最も人気のある 15 の機械学習フレームワークのうち、いくつ知っていますか?

機械学習エンジニアは、製品の開発やアルゴリズムの構築を行うチームの重要なメンバーです。データの専門家と緊密に連携して、理論的知識と業界のアプリケーションを理解します。データ サイエンティストと機械学習エンジニアの主な違いは次のとおりです。

• 機械学習エンジニアは、機械学習システム向けの製品を構築、開発、保守します。
• データサイエンティストは、機械学習プロジェクトのアイデアを生み出すための調査を実施し、その後、機械学習システムの指標的な影響を理解するための分析を実行します。

[[243770]]

上位 15 の機械学習フレームワークは次のとおりです。

1. アパッチ・シンガ

Apache Singa は、大規模なデータセットでディープラーニングをトレーニングするための汎用分散ディープラーニング プラットフォームです。階層化抽象化のシンプルな開発モデルに基づいて設計されています。また、フィードフォワード モデル (畳み込みニューラル ネットワーク、CNN)、エネルギー モデル (制限付きボルツマン マシン、RBM、再帰型ニューラル ネットワーク、RNN) など、現在普及しているさまざまなディープラーニング モデルをサポートし、ユーザーに多数の組み込みレイヤーを提供します。

2. Amazon 機械学習 (AML)

Amazon Machine Learning (AML) は、あらゆるレベルの開発者が機械学習テクノロジーを簡単に習得できるようにするサービスであり、複雑な機械学習アルゴリズムやテクニックを習得することなく機械学習を構築するためのガイドとなる視覚的なツールとウィザードを提供します。

3. Azure ML スタジオ

Azure ML Studio を使用すると、Microsoft Azure ユーザーはモデルを作成およびトレーニングし、それを他のサービスで使用できる API に変換できます。大規模なモデルの場合は独自の Azure ストレージをサービスにリンクできますが、モデル データのストレージ容量はアカウントあたり 10 GB に制限されます。 Microsoft と多数のサードパーティのおかげで、Azure では多数のアルゴリズムを利用できます。アカウントを登録する必要もなく、匿名でログインして Azure ML Studio サービスを最大 8 時間使用できます。

4. カフェ

Caffe は、Berkeley Visual Learning Center (BLVC) とコミュニティの貢献者によって BSD-2 プロトコルに基づいて開発されたディープラーニング フレームワークです。「表現、効率、モジュール性」という開発哲学に従っています。モデルと組み合わせの最適化は、ハードコーディングではなく構成を通じて実装され、ユーザーは必要に応じて CPU と GPU 処理を切り替えることができます。Caffe の効率性は実験研究や産業展開に優れており、1 つの NVIDIA K40 GPU プロセッサで 1 日あたり 6,000 万枚以上の画像を処理できます。

5. 水

H2O を使用すると、数学と予測分析を簡単に適用して、今日の最も困難なビジネス上の問題を解決できます。最先端のオープンソース テクノロジ、使いやすい WebUI と使い慣れたインターフェイス、一般的なデータベースとさまざまなファイル タイプのサポートなど、他の機械学習プラットフォームでは現在使用されていない独自の機能を巧みに組み合わせています。 H2O を使用すると、既存の言語とツールを使用できます。さらに、Hadoop 環境にもシームレスに拡張できます。

6. 大規模オンライン分析 (MOA)

Massive Online Analysis (MOA) は現在、データ ストリーム マイニング用の最も人気のあるオープン ソース フレームワークであり、非常に活発なコミュニティがあります。さまざまな機械学習アルゴリズム (分類、回帰、クラスタリング、外れ値検出、概念ドリフト検出、推奨システム) と評価ツールが含まれています。 WEKA プロジェクトと同様に、MOA は Java で記述されていますが、よりスケーラブルです。

7. MLlib（スパーク）

MLlib (Spark) は、Apache Spark 用の機械学習ライブラリです。機械学習をスケーラブルかつ簡単に操作できるようにすることを目的としています。分類、回帰、クラスタリング、協調フィルタリング、次元削減などの一般的な学習アルゴリズムとユーティリティ、および基盤となる最適化されたネイティブ言語と高レベルのパイプライン API で構成されています。

