1. DataRobot
DataRobot（DR）是一款高度自動化的機器學習平臺，由全球最好的Kagglers構建，包括Jeremy Achin，Thoman DeGodoy和Owen Zhang。該平臺聲稱已經消除了對數據科學家的需求。這從他們網站的一句話中可以明顯看出 - “數據科學需要數學和統計資質、編程技能和商業知識。借助DataRobot，你只需提供商業知識和數據，而我們的尖端自動化負責其餘部分。”
模型優化：
平臺通過採用文本挖掘、變數類型檢測、編碼、插補、縮放、轉換等自動檢測最佳數據預處理和特徵工程。
部署：
只需點擊幾下即可輕鬆部署設施（無需編寫任何新代碼）。
對於軟體工程師：
Python SDK和API可用於將模型快速集成到工具和軟體中。
2. BigML
BigML提供了一個良好的圖形用戶介面，可以讓用戶通過以下6個步驟掌握：
來源：使用各種資訊來源
數據集：使用定義的源創建數據集模型：製作預測模型
預測：基於模型生成預測
合成：創建各種模型的合成
評估：針對驗證集的非常模型
這些過程顯然會以不同的順序迭代。BigML平臺提供了很好的結果可視化，並具有求解分類、回歸、聚類、異常檢測和關聯發現問題的演算法。他們提供按月、季度和年度訂閱捆綁在一起的幾個軟體包。他們甚至提供免費套餐，但上傳數據集的大小限制為16MB。
4. Google Cloud AutoML
Cloud AutoML是Google機器學習組件的一部分，它允許有限ML專業知識的人員來構建高質量模型。作為Cloud AutoML產品組合的一部分，第一款產品是Cloud AutoMLVision。該服務使得訓練圖像識別模型變得更加簡單。它具有拖放介面，可以讓您上傳圖像，訓練模型，然後直接在Google Cloud上部署這些模型。
Cloud AutoML Vision基於Google的遷移學習和神經架構搜索等技術。這個工具已經被很多組織所使用。看看這篇文章，看看AutoML在兩個驚人的現實生活例子的表現，以及它如何產生比任何其他工具更好的結果。
5. MLBase
MLBase是加州大學伯克利分校的AMP（演算法機器人）實驗室開發的一個開源專案。背後的核心思想是為機器學習應用於大規模問題提供一個簡單的解決方案。
它有3種產品：
MLlib：它是Apache Spark中的核心分佈式ML庫。它最初是作為MLBase專案的一部分開發的，但現在Spark社區也支持它。
MLI：用於特徵提取和演算法開發的實驗性API，它引入了高級ML編程抽象。
ML優化器：該層旨在自動執行ML管道構建任務。優化器通過包含在MLI和MLlib中的特徵提取器和ML演算法來解決搜索問題。6.Google AIY Projects
穀歌越來越關注神經網路和人工智慧，以解決搜索、圖像處理和其他計算領域的問題。它也正在通過“AIY專案”這樣的計畫來促進開發人員和DIY社區對人工智慧的興趣，這些計畫本身代表了人工智慧。AIY Projects——AIY 全稱是 Artificial Intelligence Yourself，其目標是讓每個Maker（創客）都能DIY自己的 AI 人工智慧產品，讓更多人能學習、探索並體驗人工智慧。
借助 AIY 專案，創客可以利用人工智慧來實現更像人與人交流的人機交互。
Google 先後在 5 月、12 月份分別推出該專案代表的兩組套件 Voice Kit 和 Vision Kit。
Voice Kit 是 Google 首個推出的 DIY 人工智慧產品。它可借助 Google Assistant SDK 和 Cloud Speech API，將樹莓派轉換為語音數字助理。用戶可在此基礎上創建虛擬語音助手，為自己的專案添加語音交互功能。
