket.org/tebeka/snowball
[Go Learn]: https://github.com/sjwhitworth/golearn
[bayesian]: https://github.com/jbrukh/bayesian
[go-galib]: https://github.com/thoj/go-galib
[go-graph]: https://github.com/StepLg/go-graph
[SVGo]: http://www.svgopen.org/2011/papers/34-SVGo_a_Go_Library_for_SVG_generation/
[CoreNLP]: http://nlp.stanford.edu/software/corenlp.shtml
[Stanford Parser]: http://nlp.stanford.edu/software/lex-parser.shtml
[Stanford POS Tagger]: http://nlp.stanford.edu/software/tagger.shtml
[Stanford Name Entity Recognizer]: http://nlp.stanford.edu/software/CRF-NER.shtml
[Stanford Word Segmenter]: http://nlp.stanford.edu/software/segmenter.shtml
[Tregex_ Tsurgeon and Semgrex]: http://nlp.stanford.edu/software/tregex.shtml
[Stanford Phrasal]: http://nlp.stanford.edu/software/phrasal/
[Stanford Tokens Regex]: http://nlp.stanford.edu/software/tokensregex.shtml
[Stanford Temporal Tagger]: http://nlp.stanford.edu/software/sutime.shtml
[Stanford SPIED]: http://nlp.stanford.edu/software/patternslearning.shtml
[Stanford Topic Modeling Toolbox]: http://nlp.stanford.edu/software/tmt/tmt-0.4/
[Twitter Text Java]: https://github.com/twitter/twitter-text-java
[MALLET]: http://mallet.cs.umass.edu/
[OpenNLP]: https://opennlp.apache.org/
[LingPipe]: http://alias-i.com/lingpipe/index.html
[MLlib in Apache Spark]: http://spark.apache.org/docs/latest/mllib-guide.html
[Mahout]: https://github.com/apache/mahout
[Stanford Classifier]: http://nlp.stanford.edu/software/classifier.shtml
[Weka]: http://www.cs.waikato.ac.nz/ml/weka/
[ORYX]: https://github.com/cloudera/oryx
[Hadoop]: https://github.com/apache/hadoop-mapreduce
[Spark]: https://github.com/apache/spark
[Impala]: https://github.com/cloudera/impala
[Twitter-text-js]: https://github.com/twitter/twitter-text-js
[NLP.js]: https://github.com/nicktesla/nlpjs
[natural]: https://github.com/NaturalNode/natural
[Knwl.js]: https://github.com/loadfive/Knwl.js
[D3.js]: http://d3js.org/
[High Charts]: http://www.highcharts.com/
[NVD3.js]: http://nvd3.org/
[dc.js]: http://dc-js.github.io/dc.js/
[chartjs]: http://www.chartjs.org/
[dimple]: http://dimplejs.org/
[amCharts]: http://www.amcharts.com/
[Convnet.js]: http://cs.stanford.edu/people/karpathy/convnetjs/
[Clustering.js]: https://github.com/tixz/clustering.js
[Decision Trees]: https://github.com/serendipious/nodejs-decision-tree-id3
[Node-fann]: https://github.com/rlidwka/node-fann
[Kmeans.js]: https://github.com/tixz/kmeans.js
[LDA.js]: https://github.com/primaryobjects/lda
[Learning.js]: https://github.com/yandongliu/learningjs
[Machine Learning]: http://joonku.com/project/machine_learning
[Node-SVM]: https://github.com/nicolaspanel/node-svm
[Brain]: https://github.com/harthur/brain
[Bayesian-Bandit]: https://github.com/omphalos/bayesian-bandit.js
[PGM]: https://github.com/JuliaStats/PGM.jl
[DA]: https://github.com/trthatcher/DA.jl
[Regression]: https://github.com/lindahua/Regression.jl
[Local Regression]: https://github.com/dcjones/Loess.jl
[Naive Bayes]: https://github.com/nutsiepully/NaiveBayes.jl
[Mixed Models]: https://github.com/dmbates/MixedModels.jl
[Simple MCMC]: https://github.com/fredo-dedup/SimpleMCMC.jl