8. ミルパック

Mlpack は、2011 年に初めてリリースされた C++ ベースの基本的な学習ライブラリです。ライブラリの開発者によると、このライブラリは「スケーラビリティ、効率性、使いやすさ」をコンセプトに設計されています。 Mlpack を実行するには、コマンド ライン実行キャッシュを使用して迅速かつ単純な「ブラック ボックス」操作を実行する方法と、C++ API を使用してより複雑な作業を実行する方法の 2 つの方法があります。 Mlpack は、より大規模な機械学習ソリューションに統合できるシンプルなコマンドライン プログラムと C++ クラスを提供します。

9. パターン

Pattern は、データ マイニング ツール (Google、Twitter、Wikipedia API、Web クローラー、HTML DOM パーサー)、自然言語処理 (品詞タグ付け、n グラム検索、感情分析、WordNet インターフェイス)、機械学習 (ベクトル空間モデル、クラスタリング、サポート ベクトル マシン)、ネットワーク分析、視覚化を備えた、Python プログラミング言語用の Web マイニング コンポーネントです。

10. サイキットラーン

Scikit-Learn は、いくつかの既存の Python パッケージ (Numpy、SciPy、matplotlib) に基づいて、数学および科学的な作業のための Python の使用事例を拡張します。作成されたライブラリは、インタラクティブなワークベンチ アプリケーションで使用したり、他のソフトウェアに埋め込んで再利用したりできます。このツールキットは BSD プロトコルに基づいており、完全に無料、オープン ソース、再利用可能です。 Scikit-Learn には、クラスタリング、分類、回帰などの機械学習タスク用のさまざまなツールが含まれています。 Scikit-Learn は、開発者と機械学習の専門家の大規模なコミュニティによって開発されているため、Scikit-Learn の最先端のテクノロジーは非常に短期間で開発されることがよくあります。

11. しょうぐ

Shogu は最も初期の機械学習ライブラリの 1 つです。1999 年に作成され、C++ で開発されていますが、C++ 環境に限定されません。 SWIG ライブラリの助けを借りて、Shogun は Java、Python、C#、Ruby、R、Lua、Octave、Mablab などのさまざまな言語環境に適用できます。 Shogun は、分類、回帰、探索的データ分析など、さまざまな特定のタイプと学習構成の大規模な学習を統合するように設計されています。

12. テンソルフロー

TensorFlow は、数値演算にデータ フロー グラフを使用するオープン ソース ソフトウェア ライブラリです。データ フロー グラフを実装し、グラフで記述された一連のアルゴリズムによってテンソル (「テンソル」) を処理できます。このシステム内のデータの変更は「フロー」と呼ばれ、これが名前の由来です。 Dataflow は C++ または Python でコーディングでき、CPU または GPU デバイス上で実行できます。

13. テアノ

Theano は、BSD プロトコルに基づいてリリースされた、定義可能、最適化可能、数値計算可能な Python ライブラリです。 Theano はビッグデータ処理において C 言語に匹敵する速度も実現でき、効率的な機械学習をサポートするアルゴリズムです。

14.トーチ

Torch は、GPU ファーストの機械学習アルゴリズムを幅広くサポートする科学計算フレームワークです。このフレームワークは、シンプルで高速なスクリプト言語 LuaJIT と基盤となる C/CUDA を使用して実装されているため、使いやすく効率的です。 Torch の目標は、極めてシンプルなプロセス、究極の柔軟性、スピードで独自の科学的アルゴリズムを構築できるようにすることです。 Torch は Lua をベースに開発されており、機械学習、コンピューター ビジョン、信号処理、並列処理、画像、ビデオ、オーディオ、ネットワーク向けの大規模なエコロジカル コミュニティ主導のライブラリ パッケージ設計を備えています。

15. ヴェレス

Veles は C++ で書かれたディープラーニング アプリケーション用の分散プラットフォームですが、ノード間のタスクの自動化と調整には Python を使用します。データはクラスターに集中化される前に分析され、自動的に正規化されます。また、REST API を使用すると、パフォーマンスと柔軟性に重点を置きながら、トレーニング済みのモデルをすぐに本番環境に追加できます。 Veles にはハードコーディングがほとんどなく、完全畳み込みニューラル ネットワーク、畳み込みニューラル ネットワーク、再帰型ニューラル ネットワークなど、広く認識されているすべてのネットワーク トポロジをトレーニングできます。