Debian Science Machine Learning packages

AutoClass risolve il problema di rilevare in modo automatico classi all'interno di dati (talvolta chiamato clustering o apprendimento non supervisionato), in contrasto con la generazione di descrizioni di classi da esempi già classificati (chiamato apprendimento supervisionato). Mira a scoprire le classi "naturali" all'interno dei dati. AutoClass è applicabile ad osservazioni di quelle cose che possono essere descritte da un insieme di attributi, senza fare riferimento ad altre cose. I valori dei dati corrispondenti ad ogni attributo sono limitati ad essere o numeri o elementi di un insieme finito di simboli. Con dati numerici deve essere fornito un errore di misurazione.

Caffe è un'infrastruttura per apprendimento approfondito creata pensando all'espressività, alla velocità e alla modularità. È stata sviluppata dal Berkeley AI Research Lab (BAIR) e dai contributori della comunità.

Questo metapacchetto fornisce la versione CPU_ONLY di caffe:

• caffe-tools-cpu
• libcaffe-cpu*

• python3-caffe-cpu E suggerisce questi pacchetti:

• libcaffe-cpu-dev

• caffe-doc

Notare che questa versione CPU_ONLY non può coesistere con la versione CUDA.

GNU Prolog is a free Prolog compiler with constraint solving over finite domains (FD). GNU Prolog is largely compliant with the ISO standard and is part of the Prolog Commons initiative.

This package contains the compiler and runtime system for the ISO standard version of GNU Prolog, including the prototype modules implementation.

La libreria FANN (Fast Artificial Neural Network, veloce rete neurale artificiale) è una libreria per rete neurale libera e open source che implementa reti neurali artificiali multilivello in C con la gestione sia di reti completamente connesse sia di reti connesse in modo sparso. Sono gestite le esecuzioni multipiattaforma in virgola fissa e in virgola mobile. Include un'infrastruttura per gestire in modo semplice insiemi di dati di addestramento. È facile da usare, versatile, ben documentata e veloce.

Questo pacchetto contiene i file header e le librerie statiche che sono necessari per sviluppare applicazioni per libfann.

GAlib contains a set of C++ genetic algorithm objects. The library includes tools for using genetic algorithms to do optimization in any C++ program using any representation and genetic operators. The documentation includes an extensive overview of how to implement a genetic algorithm as well as examples illustrating customizations to the GAlib classes.

This package contains the development files.

LIBLINEAR è una libreria per classificatori lineari per apprendimento per applicazioni su larga scala. Gestisce SVM (Support Vector Machines, macchine a vettori di supporto) con perdita L2 e L1, regressioni logistiche, classificazioni multi-classe e anche macchine di programmazione lineare (SVM con regolarizzazione L1). La sua complessità computazionale scala linearmente con il numero di esempi di addestramento, e ciò la rende uno dei più veloci risolutori di SVM in circolazione.

Questo pacchetto contiene i file header e le librerie statiche.

Questo pacchetto contiene i file di sviluppo della libreria mlpack.

Machine Learning Pack (mlpack) è una libreria C++ di apprendimento automatico intuitiva, veloce e scalabile, pensata per essere l'analogo di LAPACK per l'apprendimento automatico. Mira a implementare una vasta gamma di metodi di apprendimento automatico e a funzionare come "coltellino svizzero" per i ricercatori nel campo dell'apprendimento automatico.

Questa libreria implementa OCAS (Optimized Cutting Plane Algorithm) per addestrare classificatori SVM (Support Vector Machine) lineari a partire da dati su larga scala. Il lavoro di calcolo di OCAS scala in modo lineare con il numero di esempi di addestramento. È uno dei risolutori SVM più veloci disponibili per la risoluzione di SVM L2 regolarizzate multiclasse e lineari.

Questo pacchetto contiene i file header e le librerie statiche.

SHOGUN è un insieme di strumenti per l'apprendimento automatico mirato su algoritmi di tipo "large scale kernel method", in particolare su Support Vector Machine (SVM), con un orientamento alla bioinformatica. Fornisce un oggetto SVM generico che funge da interfaccia per molte diverse implementazioni SVM. Ciascuna SVM può essere combinata con una delle molte varietà di kernel implementate. Può gestire combinazioni lineari pesate di più sub-kernel (non necessariamente tutti operanti sullo stesso dominio) in cui la distribuzione ottimale dei pesi dei singoli sub-kernel può essere appresa tramite Multiple Kernel Learning. Oltre a problemi di regressione e categorizzazione in 2 classi, gestisce un gran numero di metodi lineari come LDA (Linear Discriminant Analysis), LPM (Linear Programming Machine), perceptron (kernel) e algoritmi per addestrare modelli di Markov nascosti. Gli oggetti-caratteristiche di input possono essere densi, sparsi o stringhe, possono essere di qualsiasi tipo tra int, short, double, char, e possono essere convertiti in tipi diversi. A ciascun oggetto-caratteristica si possono attaccare catene di preprocessori (ad esempio uno che sottrae la media) per permettere una pre-elaborazione "al volo".

