علوم اعصاب | لینوکس | نوروساینس | هوش مصنوعی

ابزارهای هوش مصنوعی برای لینوکس

| ابزار های هوش مصنوعی برای لینوکس

سلام دوستان,امیدوارم حالتون خوب باشه و سرحال باشید.در این پست میخوام چندتا از معروفترین ابزار های اُپن سورس هوش مصنوعی (AI) رو در لینوکس بهتون معرفی کنم.در حال حاضر هوش مصنوعی (AI) در علم و تکنولوژی یکی از رو به رشد ترین عرصه ها میباشد.و تمرکز اصلی AI هم بر روی ساخت نرم افزار ها و سخت افزار هایی میباشد که چالش های زندگی روزمره در زمینه های بهداشت، آموزش، امنیت، تولید، بانکداری رو حل کند.

در زیر لیستی از این پلتفرم ها را برای شما جمع آوری کرده ام که حتما در زمینه هوش مصنوعی بهتون کمک میکنند.شما میتوانید از این پلتفرم ها در لینوکس و احتمالا در خیلی از سیستم عامل های دیگر هم استفاده کنید.توجه داشته باشید که این لیست به منظور خاصی شماره گذاری و مرتب نشده است.

1. دیپ لرنینگ برای جاوا (Deeplearning4j)

Deeplearning4j یک شرکت تجاری اُپن سورس و plug and play میباشد.یک کتابخانه دیپ لرنینگ برای زبان های برنامه نویسی Java و Scala میباشد.این برنامه به طور خاص برای کسب و کار طراحی شده است و با Hadoop و Spark در بالای CPU های توزیع شده و پردازنده های گرافیکی هماهنگ شده است.

DL4J تحت لیسانس آپاچی 2.0 منتشر شده است و پشتیبانی از پردازنده گرافیکی برای مقیاس بندی در AWS را ارائه می دهد و برای معماری میکرو سرویس سازگار است.

Deep Learning For Java - ابزارهای هوش مصنوعی برای لینوکس
دیپ لرنینگ برای جاوا

سایت رسمی DL4J

2. فریم ورک دیپ لرنینگ کافی (Caffe)

Caffe یک چارچوب ماژولار دیپ لرنینگ بر اساس سرعت میباشد.این فریم ورک تحت لیسانس BSD 2-Clause منتشر شده است و در حال حاضر از چندین پروژۀ اجتماعی در زمینه هایی نظیر تحقیقات،استارتآپ های prototype,برنامه های کاربردی صنعتی در زمینه هایی نظیر بینایی، گفتار و چند رسانه ای را پشتیبانی می کند.

Caffe Deep Learning Framework - ابزارهای هوش مصنوعی برای لینوکس
فریمورک دیپ لرنینگ کافی

سایت رسمی Caffe

3. H20 – فریم ورک ماشین لرنینگ

H20 یک فریم ورک یادگیری ماشین با سرعت بالا، مقیاس پذیر و توزیع شده و همچنین مجموعه ای از الگوریتم های مجهز به فریم ورک است. این برنامه از نرم افزارهای هوشمند مانند یادگیری عمیق، gradient boosting، جنگل تصادفی,مدل سازی خطی تعمیم یافته (رگرسیون لجستیک، شبکه الاستیسیته) , و بسیاری از موارد دیگر را پشتیبانی میکند.

این یک ابزار هوش مصنوعی کسب و کار جهت دار برای تصمیم گیری از طریق داده ها میباشد.

H20 Distributed Machine Learning Framework - ابزارهای هوش مصنوعی برای لینوکس
H20 – فریم ورک ماشین لرنینگ

سایت رسمی H20

4. MLlib – کتابخانه ماشین لرنینگ

MLlib یک کتابخانه یادگیری ماشین اُپن سورس و با قابلیت طریقه استفاده آسان میباشد و از پرفورمنس بالایی نیز برخوردار است.این کتابخانه به عنوان بخشی از Apache Spark توسعه یافته است.اساسا آسان ساختن است و می تواند بر روی دسته ها و داده های Hadoop موجود نیز اجرا شود.

MLlib همچنین دارای مجموعه ای از الگوریتم هایی برای طبقه بندی، رگرسیون، توصیه، خوشه بندی، تجزیه و تحلیل بقای و موارد دیگر میباشد.مهم این است که می توان آن را در زبان های برنامه نویسی Python، Java، Scala و R استفاده کرد.