[Distance]: https://github.com/JuliaStats/Distance.jl
[Decision Tree]: https://github.com/bensadeghi/DecisionTree.jl
[Neural]: https://github.com/compressed/neural.jl
[MCMC]: https://github.com/doobwa/MCMC.jl
[GLM]: https://github.com/JuliaStats/GLM.jl
[Online Learning]: https://github.com/lendle/OnlineLearning.jl
[GLMNet]: https://github.com/simonster/GLMNet.jl
[Clustering]: https://github.com/JuliaStats/Clustering.jl
[SVM]: https://github.com/JuliaStats/SVM.jl
[Kernal Density]: https://github.com/JuliaStats/KernelDensity.jl
[Dimensionality Reduction]: https://github.com/JuliaStats/DimensionalityReduction.jl
[NMF]: https://github.com/JuliaStats/NMF.jl
[ANN]: https://github.com/EricChiang/ANN.jl
[Topic Models]: https://github.com/slycoder/TopicModels.jl
[Text Analysis]: https://github.com/johnmyleswhite/TextAnalysis.jl
[Graph Layout]: https://github.com/IainNZ/GraphLayout.jl
[Data Frames Meta]: https://github.com/JuliaStats/DataFramesMeta.jl
[Julia Data]: https://github.com/nfoti/JuliaData
[Data Read]: https://github.com/WizardMac/DataRead.jl
[Hypothesis Tests]: https://github.com/JuliaStats/HypothesisTests.jl
[Gladfly]: https://github.com/dcjones/Gadfly.jl
[Stats]: https://github.com/johnmyleswhite/stats.jl
[RDataSets]: https://github.com/johnmyleswhite/RDatasets.jl
[DataFrames]: https://github.com/JuliaStats/DataFrames.jl
[Distributions]: https://github.com/JuliaStats/Distributions.jl
[Data Arrays]: https://github.com/JuliaStats/DataArrays.jl
[Time Series]: https://github.com/JuliaStats/TimeSeries.jl
[Sampling]: https://github.com/JuliaStats/Sampling.jl
[DSP]: https://github.com/JuliaDSP/DSP
[JuliaCon Presentations]: https://github.com/JuliaCon/presentations
[SignalProcessing]: https://github.com/davidavdav/SignalProcessing
[Images]: https://github.com/timholy/Images.jl
[Torch7]: http://torch.ch/
[cephes]: http://jucor.github.io/torch-cephes
[graph]: https://github.com/torch/graph
[randomkit]: http://jucor.github.io/torch-randomkit/
[signal]: http://soumith.ch/torch-signal/signal/
[nn]: https://github.com/torch/nn
[nngraph]: https://github.com/torch/nngraph
[nnx]: https://github.com/clementfarabet/lua---nnx
[optim]: https://github.com/torch/optim
[unsup]: https://github.com/koraykv/unsup
[manifold]: https://github.com/clementfarabet/manifold
[svm]: https://github.com/koraykv/torch-svm
[lbfgs]: https://github.com/clementfarabet/lbfgs
[vowpalwabbit]: https://github.com/clementfarabet/vowpal_wabbit
[OpenGM]: https://github.com/clementfarabet/lua---opengm
[sphagetti]: https://github.com/MichaelMathieu/lua---spaghetti
[LuaSHKit]: https://github.com/ocallaco/LuaSHkit
[kernel smoothing]: https://github.com/rlowrance/kernel-smoothers
[cutorch]: https://github.com/torch/cutorch
[cunn]: https://github.com/torch/cunn
[imgraph]: https://github.com/clementfarabet/lua---imgraph
[videograph]: https://github.com/clementfarabet/videograph
[saliency]: https://github.com/marcoscoffier/torch-saliency
[stitch]: https://github.com/marcoscoffier/lua---stitch
[sfm]: https://github.com/marcoscoffier/lua---sfm
[fex]: https://github.com/koraykv/fex
[OverFeat]: https://github.com/sermanet/OverFeat
[Numeric Lua]: http://numlua.luaforge.net/
