Ruby机器学习

Awesome Support Me

[RubyNLP | RubyDataScience | RubyInterop]

> Ruby机器学习链接和资源的精选列表

[机器学习] [ml]是[计算科学] [cs]的领域- 通常嵌套在AI研究下-具有许多实用性 由于产生的算法的能力 系统地实施特定解决方案而无需明确 程序员的指令. 显然,许多算法都需要定义 [features] [fe]的取值或较大的[training set] [ts]数据来推导 从解决.

该精选列表包括[awesome ] [awesome]个库, [机器学习] [ml]的数据源,教程和演示文稿 利用[Ruby] [ruby]编程语言.

此列表中的许多有用资源来自开发 [The Ruby Science Foundation] [sciruby],我们的[贡献者] [贡献者]和 我们自己在各种ML应用程序上的日常工作.

:sparkles:每 contribution 不客气! 通过拉添加链接 请求或提出问题以开始讨论.

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

用纯Ruby或其他语言编写的[机器学习] [ml]算法 带有适当绑定的Ruby编程语言.

Frameworks

  • weka - 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 - 使用机器学习对数据建模. 足够的测试范围,快速入门的示例,完整的文档. 从1.0.0开始生产.
  • shogun -多功能且成熟 机器学习工具箱 Ruby bindings.
  • aws-sdk-machinelearning - Amazon Web Services的机器学习API.
  • azure_mgmt_machine_learning - Microsoft Azure的机器学习API.
  • machine_learning_workbench - 用纯Ruby编写的成长型机器学习框架,使用高性能计算 Numo,通过CUDA绑定 Cumo. 目前正在实现神经网络,进化策略,矢量量化以及大量 示例和实用程序.
  • Deep NeuroEvolution - 基于的实验设置 machine_learning_workbench 寻求使用进化算法的深度神经网络(而不是训练). 应用到 OpenAI Gym 使用 PyCall.
  • rumale - Ruby中的Machine Learninig工具包,具有广泛的已实现算法 (支持向量机,逻辑回归,线性回归,随机森林等)和 类似于Python中[Scikit-Learn] [scikit]的接口.
  • eps -带出口的贝叶斯分类和线性回归 使用 PMML and an alternative backend 使用 [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NES(sNES),块对角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 - Naive Bayes的全功能Ruby实现.

Decision trees

Clustering

  • flann - 近似最近邻居的快速库. [flann]
  • kmeans-clusterer - Ruby中的k均值聚类.
  • k_means - 试图构建一个快速的,内存有效的K-Means程序.
  • knn - 简单的K最近邻算法.

Linear classifiers

Statistical models

  • rtimbl - Timbl框架中基于记忆的学习者.
  • 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 - 基于OpenNLP Maxent框架的字符串数据的JRuby最大熵分类器.
  • omnicat - 用于文本分类的通用机架框架.
  • omnicat-bayes - 朴素贝叶斯文本分类实施作为OmniCat分类器策略. [dep: bundled]

Gradient boosting

Applications of machine learning

  • phashion - 围绕pHash的Ruby包装器,pHash是用于检测重复的多媒体文件的感知哈希库. [ImageMagick | libjpeg]

Data structures

如果您打算实现自己的ML算法,那么您可能会感兴趣 有效地存储功能集. 寻找合适 data structures 在[使用Ruby的数据科学] [ds-with-ruby]列表中.

Data visualization

请参考 Data Visualization [使用Ruby的数据科学] [ds-with-ruby]列表上的“数据”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 Ruby的“很棒的ML” Andrei Beliankou 和 [Contributors][contributors].

在法律允许的范围内,将CC0与 “使用Ruby的Awesome ML”放弃了所有版权以及相关或邻近的权利 到“使用Ruby的超棒ML”.

您应该已经收到了CC0法律代码的副本以及此副本 工作. 如果没有,请参阅 https://creativecommons.org/publicdomain/zero/1.0/ .

[ruby]:https://www.ruby-lang.org/en/ [真棒]: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