MLlib Machine Learning Library - ابزارهای هوش مصنوعی برای لینوکس
MLlib – کتابخانه ماشین لرنینگ

سایت رسمی MLlib

5. فریم ورک Apache Mahout

Mahout یک فریم ورک طراحی شده برای ساخت برنامه های مقیاس پذیر و کاربردی ماشین لرنینگ میباشد.سه تا از قابلیت های برجسته ی این فریم ورک در زیر لیست شده اند:

  • فراهم می کند محل کار برنامه نویسی ساده و قابل توسعه است
  • ارائه انواع الگوریتم های پیش ساخته برای Scala + Apache Spark، H20 و همچنین Apache Flink
  • شامل Samaras میباشد و یک محیط آزمایشی ریاضیات برای کار کردن با سینتکس R-like
Apache Mahout - ابزارهای هوش مصنوعی برای لینوکس
فریم ورک Apache Mahout

مشاهده سایت رسمی Apache Mahout

6. کتابخانه Open Neural Networks Library (OpenNN)

OpenNN یک کتابخانه اُپن سورس میباشد که با C++ برای دیپ لرنینگ نوشته شده است و برای ایجاد شبکه های عصبی استفاده میشود.هر چند برای برنامه نویسان حرفه ای C++ و کسانی که مهارت های بالایی در ماشین لرنینگ دارند ساخته شده است.این کتابخانه یک معماری عمیق با کارایی بالا میباشد.

OpenNN Open Neural Networks Library - ابزارهای هوش مصنوعی برای لینوکس
کتابخانه OpenNN

مشاهد سایت رسمی OpenNN

7. Oryx 2

Oryx 2 ادامه پروژه اولیه Oryx است،در Apache Spark و Apche Kafka به عنوان بازسازی‌ِ معماری که توسط لامبدا توسعه داده است. اگر چه اختصاص داده شده برای دستیابی به ماشین لرنینگ زمان واقعی است.این یک اپلیکیشن برای توسعه نرم افزار و ارتباط با برخی برنامه ها برای collaborative filtering, classification, regression و اهداف خوشه ای میباشد.

Oryx2 - ابزارهای هوش مصنوعی برای لینوکس
Oryx 2

مشاهده از سایت رسمی Oryx

8.OpenCyc

OpenCyc یک پورتال اُپن سورس برای بزرگترین و جامع ترین دانش عمومی و موتور استدلال رایج در جهان است.این شامل تعداد زیادی از اصطلاحات Cyc در یک علم دقیق طراحی شده برای کاربرد در زمینه هایی مانند:

  • Rich domain modeling
  • Domain-specific expert systems
  • Text understanding
  • Semantic data integration as well as AI games plus many more.
OpenCyc 3 - ابزارهای هوش مصنوعی برای لینوکس
OpenCyc

مشاهده سایت رسمی OpenCyc

9.پلتفرم ماشین لرنینگ Apache SystemML

SystemML پلت فرم هوش مصنوعی اُپن سورس برای یادگیری ماشین و کاملا ایده آل برای بگ دیتا است.ویژگی های اصلی آن عبارتند از توانایی استفاده زبان های python و R در این پلتفرم.تمرکز این پلتفرم بر روی بیگ دیتا ها میباشد و برای کار کردن با ریاضیات سطح بالا طراحی شده است.طریقه کار این پلتفرم به خوبی در صفحه اصلی سایت خودش به همراه یک ویدیو توضیح داده است.

چند راه برای استفاده از آن وجود دارد از جمله Apache Spark، Apache Hadoop، Jupyter و Apache Zeppelin میباشند.بعضی از موارد قابل توجه آن شامل خودرو، ترافیک فرودگاه و بانکداری اجتماعی میباشند.

Apache SystemML Machine Learning Platform - ابزارهای هوش مصنوعی برای لینوکس
پلتفرم ماشین لرنینگ – Apache SystemML

مشاهده سایت رسمی SystemML

10.فریم ورک NuPIC

NuPIC یک چارچوب منبع باز برای یادگیری ماشین است که بر اساس حافظه موقت حافظه (HTM)، یک نظریه neocortex است.برنامه HTM در NuPIC یکپارچه شده است برای تجزیه و تحلیل داده های در جریان در زمان حال,که در آن یاد می گیرید الگوهای مبتنی بر زمان موجود در داده ها را.

ویژگی های قابل توجه این فریم ورک:

  • یادگیری آنلاین مداوم
  • الگوهای موقتی و فضایی
  • جریان داده ها در زمان حال
  • پیش بینی و مدل سازی
  • Powerful anomaly detection
  • حافظه موقت سلسله مراتبی
NuPIC Machine Intelligence - ابزارهای هوش مصنوعی برای لینوکس
فریم ورک NuPIC

مشاهده سایت رسمی NuPic

با رشد و تحقیق های در حال پیشرفت عرصه AI، ما شاهد ابزار های بیشتری در مورد این فناوری خواهیم بود، مخصوصا برای حل چالش های علمی روزانه همراه با اهداف آموزشی.

 

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.