数学浅析与AI_act-r和神经网络

STYLE2PAINTS：强大的为线稿上色的 AI

项目地址：https://www.oschina.net/p/style2paints

推荐理由：新一代的强大线稿上色 AI，可根据用户上传的自定义色彩给线稿进行上色。项目提供了在线使用网站，十分方便使用。

SerpentAI：教 AI 打游戏的学习框架

项目地址：https://www.oschina.net/p/serpentai

推荐理由：SerpentAI 旨在为机器学习和 AI 研究提供一个有价值的工具。但同时，对于爱好者来说，它也是非常有趣的。

Synaptic.js：用于浏览器的神经网络库

项目地址：https://www.oschina.net/p/synapticjs

推荐理由：Synaptic.js 是一个用于 node.js 和浏览器的 JavaScript 神经网络库，可以构建和训练基本上任何类型的一阶甚至二阶神经网络。

该项目内置了 4 种经典的神经网络算法：多层感知器（multilayer perceptrons）、长短期记忆网络（multilayer long-short term memory networks）、液体状态机（Liquid State Machine）、Hopfield神经网络。使用 Synaptic.js ，你可以轻松测试和比较不同体系结构的性能。

Snake-AI：贪吃蛇游戏的人工智能

项目地址：https://www.oschina.net/p/snake-ai

推荐理由：一个用 C/C++ 语言编写的贪吃蛇游戏的人工智能。使用了最短路径、最长路径、人工智能算法。

AI 的目的是让蛇尽可能的吃更多的食物，直到吃满整个地图。

Demo：

Uncaptcha

项目地址：https://www.oschina.net/p/uncaptcha

推荐理由：破解 reCAPTCHA 系统的 AI 算法。unCAPTCHA 算法以 85% 的成功率击败了 Google reCAPTCHA 系统。它依靠音频验证码攻击 - 使用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程方式传递这些数字，最终成功欺骗目标网站。

Sockeye：神经机器翻译框架

项目地址：https://www.oschina.net/p/sockeye

推荐理由：Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。

Sockeye 代码库具有来自 MXNet 的独特优势。例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块 GPU 上并行训练模型。

Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI），也可以轻易改变基础模型架构。

PHP-ML：PHP 机器学习库

项目地址：https://www.oschina.net/p/php-ml

推荐理由：我们都知道 Python 或者是 C++ 提供了更多机器学习的库，但他们大多都比较复杂，配置起来让很多新手感到头疼。

PHP-ML 这个机器学习库虽然没有特别高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些简单的数据分析、预测等等足以够用。

PHP-ML 是使用 PHP 编写的机器学习库。同时包含算法，交叉验证，神经网络，预处理，特征提取等。

CycleGAN：生成对抗网络图像处理工具

项目地址：https://www.oschina.net/p/cyclegan

推荐理由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个 “反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。

与其它人工智能绘画不同，CycleGAN 的研究团队试图建立一个可双向转化不丢失信息的双向算法。

在 CycleGAN 里照片的细节被要求完全保留，研究人员希望能够将一张图片输入 CycleGAN 后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。

DeepLearn.js：加速硬件的机器学习JS库

项目地址：https://www.oschina.net/p/deeplearn-js

DeepLearn.js 是谷歌推出的一个可用于机器智能并加速 WebGL 的开源 JavaScript 库，完全在浏览器中运行，不需要安装，不需要后端处理。

DeepLearn.js 提供高效的机器学习构建模块，使我们能够在浏览器中训练神经网络或在推断模式中运行预训练模型。它提供构建可微数据流图的 API，以及一系列可直接使用的数学函数。

虽然浏览器上的机器学习库已经存在多年（例如 Andrej Karpathy 的 convnetjs），但是它们受到 JavaScript 速度的限制，或者局限于推理而不能用于训练（例如 TensorFire）。

相比之下，deeplearn.js 通过利用 WebGL 在GPU上执行计算，以及进行完全反向传播（full backpropagation）的能力，实现了显着的加速。

TensorFire：浏览器端神经网络框架

项目地址：https://www.oschina.net/p/tensorfire

推荐理由：TensorFire 是基于 WebGL 的，运行在浏览器中的神经网络框架。使用 TensorFire 编写的应用能够在实现前沿深度学习算法的同时，不需要任何的安装或者配置就直接运行在现代浏览器中。

