机器学习资源大全中文版

青旅半醒 2022-06-02 09:55 303阅读 0赞

# 机器学习资源大全中文版 #

我想很多程序员应该记得 GitHub 上有一个 Awesome - XXX 系列的资源整理。[awesome-machine-learning][] 就是 josephmisiti 发起维护的机器学习资源列表，内容包括了机器学习领域的框架、库以及软件（按编程语言排序）。

Awesome 系列虽然挺全，但基本只对收录的资源做了极为简要的介绍，如果有更详细的中文介绍，对相应开发者的帮助会更大。这也是我们发起这个开源项目的初衷。

--------------------

### 我们要做什么？ ###

*  基于 awesome-machine-learning 资源列表，我们将对各个资源项进行编译整理。
 *  整理后的内容，将收录在[伯乐在线资源频道][Link 1]。可参考已整理的内容：
    
     *  《[Apache OpenNLP：处理类似分词等常见任务的工具][Apache OpenNLP]》
     *  《[Mallet：NLP工具，支持文档分类、聚类、主题建模][Mallet_NLP]》

--------------------

### 如何参与本项目？ ###

从下面的目录来看，本项目的工作量小不了，所以非常期待能有更多程序员一起来参与。

不过加入前，有几个小要求：

*  英文还不错，能读懂英文并用自己的话复述；
 *  有 机器学习 相关的开发经验；

如有兴趣，请加 QQ：50872495。加 Q 时请注明「机器学习大全」

--------------------

### 本项目的参与者 ###

*  维护者：[tangyouhua][]
 *  贡献者：[toolate][]、[冰斌][Link 2]、[云中游][Link 3]、[Daetalus][]、[赵叶宇][Link 4]、You

注：名单不分排名，不定期补充更新

--------------------

### 奖励计划 ###

虽然奖励可能并不是你加入的主要原因，但还是有必要提一下：

*  整理超过 20 个资源后，可在伯乐在线上开通打赏；
 *  每整理 20 个资源，有机会获得技术书籍或各种有意思的创意、极客产品；
 *  [奖励详情][Link 5]

--------------------

## C++ ##

#### 计算机视觉 ####

*  [CCV][]：基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库。[官网][Link 6]
 *  [OpenCV][]：它提供C++、C、Python、Java 以及 MATLAB接口。并支持Windows、Linux、Android 和 Mac OS操作系统。[官网][Link 7]

#### 通用机器学习 ####

*  MLPack：[官网][Link 8]。
 *  DLib：[官网][Link 9]。
 *  ecogg：[官网][Link 10]。
 *  shark：[官网][Link 11]。

## Clojure ##

#### 通用机器学习 ####

*  Clojure Toolbox：Clojure语言库与工具的分类目录。[官网][Link 12]

## Go ##

#### 自然语言处理 ####

*  go-porterstemmer：一个Porter词干提取算法的原生Go语言净室实现。[官网][Link 13]
 *  paicehusk：Paice/Husk词干提取算法的Go语言实现。[官网][Link 14]
 *  snowball：Go语言版的Snowball词干提取器。[官网][Link 15]

#### 通用机器学习 ####

*  Go Learn：Go语言机器学习库。[官网][Link 16]
 *  go-pr：Go语言机器学习包。[官网][Link 17]
 *  bayesian：Go语言朴素贝叶斯分类库。[官网][Link 18]
 *  go-galib：Go语言遗传算法库。[官网][Link 19]

#### 数据分析/数据可视化 ####

*  go-graph：Go语言图形库。[官网][Link 20]
 *  SVGo：Go语言的SVG生成库。[官网][Link 21]

## Java ##

#### 自然语言处理 ####

*  CoreNLP：斯坦福大学的CoreNLP提供一系列的自然语言处理工具，输入原始英语文本，可以给出单词的基本形式（下面Stanford开头的几个工具都包含其中)。[官网][Link 22]
 *  Stanford Parser：一个自然语言解析器。[官网][Link 23]
 *  Stanford POS Tagger：一个词性分类器。[官网][Link 24]
 *  Stanford Name Entity Recognizer：Java实现的名称识别器。[官网][Link 25]
 *  Stanford Word Segmenter：分词器，很多NLP工作中都要用到的标准预处理步骤。[官网][Link 26]。
 *  Tregex、Tsurgeon与Semgrex：用来在树状数据结构中进行模式匹配，基于树关系以及节点匹配的正则表达式（名字是“tree regular expressions"的缩写）[官网][Link 27]
 *  Stanford Phrasal：最新的基于统计短语的机器翻译系统，java编写。[官网][Link 28]
 *  Stanford Tokens Regex：用以定义文本模式的框架。[官网][Link 29]
 *  Stanford Temporal Tagger：SUTime是一个识别并标准化时间表达式的库。[官网][Link 30]
 *  Stanford SPIED：在种子集上使用模式，以迭代方式从无标签文本中学习字符实体。[官网][Link 31]。
 *  Stanford Topic Modeling Toolbox：为社会科学家及其他希望分析数据集的人员提供的主题建模工具。[官网][Link 32]
 *  Twitter Text Java：Java实现的推特文本处理库。[官网][Link 33]
 *  MALLET：基于Java的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习文本应用包。[官网][Link 34]
 *  OpenNLP：处理自然语言文本的机器学习工具包。[官网][Apache OpenNLP]
 *  LingPipe：使用计算机语言学处理文本的工具包。[官网][Link 35]

#### 通用机器学习 ####

*  MLlib in Apache Spark：Spark中的分布式机器学习程序库。[官网][Link 36]
 *  Mahout：分布式的机器学习库。[官网][Link 37]
 *  Stanford Classifier：斯坦福大学的分类器。[官网][Link 38]
 *  Weka：Weka是数据挖掘方面的机器学习算法集。[官网][Link 39]
 *  ORYX：提供一个简单的大规模实时机器学习/预测分析基础架构。[官网][Link 40]

#### 数据分析/数据可视化 ####

*  Hadoop：大数据分析平台。[官网][Link 41]
 *  Spark：快速通用的大规模数据处理引擎。[官网][Link 42]
 *  Impala：为Hadoop实现实时查询。[官网][Link 43]

## Javascript ##

#### 自然语言处理 ####

*  Twitter-text-js：JavaScript实现的推特文本处理库。[官网][Link 44]
 *  NLP.js：javascript及coffeescript编写的NLP工具。[官网][Link 45]
 *  natural：Node下的通用NLP工具。[官网][Link 46]
 *  Knwl.js：JS编写的自然语言处理器。[官网][Link 47]

