Bu makale, AI Araştırma Enstitüsü tarafından derlenen, orijinal başlığı olan teknik bir blogdur:
Bir Sonraki Projenize İlham Verecek 25 Açık Kaynak Makine Öğrenimi Deposu
Yazar | Khoa Pham
Tercüme | Baboon Redaksiyon | Yao Xiuqing
Bitirme | ananas kız
Orijinal bağlantı:
https://heartbeat.fritz.ai/25-open-source-machine-learning-repos-to-inspire-your-next-project-3b027a90155
25 ilham verici açık kaynak makine öğrenimi projesi
Son birkaç yılda, makine öğrenimi birçok yeni alan açtı ve birçok gelişmiş uygulama vakası ortaya çıktı: Facebook'un yüz tanıma, Netflix'in film önerisi, PrimaAI'nin görüntü stili aktarımı, Siri'nin konuşma tanıma, Google Allo'nun doğal dil işleme ve daha fazlası.
Bu kullanım durumlarına ek olarak, GitHub'da çok sayıda mükemmel açık kaynak makine öğrenimi projesi vardır. En popüler öğeler aşağıda listelenmiştir. Umarım okuyucular onlardan yeni şeyler öğrenebilir ve ilham alabilir.
TensorFlow, araştırma ve üretim için açık kaynaklı bir makine öğrenimi kitaplığıdır. TensorFlow, yeni başlayanlar ve uzmanlar için masaüstü, mobil, web ve bulut geliştirme için API arayüzleri sağlar.
TensorFlow başlangıçta Google Brain ekibi tarafından dahili kullanım için geliştirildi. 9 Kasım 2015'te TensorFlow, Apache 2.0 açık kaynak lisans sözleşmesi kapsamında resmi olarak piyasaya sürüldü.
TensorFlow'un en son sürümü, TensorFlow, CNTK veya Theano'da çalışabilen Python'da yazılmış gelişmiş bir sinir ağı API'si olan Keras'ı destekler. Javascript ve Swift'i destekleyen arayüzler de vardır.
Scikit-learn, ilk olarak Yaz Google Code etkinliğinde David Cournapeau tarafından yazılmıştır. Adı aşağı yukarı SciPy araç setini ifade eder. Scikit-learn, NumPy, SciPy ve Matplotlib tabanlı basit ve verimli veri madenciliği ve veri analizi araçlarına sahiptir. Basit ve kullanımı kolay olduğundan, genellikle TensorFlow ile birlikte kullanılır.
TensorFlow, Keras ve Scikit-learn'e ek olarak, Apache'den MXNet derin öğrenme çerçevesi de vardır. Verimlilik ve esneklik için tasarlanmıştır - verimliliği ve üretkenliği en üst düzeye çıkarmak için sembolik ve zorunlu programlamayı karıştırmanıza olanak tanır. MXNet kullanarak daha fazla model için model topluluğunu ziyaret edebilirsiniz.
PyTorch'dan bahsedilmezse, bu liste eksiktir PyTorch, makine öğrenimi meraklıları için bir başka popüler seçimdir. PyTorch, Torch'a dayanmaktadır ve Facebook tarafından bir makine öğrenimi çerçevesi olarak dağıtılmaktadır. PyTorch, iki gelişmiş özellik sunan bir Python paketidir: güçlü GPU hızlandırmalı tensör hesaplamaları (NumPy gibi) ve teyp tabanlı otomatik sınıflandırma sistemlerine dayalı derin sinir ağları.
https://twitter.com/pytorch/status/966324198758006784
Magenta, makine öğreniminin sanat ve müzik yaratma sürecindeki rolünü araştıran bir araştırma projesidir. Bu temelde şarkılar, resimler, çizimler ve diğer materyalleri oluşturmak için yeni derin öğrenme ve pekiştirmeli öğrenme algoritmalarının geliştirilmesini içerir. Ancak bu aynı zamanda, sanatçıların ve müzisyenlerin yaratıcı süreçlerini genişletmek (yerine koymak değil!) İçin bu modelleri kullanmasına olanak tanıyan akıllı araçlar ve arayüzler oluşturmada bir keşif.