与之前某些浏览器内的神经网络框架相比，TensorFire 有着近百倍的速度提升，甚至于能够与那些运行在本地 CPU 上的代码性能相媲美。

开发者也可以使用 TensorFire 提供的底层接口来进行其他的高性能计算，譬如 PageRank、元胞自动机仿真、图片转化与过滤等等。

1、PyTorch

PyTorch 具备领先的开源人工智能项目的所有元素。它侧重于机器学习，可以说是新兴技术发展阶段人工智能最受欢迎的应用。更重要的是，开发者和AI工程师可以在顶级云计算平台上搭建 PyTorchAWS 上的 PyTorch 和 Azure 上的 PyTorch 都是可行的，Google Cloud 和阿里巴巴也是可行的。PyTorch 提供了神经网络，这是人工智能发展的一个基本要素。

2、Open Neural Network Exchange

由微软和脸书开发的 Open Neural Network Exchange（开放式神经网络交换）提供了一些非常强大的工具，尤其是将完全开发的神经网络模型(在系统中花费了大量时间进行训练)回收到各种其他系统中的能力。本质上，开放神经网络交换通过支持这种移植极大地扩展了现有模型的有用性。预计 ONNX 在未来几年将变得越来越受欢迎。

3、IBM AI Fairness 360

人工智能算法中的偏差问题越来越受到关注，AI Fairness 360是解决这一问题的开源解决方案。该工具提供了算法，使开发人员能够扫描最大似然模型，以找到任何潜在的偏见，这是打击偏见的一个重要部分，当然也是一项复杂的任务。重要的是，人工智能公平性允许人工智能工程师在整个开发生命周期中探索算法。该工具可以设置为自动工作。该工具的基础是一个检查相关性的架构；这种相关性是否创造了一种暗示有害刻板印象的预测？

4、Keras

Keras 在人工智能开源项目的世界中是罕见的：它把自己宣传为“一个为人类而设计的应用编程接口，而不是机器。”作为一个 Python 深度学习 API，Keras 可以与像 Antao 和微软 Cognitive Toolkit 这样的高知名度人工智能项目进行互操作。开发人员和人工智能工程师将其用作一个 ML 库，以相对容易的方式构建原型。同时也有助于其易于部署，Keras 可以在混合处理器硬件上运行。

5、Accord.NET

顾名思义，Accord.NET 使用. NET 框架。这是一个 . NET ML 学习框架，提供用 C# 编码的图像和音频库。它具有前瞻性，因为它为开发商业级应用程序提供了一个平台，包括面向信号处理的应用程序、视听工具集和统计应用程序。如果你刚刚起步，Accord.NET 还包括模板应用程序，这样你就可以更快地开始构建。

6、GPT-2

当然，开源人工智能技术正在产生轰动效应，创成式预训练变压器2 (GPT-2)于 2019 年由 OpenAI 发布。GPT 利用深度神经网络，它使用多层软件来处理任意数量的输入。众所周知，GPT 2 号处理文本，从翻译到创造文本，在最好的情况下，可以与人类书写的文本非常相似。此外，它是一个非常强大的学习工具，可以非常准确地合成和适应数据。

7、Cheatsheets AI

如果你是一个可以在开放源码的语言/人工智能项目中伸出援手的语言/人工智能开发者，这个项目是非常有用的。与其说是一个项目，不如说是一个学习工具，它可以帮助你跟上人工智能/人工智能项目的速度，从 Keras 到 Scripy 到 PySpark 到 Dask。它所提供的指导是深入的，而且必然是复杂的。虽然 Cheatsheets AI 是为“人工智能新手”设计的，但事实上你需要一些预先培训才能使用这一资源。

8、TensorFlow

还有不知道 TensorFlow 的开发者吗？这几乎是一个家喻户晓的名字。由 Google Brain 团队开发，供 Google 内部使用，现在是最著名的开源机器学习平台之一。Google 还向研究人员免费提供了基于云的 TensorFlow 版本。

9、Caffe

最初是由加州大学伯克利分校的精英们创造的 Caffe 已经成为一个非常受欢迎的深度学习框架。它的名气包括表达架构、可扩展代码和速度。

10、H2O

凭借庞大的用户群，H2O 自称是“世界领先的开源深度学习平台”除了开源版本，该公司还提供付费支持的高级版本。

11、Microsoft Cognitive Toolkit

显然，微软已经进入开源世界了。微软 Cognitive Toolkit 原名 CNTK，承诺训练深度学习算法像人脑一样思考。它拥有速度、可扩展性、商业级质量以及与 C++ 和 Python 的兼容性。微软用它来支持 Skype、Cortana 和必应的人工智能功能。