[Lunatic Python]: http://labix.org/lunatic-python
[SciLua]: http://www.scilua.org/
[Lua _ Numerical Algorithms]: https://bitbucket.org/lucashnegri/lna
[Lunum]: http://zrake.webfactional.com/projects/lunum
[Core torch7 demos repository]: https://github.com/e-lab/torch7-demos
[Training a Convnet for the Galaxy-Zoo Kaggle challenge_CUDA demo]: https://github.com/soumith/galaxyzoo
[Music Tagging]: https://github.com/mbhenaff/MusicTagging
[torch-datasets]: https://github.com/rosejn/torch-datasets
[Atari2600]: https://github.com/fidlej/aledataset
[Contourlets]: http://www.ifp.illinois.edu/~minhdo/software/contourlet_toolbox.tar
[Shearlets]: http://www.shearlab.org/index_software.html
[Curvelets]: http://www.curvelet.org/software.html
[Bandlets]: http://www.cmap.polytechnique.fr/~peyre/download/
[NLP]: https://amplab.cs.berkeley.edu/2012/05/05/an-nlp-library-for-matlab/
[Training a deep autoencoder or a classifier on MNIST digits]: http://www.cs.toronto.edu/~hinton/MatlabForSciencePaper.html
[t-Distributed Stochastic Neighbor Embedding]: http://homepage.tudelft.nl/19j49/t-SNE.html
[Spider]: http://people.kyb.tuebingen.mpg.de/spider/
[LibSVM]: http://www.csie.ntu.edu.tw/~cjlin/libsvm/#matlab
[LibLinear]: http://www.csie.ntu.edu.tw/~cjlin/liblinear/#download
[Machine Learning Module]: https://github.com/josephmisiti/machine-learning-module
[Caffe]: http://caffe.berkeleyvision.org/
[Pattern Recognition Toolbox]: https://github.com/newfolder/PRT
[matlab_gbl]: https://www.cs.purdue.edu/homes/dgleich/packages/matlab_bgl/
[gamic]: http://www.mathworks.com/matlabcentral/fileexchange/24134-gaimc---graph-algorithms-in-matlab-code
[Link 1]: https://www.cnblogs.com/maybe2030/p/4585777.html#_labelTop
[OpenCVDotNet]: https://code.google.com/p/opencvdotnet/
[Emgu CV]: http://www.emgu.com/wiki/index.php/Main_Page
[Stanford.NLP for .NET]: https://github.com/sergey-tihon/Stanford.NLP.NET/
[Accord.MachineLearning]: http://www.nuget.org/packages/Accord.MachineLearning/
[Vulpes]: https://github.com/fsprojects/Vulpes
[Encog]: http://www.nuget.org/packages/encog-dotnet-core/
[Neural Network Designer]: http://bragisoft.com/
[numl]: http://www.nuget.org/packages/numl/
[Math.NET Numerics]: http://www.nuget.org/packages/MathNet.Numerics/
[Sho]: http://research.microsoft.com/en-us/projects/sho/
[SimpleCV]: http://simplecv.org/
[NLTK]: http://www.nltk.org/
[Pattern]: http://www.clips.ua.ac.be/pattern
[TextBlob]: http://textblob.readthedocs.org/
[jieba]: https://github.com/fxsjy/jieba#jieba-1
[SnowNLP]: https://github.com/isnowfy/snownlp
[loso]: https://github.com/victorlin/loso
[genius]: https://github.com/duanhongyi/genius
[nut]: https://github.com/pprett/nut
[Bayesian Methods for Hackers]: https://github.com/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers
[scikit-learn]: http://scikit-learn.org/
[graphlab-create]: http://graphlab.com/products/create/docs/
[BigML]: https://bigml.com/
[pattern]: https://github.com/clips/pattern
[NuPIC]: https://github.com/numenta/nupic
[Pylearn2]: https://github.com/lisa-lab/pylearn2
[hebel]: https://github.com/hannes-brt/hebel
[gensim]: https://github.com/piskvorky/gensim