Ana depo Python dilini kullanır, ancak Javascript dili için magenta.js de vardır. Magenta, gelişmiş makine öğrenimi uygulamalarını sergilemek için mükemmel bir projedir. Çoğumuz bunu hiç düşünmedik. Magenta ile ilgileniyorsanız, bazı demoları görüntülemek için ses ve çizim oluşturucuyu kullanabilirsiniz.
Bu proje çizimleri renklendirmeyi amaçlamaktadır. Yapay zeka, belirli bir renk stiline göre eskiz üzerinde çizim yapabilir, kendi renk stilini oluşturabilir ve eskiz üzerinde boyayabilir veya başka bir resmin stilini aktarabilir.
Görüntü tutturucuları ve görüntü dönüştürme gibi görülmeye değer bazı yeni özellikler var.
Bu proje, eşleştirilmemiş ve eşleştirilmiş görüntüden görüntüye dönüştürme için PyTorch uygulamalarını içeren iki bileşen-cyclegan ve pix2pix'e sahiptir. İlk başta, oldukça yaygın bir stil dönüştürme çözümü gibi görünüyordu, ancak bir atı bir zebraya dönüştürmek veya canlı bir fotoğrafı Monet tarzı bir resme dönüştürmek gibi birkaç farklı şey yapabilirdi. Bu işlem, canlı videoda kullanılacak kadar hızlıdır.
Resimler ve videolar için bazı stil dönüştürme araçlarımız var, peki ya ses? Derin sesli diyalog bu yeteneğin mükemmel bir örneğidir.
Ya bir ünlünün sesini taklit edebilseniz ya da ünlü bir şarkıcı gibi şarkı söyleyebilseydiniz? Bu projenin ilk amacı birinin sesini belirli bir hedef sese dönüştürmekti. Bu sözde ses stili dönüşümüdür. Birisinin sesini ünlü İngiliz aktris Kate Winslet'in sesine dönüştürmeyi hedefleyen bu projeye kendimizi adadık. Bunu başarmak için derin bir sinir ağı uyguladık ve veri seti olarak Kate Winslet tarafından okunan 2 saatten fazla sesli kitap okuması kullandık.
Hala inanmıyorsanız, SoundCloud'a gidin, Kate Winslet sesinin birçok demosu var.
StarGAN, bu makalenin bir PyTorch uygulamasıdır: çok bölgeli görüntüden görüntüye dönüştürme için birleşik nesil hasım ağı.
Stil dönüştürmenin ötesine geçer ve farklı saç stilleri, cilt tipleri, yaş, cinsiyet ve farklı duygular uygulayarak kaynak görüntüyü dönüştürür. Harika.
Kulağa ilginç gelmeyebilir çünkü artık iOS ve Android'de Core ML veya ML Kit'i kolayca kullanabiliriz. Ancak daha derin bir gözlem bunun ne kadar harika olduğunu gösteriyor. Sadece yüzleri değil, duyguları ve cinsiyeti de tanıyabilir.
Gerçek zamanlı yüz algılama ve duygu / cinsiyet sınıflandırması, Keras CNN modeli ve OpenCV ile fer2013 / IMDB veri kümesini kullanır.
Uber AI Labs, ulaşım hizmetlerinin tahminini ve optimizasyonunu basitleştirmeye yardımcı olmak için bu derin olasılık yazılım kitaplığını oluşturdu. Bu kütüphane, olasılıksal modelleme ile uğraşan herkesin ilgisini çekmektedir.
Fırsatlar, yolcuları ve sürücüleri eşleştirmekten, en iyi rotayı önermekten ve kaynak havuzlarının makul bir kombinasyonunu bulmaktan ve hatta yeni nesil akıllı arabaları yaratmaya kadar uzanıyor. Bu zorlukları çözmek için, son teknoloji yapay zeka (AI) teknolojisini veri bilimcileri, mühendisler ve kapsamlı uzmanlığa sahip diğer kullanıcılarla birleştiriyoruz. Bizim ve diğerlerinin yeni nesil yapay zeka çözümleri oluşturmasını sağlayacak araç öncelikli bir yaklaşım araştırıyoruz.