#### 数据分析/数据可视化 ####

*  D3.js：[官网][Link 48]。
 *  High Charts：[官网][Link 49]。
 *  NVD3.js：[官网][Link 50]。
 *  dc.js：[官网][Link 51]。
 *  chartjs：[官网][Link 52]。
 *  dimple：[官网][Link 53]。
 *  amCharts：[官网][Link 54]。

#### 通用机器学习 ####

*  Convnet.js：训练深度学习模型的JavaScript库。[官网][Link 55]
 *  Clustering.js：用JavaScript实现的聚类算法，供Node.js及浏览器使用。[官网][Link 56]
 *  Decision Trees：Node.js实现的决策树，使用ID3算法。[官网][Link 57]
 *  Node-fann：Node.js下的快速人工神经网络库。[官网][Link 58]
 *  Kmeans.js：k-means算法的简单Javascript实现，供Node.js及浏览器使用。[官网][Link 59]
 *  LDA.js：供Node.js用的LDA主题建模工具。[官网][Link 60]
 *  Learning.js：逻辑回归/c4.5决策树的JavaScript实现。[官网][Link 61]
 *  Machine Learning：Node.js的机器学习库。[官网][Link 62]
 *  Node-SVM：Node.js的支持向量机。[官网][Link 63]
 *  Brain：JavaScript实现的神经网络。[官网][Link 64]
 *  Bayesian-Bandit：贝叶斯强盗算法的实现，供Node.js及浏览器使用。[官网][Link 65]

## Julia ##

#### 通用机器学习 ####

*  PGM：Julia实现的概率图模型框架。[官网][Link 66]
 *  DA：Julia实现的正则化判别分析包。[官网][Link 67]
 *  Regression：回归分析算法包（如线性回归和逻辑回归）。[官网][Link 68]
 *  Local Regression：局部回归，非常平滑！。[官网][Link 69]
 *  Naive Bayes：朴素贝叶斯的简单Julia实现。[官网][Link 70]
 *  Mixed Models：（统计）混合效应模型的Julia包。[官网][Link 71]
 *  Simple MCMC：Julia实现的基本mcmc采样器。[官网][Link 72]。
 *  Distance：Julia实现的距离评估模块。[官网][Link 73]
 *  Decision Tree：决策树分类器及回归分析器。[官网][Link 74]
 *  Neural：Julia实现的神经网络。[官网][Link 75]
 *  MCMC：Julia下的MCMC工具。[官网][Link 76]
 *  GLM：Julia写的广义线性模型包。[官网][Link 77]
 *  Online Learning：[官网][Link 78]
 *  GLMNet：GMLNet的Julia包装版，适合套索/弹性网模型。[官网][Link 79]
 *  Clustering：k-means, dp-means等数据聚类的基本函数。[官网][Link 80]
 *  SVM：Julia下的支持向量机。[官网][Link 81]
 *  Kernal Density：Julia下的核密度估计器。[官网][Link 82]
 *  Dimensionality Reduction：降维算法。[官网][Link 83]
 *  NMF：Julia下的非负矩阵分解包。[官网][Link 84]
 *  ANN：Julia实现的神经网络。[官网][Link 85]

#### 自然语言处理 ####

*  Topic Models：Julia下的主题建模。[官网][Link 86]
 *  Text Analysis：Julia下的文本分析包。[官网][Link 87]

#### 数据分析/数据可视化 ####

*  Graph Layout：纯Julia实现的图布局算法。[官网][Link 88]
 *  Data Frames Meta：DataFrames的元编程工具。[官网][Link 89]
 *  Julia Data：处理表格数据的Julia库。[官网][Link 90]
 *  Data Read：从Stata、SAS、SPSS读取文件。[官网][Link 91]
 *  Hypothesis Tests：Julia中的假设检验包。[官网][Link 92]
 *  Gladfly：Julia编写的灵巧的统计绘图系统。[官网][Link 93]
 *  Stats：Julia编写的统计测试函数包。[官网][Link 94]
 *  RDataSets：读取R语言中众多可用的数据集的Julia函数包。[官网][Link 95]
 *  DataFrames：处理表格数据的Julia库。[官网][Link 96]
 *  Distributions：概率分布及相关函数的Julia包。[官网][Link 97]
 *  Data Arrays：元素值可以为空的数据结构。[官网][Link 98]
 *  Time Series：Julia的时间序列数据工具包。[官网][Link 99]
 *  Sampling：Julia的基本采样算法包。[官网][Link 100]

#### 杂项/演示文稿 ####

*  DSP：数字信号处理。[官网][Link 101]
 *  JuliaCon Presentations：Julia大会上的演示文稿。[官网][Link 102]
 *  SignalProcessing：Julia的信号处理工具。[官网][Link 103]
 *  Images：Julia的图片库。[官网][Link 104]

##  ##

## Lua ##

#### 通用机器学习 ####

*  [Torch7][]。
    
     *  cephes：—Cephes数学函数库，包装成Torch可用形式提供并包装了超过180个特殊的数学函数，由Stephen L. Moshier开发，是SciPy的核心，应用于很多场合。[官网][Link 105]
     *  graph：供Torch使用的图形包。[官网][Link 106]
     *  randomkit：从Numpy提取的随机数生成包，包装成Torch可用形式。[官网][Link 107]
     *  signal：Torch-7可用的信号处理工具包，可进行FFT, DCT, Hilbert, cepstrums, stft等变换。[官网][Link 108]
     *  nn：Torch可用的神经网络包。[官网][Link 109]
     *  nngraph：为nn库提供图形计算能力。[官网][Link 110]
     *  nnx：一个不稳定实验性的包，扩展Torch内置的nn库。[官网][Link 111]
     *  optim：Torch可用的优化算法库，包括 SGD, Adagrad, 共轭梯度算法, LBFGS, RProp等算法。[官网][Link 112]
     *  unsup：Torch下的非监督学习包提供的模块与nn（LinearPsd、ConvPsd、AutoEncoder、...）及独立算法（k-means、PCA）等兼容。[官网][Link 113]
     *  manifold：操作流形的包。[官网][Link 114]
     *  svm：Torch的支持向量机库。[官网][Link 115]
     *  lbfgs：将liblbfgs包装为FFI接口。[官网][Link 116]
     *  vowpalwabbit：老版的vowpalwabbit对torch的接口。[官网][Link 117]
     *  OpenGM：OpenGM是C++编写的图形建模及推断库，该binding可以用Lua以简单的方式描述图形，然后用OpenGM优化。[官网][Link 118]。
     *  sphagetti：MichaelMathieu为torch7编写的稀疏线性模块。[官网][Link 119]
     *  LuaSHKit：将局部敏感哈希库SHKit包装成lua可用形式。[官网][Link 120]
     *  kernel smoothing：KNN、核权平均以及局部线性回归平滑器。[官网][Link 121]
     *  cutorch：torch的CUDA后端实现。[官网][Link 122]
     *  cunn：torch的CUDA神经网络实现。[官网][Link 123]
     *  imgraph：torch的图像/图形库，提供从图像创建图形、分割、建立树、又转化回图像的例程。[官网][Link 124]
     *  videograph：torch的视频/图形库，提供从视频创建图形、分割、建立树、又转化回视频的例程。[官网][Link 125]
     *  saliency：积分图像的代码和工具，用来从快速积分直方图中寻找兴趣点。[官网][Link 126]
     *  stitch：使用hugin拼合图像并将其生成视频序列。[官网][Link 127]
     *  sfm：运动场景束调整/结构包。[官网][Link 128]
     *  fex：torch的特征提取包，提供SIFT和dSIFT模块。[官网][Link 129]
     *  OverFeat：当前最高水准的通用密度特征提取器。[官网][Link 130]
 *  Numeric Lua：[官网][Link 131]。
 *  Lunatic Python：[官网][Link 132]。
 *  SciLua：[官网][Link 133]。
 *  Lua - Numerical Algorithms：[官网][Link 134]。
 *  Lunum：[官网][Link 135]。

