2018年度GtiHub開(kāi)源項(xiàng)目盤點(diǎn)！

谷歌的 AdaNet

開(kāi)源地址：https://github.com/tensorflow/adanet

AdaNet 是一個(gè)自動(dòng)學(xué)習(xí)高質(zhì)量模型的框架，對(duì)編程專業(yè)知識(shí)沒(méi)有要求。由于 AdaNet 由谷歌開(kāi)發(fā)，因此這一框架基于 TensorFlow。你可以使用 AdaNet 創(chuàng)建所有的模型，同時(shí)可以擴(kuò)展它的應(yīng)用去訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

強(qiáng)化學(xué)習(xí)

因?yàn)槲以?2018 年的綜述文章中盤點(diǎn)過(guò)一些強(qiáng)化學(xué)習(xí)開(kāi)源項(xiàng)目，因此這一章節(jié)的介紹會(huì)相當(dāng)簡(jiǎn)單。我希望在包括 RL 在內(nèi)的這些章節(jié)中，能夠促進(jìn)大家對(duì)我們這個(gè)社區(qū)的討論，也希望能過(guò)加速這一領(lǐng)域的研究進(jìn)程。

首先，你可以先去看一下 OpenAI 的 Spinning Up 開(kāi)源項(xiàng)目（項(xiàng)目地址：https://github.com/openai/spinningup），它是一個(gè)針對(duì)初學(xué)者的完全教育型的開(kāi)源項(xiàng)目。然后可以去看看谷歌的 dopamine 開(kāi)源項(xiàng)目（項(xiàng)目地址：https://github.com/google/dopamine），它是一個(gè)研究框架，用來(lái)加速這一仍舊處于初步發(fā)展階段的領(lǐng)域的研究。接下來(lái)，讓我們也了解一下其他的開(kāi)源項(xiàng)目。

DeepMimic

開(kāi)源地址：https://github.com/xbpeng/DeepMimic

如果你在社交媒體上關(guān)注了一些研究者，你一定在視頻中看到過(guò)上面的圖像。一個(gè)棍形人在地面上奔跑，或者嘗試站起來(lái)，或者其他一些動(dòng)作。親愛(ài)的讀者，這些就是（人體）動(dòng)作中的強(qiáng)化學(xué)習(xí)。

這里有一個(gè)強(qiáng)化學(xué)習(xí)的標(biāo)志性示例——訓(xùn)練仿真人形來(lái)模仿多個(gè)動(dòng)作技能。上面開(kāi)源項(xiàng)目的鏈接頁(yè)面包括代碼、示例以及循序漸進(jìn)的練習(xí)指南。

Reinforcement Learning Notebooks

開(kāi)源地址：https://github.com/Pulkit-Khandelwal/Reinforcement-Learning-Notebooks

這個(gè)開(kāi)源項(xiàng)目是一個(gè)強(qiáng)化學(xué)習(xí)算法集，這些算法來(lái)自 Richard Sutton 和 Andrew Barto 所寫的書(shū)以及其他研究論文，它們?cè)陂_(kāi)源項(xiàng)目中以 Python notebooks 的格式呈現(xiàn)。

正如該開(kāi)源項(xiàng)目的開(kāi)發(fā)者所提到的，如果你在學(xué)習(xí)的過(guò)程中同時(shí)進(jìn)行實(shí)操練習(xí)，你就能真正學(xué)會(huì)它。這個(gè)項(xiàng)目比較復(fù)雜，如果不進(jìn)行實(shí)操或者僅僅像讀小說(shuō)一樣去閱讀資源內(nèi)容，你將一無(wú)所獲。

via：https://www.analyticsvidhya.com/blog/2018/12/best-data-science-machine-learning-projects-github/