Facebook'un araştırma projesinin bir parçası olarak ParlAI, halka açık konuşma veri setlerine dayalı çeşitli yapay zeka modellerini eğitmek ve değerlendirmek için bir çerçevedir. ParlAI, araştırmacıların diyalog modellerini paylaşmak ve test etmek için birleşik bir çerçeveye sahip olurken birçok popüler veri setine erişmesine olanak tanır. ParlAI hakkında daha fazla bilgiyi buradan okuyabilirsiniz.
Facet, makine öğrenimi veri kümelerini görselleştirmek için bir araçtır.
Görselleştirme, Typescript kodu tarafından desteklenen bir Polimer web bileşeni olarak uygulanır ve bir Jupyter not defterine veya web sayfasına kolayca yerleştirilebilir.
Görselleştirmenin temel yönü, aykırı değer tespiti ve çoklu veri kümeleri arasında dağıtım karşılaştırmasıdır. İlginç değerler (yüksek oranda eksik veri veya farklı özelliklerin birden çok veri kümesine dağıtılması gibi) kırmızıyla vurgulanır.
ELF, AlphaGoZero / AlphaZero ile yeniden uygulanan bir oyun araştırma platformudur. ELF, oyun araştırması için uçtan uca bir çözüm sunar. Küçük bir gerçek zamanlı strateji oyun ortamı, eşzamanlı simülasyon, binlerce makineye dayalı dağıtılmış eğitim, sezgisel API, web tabanlı görselleştirme ve PyTorch tarafından desteklenen bir takviye öğrenme çerçevesi içerir.
Detectron, Mask R-CNN de dahil olmak üzere en gelişmiş hedef tespit algoritmalarını uygulayan Facebook AI araştırma departmanının bir yazılım sistemidir. Python'da yazılmıştır ve Caffe2 derin öğrenme çerçevesi tarafından desteklenmektedir.
TensorFlow CNN ile uygulanan bu, adından da anlaşılacağı gibi, çok hızlı çalıştığı için görüntü stili dönüştürmenin en iyi örneklerinden biri olabilir. Gatys'in sanatsal stiline dayalı sinir algoritmasını, Johnson'ın gerçek zamanlı stil dönüştürme ve süper çözünürlüğün algısal kaybını ve Ulyanov'un örnek standardizasyonunu gerçekleştirdi.
Bu araç, yüz tanıma için basit bir api sağlar. Yüz özelliklerini bulabilir ve fotoğraftaki kişinin kim olduğunu tahmin edebilir.
Derin öğrenme için dlib'in en gelişmiş yüz tanıma teknolojisini kullanın. Bu modelin doğal ortamda işaretlenmiş yüzler üzerindeki doğruluğu% 99,38'dir. Yüz tanımayı gerçekleştirmek için basit bir komut da sağlanır.
yüz tanıma
Komut satırından görüntü klasörleri üzerinde yüz tanıma yapmanızı sağlayan komut satırı aracı!
Başka bir mükemmel stil aktarım projesi. Bu depo, kod ve bir araştırma makalesi içerir: Derinlemesine fotoğraf stili dönüşümü. Birleştirilmiş stilleri ve kaynak görüntüleri işlemek için basit bir API sağlar. Çok etkileyici fotoğraf stili değişikliği.
fastText, kelime gösterimini ve cümle sınıflandırmasını verimli bir şekilde öğrenmek için bir kütüphanedir.
Bu projeyi daha iyi anlamak için, bu kütüphaneyi denetimli öğrenmede nasıl kullanacağınızı gösteren metin sınıflandırma eğitimine göz atabilirsiniz. Metin sınıflandırmasının amacı, belgeleri (e-postalar, gönderiler, kısa mesajlar, ürün incelemeleri vb.) Bir veya daha fazla kategoriye atamaktır.