Vision Kit 則是 Google 推出的第二彈 DIY 人工產品。AIY Vision Kit的主要組件是 Raspberry Pi 的 Vision Bonnet 配件板。這個組件的低功耗視覺處理單元能在設備上運行神經網路模型。它是一套簡單的電腦視覺系統，可運行 3 種基於 TensorFlow 的類神經網路模型應用程式。
7. Driverless AI
Driverless AI是支持自動機器學習的h2o.ai企業的神奇平臺。這個鏈接上可以使用1月試用版的docker映像。您只需使用簡單的下拉列表選擇檔來訓練，測試並指定您想要跟蹤模型性能的指標。坐下來，看著介面直觀的平臺在你的數據集上訓練出優秀的結果，並能與一個經驗豐富的數據科學家能夠提出的好解決方案相比。它支持XGBOOST，GLM和K-Means等多GPU支持，即使對於大型複雜數據集也能提供出色的訓練速度。
自動功能工程，調整和綜合各種模型以產生高度準確的預測。
在訓練過程中，有解釋模型以及用於即時特徵重要性排序的面板的強大功能。
8. Microsoft Azure ML Studio
Azure ML Studio是一個簡單卻強大的基於流覽器的ML平臺。它有一個可視化的拖放環境，不需要編程。他們已經為新手發佈了全面的教程和示例實驗，可以幫助他們快速掌握該工具。
9. MLJar
MLJar是一個基於流覽器的平臺，用於快速構建和部署機器學習模型。它有一個直觀的介面，並允許您並行地訓練模型。它具有內置的超參數搜索功能，可以更輕鬆地部署模型。MLJar提供與NVIDIA的CUDA，python，TensorFlow等的集成。
10. IBM Wastson Studio
IBM Watson Studio為構建和部署學習機和深度學習模型提供了一個美麗的平臺。您可以互動式地發現、清理和轉換您的數據，使用Jupyter筆記本電腦和RStudio等熟悉的開源工具，訪問最流行的庫，訓練深度神經網路以及大量其他事物。
DataRobot（DR）是一款高度自動化的機器學習平臺，由全球最好的Kagglers構建，包括Jeremy Achin，Thoman DeGodoy和Owen Zhang。該平臺聲稱已經消除了對數據科學家的需求。這從他們網站的一句話中可以明顯看出 - “數據科學需要數學和統計資質、編程技能和商業知識。借助DataRobot，你只需提供商業知識和數據，而我們的尖端自動化負責其餘部分。”
模型優化：
平臺通過採用文本挖掘、變數類型檢測、編碼、插補、縮放、轉換等自動檢測最佳數據預處理和特徵工程。
部署：
只需點擊幾下即可輕鬆部署設施（無需編寫任何新代碼）。
對於軟體工程師：
Python SDK和API可用於將模型快速集成到工具和軟體中。
2. BigML
BigML提供了一個良好的圖形用戶介面，可以讓用戶通過以下6個步驟掌握：
來源：使用各種資訊來源
數據集：使用定義的源創建數據集模型：製作預測模型
預測：基於模型生成預測
合成：創建各種模型的合成
評估：針對驗證集的非常模型
這些過程顯然會以不同的順序迭代。BigML平臺提供了很好的結果可視化，並具有求解分類、回歸、聚類、異常檢測和關聯發現問題的演算法。他們提供按月、季度和年度訂閱捆綁在一起的幾個軟體包。他們甚至提供免費套餐，但上傳數據集的大小限制為16MB。
4. Google Cloud AutoML
Cloud AutoML是Google機器學習組件的一部分，它允許有限ML專業知識的人員來構建高質量模型。作為Cloud AutoML產品組合的一部分，第一款產品是Cloud AutoMLVision。該服務使得訓練圖像識別模型變得更加簡單。它具有拖放介面，可以讓您上傳圖像，訓練模型，然後直接在Google Cloud上部署這些模型。
Cloud AutoML Vision基於Google的遷移學習和神經架構搜索等技術。這個工具已經被很多組織所使用。看看這篇文章，看看AutoML在兩個驚人的現實生活例子的表現，以及它如何產生比任何其他工具更好的結果。
