25 Java Machine Learning-Tools und -Bibliotheken

25 Java Machine Learning Tools und Bibliotheken
Die IT-Branche erfreut sich immer größerer Beliebtheit. Da immer mehr neue Kräfte der IT-Familie beitreten, macht Java einen immer größeren Anteil aus. Hier sind einige Lerntools für Sie.
1. Weka integriert maschinelle Lernalgorithmen für Data-Mining-Arbeiten. Diese Algorithmen können direkt auf einen Datensatz angewendet werden oder Sie können Ihren eigenen Code schreiben, um sie aufzurufen. Weka umfasst eine Reihe von Tools wie Datenvorverarbeitung, Klassifizierung, Regression, Clustering, Assoziationsregeln und Visualisierung.
2.Massive Online Analysis (MOA) ist ein beliebtes Open-Source-Framework für Data Stream Mining und verfügt über eine sehr aktiv wachsende Community. Es umfasst eine Reihe von Algorithmen für maschinelles Lernen (Klassifizierung, Regression, Clustering, Anomalieerkennung, Erkennung von Konzeptabweichungen und Empfehlungssysteme) und Bewertungstools. Im Zusammenhang mit dem WEKA-Projekt ist MOA ebenfalls in Java geschrieben und skalierbarer.
3. Das MEKA-Projekt bietet eine Open-Source-Implementierung von Multi-Label-Lern- und Bewertungsmethoden. Bei der Multi-Label-Klassifizierung möchten wir mehrere Ausgabevariablen für jede Eingabeinstanz vorhersagen. Dies unterscheidet sich vom „normalen“ Fall, bei dem es nur um eine einzige Zielvariable geht. Darüber hinaus basiert MEKA auf dem Machine-Learning-Toolkit von WEKA.
4. Das Advanced Data Mining And Machine Learning System (ADAMS) ist eine neue Art von flexibler Workflow-Engine, die entwickelt wurde, um komplexe Wissensflüsse in der realen Welt schnell zu etablieren und aufrechtzuerhalten.
5. Die von Index-Structure unterstützte Umgebung für die Entwicklung von KDD-Anwendungen (ELKI) ist eine Java-basierte Open-Source-Data-Mining-Software (AGPLv3). ELKI konzentriert sich hauptsächlich auf die Algorithmenforschung und konzentriert sich dabei auf unbeaufsichtigte Methoden und die Erkennung von Anomalien in der Clusteranalyse.
6. Mallet ist ein Java-basiertes Toolkit für maschinelles Lernen für Textdateien. Mallet unterstützt Klassifizierungsalgorithmen wie maximale Entropie, Naive Bayes und Entscheidungsbaumklassifizierung.
7. Encog ist ein fortschrittliches Framework für maschinelles Lernen, das Support-Vektor-Maschinen (SVM), künstliche neuronale Netze, genetische Algorithmen, Bayesianische Netze, versteckte Markov-Modelle (HMM), genetische Programmierung und genetische Algorithmen integriert.
8. Das Datumbox-Framework für maschinelles Lernen ist ein in Java geschriebenes Open-Source-Framework, das die schnelle Entwicklung von Anwendungen für maschinelles Lernen und Statistik ermöglicht. Der Schwerpunkt des Frameworks liegt auf einer breiten Palette von Algorithmen für maschinelles Lernen sowie statistischen Tests, die in der Lage sind, mittelgroße Datensätze zu verarbeiten.
9. Deeplearning4j ist die erste verteilte Open-Source-Deep-Learning-Bibliothek in kommerzieller Qualität, die in Java und Scala geschrieben ist. Es ist für den Einsatz im Geschäftsumfeld konzipiert und nicht als Forschungsinstrument.
10. Mahout ist ein Framework für maschinelles Lernen mit integrierten Algorithmen. Mahout-Samsara hilft Menschen bei der Erstellung ihrer eigenen Mathematik und stellt einige vorgefertigte Algorithmusimplementierungen bereit.
11. Rapid Miner wurde von der Technischen Universität Dortmund in Deutschland entwickelt. Es bietet Entwicklern eine GUI (Graphical User Interface) und eine Java-API zum Entwickeln von Anwendungen. Es bietet auch einige Algorithmen für maschinelles Lernen zur Datenverarbeitung, Visualisierung und Modellierung.
12. Apache SAMOA ist ein Framework für maschinelles Lernen (ML), das Programmierabstraktionen für verteilte Streaming-ML-Algorithmen einbettet und eine Verarbeitung ermöglicht, ohne sich direkt mit der zugrunde liegenden verteilten Stream-Verarbeitungs-Engine (DSPEe, wie Apache Storm, Apache S4 usw.) auseinanderzusetzen Apache Samza) zur Entwicklung neuer ML-Algorithmen. Benutzer können verteilte Streaming-ML-Algorithmen entwickeln, die auf mehreren DSPEs ausgeführt werden können.