12、DeepMind Labs

AI 和 ML 里另一个很响亮的名字。DeepMind 实验室旨在用于人工智能研究，是一个3D游戏环境。它是由 Google 的 DeepMind 小组创建的，据说特别适合深度强化学习研究。

13、ACT-R

ACT-R 由卡内基梅隆大学开发，是人类认知理论和基于该理论的软件的统称。该软件基于 Lisp，并且有大量的文档。操作系统：Windows，Linux，macOS。

14、StarCraft II API Library

你不会以为 AI 都是用于办公吧？Google 的 DeepMind 和暴雪娱乐公司正在合作一个项目，使星际争霸2视频游戏成为人工智能研究平台成为可能。这是一个用于构建脚本机器人的跨平台 C++ 库。

15、Numenta

Numenta 组织提供了许多与分层时间内存相关的开源项目。本质上，这些项目试图基于当前对人类新皮层的生物学理解来创造机器智能。

16、Open Cog

诚然，这是一个很大的野心：Open Cog 的目标不是专注于人工智能的一个狭窄方面，如深度学习或神经网络，而是创造有益的人工通用智能(AGI)。该项目致力于创造具有类人智能的系统和机器人。

17、Stanford CoreNLP

这种基于 Java 的自然语言处理软件可以识别单词的基本形式、它们的词性以及它们是公司名称还是人名，还可以对日期和时间进行规范化。它根据短语和句法依存关系标记句子的结构，指示哪些名词短语指的是相同的实体，识别情感，提取实体提及之间的特定或开放类关系，并获得引用。它是为英语设计的，但也支持多种语言。

18、Prophet

由脸书开发和使用——是的，他们有深厚的资源——先知预测时间序列数据。它是用 R 或 Python 实现的，并且是全自动的、精确的、快速的和可调的。

19、SystemML

SystemML 最初是一个 IBM 研究项目，现在是一个顶级 Apache 项目。它将自己描述为“使用大数据进行机器学习的最佳工作场所”，并与 Spark 集成。

20、Theano

深度学习可以认为是 AI 的最远的边缘。面向深度学习的 Anano 将自己描述为“一个 Python 库，允许高效地定义、优化和评估涉及多维数组的数学表达式。”关键特性包括 GPU 支持、与 NumPy 的集成、高效的符号区分、动态 C 代码生成等等。

21、MALLET

MALLET 是“机器学习语言工具包”的缩写，包括基于 Java 的统计自然语言处理、文档分类、聚类、主题建模、信息提取等工具。它于 2002 年由马萨诸塞州阿姆赫斯特大学和宾夕法尼亚大学的教师和研究生首次创建。

22、DeepDetect

作为开源人工智能领域交叉合作的一个例子，DeepDetect 已经被空客和微软等组织所使用。DeepDetect 是基于 Caffe、TensorFlow 和 XGBoost 的开源深度学习服务器。它为图像分类、对象检测以及文本和数字数据分析提供了一个易于使用的应用编程接口。

1. 预测房价

房价是经济健康与否的重要决定因素，而房价的范围是买卖双方都关心的问题。房价由涵盖住宅房屋几个方面的若干指标来确定。

历史定价数据通常用于获取平均价格。除了不同房屋的价格外，你还可以使用其他数据集，包括城市的犯罪率，非零售企业的位置和市民的年龄。对于初学者来说，这是一个测试他们技能的完美项目。

以下是使用线性回归来预测房价的教程，当然也包括Python源代码：

https://www.youtube.com/watch?v=Mcs2x5-7bc0list=PLvk-72jrjBFFsb0dKG0l2SEwK95p4vM89index=3

2. 股票价格预测

人工已经帮助股市投资者一段时间了。金融机构和投资经理最近试图将机器学习和人工智能纳入业务，以便为他们提供竞争优势。基于人工智能的交易平台在趋势建模方面很受欢迎，它们试图利用大数据寻找被低估的股票。