AirSim, insansız hava araçlarını ve arabaları simüle etmek için Unreal Engine tabanlı bir uygulamadır. Açık kaynaktır, çapraz platformdur ve fiziksel ve görsel simülasyon için PX4 gibi popüler uçuş kontrol cihazı donanımını destekler. Bu sanal bir eklentidir, istediğiniz herhangi bir gerçek dışı ortama kolayca koyabilirsiniz.
Makine öğrenimi düşündüğümüzden daha fazlasını yapabilir. Deep Image Prior, görüntüleri onarmak için sinir ağlarını kullanır, ancak öğrenmeyi gerektirmez.
Bu araç, çizikler, ölü pikseller veya istenmeyen metin işaretleri olan hasarlı görüntüleri kurtarabilir.
Açık Poz, insan vücudunun, ellerin, yüzün ve ayakların kilit noktalarını aynı anda tek bir görüntüde tespit edebilen ilk gerçek zamanlı çok oyunculu sistemdir (toplamda 135 anahtar nokta). Ayakları, vücudu, yüzü ve elleri tespit edebilir.
PirateAI, simüle edilmiş bir ortamda (ada) özerk bireyleri (korsanları) eğitir. Bu program, oyun (hazine arama) ve model eğitimi (Keras + hyperopt) arasında değişen bir eğitim hattını çalıştırır.
Bu listedeki birçok öğeyle karşılaştırıldığında, bu oldukça basittir, ancak sinir ağlarının nasıl çalıştığını öğrenmek için iyi bir başlangıç noktasıdır. Bu uygulama saf Swift, herhangi bir kitaplık kullanmıyor ve taklit etmesi kolay.
Derin Örneklere Dayalı Renklendirme, örneklere dayalı yerel renklendirme için ilk derin öğrenme yöntemidir. Referans renkli bir görüntü verildiğinde, evrişimli sinir ağımız, gri tonlamalı görüntüyü çıktı için doğrudan renkli bir görüntüye dönüştürür. Bu "derinlik paradigmasına dayalı renklendirme" tezinin uygulamasıdır.
Bu listeye göz attığınız için teşekkür ederiz. Umarım size ilham verecek ve sizi çekebilecek bir şey bulmuşsunuzdur. Göreceli olarak, makine öğrenimi yeni başladı, bu nedenle gelecekte kesinlikle daha ilginç yeni projeler olacak. Daha fazla keşif için daha fazla kaynak aşağıda verilmiştir:
GitHub Machine Learning Collection: Her gün popüler makine öğrenimi projelerini keşfedin
Harika makine öğrenimi: Her şeyin "şaşırtıcı bir listesi" vardır - bu liste makine öğrenimine odaklanmıştır ve yönetimi etkileyicidir.
Harika makine öğrenimi: Bu liste esas olarak makine öğrenimi ile ilgili temel projeler hakkındadır. Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
Hacker News ve Reddit'teki bu makaleyi tartışmaya hoş geldiniz
Bu makalenin ilgili bağlantılarını ve referanslarını görüntülemeye devam etmek ister misiniz?
Bağlantıya uzun basın ve açmak için tıklayın veya tıklayın [Bu 25 açık kaynak makine öğrenimi projesini sıradan insanlara söylemiyorum]:
AI Araştırma Enstitüsü heyecan verici içeriği günlük olarak günceller, daha heyecan verici içerikler izleyin:
Ürün düzeyinde bir hedef tespit sistemi oluşturmak için SKIL ve YOLO'yu kullanın
Seçilmiş AI kursları / kitapları / video dersleri / makalelerinin geniş bir listesi
Eğitim modelinizin hızını nasıl büyük ölçüde artırabilirsiniz?
Veri bilimcilerin anlaması gereken beş temel istatistiksel kavram: istatistiksel özellikler, olasılık dağılımı, boyutluluk azaltma, yüksek hızda örnekleme / yetersiz örnekleme, Bayes istatistikleri