Ruby机器学习

Awesome Support Me

[RubyNLP | RubyDataScience | RubyInterop]

> Ruby机器学习链接和资源的策划列表

[机器学习] [ml]是[计算科学] [cs]的领域 - 经常嵌套在AI研究之下 - 有许多实用 应用程序由于生成算法的能力 系统地实施一个没有明确的具体解决方案 程序员的指示. 显然,许多算法需要定义 [特征] [fe]查看数据的大型[训练集] [ts]以得出数据 解决方案.

这个策划列表包含[awesome ] [awesome]库, 关于[机器学习]的数据源,教程和演示文稿[ml] 利用[Ruby] [ruby]编程语言.

此列表中的许多有用资源来自于开发 [红宝石科学基金会] [sciruby],我们的[贡献者] [贡献者]和 我们自己的日常工作在各种ML应用程序.

:闪耀:每一个 contribution 不客气! 通过pull添加链接 请求或创建问题以开始讨论.

跟着我们 Twitter 请传播 the word using the #RubyML hash tag!

✨ Tutorials

请帮助我们填写此部分! :笑脸:

Machine Learning Libraries

[机器学习] [纯] Ruby中的[ml]算法或其他编写 编程语言与Ruby的适当绑定.

Frameworks

  • weka - 针对Weka的JRuby绑定,通过Weka实现的不同ML算法.
  • ai4r - Ruby的人工智能.
  • classifier-reborn - 通用分类器模块允许贝叶斯和其他类型的分类. [dep: GLS]
  • scoruby - Ruby评分API PMML (预测模型标记语言).
  • rblearn - 特征提取和交叉验证库.
  • data_modeler - 使用机器学习建模数据. 充足的测试覆盖率,快速启动示例,完整的文档. 生产准备就绪1.0.0.
  • shogun - 多功能和成熟 机器学习工具箱 Ruby bindings.
  • aws-sdk-machinelearning - 亚马逊网络服务的机器学习API.
  • azure_mgmt_machine_learning - Microsoft Azure的机器学习API.
  • machine_learning_workbench - 越来越多的机器学习框架用纯Ruby编写,高性能计算使用 Numo,CUDA绑定通过 Cumo. 目前正在实施神经网络,进化策略,矢量量化和大量 示例和实用程序.
  • Deep NeuroEvolution - 实验装置基于 machine_learning_workbench 使用进化算法搜索深度神经网络(而不是训练). 应用程序 OpenAI Gym 运用 PyCall.
  • rumale - Ruby中的Machine Learninig工具包,具有广泛的实现算法 (SVM,Logistic回归,线性回归,随机森林等)和 接口类似于Python中的[Scikit-Learn] [scikit].
  • eps - 带出口的贝叶斯分类和线性回归 运用 PMML and an alternative backend 运用 [GSL][gsl].

Neural networks

Deep learning

Kernel methods

Evolutionary algorithms

  • machine_learning_workbench - 框架包括自然进化策略算法的纯Ruby实现 (黑盒优化),特别是指数NES(XNES), 可分离的NES(sNES),块对角线NES(BDNES)等. 应用包括神经网络搜索/训练(神经进化).
  • simple_ga - Ruby中最简单的遗传算法实现.

Bayesian methods

  • linnaeus - Redis支持的贝叶斯分类器.
  • naive_bayes - 简单的朴素贝叶斯分类器.
  • nbayes - 功能齐全的Ruby实现Naive Bayes.

Decision trees

Clustering

  • flann - 近似最近邻居的快速库. [flann]
  • kmeans-clusterer - k-means在Ruby中进行聚类.
  • k_means - 试图建立一个快速,内存效率高的K-Means程序.
  • knn - 简单K最近邻算法.

Linear classifiers

Statistical models

  • rtimbl - 来自Timbl框架的基于记忆的学习者.
  • lda-ruby - Ruby的实现 LDA (潜在Dirichlet分配)用于自动主题建模和文档聚类.
  • maxent_string_classifier - JRuby字符串数据的最大熵分类器,基于OpenNLP Maxent框架.
  • omnicat - 用于文本分类的通用机架框架.
  • omnicat-bayes - Naive Bayes文本分类实现为OmniCat分类器策略. [dep: bundled]

Gradient boosting

Applications of machine learning

Data structures

如果你要实现自己的ML算法,你可能会感兴趣 有效地存储您的功能集. 寻找合适 data structures 在我们的[Ruby with Data Science] [ds-with-ruby]列表中.

Data visualization

请参考 Data Visualization 关于[带有Ruby的数据科学] [ds-with-ruby]列表的部分.

Articles, Posts, Talks, and Presentations

Projects and Code Examples

  • Wine Clustering - 葡萄酒质量评估采用不同的算法进行聚类.
  • simple_ga - Ruby中遗传算法的基本(工作)演示.

Heroku buildpacks

Books, Blogs, Channels

Community

License

Creative Commons Zero 1.0 “令人敬畏的ML与Ruby`由 Andrei Beliankou 和 [Contributors][contributors].

在法律允许的范围内,与CC0相关联的人 “令人敬畏的ML with Ruby”已放弃所有版权及相关或相邻权利 用Ruby来“令人敬畏的ML”.

您应该已经收到了CC0 legalcode的副本 工作. 如果没有,请参阅 https://creativecommons.org/publicdomain/zero/1.0/ .

[ruby]:https://www.ruby-lang.org/en/ [awesome]:https://github.com/sindresorhus/awesome/blob/master/awesome.md [change-pr]:https://github.com/RichardLitt/knowledge/blob/master/github/amending-a-commit-guide.md [ml]:https://en.wikipedia.org/wiki/Machine_learning [ds-with-ruby]:https://github.com/arbox/data-science-with-ruby [贡献者]:https://github.com/arbox/machine-learning-with-ruby/graphs/contributors [sciruby]:https://github.com/sciruby

[cs]:https://en.wikipedia.org/wiki/Computational_science [fe]:https://en.wikipedia.org/wiki/Feature_engineering [ts]:https://en.wikipedia.org/wiki/Test_set [gsl]:https://www.gnu.org/software/gsl/ [scikit]:https://scikit-learn.org/stable/index.html