10 top open source kunstig intelligensværktøjer til Linux


I dette indlæg skal vi dække et par af de bedste, open source kunstige intelligens (AI) værktøjer til Linux-økosystemet. I øjeblikket er AI et af de stadigt voksende områder inden for videnskab og teknologi med et stort fokus rettet mod at opbygge software og hardware til at løse hverdagslivets udfordringer inden for områder som sundhedspleje, uddannelse, sikkerhed, fremstilling, bankvirksomhed og så meget mere.

Nedenfor er en liste over et antal platforme designet og udviklet til understøttelse af AI, som du kan bruge på Linux og muligvis mange andre operativsystemer. Husk, at denne liste ikke er arrangeret i en bestemt rækkefølge af interesse.

1. Deep Learning For Java (Deeplearning4j)

Deeplearning4j er et open source, plug-and-play distribueret dyb læringsbibliotek til kommerciel kvalitet til Java og Scala programmeringssprog. Det er designet specielt til forretningsrelateret applikation og integreret med Hadoop og Spark oven på distribuerede CPU'er og GPU'er.

DL4J frigives under Apache 2.0-licensen og leverer GPU-support til skalering på AWS og er tilpasset til mikrotjenestearkitektur.

Besøg hjemmeside: http://deeplearning4j.org/

2. Caffe - Deep Learning Framework

Caffe er en modulær og udtryksfuld dyb læringsramme baseret på hastighed. Det frigives under BSD 2-klausul-licensen, og det understøtter allerede flere samfundsprojekter inden for områder som forskning, opstartsprototyper, industrielle applikationer inden for områder som vision, tale og multimedie.

Besøg hjemmeside: http://caffe.berkeleyvision.org/

3. H20 - Distribueret maskinlæringsramme

H20 er en open source, hurtig, skalerbar og distribueret maskinindlæringsramme, plus sortiment af algoritmer, der er udstyret med rammen. Det understøtter smartere applikationer såsom dyb læring, gradientforøgelse, tilfældige skove, generaliseret lineær modellering (dvs. logistisk regression, elastisk net) og mange flere.

Det er et forretningsorienteret kunstigt intelligensværktøj til beslutningstagning ud fra data, det gør det muligt for brugere at få indsigt i deres data ved hjælp af hurtigere og bedre forudsigelig modellering.

Besøg hjemmeside: http://www.h2o.ai/

4. MLlib - Machine Learning Library

MLlib er et open source, let at bruge og højtydende maskinlæringsbibliotek udviklet som en del af Apache Spark. Det er i det væsentlige let at implementere og kan køre på eksisterende Hadoop-klynger og data.

MLlib leveres også med en samling algoritmer til klassificering, regression, anbefaling, klyngedannelse, overlevelsesanalyse og så meget mere. Det er vigtigt, at det kan bruges i programmeringssprog Python, Java, Scala og R.

Besøg hjemmeside: https://spark.apache.org/mllib/

5. Apache Mahout

Mahout er en open source-ramme designet til opbygning af skalerbare maskinindlæringsapplikationer, den har tre fremtrædende funktioner, der er anført nedenfor:

  1. Tilbyder en enkel og udvidelig arbejdsplads for programmering
  2. Tilbyder en række færdigpakkede algoritmer til Scala + Apache Spark, H20 samt Apache Flink
  3. Inkluderer Samaras, en vektor-matematikeksperimenteringsplads med R-lignende syntaks

Besøg hjemmeside: http://mahout.apache.org/

6. Open Neural Networks Library (OpenNN)

OpenNN er også et open source-klassebibliotek skrevet i C ++ til dyb læring, det bruges til at igangsætte neurale netværk. Det er dog kun optimalt for erfarne C ++ - programmører og personer med enorme maskinlæringsevner. Det er kendetegnet ved en dyb arkitektur og høj ydeevne.

Besøg hjemmeside: http://www.opennn.net/

7. Oryx 2

Oryx 2 er en fortsættelse af det oprindelige Oryx-projekt, det er udviklet på Apache Spark og Apache Kafka som en omarkitektur af lambda-arkitekturen, selvom den er dedikeret til at opnå realtids maskinlæring.

Det er en platform til applikationsudvikling og leveres med visse applikationer såvel som samarbejdsfiltrering, klassificering, regression og grupperingsformål.

Besøg hjemmeside: http://oryx.io/

8. OpenCyc

OpenCyc er en open source-portal til verdens største og mest omfattende generelle vidensbase og fornuftige ræsonnement. Det inkluderer et stort antal cykliske termer arrangeret i en nøjagtigt designet onologi til anvendelse i områder som:

  1. Rich domæne modellering
  2. Domænespecifikke ekspertsystemer
  3. Tekstforståelse
  4. Semantisk dataintegration samt AI-spil plus mange flere.

Besøg hjemmeside: http://www.cyc.com/platform/opencyc/

9. Apache SystemML

SystemML er open source-kunstig intelligensplatform til maskinlæring ideel til big data. Dets vigtigste funktioner er - kører på R og Python-lignende syntaks, fokuseret på big data og designet specielt til matematik på højt niveau. Hvordan det fungerer forklares godt på hjemmesiden, herunder en videodemonstration til klar illustration.

Der er flere måder at bruge det på, herunder Apache Spark, Apache Hadoop, Jupyter og Apache Zeppelin. Nogle af dets bemærkelsesværdige anvendelsessager inkluderer biler, lufthavnstrafik og socialbankvirksomhed.

Besøg hjemmesiden: http://systemml.apache.org/

10. NuPIC

NuPIC er en open source-ramme til maskinlæring, der er baseret på Heirarchical Temporary Memory (HTM), en neocortex-teori. HTM-programmet integreret i NuPIC er implementeret til analyse af realtids-streaming-data, hvor det lærer tidsbaserede mønstre, der findes i data, forudsiger de forestående værdier samt afslører uregelmæssigheder.

Dens bemærkelsesværdige funktioner inkluderer:

  1. Kontinuerlig online læring
  2. Temporale og rumlige mønstre
  3. Streamingdata i realtid
  4. Forudsigelse og modellering
  5. Kraftig anomaliedetektion
  6. Hierarkisk tidsmæssig hukommelse

Besøg hjemmeside: http://numenta.org/

Med den stigende og stadig stigende forskning inden for AI er vi bundet til at være vidne til, at flere værktøjer springer op for at hjælpe med at gøre dette teknologiske område til en succes, især til løsning af daglige videnskabelige udfordringer sammen med uddannelsesmæssige formål.

Er du interesseret i AI, hvad siger du? Giv os dine tanker, forslag eller enhver produktiv feedback om emnet via kommentarfeltet nedenfor, og vi vil være glade for at vide mere fra din.