这就是为什么它很适合成为初学者的第一个人工智能项目。你会喜欢股票市场，因为它充满了信息。你可以获得各种类型的数据集，并立即开始处理项目。

对于局外人来说，股市的变化就像波涛汹涌的大海。预测股票市场的价格和活动是一项非常复杂且要求很高的工作。这包括解释经济走势，评估特定行业的模式以及在金融市场内部调整股价。这就是人工智能可以派上用场的地方。

算法交易在全球金融市场中占有很大份额，正在进行的交易中有超过60%是基于算法。养老基金，共同基金，对冲基金，保险公司，散户投资者和主要机构交易公司使用算法在股票市场进行交易。因此，计划在金融部门工作的学生，简历上绝对应该有自己的小“阿拉丁”（“ 阿拉丁”是贝莱德用于管理投资决策风险的AI）。股市反馈期也很短，有助于支持你的预测。

学习前请查看本教程，其中包含Python和神经网络来预测苹果公司的股价：

https://medium.com/@randerson112358/stock-price-prediction-using-python-machine-learning-e82a039ac2bb

3. 聊天机器人

聊天机器人是一种人工智能驱动的软件（Alexa，Google Assistant等）、应用程序、网站或其他网络，旨在评估客户的需求，然后帮助他们执行特定任务，例如交易，酒店预订，提交表格等。当前，聊天机器人通常用于每个公司都需要聊天机器人以减少某些客户联系流程的行业。公司使用聊天机器人的一些方式是：

• 客户支持

• 传递信息

这就是为什么设置聊天机器人是基于AI的最佳项目之一。你可以从热门网站上的聊天机器人中汲取灵感，首先构建一个客户服务聊天机器人。开发了基本的聊天机器人后，你可以对其进行升级并构建更高级的版本。

这是一个很好的视频，介绍了我们喜爱的著名Siraj Raval，他在其中使用Tensorflow和递归神经网络创建了聊天机器人：

https://www.youtube.com/watch?v=PXJtFc8DjsE

4. 垃圾邮件标识符

我们每天都会收到数百封电子邮件，其中大多数是垃圾邮件（spam）。顺便说一句，这个短语来自1970年巨蟒剧团的《飞翔马戏团》短剧，该短剧里餐厅的所有菜单项都是SPAM。检测垃圾邮件是自然语言处理（NLP）的常见主题，因此请尝试创建一个人工智能以根据电子邮件内容识别垃圾邮件或非垃圾邮件。

请查看此视频教程，你可以在其中使用Python源创建自己的垃圾邮件检测器：

https://www.youtube.com/watch?v=cNLPt02RwF0

5. 手写数字识别

人类手写的数字在大小和形状上有很大的不同。创建一种可以识别人类手写数字的算法，是开始你人工智能之旅的好方法。它对初学者都非常友好，有些人挑战自己在5分钟内做到这一点！

观看此视频 ，获取一些源代码以及有关Python代码实际功能的详细说明：

https://www.youtube.com/watch?v=Zi4i7Q0zrBs

6. 谷歌Dino机器人

Dino是一款流行的谷歌浏览器游戏，可以在未连接互联网的情况下玩。你应该实施强化学习，由于游戏简单，将很容易理解它的工作原理。你可以构建AI，它通过犯错误来学习。

CodeBullet就是这么做的，你可以在下面链接查看视频，并在GitHub找到Python源代码：

https://www.youtube.com/watch?v=sB_IGstiWlc

https://github.com/Code-Bullet/Google-Chrome-Dino-Game-AI

7. 下一个单词预测器

当您键入一条消息时，手机会自动预测下一个你想用的单词，你甚至每天在不知情的情况下使用它。但是你的手机软件如何知道你接下来要输入什么呢？自然语言处理（NLP）！你可以创建一个人工智能模型来预测最有可能出现的下一个单词。它是NLP的主要任务之一，具有很多应用。

这是一篇非常不错的文章，其中还包括Python代码并逐步进行了解释：

https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Ftowardsdatascience.com%2Fexploring-the-next-word-predictor-5e22aeb85d8f

8. Twitter情绪分析器

情感分析（也称为情感挖掘或情感AI）是用于确定一篇写作是正面，负面还是中立的方法。使用该技术的典型场景是发现公众对特定主题的感受。由于诸如Twitter之类的媒体平台是大数据的公开海洋，挖掘此类数据有助于以多种方式理解用户的想法和观点。能够计算出围绕着一些问题的这种感觉将提供一个很好的想法，即它将会发生什么。这可以用于多种目的，例如预测股票价格。