5. MLBase
MLBase是加州大學伯克利分校的AMP（演算法機器人）實驗室開發的一個開源專案。背後的核心思想是為機器學習應用於大規模問題提供一個簡單的解決方案。
它有3種產品：
MLlib：它是Apache Spark中的核心分佈式ML庫。它最初是作為MLBase專案的一部分開發的，但現在Spark社區也支持它。
MLI：用於特徵提取和演算法開發的實驗性API，它引入了高級ML編程抽象。
ML優化器：該層旨在自動執行ML管道構建任務。優化器通過包含在MLI和MLlib中的特徵提取器和ML演算法來解決搜索問題。6.Google AIY Projects
穀歌越來越關注神經網路和人工智慧，以解決搜索、圖像處理和其他計算領域的問題。它也正在通過“AIY專案”這樣的計畫來促進開發人員和DIY社區對人工智慧的興趣，這些計畫本身代表了人工智慧。AIY Projects——AIY 全稱是 Artificial Intelligence Yourself，其目標是讓每個Maker（創客）都能DIY自己的 AI 人工智慧產品，讓更多人能學習、探索並體驗人工智慧。
借助 AIY 專案，創客可以利用人工智慧來實現更像人與人交流的人機交互。
Google 先後在 5 月、12 月份分別推出該專案代表的兩組套件 Voice Kit 和 Vision Kit。
Voice Kit 是 Google 首個推出的 DIY 人工智慧產品。它可借助 Google Assistant SDK 和 Cloud Speech API，將樹莓派轉換為語音數字助理。用戶可在此基礎上創建虛擬語音助手，為自己的專案添加語音交互功能。
Vision Kit 則是 Google 推出的第二彈 DIY 人工產品。AIY Vision Kit的主要組件是 Raspberry Pi 的 Vision Bonnet 配件板。這個組件的低功耗視覺處理單元能在設備上運行神經網路模型。它是一套簡單的電腦視覺系統，可運行 3 種基於 TensorFlow 的類神經網路模型應用程式。
7. Driverless AI
Driverless AI是支持自動機器學習的h2o.ai企業的神奇平臺。這個鏈接上可以使用1月試用版的docker映像。您只需使用簡單的下拉列表選擇檔來訓練，測試並指定您想要跟蹤模型性能的指標。坐下來，看著介面直觀的平臺在你的數據集上訓練出優秀的結果，並能與一個經驗豐富的數據科學家能夠提出的好解決方案相比。它支持XGBOOST，GLM和K-Means等多GPU支持，即使對於大型複雜數據集也能提供出色的訓練速度。
自動功能工程，調整和綜合各種模型以產生高度準確的預測。
在訓練過程中，有解釋模型以及用於即時特徵重要性排序的面板的強大功能。
8. Microsoft Azure ML Studio
Azure ML Studio是一個簡單卻強大的基於流覽器的ML平臺。它有一個可視化的拖放環境，不需要編程。他們已經為新手發佈了全面的教程和示例實驗，可以幫助他們快速掌握該工具。
9. MLJar
MLJar是一個基於流覽器的平臺，用於快速構建和部署機器學習模型。它有一個直觀的介面，並允許您並行地訓練模型。它具有內置的超參數搜索功能，可以更輕鬆地部署模型。MLJar提供與NVIDIA的CUDA，python，TensorFlow等的集成。
10. IBM Wastson Studio
IBM Watson Studio為構建和部署學習機和深度學習模型提供了一個美麗的平臺。您可以互動式地發現、清理和轉換您的數據，使用Jupyter筆記本電腦和RStudio等熟悉的開源工具，訪問最流行的庫，訓練深度神經網路以及大量其他事物。
請按此登錄後留言。未成為會員? 立即註冊