授权自AI科技大本营（ID：rgznai100）

本文共1029字，建议阅读5分钟。

本文为你从过去一个月近 250 个有关机器学习的开源项目中，精心挑选出了最热门的项目。

[ 导读 ]我们从过去一个月近 250 个有关机器学习的开源项目中，精心挑选出了最热门的项目。在挑选过程中，我们始终在各个项目之间作比较。Mybridge AI 基于大量的因素来估量项目的专业水平，从而对其进行排名。

这些项目在 Github 上获得的平均 star 数高达 728，涉及的话题包括：研究框架、AutoML 库、深度学习、PyTorch、TSNE、算法工具箱、Fairness-ai、DeepDetect、僵尸射击游戏。

对于程序员来说，开源项目是十分有帮助的。希望你能从中找到可以激发你灵感的有趣项目。最后祝大家节日快乐！

TransmogrifAI：用于建立机器学习工作流的 AutoML 库

TransmogrifAI 是用 Scala 编写的 AutoML 库，运行在 Spark 上。该框架的开发初衷在于通过机器学习自动化技术，以及提升编译速度与可重复利用性的 API，来提高机器学习开发者的开发效率。你可以在以下几种场景使用该框架：

在几小时内建立可投入使用的机器学习应用，无需几个月的时间轻松创建机器学习模型，即使你不是机器学习专业的 Ph.D建立模块化的、可重复利用的机器学习工作流

项目链接：;utm_medium=blog&utm_campaign=read_more

YOLOv3：基于 PyTorch 的训练与预测

YOLOv3 是当前最先进的实时检测目标的系统，相比于前两个版本，第三版针对小目标的精度有显著提升。YOLOv3 的 Github 目录包含了全部基于 PyTorch 的训练和预测代码。要求 Python 3.6 或以上的版本，以及三个工具包：numpy、torch、opencv-python。

项目链接：;utm_medium=blog&utm_campaign=read_more

FastTSNE：快速且可并行的 tSNE 算法

该项目将 160,796 个来自老鼠的神经系统的细胞转录过程进行了可视化，项目的初衷是在没有外部 C 或 C++ 依赖的情况下，在本地快速实现 tSNE 算法。该工具包提供了两种快速实现 tSNE 的方法：

Barnes-hut tsne：源于 Multicore tSNE，适用于小规模数据集，时间复杂度为 O(nlogn)。Fit-SNE：源于 Fit-SNE 的 C++ 实现方法，适用于样本量在 10,000 以上的大规模数据集，时间复杂度为 O(n)。

项目链接：;utm_medium=blog&utm_campaign=read_more

AIF360：用于检测并去除机器学习模型偏差的开源库

这个 AI Fairness 360 Python 库包含一整套用于测量偏差的数据集和模型的指标，全部指标的解释，以及减小偏差的算法。由于 AIF360 具备一整套功能，所以在面对一个用例时，很可能难以抉择该使用什么指标或算法，为了解决这个问题，开发者为我们提供了可用于参考的使用指南。

项目链接：;utm_medium=blog&utm_campaign=read_more使用指南：

僵尸射击神经网络：让 AI 学习如何射击僵尸

开发者利用神经网络和强化学习来对 AI 进行训练，使其学习如何射击僵尸，从而存活下来。开发者还制作了一段小视频，来展示其训练过程。

项目链接：;utm_medium=blog&utm_campaign=read_more

原文链接：