1、Java机器学习开发库

Deep Java Library

DJL是一个开源的深度学习开发包。通过DJL，用户可以使用Java来训练和部署深度学习模型。

Weka、Knime、RapidMiner、Elka

深度学习社区基本上被 TensorFlow 和 PyTorch 两大框架垄断。

PyTorch是一个开源的Python机器学习库
MegFlow
人体姿态追踪算法BlazePose

1：Python

Python领先于所有其他语言，超过60%的机器学习开发人员在开发中使用它，因为Python很容易学习，可扩展和开源。Python有许多很棒的可视化包和核心库，如Numpy, scipy, pandas, matplotlib, seaborn, sklearn。

Numpy:Numpy是Python的线性代数库，具有强大的数据结构，可以高效地计算多维数组和矩阵。

Pandas:这是最流行的Python库，为数据分析提供了高度优化的性能。

Matplotlib:这是一个流行的python绘图库，用于创建基本图形，如折线图、柱状图、直方图等。

Seaborn:为创建吸引人的图形提供高级接口

sci-kit Learn:用于数据挖掘和数据分析，实现了广泛的机器学习算法，如分类，回归和聚类算法，包括支持向量机，随机森林，梯度增强，k-means。

2：Java

Java提供了许多良好的环境，如Weka、Knime、RapidMiner、Elka，这些环境用于使用图形用户界面执行机器学习任务。

Weka:这是一个免费的、可移植的库，主要用于数据挖掘、数据分析和预测建模，最适合用于机器学习算法。它易于与图形界面一起使用，并支持多种标准的数据挖掘任务，包括数据预处理、分类、聚类和特征选择。

JavaML:一个具有简单易用接口的Java API，用Java实现机器学习和数据挖掘算法集合，并清晰地编写和正确地记录算法实现。

Deeplearning4j:这是一个创新的开源分布式深度学习库，它提供了一个广泛支持机器学习算法的计算框架。这个库在识别模式、情绪、声音和文本方面非常有用，是专门为商业环境设计的。

ELKI:它是一个独特的开源数据挖掘框架，主要侧重于数据挖掘算法和数据管理的独立评估，强调无监督的方法。它还允许任意数据类型、文件格式或距离或相似性度量。

3：C++

超快的c++编程语言在机器学习领域也很受欢迎。这个强大的语言得到了大多数机器学习平台的支持。与大多数编程语言相比，c++要高效得多。许多强大的库，如TensorFlow和Torch都是用c++编程语言实现的，所以机器学习和c++确实是一个很好的组合。

TensoFlow:谷歌的开源TensorFlow用于在任何CPU或GPU上使用数据流图进行数值计算，并根据它获得的任何信息做出决策。

Torch:一个开放源代码的机器学习库，通过提供大量的算法，使科学和数字操作更容易。它使工作更容易，提高了效率和速度。

mlpack:一个超高速、灵活的机器学习库，它使用c++类提供尖端机器学习算法的快速和可扩展实现，这些类可以集成到大规模的机器学习解决方案中。

4：R

R是一种非常流行的编程语言，用于机器学习中的统计计算、分析和可视化。它是一种完美的基于图形的语言，用于通过图形来探索统计数据，被Facebook、谷歌等数据专业人士广泛使用。R在生物工程和生物医学统计方面非常受欢迎，在实现机器学习如回归、分类和决策树形成方面也很受欢迎。

xgboost:它用于实现梯度增强框架，因其性能和速度而流行。它支持各种目标函数，如回归、分类和排名，并且是可扩展的，因此你可以轻松地定义自己的目标。

mlr:它是一个可扩展的框架，用于解决分类、回归和集群问题，并且通过s3继承具有简单的扩展机制。

PARTY:这个包用于递归分区。该程序包用于建立基于条件推理算法的决策树。这个包也很广泛，减少了训练时间和偏差。

CARET:这个程序包是为了将针对给定业务问题的几种不同算法的模型训练和预测结合起来而开发的，有助于选择最佳的机器学习算法。

5：JavaScript

它是一种应用最广泛的、高级的、动态类型化的、灵活的、多范式的语言。Javascript在ML中也非常流行，以至于像谷歌的Tensorflow.js这样的热门项目都是基于Javascript的。如果你精通Javascript，那么你可以完成从全栈到机器学习和NLP的所有工作。

Brain.js:它是一个加速的GPU，很容易在JavaScript中集成神经网络，在浏览器中与Node.js一起使用，并提供多种神经网络实现来训练做不同的事情。它使用起来非常简单，你不需要了解神经网络的详细信息就可以使用它。

Tensorflow.js:它是一个流行的JavaScript机器学习库。你可以使用灵活的api直接在JavaScript中构建和训练模型，机器学习中的几乎所有问题都可以使用Tensorflow.js解决。你还可以使用自己的数据重新训练现有的ML模型。

machinelearn.js:它取代了python的ScikitLearn库。它为有监督和无监督学习提供聚类、分解、特征提取模型和实用工具。

face-api.js:一个现成的api，包含了众所周知的人脸检测和识别模型的实现，这些模型是用各种各样的数据集预先训练的。它提供了直接插入任何Node.js和浏览器环境的灵活性。这个库是轻量级的，可以在移动和web浏览器上使用，没有任何问题。
[

](https://blog.csdn.net/albertleebob/article/details/112133671)