[PyBrain]: https://github.com/pybrain/pybrain
[Crab]: https://github.com/muricoca/crab
[python-recsys]: https://github.com/ocelma/python-recsys
[thinking bayes]: https://github.com/AllenDowney/ThinkBayes
[Restricted Boltzmann Machines]: https://github.com/echen/restricted-boltzmann-machines
[Bolt]: https://github.com/pprett/bolt
[CoverTree]: https://github.com/patvarilly/CoverTree
[nilearn]: https://github.com/nilearn/nilearn
[Shogun]: https://github.com/shogun-toolbox/shogun
[Pyevolve]: https://github.com/perone/Pyevolve
[breze]: https://github.com/breze-no-salt/breze
[SciPy]: http://www.scipy.org/
[NumPy]: http://www.numpy.org/
[Numba]: http://numba.pydata.org/
[NetworkX]: https://networkx.github.io/
[Pandas]: http://pandas.pydata.org/
[Open Mining]: https://github.com/avelino/mining
[PyMC]: https://github.com/pymc-devs/pymc
[zipline]: https://github.com/quantopian/zipline
[PyDy]: https://pydy.org/
[SymPy]: https://github.com/sympy/sympy
[statsmodels]: https://github.com/statsmodels/statsmodels
[astropy]: http://www.astropy.org/
[matplotlib]: http://matplotlib.org/
[bokeh]: https://github.com/ContinuumIO/bokeh
[plotly]: https://plot.ly/python
[vincent]: https://github.com/wrobstory/vincent
[d3py]: https://github.com/mikedewar/d3py
[ggplot]: https://github.com/yhat/ggplot
[Kartograph.py]: https://github.com/kartograph/kartograph.py
[pygal]: http://pygal.org/
[pycascading]: https://github.com/twitter/pycascading
[pattern_classification]: https://github.com/rasbt/pattern_classification
[thinking stats 2]: https://github.com/Wavelets/ThinkStats2
[hyperopt]: https://github.com/hyperopt/hyperopt-sklearn
[2012-paper-diginorm]: https://github.com/ged-lab/2012-paper-diginorm
[ipython-notebooks]: https://github.com/ogrisel/notebooks
[decision-weights]: https://github.com/CamDavidsonPilon/decision-weights
[Sarah Palin LDA]: https://github.com/Wavelets/sarah-palin-lda
[Diffusion Segmentation]: https://github.com/Wavelets/diffusion-segmentation
[Scipy Tutorials]: https://github.com/Wavelets/scipy-tutorials
[Crab 1]: https://github.com/marcelcaraciolo/crab
[BayesPy]: https://github.com/maxsklar/BayesPy
[scikit-learn tutorials]: https://github.com/GaelVaroquaux/scikit-learn-tutorial
[sentiment-analyzer]: https://github.com/madhusudancs/sentiment-analyzer
[group-lasso]: https://github.com/fabianp/group_lasso
[mne-python-notebooks]: https://github.com/mne-tools/mne-python-notebooks
[pandas cookbook]: https://github.com/jvns/pandas-cookbook
[climin]: https://github.com/BRML/climin
[wiki challange]: https://github.com/hammer/wikichallenge
[kaggle insults]: https://github.com/amueller/kaggle_insults
[kaggle_acquire-valued-shoppers-challenge]: https://github.com/MLWave/kaggle_acquire-valued-shoppers-challenge
[kaggle-cifar]: https://github.com/zygmuntz/kaggle-cifar
[kaggle-blackbox]: https://github.com/zygmuntz/kaggle-blackbox
[kaggle-accelerometer]: https://github.com/zygmuntz/kaggle-accelerometer
[kaggle-advertised-salaries]: https://github.com/zygmuntz/kaggle-advertised-salaries
[kaggle amazon]: https://github.com/zygmuntz/kaggle-amazon
[kaggle-bestbuy_big]: https://github.com/zygmuntz/kaggle-bestbuy_big