#### 演示及脚本 ####

*  Core torch7 demos repository：核心torch7演示程序库。[官网][Link 136]
    
     *  线性回归、逻辑回归
     *  人脸检测（训练和检测是独立的演示）
     *  基于mst的断词器
     *  train-a-digit-classifier
     *  train-autoencoder
     *  optical flow demo
     *  train-on-housenumbers
     *  train-on-cifar
     *  tracking with deep nets
     *  kinect demo
     *  滤波可视化
     *  saliency-networks
 *  Training a Convnet for the Galaxy-Zoo Kaggle challenge(CUDA demo)：[官网][Link 137]
 *  Music Tagging：torch7下的音乐标签脚本。[官网][Link 138]
 *  torch-datasets：[官网][Link 139] 读取几个流行的数据集的脚本，包括
    
     *  BSR 500
     *  CIFAR-10
     *  COIL
     *  Street View House Numbers
     *  MNIST
     *  NORB
 *  Atari2600：在Arcade Learning Environment模拟器中用静态帧生成数据集的脚本。[官网][Link 140]

## Matlab ##

#### 计算机视觉 ####

*  Contourlets：实现轮廓波变换及其使用函数的MATLAB源代码。[官网][Link 141] 。
 *  Shearlets：剪切波变换的MATLAB源码。[官网][Link 142]
 *  Curvelets：Curvelet变换的MATLAB源码（Curvelet变换是对小波变换向更高维的推广，用来在不同尺度角度表示图像）。[官网][Link 143]
 *  Bandlets：Bandlets变换的MATLAB源码。[官网][Link 144]

#### 自然语言处理 ####

*  NLP：一个Matlab的NLP库。[官网][Link 145]

#### 通用机器学习 ####

*  Training a deep autoencoder or a classifier on MNIST digits：在MNIST字符数据集上训练一个深度的autoencoder或分类器。[官网][Link 146]
 *  t-Distributed Stochastic Neighbor Embedding：获奖的降维技术，特别适合于高维数据集的可视化。[官网][Link 147]
 *  Spider：Matlab机器学习的完整面向对象环境。[官网][Link 148]
 *  LibSVM：支持向量机程序库。[官网][Link 149]
 *  LibLinear：大型线性分类程序库。[官网][Link 150]
 *  Machine Learning Module：M. A .Girolami教授的机器学习课程，包括PDF、讲义及代码。[官网][Link 151]
 *  Caffe：考虑了代码清洁、可读性及速度的深度学习框架。[官网][Link 152]
 *  Pattern Recognition Toolbox：Matlab中的模式识别工具包、完全面向对象。[官网][Link 153]

#### 数据分析/数据可视化 ####

*  matlab\_gbl：处理图像的Matlab包。[官网][Link 154]
 *  gamic：图像算法纯Matlab高效实现，对MatlabBGL的mex函数是个补充。[官网][Link 155]

##  ##

## .NET ##

#### 计算机视觉 ####

*  OpenCVDotNet：包装器，使.NET程序能使用OpenCV代码。[官网][Link 156]
 *  Emgu CV：跨平台的包装器，能在Windows、Linus、Mac OS X、iOS和Android上编译。[官网][Link 157]

#### 自然语言处理 ####

*  Stanford.NLP for .NET：斯坦福大学NLP包在.NET上的完全移植，还可作为NuGet包进行预编译。[官网][Link 158] 。

#### 通用机器学习 ####

*  Accord.MachineLearning：随机抽样一致性算法、交叉验证、网格搜索这个包是Accord.NET框架的一部分支持向量机、决策树、朴素贝叶斯模。型、K-means、高斯混合模型和机器学习应用的通用算法。[官网][Link 159]：
 *  Vulpes：F\#语言实现的Deep belief和深度学习包，它在Alea.cuBase下利用CUDA GPU来执行。[官网][Link 160]
 *  Encog：先进的神经网络和机器学习框架，包括用来创建多种网络的类，也支。持神经网络需要的数据规则化及处理的类它的训练采用多线程弹性传播。它也能使用GPU加快处理时间提供了图形化界面来帮助建模和训练神经网络。[官网][Link 161]
 *  Neural Network Designer：这是一个数据库管理系统和神经网络设计器设计器用WPF开发，也是一个UI，你可以设计你的神经网络、查询网络、创建并配置聊天机器人，它能问问题，并从你的反馈中学习这些机器人甚至可以从网络搜集信息用来输出，或是用来学习。[官网][Link 162]

#### 数据分析/数据可视化 ####

*  numl：numl这个机器学习库，目标就是简化预测和聚类的标准建模技术。[官网][Link 163]
 *  Math.NET Numerics：Math.NET项目的数值计算基础，着眼提供科学、工程以及日常数值计算的方法和算法支持 Windows、Linux 和 。Mac上的 .Net 4.0、.Net 3.5 和 Mono ，Silverlight 5、WindowsPhone/SL 8、WindowsPhone 8.1 以及装有 PCL Portable Profiles 47 及 344的Windows 8， 装有 Xamarin的Android/iOS。[官网][Link 164]
 *  Sho：Sho是数据分析和科学计算的交互式环境，可以让你将脚本（IronPython语言）和编译的代码（.NET）无缝连接，以快速灵活的建立原型。[官网][Link 165]这个环境包括强大高效的库，如线性代数、数据可视化，可供任何.NET语言使用，还为快速开发提供了功能丰富的交互式shell