我个人真的很喜欢本教程，该教程中对代码的解释比任何一本书都更好：

https://www.youtube.com/watch?v=ujId4ipkBio

9. 使用医学数据进行癌症检测

人工智能在识别大数据的趋势，区分大数据间的特征和发现人类大脑无法识别的数据特征方面蓬勃发展。深度神经病理扫描中转移性癌症的自动检测是一个很有潜力的临床应用领域。

将人工智能与癌症治疗结合可以提高诊断的质量和准确性，有助于临床决策并改善患者的预后。人工智能临床护理，尤其是在低收入环境中，可能会加剧健康不平等。

你可以在本文中找到Python源代码和很好的解释，当然还包括视频：

https://medium.com/@randerson112358/breast-cancer-detection-using-machine-learning-38820fe98982

10. 面部情绪识别与检测

进入21世纪，人脸检测技术已成为必然。用于检测和解释情绪的深度学习系统旨在识别和解释人的面部表情。它们能检测出人类的核心情感，例如悲伤，快乐，愤怒，中立，厌恶，恐惧和惊讶。面部情绪检测和识别系统的主要特点是它可以评估情绪，区分好坏，并对它们进行正确分类。它还可以使用标记的情绪信息来识别一个人的思维行为模式。

它是当前最受欢迎的人工智能项目之一。尽管面部表情识别一直是研究的主题，但直到现在，我们才看到这项研究的具体结果。

相关报道：

https://piprogramming.org/articles/10-Interesting-and-Impressive-AI-projects-for-absolute-Beginners-(with-Python-Source-Code)-0000000007.html

Keras学习手册

接下来为大家推荐几个笔者认为不错的Keras学习手册：

Keras官方手册。非常详细的官方文档，文档中详细的介绍了从Keras每个知识点的用法，一步步带你从入门到精通。

Keras中文官方手册。该中文官方手册是对对Keras英文官方手册最好的还原，适合所有阶段的Keras学习者阅读。

Keras中文文档。另一个非官方的Keras中文文档，笔者花了近两年的时间在维护，文档也一直在更新，包含ConvLSTM2D、SimpleRNNCellKeras、GRUCell等最新的内容，非常用心的一份Keras文档。

安装Keras库进行深度学习。国外一篇比较火的博客，旨在演示如何安装Keras库进行深度学习。

黄海广博士力荐的Keras github项目。这个github的repository主要是博主在学习Keras的一些记录及练习，满满都是干货，建议大家看一下。

磐创AI Keras系列教程总结。从CNN到RNN，以入门、基础为主的讲解，适合小白学习。

三、Keras学习视频

Waterloo大学关于Keras的课程，该视频在YouTube上有很高的播放率，课程质量非常高。

CERN使用Keras进行深度学习系列教程，比较详细、权威的一个Keras系列教程视频。

莫烦Keras视频教程，莫烦老师的视频在B站、YouTube上都有很高的播放量，强烈推荐给大家。

再为大家推荐YouTube上另一个大佬Sentdex的Keras教学视频，还配套有相应的文本教程和笔记。

四、Keras&NLP代码案例

用LSTM在IMDB影评数据集做文本分类

路透社主题分类

LSTM做文本生成

在IMDB数据集上使用FastText

基于LSTM的BABI数据集网络

预训练词向量

字符级卷积神经网络做文本分类

LSTM预测一个人的性别

五、Keras&CV代码案例

使用CNN进行MNIST

Inception V3

VGG16

FractalNet

可视问答

VGG-CAM

ResNet 50

对象分割

fcn、segnet、u-net等常用的图像分割模型

六、Keras项目

RocAlphaGo，这个项目是DeepMind 2016年《自然》杂志的一个学生主导的实施项目，使用了Python)keras实现，代码清晰性更好。

BetaGo，项目是使用keras的深度学习Go机器人。

DeepJazz，使用Keras深度学习驱动的爵士乐生成系统；

dataset-sts，语义文本相似度数据集集线器。

NMT-Keras，利用球面进行神经机器翻译；

Headline generator，利用循环神经网络独立生成新闻标题的实现

与游戏

https://blog.csdn.net/qq_38082146/article/details/115120782

训练AI 玩王者荣耀，这算不算开挂？！（附源码）

训练 AI 玩王者荣耀项目源码

https://github.com/FengQuanLi/ResnetGPT