[kaggle-bestbuy_small]: https://github.com/zygmuntz/kaggle-bestbuy_small
[Kaggle Dogs vs. Cats]: https://github.com/kastnerkyle/kaggle-dogs-vs-cats
[Kaggle Galaxy Challenge]: https://github.com/benanne/kaggle-galaxies
[Kaggle Gender]: https://github.com/zygmuntz/kaggle-gender
[Kaggle Merck]: https://github.com/zygmuntz/kaggle-merck
[Kaggle Stackoverflow]: https://github.com/zygmuntz/kaggle-stackoverflow
[wine-quality]: https://github.com/zygmuntz/wine-quality
[Treat]: https://github.com/louismullie/treat
[Ruby Linguistics]: http://www.deveiate.org/projects/Linguistics/
[Stemmer]: https://github.com/aurelian/ruby-stemmer
[Ruby Wordnet]: http://www.deveiate.org/projects/Ruby-WordNet/
[Raspel]: http://sourceforge.net/projects/raspell/
[UEA Stemmer]: https://github.com/ealdent/uea-stemmer
[Twitter-text-rb]: https://github.com/twitter/twitter-text-rb
[Ruby Machine Learning]: https://github.com/tsycho/ruby-machine-learning
[Machine Learning Ruby]: https://github.com/mizoR/machine-learning-ruby
[jRuby Mahout]: https://github.com/vasinov/jruby_mahout
[CardMagic-Classifier]: https://github.com/cardmagic/classifier
[Neural Networks and Deep Learning]: https://github.com/mnielsen/neural-networks-and-deep-learning
[rsruby]: https://github.com/alexgutteridge/rsruby
[data-visualization-ruby]: https://github.com/chrislo/data_visualisation_ruby
[ruby-plot]: https://www.ruby-toolbox.com/projects/ruby-plot
[plot-rb]: https://github.com/zuhao/plotrb
[scruffy]: http://www.rubyinside.com/scruffy-a-beautiful-graphing-toolkit-for-ruby-194.html
[SciRuby]: http://sciruby.com/
[Glean]: https://github.com/glean/glean
[Bioruby]: https://github.com/bioruby/bioruby
[Arel]: https://github.com/nkallen/arel
[Clever Algorithms For Machine Learning]: https://github.com/jbrownlee/CleverAlgorithmsMachineLearning
[Machine Learning For Hackers]: https://github.com/johnmyleswhite/ML_for_Hackers
[Machine Learning Task View on CRAN]: http://cran.r-project.org/web/views/MachineLearning.html
[caret]: http://caret.r-forge.r-project.org/
[SuperLearner]: https://github.com/ecpolley/SuperLearner
[subsemble]: http://cran.r-project.org/web/packages/subsemble/index.html
[Introduction to Statistical Learning]: http://www-bcf.usc.edu/~gareth/ISL/
[Learning Statistics Using R]: http://health.adelaide.edu.au/psychology/ccs/teaching/lsr/
[ggplot2]: http://ggplot2.org/
[ScalaNLP]: http://www.scalanlp.org/
[Breeze]: https://github.com/scalanlp/breeze
[Chalk]: https://github.com/scalanlp/chalk
[FACTORIE]: https://github.com/factorie/factorie
[Scalding]: https://github.com/twitter/scalding
[Summing Bird]: https://github.com/twitter/summingbird
[Algebird]: https://github.com/twitter/algebird
[xerial]: https://github.com/xerial/xerial
[simmer]: https://github.com/avibryant/simmer
[PredictionIO]: https://github.com/PredictionIO/PredictionIO
[BIDMat]: https://github.com/BIDData/BIDMat
[Conjecture]: https://github.com/etsy/Conjecture
[brushfire]: https://github.com/avibryant/brushfire
[ganitha]: https://github.com/tresata/ganitha
[adam]: https://github.com/bigdatagenomics/adam
[bioscala]: https://github.com/bioscala/bioscala
[BIDMach]: https://github.com/BIDData/BIDMach