## Python ##

#### 计算机视觉 ####

*  [SimpleCV][]：开源计算机视觉框架，可以访问如OpenCV等高性能计算机视觉库使用Python编写，可以在Mac、Windows以及Ubuntu上运行。[官网][Link 166]。

#### 自然语言处理 ####

*  NLTK：一个领先的平台，用来编写处理人类语言数据的Python程序。[官网][Link 167]
 *  Pattern：Python可用的web挖掘模块，包括自然语言处理、机器学习等工具。[官网][Link 168]
 *  TextBlob：为普通自然语言处理任务提供一致的API，以NLTK和Pattern为基础，并和两者都能很好兼容。[官网][Link 169]。
 *  jieba：中文断词工具。[官网][Link 170]
 *  SnowNLP：中文文本处理库。[官网][Link 171]
 *  loso：另一个中文断词库。[官网][Link 172]
 *  genius：基于条件随机域的中文断词库。[官网][Link 173]
 *  nut：自然语言理解工具包。[官网][Link 174]

#### 通用机器学习 ####

*  Bayesian Methods for Hackers：Python语言概率规划的电子书。[官网][Link 175]
 *  MLlib in Apache Spark：Spark下的分布式机器学习库。[官网][Link 36]
 *  scikit-learn：基于SciPy的机器学习模块。[官网][Link 176]
 *  graphlab-create：包含多种机器学习模块的库（回归、聚类、推荐系统、图分析等），基于可以磁盘存储的DataFrame。[官网][Link 177]
 *  BigML：连接外部服务器的库。[官网][Link 178]
 *  pattern：Python的web挖掘模块。[官网][Link 179]
 *  NuPIC：Numenta公司的智能计算平台。[官网][Link 180]
 *  Pylearn2：基于Theano的机器学习库。[官网][Link 181]
 *  hebel：Python编写的使用GPU加速的深度学习库。[官网][Link 182]
 *  gensim：主题建模工具。[官网][Link 183]
 *  PyBrain：另一个机器学习库。[官网][Link 184]
 *  Crab：可扩展的、快速推荐引擎。[官网][Link 185]
 *  python-recsys：Python实现的推荐系统。[官网][Link 186]
 *  thinking bayes：关于贝叶斯分析的书籍。[官网][Link 187]
 *  Restricted Boltzmann Machines：Python实现的受限波尔兹曼机。[官网][Link 188]
 *  Bolt：在线学习工具箱。[官网][Link 189]
 *  CoverTree：cover tree的Python实现，scipy.spatial.kdtree便捷的替代。[官网][Link 190]
 *  nilearn：Python实现的神经影像学机器学习库。[官网][Link 191]
 *  Shogun：机器学习工具箱。[官网][Link 192]
 *  Pyevolve：遗传算法框架。[官网][Link 193]
 *  Caffe：考虑了代码清洁、可读性及速度的深度学习框架。[官网][Link 152]
 *  breze：深度及递归神经网络的程序库，基于Theano。[官网][Link 194]

#### 数据分析/数据可视化 ####

*  SciPy：基于Python的数学、科学、工程开源软件生态系统。[官网][Link 195]
 *  NumPy：Python科学计算基础包。[官网][Link 196]
 *  Numba：Python的低级虚拟机JIT编译器，Cython and NumPy的开发者编写，供科学计算使用。[官网][Link 197]
 *  NetworkX：为复杂网络使用的高效软件。[官网][Link 198]
 *  Pandas：这个库提供了高性能、易用的数据结构及数据分析工具。[官网][Link 199]
 *  [Open Mining][]：Python中的商业智能工具（Pandas web接口）。[官网][Link 200]
 *  [PyMC][]：MCMC采样工具包。[官网][Link 201]
 *  zipline：Python的算法交易库。[官网][Link 202]
 *  PyDy：全名Python Dynamics，协助基于NumPy、SciPy、IPython以及 matplotlib的动态建模工作流。[官网][Link 203]
 *  SymPy：符号数学Python库。[官网][Link 204]
 *  statsmodels：Python的统计建模及计量经济学库。[官网][Link 205]
 *  astropy：Python天文学程序库，社区协作编写。[官网][Link 206]
 *  matplotlib：Python的2D绘图库。[官网][Link 207]
 *  bokeh：Python的交互式Web绘图库。[官网][Link 208]
 *  plotly：Python and matplotlib的协作web绘图库。[官网][Link 209]
 *  vincent：将Python数据结构转换为Vega可视化语法。[官网][Link 210]
 *  d3py：Python的绘图库，基于D3.js。[官网][Link 211]
 *  ggplot：和R语言里的ggplot2提供同样的API。[官网][Link 212]
 *  Kartograph.py：Python中渲染SVG图的库，效果漂亮。[官网][Link 213]
 *  pygal：Python下的SVG图表生成器。[官网][Link 214]
 *  pycascading：[官网][Link 215]

#### 杂项脚本/iPython笔记/代码库 ####

*  pattern\_classification：[官网][Link 216]
 *  thinking stats 2：[官网][Link 217]
 *  hyperopt：[官网][Link 218]
 *  numpic：[官网][Link 180]
 *  2012-paper-diginorm：[官网][Link 219]
 *  ipython-notebooks：[官网][Link 220]
 *  decision-weights：[官网][Link 221]
 *  Sarah Palin LDA：Sarah Palin关于主题建模的电邮。[官网][Link 222]
 *  Diffusion Segmentation：基于扩散方法的图像分割算法集合。[官网][Link 223]
 *  Scipy Tutorials：SciPy教程，已过时，请查看scipy-lecture-notes。[官网][Link 224]
 *  Crab：Python的推荐引擎库。[官网][Link 225]
 *  BayesPy：Python中的贝叶斯推断工具。[官网][Link 226]
 *  scikit-learn tutorials：scikit-learn学习笔记系列。[官网][Link 227]
 *  sentiment-analyzer：推特情绪分析器。[官网][Link 228]
 *  group-lasso：坐标下降算法实验，应用于（稀疏）群套索模型。[官网][Link 229]
 *  mne-python-notebooks：使用 mne-python进行EEG/MEG数据处理的IPython笔记。[官网][Link 230]
 *  pandas cookbook：使用Python pandas库的方法书。[官网][Link 231]
 *  climin：机器学习的优化程序库，用Python实现了梯度下降、LBFGS、rmsprop、adadelta 等算法。[官网][Link 232]