13. Neuroph vereinfacht die Entwicklung neuronaler Netzwerke durch die Bereitstellung von Java-Netzwerkbibliotheken und GUI-Tools, die die Erstellung, das Training und das Speichern neuronaler Netzwerke unterstützen.
14. Oryx 2 ist eine Lambda-Architekturimplementierung, die auf Apache Spark und Apache Kafka basiert, sich aber nach und nach auf groß angelegtes maschinelles Lernen in Echtzeit spezialisiert. Dies ist ein Framework zum Erstellen von Anwendungen, umfasst aber auch Paketierung und End-to-End-Anwendungen für kollaborative Filterung, Klassifizierung, Regression und Clustering.
15. Stanford Classifier ist ein maschinelles Lerntool, das Datenelemente in eine Kategorie einordnen kann. Ein probabilistischer Klassifikator wie dieser kann eine Wahrscheinlichkeitsverteilung von Klassenzuweisungen über ein Datenelement liefern. Diese Software ist eine Java-Implementierung des Maximum-Entropie-Klassifikators.
16.io ist eine Retina-API mit schnellen und präzisen gehirnähnlichen Algorithmen zur Verarbeitung natürlicher Sprache.
17.JSAT ist eine Schnellstartbibliothek für maschinelles Lernen. Diese Bibliothek wurde in meiner Freizeit entwickelt und auf Basis der GPL3 veröffentlicht. Teile der Bibliothek können unabhängig voneinander erlernt werden, beispielsweise sind alle Codes unabhängig. JSAT hat keine externen Abhängigkeiten und ist in reinem Java geschrieben.
18. N-Dimensional Arrays for Java (ND4J) ist eine wissenschaftliche Computerbibliothek für JVM. Sie sind für den Einsatz in einer Produktionsumgebung gedacht, was darauf hinweist, dass die Routinen für die Ausführung mit minimalem Speicherbedarf ausgelegt sind.
19. Die Java Machine Learning Library (Java Machine Learning Library) ist eine Reihe verwandter Implementierungen von Algorithmen für maschinelles Lernen. Die Algorithmen, sowohl Quellcode als auch Dokumentation, sind gut geschrieben. Seine Hauptsprache ist Java.
20. Java-ML ist eine Java-API für eine Reihe von in Java geschriebenen Algorithmen für maschinelles Lernen. Es bietet lediglich eine Standardalgorithmusschnittstelle.
21. MLlib (Spark) ist eine erweiterbare Bibliothek für maschinelles Lernen für Apache Spark. Obwohl Java, unterstützen die Bibliothek und die Plattform auch Java-, Scala- und Python-Bindungen. Diese Bibliothek ist aktuell und verfügt über viele Algorithmen.
22. H2O ist eine API für maschinelles Lernen für intelligente Anwendungen. Es skaliert Statistiken, maschinelles Lernen und Mathematik auf Big Data. H2O ist erweiterbar und Entwickler können im Kern einfache Mathematik nutzen.
23. WalnutiQ ist ein objektorientiertes Modell eines Teils des menschlichen Gehirns mit theoretisch häufig verwendeten Lernalgorithmen (es wird in Richtung einfacher und starker Modelle für emotionale künstliche Intelligenz geforscht).
24. RankLib ist eine Bibliothek für Ranking-Lernalgorithmen. Bisher wurden acht beliebte Algorithmen implementiert.
25. htm.java (Java-basierte Hierarchical Temporal Memory-Algorithmus-Implementierung) ist eine Java-Schnittstelle für die Numenta-Plattform für intelligentes Rechnen.
Die oben genannten sind die derzeit verwendeten Java-Lerntools. Wenn Sie Tools finden, die praktischer sind als diese oder für andere Programmiersprachen wie PHP, können Sie diese auch gemeinsam besprechen.
Bruderschaft Gao Luofeng rekrutiert kostenlos Schüler: http://www.hdb.com/party/lzcw-comm.html
Erhalten Sie die Original-CD mit PHP-Video-Tutorials der LAMP Brothers/die Basisversion „Elaborate PHP“ kostenlos. Details Konsultieren Sie die offizielle Website des Kundendienstes:
http://www.lampbrother.net

Das Obige stellt 25 Java-Tools und Bibliotheken für maschinelles Lernen vor, einschließlich relevanter Inhalte. Ich hoffe, dass es für Freunde hilfreich ist, die sich für PHP-Tutorials interessieren.