Python 由於本身的易用優勢和強大的工具庫儲備，成為了在人工智慧及其它相關科學領域中最常用的語言之一。尤其是在機器學習，已然是各大項目最偏愛的語言。

其實除了 Python ，也不乏有開發者用其他語言寫出優秀的機器學習項目。在上期的文章中（除了 Python ，這些語言寫的機器學習項目也很牛（一）），我們已經列了一些其他語言（C、C++、Go、Java、Javascript）值得關注的開源機器學習項目，本期將針對 PHP、Ruby、Objective C、Swift、Scala 進行補全，同時應上期留言要求，在文末列了一些 .NET 平台上的機器學習項目。

1、PHP

PHP-ML —— 機器學習庫：https://www.oschina.net/p/php-ml

PHP-ML 是 PHP 的機器學習庫，同時包含演算法、交叉驗證、神經網路、預處理、特徵提取等多種特性。要求 PHP 版本 > = 7.0 。

PHP-ML 提供的機器學習演算法包括：關聯規則學習（Apriori 演算法）、分類器（SVC、KNN、貝葉斯）、回歸（最小二乘線性回歸、支持向量回歸）、聚類（KMeans、基於密度的聚類演算法）、矩陣運算相關（準確率、混餚矩陣、與分類相關的結論如精確度、召回率、F1 值、支持率）、模型運算管道（Pipeline）、神經網路（多層感知機）等。

2、Ruby

Treat ——自然語言處理框架：https://github.com/louismullie/treat

Treat 是一個自然語言處理和計算語言學的工具包。Treat 項目旨在為 Ruby 構建一個語言和演算法均不可知的 NLP 框架，支持文檔檢索、文本分塊、分段和標記化等任務，自然語言解析，詞性標註，關鍵字提取和命名實體識別。

Classifier —— 通用分類器模塊：https://github.com/cardmagic/classifier

Classifier 是可用貝葉斯演算法及其他分類法的通用分類器模塊。貝葉斯分類器的分類原理是通過某對象的先驗概率，利用貝葉斯公式計算出其後驗概率，即該對象屬於某一類的概率，選擇具有最大後驗概率的類作為該對象所屬的類，具有準確、快速、內存要求適當等特點。

3、Objective C

MLPNeuralNet —— 多層感知器：https://github.com/nikolaypavlov/MLPNeuralNet

MLPNeuralNet 是適用於 iOS 和 Mac OS X 的快速多層感知器神經網路庫。它使用矢量操作和硬體加速（如果可用）構建在蘋果加速框架之上，通過訓練有素的神經網路預測新的示例。

4、Swift

Bender —— 機器學習框架：https://github.com/xmartlabs/Bender

Bender 是 MetalPerformanceShaders 之上的一個抽象層（abstraction layer），可用於操作神經網路，旨在更輕鬆地在 iOS 上運行預訓練的網路。它可以讓你輕鬆使用卷積、池化、全連接和一些規範化等最常見的層，從而輕鬆地定義和運行神經網路。

目前 Bender 有一個用於 TensorFlow 的適配器（adapter），其可以載入帶有變數的圖（graph），並將其「翻譯」成 Bender 的層（layer）。

Swift AI —— 深度學習庫：https://github.com/Swift-AI/Swift-AI

Swift AI 是一個完全由 Swift 編寫的高性能 AI 和機器學習庫，包含用於人工智慧和科學應用的常用工具集，支持卷積神經網路、循環神經網路、遺傳演算法庫、快速線性代數庫、信號處理庫等。這些工具採用先進的並行處理技術，專門針對 iOS 和 OS X 硬體進行了優化，目前支持所有的 Apple 平台，並計劃推出 Linux 版本支持。

5、Scala

Breeze —— 數值處理庫：https://github.com/scalanlp/breeze

Breeze 是一個數值處理庫，是 ScalaNLP 的核心庫，包括線性代數、數值計算和優化，目標是實現通用、乾淨、強大，且不犧牲性能（高效）的機器學習方法。

ScalaNLP 包含 Breeze 和 Epic（一個高性能的統計解析器和結構化預測庫）。

BIDMach —— 機器學習庫：https://github.com/BIDData/BIDMach

BIDMach 是一個速度非常快的機器學習庫，支持邏輯回歸、K-means、矩陣分解、隨機森林、LDA 等。它是 BIDMat 的一個姊妹項目，BIDMat 是一個矩陣庫。

BIDMach 在一些評測中甚至跑出了比 Spark 還好的結果。

6、.NET

numl —— 機器學習框架：http://numl.net/index.html

numl 是一個小巧的，包含比較多的機器學習演算法類庫，支持監督式和非監督式學習。支持很多常見的機器學習演算法，包括 Cluster、KMeans、PCA、DecisionTree、KNN、NaiveBayes、NeuralNetwork 等學習演算法，功能強大，同時也包括一些數值計算的實現。

Accord.NET —— 機器學習框架：https://github.com/accord-net/framework/

Accord.NET 為 .NET 提供機器學習、統計、人工智慧、計算機視覺和圖像處理方法。它可以在 Microsoft Windows、Xamarin、Unity3D、Windows Store 應用，Linux 和移動設備上使用。

在與 AForge.NET 項目合并之後，該框架現在提供了一個用於學習/訓練機器學習模型的統一 API ，其易於使用和可擴展。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！