#### Kaggle竞赛源代码 ####

*  wiki challange：Kaggle上一个维基预测挑战赛 Dell Zhang解法的实现。[官网][Link 233]
 *  kaggle insults：Kaggle上”从社交媒体评论中检测辱骂“竞赛提交的代码。[官网][Link 234]
 *  kaggle\_acquire-valued-shoppers-challenge：Kaggle预测回头客挑战赛的代码。[官网][Link 235]
 *  kaggle-cifar：Kaggle上CIFAR-10 竞赛的代码，使用cuda-convnet。[官网][Link 236]
 *  kaggle-blackbox：Kaggle上blackbox赛代码，关于深度学习。[官网][Link 237]
 *  kaggle-accelerometer：Kaggle上加速度计数据识别用户竞赛的代码。[官网][Link 238]
 *  kaggle-advertised-salaries：Kaggle上用广告预测工资竞赛的代码。[官网][Link 239]
 *  kaggle amazon：Kaggle上给定员工角色预测其访问需求竞赛的代码。[官网][Link 240]
 *  kaggle-bestbuy\_big：Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（大数据版）。[官网][Link 241]
 *  kaggle-bestbuy\_small：Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（小数据版）。[官网][Link 242]
 *  Kaggle Dogs vs. Cats：Kaggle上从图片中识别猫和狗竞赛的代码。[官网][Link 243]
 *  Kaggle Galaxy Challenge：Kaggle上遥远星系形态分类竞赛的优胜代码。[官网][Link 244]
 *  Kaggle Gender：Kaggle竞赛，从笔迹区分性别。[官网][Link 245]
 *  Kaggle Merck：Kaggle上预测药物分子活性竞赛的代码（默克制药赞助）。[官网][Link 246]
 *  Kaggle Stackoverflow：Kaggle上 预测StackOverflow网站问题是否会被关闭竞赛的代码。[官网][Link 247]
 *  wine-quality：预测红酒质量。[官网][Link 248]

## Ruby ##

#### 自然语言处理 ####

*  Treat：文本检索与注释工具包，Ruby上我见过的最全面的工具包。[官网][Link 249]
 *  Ruby Linguistics：这个框架可以用任何语言为Ruby对象构建语言学工具包。括一个语言无关的通用前端，一个将语言代码映射到语言名的模块，和一个含有很有英文语言工具的模块。[官网][Link 250]
 *  Stemmer：使得Ruby可用 libstemmer\_c中的接口。[官网][Link 251]
 *  Ruby Wordnet：WordNet的Ruby接口库。[官网][Link 252]
 *  Raspel：aspell绑定到Ruby的接口。[官网][Link 253]
 *  UEA Stemmer：UEALite Stemmer的Ruby移植版，供搜索和检索用的保守的词干分析器。[官网][Link 254]
 *  Twitter-text-rb：该程序库可以将推特中的用户名、列表和话题标签自动连接并提取出来。[官网][Link 255]

#### 通用机器学习 ####

*  Ruby Machine Learning：Ruby实现的一些机器学习算法。[官网][Link 256]
 *  Machine Learning Ruby：[官网][Link 257]
 *  jRuby Mahout：精华！在JRuby世界中释放了Apache Mahout的威力。[官网][Link 258]
 *  CardMagic-Classifier：可用贝叶斯及其他分类法的通用分类器模块。[官网][Link 259]
 *  Neural Networks and Deep Learning：《神经网络和深度学习》一书的示例代码。[官网][Link 260]

#### 数据分析/数据可视化 ####

*  rsruby：Ruby - R bridge。[官网][Link 261]
 *  data-visualization-ruby：关于数据可视化的Ruby Manor演示的源代码和支持内容。[官网][Link 262]
 *  ruby-plot：将gnuplot包装为Ruby形式，特别适合将ROC曲线转化为svg文件。[官网][Link 263]
 *  plot-rb：基于Vega和D3的ruby绘图库。[官网][Link 264]
 *  scruffy：Ruby下出色的图形工具包。[官网][Link 265]
 *  SciRuby：[官网][Link 266]
 *  Glean：数据管理工具。[官网][Link 267]
 *  Bioruby：[官网][Link 268]
 *  Arel：[官网][Link 269]

#### Misc 杂项 ####

*  Big Data For Chimps：大数据处理严肃而有趣的指南书。[官网][Link 270]

## R ##

#### 通用机器学习 ####

*  Clever Algorithms For Machine Learning：[官网][Link 271]。
 *  Machine Learning For Hackers：[官网][Link 272]。
 *  Machine Learning Task View on CRAN：R语言机器学习包列表，按算法类型分组。[官网][Link 273]。
 *  caret：R语言150个机器学习算法的统一接口。[官网][Link 274]
 *  [SuperLearner：该包集合了多种机器学习算法][SuperLearner]与[subsemble][]
 *  Introduction to Statistical Learning：[官网][Link 275]。

####  ####

#### 数据分析/数据可视化 ####

*  Learning Statistics Using R：[官网][Link 276]
 *  ggplot2：基于图形语法的数据可视化包。[官网][Link 277]

## Scala ##

#### 自然语言处理 ####

*  ScalaNLP：机器学习和数值计算库的套装。[官网][Link 278]
 *  Breeze：Scala用的数值处理库。[官网][Link 279]
 *  Chalk：自然语言处理库。[官网][Link 280]
 *  FACTORIE：可部署的概率建模工具包，用Scala实现的软件库为用户提供简洁的语言来创建关系因素图，评估参数并进行推断。[官网][Link 281]。

#### 数据分析/数据可视化 ####

*  MLlib in Apache Spark：Spark下的分布式机器学习库。[官网][Link 36]
 *  Scalding：CAscading的Scala接口。[官网][Link 282]
 *  Summing Bird：用Scalding 和 Storm进行Streaming MapReduce。[官网][Link 283]
 *  Algebird：Scala的抽象代数工具。[官网][Link 284]
 *  xerial：Scala的数据管理工具。[官网][Link 285]
 *  simmer：化简你的数据，进行代数聚合的unix过滤器。[官网][Link 286]
 *  PredictionIO：供软件开发者和数据工程师用的机器学习服务器。[官网][Link 287]
 *  BIDMat：支持大规模探索性数据分析的CPU和GPU加速矩阵库。[官网][Link 288]

#### 通用机器学习 ####

*  Conjecture：Scalding下可扩展的机器学习框架。[官网][Link 289]
 *  brushfire：scalding下的决策树工具。[官网][Link 290]
 *  ganitha：基于scalding的机器学习程序库。[官网][Link 291]
 *  adam：使用Apache Avro, Apache Spark 和 Parquet的基因组处理引擎，有专用的文件格式，Apache 2软件许可。[官网][Link 292]
 *  bioscala：Scala语言可用的生物信息学程序库。[官网][Link 293]
 *  BIDMach：机器学习CPU和GPU加速库。[官网][Link 294]

