它自动选择学习器和超参数

[Habib01]

H2O 是一个机器学习和预测分析平台，可让您基于大数据构建机器学习模型。它还使得在商业环境中生成这些模型变得更加容易。

H2O的核心代码是用Java编写的。这些算法使用 Java Fork/Join 框架进行多线程处理，并在 H2O 的分布式 Map/Reduce 框架之上实现。

H2O 根据 Apache 许可证 2.0 版获得许可，可用于 Python、R 和 Java 语言。要了解有关 H2O AutoML 的更多信息，请查看其官方文档。



15. TPOT
TPOT 是一个自动机器学习 (AutoML) 库。它是作为 scikit-learn 的 Facebook 数据 插件构建的，并使用遗传编程 (PG) 来确定给定数据集的最佳模型管道。

使用特殊版本的遗传编程，TPOT可以自动设计和优化数据转换和机器学习模型，确保给定监督学习数据集的最大分类精度。

TPOT 是 Python 中最古老的 AutoML 库之一。它可用于分类和回归任务，目前已获得 GNU Lesser General Public License v3.0 的使用许可。您可以在本教程中了解有关 TPOT 的更多信息。

图片来源

星数：9.4K |总下载量：140万次

16.自学
Auto-sklearn 是一套自动化机器学习工具，是 scikit-learn 模型的合适替代品。它自动执行超参数调整和算法选择，为机器学习专业人员节省了大量时间。其设计反映了元学习、集成构建和贝叶斯优化的最新进展。

auto-sklearn 作为 scikit-learn 的插件构建，使用贝叶斯优化搜索过程来识别给定数据集的最佳性能模型。

机器学习非常易于使用，可用于监督分类和回归任务。


17. 弗拉姆
FLAML 是一个轻量级的 Python 库，可以自动识别准确的机器学习模型。，为机器学习专业人员节省大量时间和精力。根据其GitHub 存储库，FLAML 的一些功能包括：

对于分类和回归任务，FLAML 可以用很少的计算资源快速找到优质模型。
支持深度神经网络以及经典机器学习模型。
它很容易定制或扩展。
支持快速自动调整，能够处理复杂的约束和提前停止。
只需三行代码，您就可以使用这个快速 AutoML 引擎获得 scikit-learn 风格的估计器。

星数：3.5K |总下载量：456K

Python 深度学习库
18.TensorFlow
TensorFlow 是由 Google 的 Google Brain 团队开发的流行的高性能数值计算开源库，也是深度学习研究领域的中流砥柱。

正如官网所述，TensorFlow是一个全面的机器学习开源平台。它为机器学习研究人员和开发人员提供了广泛且多功能的工具、库和社区资源。

TensorFlow 的一些功能使其成为流行且广泛使用的深度学习库：

可以轻松开发模型。
可以以可扩展的方式执行复杂的数值计算。
TensorFlow 具有丰富的 API，并以 Python 和 C 语言提供稳定的低级和高级 API。
使用CPU和GPU轻松部署和计算。
包含预先训练的模型和数据集。
适用于移动、嵌入式设备和生产的预训练模型。
Tensorboard，一个使用 TensorFlow 可视化工具集来记录和跟踪实验和模型训练的套件。
支持 Keras，这是一种高级 TensorFlow API。
要了解有关 TensorFlow 的更多信息，请查看其官方指南或GitHub 存储库，或者按照此TensorFlow 教程逐步尝试自己使用它。

星数：18 万 |总下载量：3.84 亿次

19.PyTorch
PyTorch是一个机器学习框架，可以极大地加速从研究原型设计到生产部署的过程。它是一个针对使用 GPU 和 CPU 进行深度学习而优化的张量库，被认为是 TensorFlow 的替代品。随着时间的推移，PyTorch 在 Google 趋势中的受欢迎程度已超过 TensorFlow。

它由 Facebook 开发和维护，目前可以在 BSD 下使用。

根据官网介绍，PyTorch的主要特点有：

使用 TorchScript 在急切模式和图形模式之间无缝转换，并使用 TorchServe 加速您的生产之路。
它在研究中提供可扩展的分布式训练和性能优化，而生产则由 torch.distributed 后端支持。
丰富的工具和库生态系统扩展了 PyTorch，并支持计算机视觉、NLP 等领域的开发。
各大云平台广泛支持
PyTorch 与 Tensorflow 图表