[awesome-machine-learning]: https://github.com/josephmisiti/awesome-machine-learning
[Link 1]: http://hao.jobbole.com/
[Apache OpenNLP]: http://hao.jobbole.com/apache-opennlp/
[Mallet_NLP]: http://hao.jobbole.com/mallet/
[tangyouhua]: https://github.com/tangyouhua
[toolate]: http://www.jobbole.com/members/toolate
[Link 2]: http://hao.jobbole.com/author/libing1209/
[Link 3]: http://hao.jobbole.com/author/tonyaaron/
[Daetalus]: http://hao.jobbole.com/author/daetalus/
[Link 4]: http://www.jobbole.com/members/nelsonzhao/
[Link 5]: http://hao.jobbole.com/rewards/
[CCV]: http://hao.jobbole.com/ccv/
[Link 6]: https://github.com/liuliu/ccv
[OpenCV]: http://hao.jobbole.com/opencv/
[Link 7]: http://opencv.org/
[Link 8]: http://www.mlpack.org/
[Link 9]: http://dlib.net/ml.html
[Link 10]: https://code.google.com/p/encog-cpp/
[Link 11]: http://image.diku.dk/shark/sphinx_pages/build/html/index.html
[Link 12]: http://www.clojure-toolbox.com/
[Link 13]: https://github.com/reiver/go-porterstemmer
[Link 14]: https://github.com/Rookii/paicehusk
[Link 15]: https://bitbucket.org/tebeka/snowball
[Link 16]: https://github.com/sjwhitworth/golearn
[Link 17]: https://github.com/daviddengcn/go-pr
[Link 18]: https://github.com/jbrukh/bayesian
[Link 19]: https://github.com/thoj/go-galib
[Link 20]: https://github.com/StepLg/go-graph
[Link 21]: http://www.svgopen.org/2011/papers/34-SVGo_a_Go_Library_for_SVG_generation/
[Link 22]: http://nlp.stanford.edu/software/corenlp.shtml
[Link 23]: http://nlp.stanford.edu/software/lex-parser.shtml
[Link 24]: http://nlp.stanford.edu/software/tagger.shtml
[Link 25]: http://nlp.stanford.edu/software/CRF-NER.shtml
[Link 26]: http://nlp.stanford.edu/software/segmenter.shtml
[Link 27]: http://nlp.stanford.edu/software/tregex.shtml
[Link 28]: http://nlp.stanford.edu/software/phrasal/
[Link 29]: http://nlp.stanford.edu/software/tokensregex.shtml
[Link 30]: http://nlp.stanford.edu/software/sutime.shtml
[Link 31]: http://nlp.stanford.edu/software/patternslearning.shtml
[Link 32]: http://nlp.stanford.edu/software/tmt/tmt-0.4/
[Link 33]: https://github.com/twitter/twitter-text-java
[Link 34]: http://mallet.cs.umass.edu/
[Link 35]: http://alias-i.com/lingpipe/index.html
[Link 36]: http://spark.apache.org/docs/latest/mllib-guide.html
[Link 37]: https://github.com/apache/mahout
[Link 38]: http://nlp.stanford.edu/software/classifier.shtml
[Link 39]: http://www.cs.waikato.ac.nz/ml/weka/
[Link 40]: https://github.com/cloudera/oryx
[Link 41]: https://github.com/apache/hadoop-mapreduce
[Link 42]: https://github.com/apache/spark
[Link 43]: https://github.com/cloudera/impala
[Link 44]: https://github.com/twitter/twitter-text-js
[Link 45]: https://github.com/nicktesla/nlpjs
[Link 46]: https://github.com/NaturalNode/natural
[Link 47]: https://github.com/loadfive/Knwl.js
[Link 48]: http://d3js.org/
[Link 49]: http://www.highcharts.com/
[Link 50]: http://nvd3.org/
[Link 51]: http://dc-js.github.io/dc.js/
[Link 52]: http://www.chartjs.org/
[Link 53]: http://dimplejs.org/
[Link 54]: http://www.amcharts.com/
[Link 55]: http://cs.stanford.edu/people/karpathy/convnetjs/
[Link 56]: https://github.com/tixz/clustering.js
[Link 57]: https://github.com/serendipious/nodejs-decision-tree-id3
[Link 58]: https://github.com/rlidwka/node-fann
[Link 59]: https://github.com/tixz/kmeans.js
[Link 60]: https://github.com/primaryobjects/lda
[Link 61]: https://github.com/yandongliu/learningjs
[Link 62]: http://joonku.com/project/machine_learning
[Link 63]: https://github.com/nicolaspanel/node-svm
[Link 64]: https://github.com/harthur/brain
[Link 65]: https://github.com/omphalos/bayesian-bandit.js
[Link 66]: https://github.com/JuliaStats/PGM.jl
[Link 67]: https://github.com/trthatcher/DA.jl
[Link 68]: https://github.com/lindahua/Regression.jl
[Link 69]: https://github.com/dcjones/Loess.jl
[Link 70]: https://github.com/nutsiepully/NaiveBayes.jl
[Link 71]: https://github.com/dmbates/MixedModels.jl
[Link 72]: https://github.com/fredo-dedup/SimpleMCMC.jl
[Link 73]: https://github.com/JuliaStats/Distance.jl
[Link 74]: https://github.com/bensadeghi/DecisionTree.jl
[Link 75]: https://github.com/compressed/neural.jl
[Link 76]: https://github.com/doobwa/MCMC.jl
[Link 77]: https://github.com/JuliaStats/GLM.jl
[Link 78]: https://github.com/lendle/OnlineLearning.jl
[Link 79]: https://github.com/simonster/GLMNet.jl
[Link 80]: https://github.com/JuliaStats/Clustering.jl
[Link 81]: https://github.com/JuliaStats/SVM.jl
[Link 82]: https://github.com/JuliaStats/KernelDensity.jl
[Link 83]: https://github.com/JuliaStats/DimensionalityReduction.jl
[Link 84]: https://github.com/JuliaStats/NMF.jl
[Link 85]: https://github.com/EricChiang/ANN.jl
[Link 86]: https://github.com/slycoder/TopicModels.jl
[Link 87]: https://github.com/johnmyleswhite/TextAnalysis.jl
[Link 88]: https://github.com/IainNZ/GraphLayout.jl
[Link 89]: https://github.com/JuliaStats/DataFramesMeta.jl
[Link 90]: https://github.com/nfoti/JuliaData
[Link 91]: https://github.com/WizardMac/DataRead.jl
[Link 92]: https://github.com/JuliaStats/HypothesisTests.jl
[Link 93]: https://github.com/dcjones/Gadfly.jl
[Link 94]: https://github.com/johnmyleswhite/stats.jl
[Link 95]: https://github.com/johnmyleswhite/RDatasets.jl
[Link 96]: https://github.com/JuliaStats/DataFrames.jl
[Link 97]: https://github.com/JuliaStats/Distributions.jl
[Link 98]: https://github.com/JuliaStats/DataArrays.jl
[Link 99]: https://github.com/JuliaStats/TimeSeries.jl
[Link 100]: https://github.com/JuliaStats/Sampling.jl
[Link 101]: https://github.com/JuliaDSP/DSP
[Link 102]: https://github.com/JuliaCon/presentations
[Link 103]: https://github.com/davidavdav/SignalProcessing
[Link 104]: https://github.com/timholy/Images.jl
[Torch7]: http://torch.ch/
[Link 105]: http://jucor.github.io/torch-cephes
[Link 106]: https://github.com/torch/graph
[Link 107]: http://jucor.github.io/torch-randomkit/
[Link 108]: http://soumith.ch/torch-signal/signal/
[Link 109]: https://github.com/torch/nn
[Link 110]: https://github.com/torch/nngraph
[Link 111]: https://github.com/clementfarabet/lua---nnx
[Link 112]: https://github.com/torch/optim
[Link 113]: https://github.com/koraykv/unsup
[Link 114]: https://github.com/clementfarabet/manifold
[Link 115]: https://github.com/koraykv/torch-svm
[Link 116]: https://github.com/clementfarabet/lbfgs
[Link 117]: https://github.com/clementfarabet/vowpal_wabbit
[Link 118]: https://github.com/clementfarabet/lua---opengm
[Link 119]: https://github.com/MichaelMathieu/lua---spaghetti
[Link 120]: https://github.com/ocallaco/LuaSHkit
[Link 121]: https://github.com/rlowrance/kernel-smoothers
[Link 122]: https://github.com/torch/cutorch
[Link 123]: https://github.com/torch/cunn
[Link 124]: https://github.com/clementfarabet/lua---imgraph
[Link 125]: https://github.com/clementfarabet/videograph
[Link 126]: https://github.com/marcoscoffier/torch-saliency
[Link 127]: https://github.com/marcoscoffier/lua---stitch
[Link 128]: https://github.com/marcoscoffier/lua---sfm
[Link 129]: https://github.com/koraykv/fex
[Link 130]: https://github.com/sermanet/OverFeat
[Link 131]: http://numlua.luaforge.net/
[Link 132]: http://labix.org/lunatic-python
[Link 133]: http://www.scilua.org/
[Link 134]: https://bitbucket.org/lucashnegri/lna
[Link 135]: http://zrake.webfactional.com/projects/lunum
[Link 136]: https://github.com/e-lab/torch7-demos
[Link 137]: https://github.com/soumith/galaxyzoo
[Link 138]: https://github.com/mbhenaff/MusicTagging
[Link 139]: https://github.com/rosejn/torch-datasets
[Link 140]: https://github.com/fidlej/aledataset
[Link 141]: http://www.ifp.illinois.edu/%7Eminhdo/software/contourlet_toolbox.tar
[Link 142]: http://www.shearlab.org/index_software.html
[Link 143]: http://www.curvelet.org/software.html
[Link 144]: http://www.cmap.polytechnique.fr/%7Epeyre/download/
[Link 145]: https://amplab.cs.berkeley.edu/2012/05/05/an-nlp-library-for-matlab/
[Link 146]: http://www.cs.toronto.edu/%7Ehinton/MatlabForSciencePaper.html
[Link 147]: http://homepage.tudelft.nl/19j49/t-SNE.html
[Link 148]: http://people.kyb.tuebingen.mpg.de/spider/
[Link 149]: http://www.csie.ntu.edu.tw/%7Ecjlin/libsvm/#matlab
[Link 150]: http://www.csie.ntu.edu.tw/%7Ecjlin/liblinear/#download
[Link 151]: https://github.com/josephmisiti/machine-learning-module
[Link 152]: http://caffe.berkeleyvision.org/
[Link 153]: https://github.com/newfolder/PRT
[Link 154]: https://www.cs.purdue.edu/homes/dgleich/packages/matlab_bgl/
[Link 155]: http://www.mathworks.com/matlabcentral/fileexchange/24134-gaimc---graph-algorithms-in-matlab-code
[Link 156]: https://code.google.com/p/opencvdotnet/
[Link 157]: http://www.emgu.com/wiki/index.php/Main_Page
[Link 158]: https://github.com/sergey-tihon/Stanford.NLP.NET/
[Link 159]: http://www.nuget.org/packages/Accord.MachineLearning/
[Link 160]: https://github.com/fsprojects/Vulpes
[Link 161]: http://www.nuget.org/packages/encog-dotnet-core/
[Link 162]: http://bragisoft.com/
[Link 163]: http://www.nuget.org/packages/numl/
[Link 164]: http://www.nuget.org/packages/MathNet.Numerics/
[Link 165]: http://research.microsoft.com/en-us/projects/sho/
[SimpleCV]: http://hao.jobbole.com/simplecv/
[Link 166]: http://simplecv.org/
[Link 167]: http://www.nltk.org/
[Link 168]: http://www.clips.ua.ac.be/pattern
[Link 169]: http://textblob.readthedocs.org/
[Link 170]: https://github.com/fxsjy/jieba#jieba-1
[Link 171]: https://github.com/isnowfy/snownlp
[Link 172]: https://github.com/victorlin/loso
[Link 173]: https://github.com/duanhongyi/genius
[Link 174]: https://github.com/pprett/nut
[Link 175]: https://github.com/CamDavidsonPilon/%E3%80%82Probabilistic-Programming-and-Bayesian-Methods-for-Hackers
[Link 176]: http://scikit-learn.org/
[Link 177]: http://graphlab.com/products/create/docs/
[Link 178]: https://bigml.com/
[Link 179]: https://github.com/clips/pattern
[Link 180]: https://github.com/numenta/nupic
[Link 181]: https://github.com/lisa-lab/pylearn2
[Link 182]: https://github.com/hannes-brt/hebel
[Link 183]: https://github.com/piskvorky/gensim
[Link 184]: https://github.com/pybrain/pybrain
[Link 185]: https://github.com/muricoca/crab
[Link 186]: https://github.com/ocelma/python-recsys
[Link 187]: https://github.com/AllenDowney/ThinkBayes
[Link 188]: https://github.com/echen/restricted-boltzmann-machines
[Link 189]: https://github.com/pprett/bolt
[Link 190]: https://github.com/patvarilly/CoverTree
[Link 191]: https://github.com/nilearn/nilearn
[Link 192]: https://github.com/shogun-toolbox/shogun
[Link 193]: https://github.com/perone/Pyevolve
[Link 194]: https://github.com/breze-no-salt/breze
[Link 195]: http://www.scipy.org/
[Link 196]: http://www.numpy.org/
[Link 197]: http://numba.pydata.org/
[Link 198]: https://networkx.github.io/
[Link 199]: http://pandas.pydata.org/
[Open Mining]: http://hao.jobbole.com/open-mining/
[Link 200]: https://github.com/avelino/mining
[PyMC]: http://hao.jobbole.com/pymc/
[Link 201]: https://github.com/pymc-devs/pymc
[Link 202]: https://github.com/quantopian/zipline
[Link 203]: https://pydy.org/
[Link 204]: https://github.com/sympy/sympy
[Link 205]: https://github.com/statsmodels/statsmodels
[Link 206]: http://www.astropy.org/
[Link 207]: http://matplotlib.org/
[Link 208]: https://github.com/ContinuumIO/bokeh
[Link 209]: https://plot.ly/python
[Link 210]: https://github.com/wrobstory/vincent
[Link 211]: https://github.com/mikedewar/d3py
[Link 212]: https://github.com/yhat/ggplot
[Link 213]: https://github.com/kartograph/kartograph.py
[Link 214]: http://pygal.org/
[Link 215]: https://github.com/twitter/pycascading
[Link 216]: https://github.com/rasbt/pattern_classification
[Link 217]: https://github.com/Wavelets/ThinkStats2
[Link 218]: https://github.com/hyperopt/hyperopt-sklearn
[Link 219]: https://github.com/ged-lab/2012-paper-diginorm
[Link 220]: https://github.com/ogrisel/notebooks
[Link 221]: https://github.com/CamDavidsonPilon/decision-weights
[Link 222]: https://github.com/Wavelets/sarah-palin-lda
[Link 223]: https://github.com/Wavelets/diffusion-segmentation
[Link 224]: https://github.com/Wavelets/scipy-tutorials
[Link 225]: https://github.com/marcelcaraciolo/crab
[Link 226]: https://github.com/maxsklar/BayesPy
[Link 227]: https://github.com/GaelVaroquaux/scikit-learn-tutorial
[Link 228]: https://github.com/madhusudancs/sentiment-analyzer
[Link 229]: https://github.com/fabianp/group_lasso
[Link 230]: https://github.com/mne-tools/mne-python-notebooks
[Link 231]: https://github.com/jvns/pandas-cookbook
[Link 232]: https://github.com/BRML/climin
[Link 233]: https://github.com/hammer/wikichallenge
[Link 234]: https://github.com/amueller/kaggle_insults
[Link 235]: https://github.com/MLWave/%E3%80%82kaggle_acquire-valued-shoppers-challenge
[Link 236]: https://github.com/zygmuntz/kaggle-cifar
[Link 237]: https://github.com/zygmuntz/kaggle-blackbox
[Link 238]: https://github.com/zygmuntz/kaggle-accelerometer
[Link 239]: https://github.com/zygmuntz/kaggle-advertised-salaries
[Link 240]: https://github.com/zygmuntz/kaggle-amazon
[Link 241]: https://github.com/zygmuntz/kaggle-bestbuy_big
[Link 242]: https://github.com/zygmuntz/kaggle-bestbuy_small
[Link 243]: https://github.com/kastnerkyle/kaggle-dogs-vs-cats
[Link 244]: https://github.com/benanne/kaggle-galaxies
[Link 245]: https://github.com/zygmuntz/kaggle-gender
[Link 246]: https://github.com/zygmuntz/kaggle-merck
[Link 247]: https://github.com/zygmuntz/kaggle-stackoverflow
[Link 248]: https://github.com/zygmuntz/wine-quality
[Link 249]: https://github.com/louismullie/treat
[Link 250]: http://www.deveiate.org/projects/Linguistics/
[Link 251]: https://github.com/aurelian/ruby-stemmer
[Link 252]: http://www.deveiate.org/projects/Ruby-WordNet/
[Link 253]: http://sourceforge.net/projects/raspell/
[Link 254]: https://github.com/ealdent/uea-stemmer
[Link 255]: https://github.com/twitter/twitter-text-rb
[Link 256]: https://github.com/tsycho/ruby-machine-learning
[Link 257]: https://github.com/mizoR/machine-learning-ruby
[Link 258]: https://github.com/vasinov/jruby_mahout
[Link 259]: https://github.com/cardmagic/classifier
[Link 260]: https://github.com/mnielsen/neural-networks-and-deep-learning
[Link 261]: https://github.com/alexgutteridge/rsruby
[Link 262]: https://github.com/chrislo/data_visualisation_ruby
[Link 263]: https://www.ruby-toolbox.com/projects/ruby-plot
[Link 264]: https://github.com/zuhao/plotrb
[Link 265]: http://www.rubyinside.com/scruffy-a-beautiful-graphing-toolkit-for-ruby-194.html
[Link 266]: http://sciruby.com/
[Link 267]: https://github.com/glean/glean
[Link 268]: https://github.com/bioruby/bioruby
[Link 269]: https://github.com/nkallen/arel
[Link 270]: https://github.com/infochimps-labs/big_data_for_chimps
[Link 271]: https://github.com/jbrownlee/CleverAlgorithmsMachineLearning
[Link 272]: https://github.com/johnmyleswhite/ML_for_Hackers
[Link 273]: http://cran.r-project.org/web/views/MachineLearning.html
[Link 274]: http://caret.r-forge.r-project.org/
[SuperLearner]: https://github.com/ecpolley/SuperLearner
[subsemble]: http://cran.r-project.org/web/%E3%80%82packages/subsemble/index.html
[Link 275]: http://www-bcf.usc.edu/%7Egareth/ISL/
[Link 276]: http://health.adelaide.edu.au/psychology/ccs/teaching/lsr/
[Link 277]: http://ggplot2.org/
[Link 278]: http://www.scalanlp.org/
[Link 279]: https://github.com/scalanlp/breeze
[Link 280]: https://github.com/scalanlp/chalk
[Link 281]: https://github.com/factorie/factorie
[Link 282]: https://github.com/twitter/scalding
[Link 283]: https://github.com/twitter/summingbird
[Link 284]: https://github.com/twitter/algebird
[Link 285]: https://github.com/xerial/xerial
[Link 286]: https://github.com/avibryant/simmer
[Link 287]: https://github.com/PredictionIO/PredictionIO
[Link 288]: https://github.com/BIDData/BIDMat
[Link 289]: https://github.com/etsy/Conjecture
[Link 290]: https://github.com/avibryant/brushfire
[Link 291]: https://github.com/tresata/ganitha
[Link 292]: https://github.com/bigdatagenomics/adam
[Link 293]: https://github.com/bioscala/bioscala
[Link 294]: https://github.com/BIDData/BIDMach