SHOGUN è disponibile in diverse varianti, una versione a sé stante e anche con interfacce specifiche per Matlab™, R, Octave, Readline e Python. Questo pacchetto contiene i file per lo sviluppo necessari per creare eseguibili a sé stanti.

LIBSVM, una libreria per apprendimento macchina, è un pacchetto facile da usare per gestire regressione e classificazione di vettori, e SVM a una classe. Gestisce la classificazione multiclasse, output delle probabilità e selezione dei parametri.

Questo pacchetto contiene i file header di sviluppo.

Torch is a machine-learning library, written in C++. Its aim is to provide the state-of-the-art of the best algorithms.

• Many gradient-based methods, including multi-layered perceptrons, radial basis functions, and mixtures of experts. Many small "modules" (Linear module, Tanh module, SoftMax module, ...) can be plugged together.
• Support Vector Machine, for classification and regression.
• Distribution package, includes Kmeans, Gaussian Mixture Models, Hidden Markov Models, and Bayes Classifier, and classes for speech recognition with embedded training.
• Ensemble models such as Bagging and Adaboost.
• Non-parametric models such as K-nearest-neighbors, Parzen Regression and Parzen Density Estimator.

This package is the Torch development package (header files and static library.)

VIGRA (Vision with Generic Algorithms, visione con algoritmi generici) è una libreria per visione artificiale che pone particolare attenzione sugli algoritmi flessibili, perché gli algoritmi rappresentano la principale conoscenza pratica in questo campo. La libreria è stata di conseguenza creata usando programmazione generica come introdotta da Stepanov e Musser ed esemplificata nella Standard Template Library C++. Mediante la scrittura di pochi adattatori (iteratori e metodo di accesso per immagini) è possibile usare gli algoritmi di VIGRA nelle proprie strutture dati, all'interno del proprio ambiente.

Questo pacchetto contiene i file di sviluppo e gli header necessari per compilare programmi e pacchetti che usano VIGRA.

Questo pacchetto fornisce calcolo grafico per Torch.

Questo pacchetto contiene anche un'interfaccia graphviz, non è necessario "graphviz" per usare questa libreria, ma con esso si sarà in grado di visualizzare i grafi che sono stati creati.

"image" è il pacchetto della distribuzione Torch7 per elaborare immagini. Contiene un'ampia varietà di funzioni divise nelle seguenti categorie:

• salvataggio e caricamento di immagini come JPEG, PNG, PPM e PGM;
• semplici trasformazioni come traslazione, ridimensionamento e rotazione;
• trasformazioni parametrizzate come convoluzioni e deformazione;
• semplici routine grafiche come disegnare del testo o un rettangolo su un'immagine;
• interfacce utente grafiche come display e window;
• conversioni nello spazio dei colori da e verso RGB, YUV, Lab e HSL;
• costruttori di tensori per creare nuclei Lenna, Fabio e Gaussiano e Laplaciano.

Notare che dove non specificato diversamente, questo pacchetto tratta immagini di dimensioni "nCanali x altezza x larghezza".

This package provides an easy and modular way to build and train simple or complex neural networks using Torch Framework:

• Modules are the bricks used to build neural networks. Each are themselves neural networks, but can be combined with other networks using containers to create complex neural networks:

• Module: abstract class inherited by all modules.

• Containers: container classes.
• Transfer functions: non-linear functions.
• Simple layers: simple network layer like Linear.
• Table layers: layers for manipulating tables.

• Convolution layers: several kinds of convolutions.

• Criterions compute a gradient according to a given loss function given an input and a target:

• Criterions: a list of all criterions.

• MSECriterion: the Mean Squared Error criterion used for regression;

• ClassNLLCriterion: the Negative Log Likelihood criterion used for classification.

• Additional documentation:

• Overview of the package essentials including modules, containers and training.

• Training: how to train a neural network using optim.
• Testing: how to test your modules.
• Experimental Modules: a package containing experimental modules and criteria.

This package is a core part of the Torch Framework.

This package provides graphical computation for nn library in Torch. The aim of this library is to provide users of nn package with tools to easily create complicated architectures. Any given nn module is going to be bundled into a graph node. The __call__ operator of an instance of nn.Module is used to create architectures as if one is writing function calls.

This package contains several optimization routines and a logger for Torch.

The following algorithms are provided:

• Stochastic Gradient Descent
• Averaged Stochastic Gradient Descent
• L-BFGS
• Congugate Gradients
• AdaDelta
• AdaGrad
• Adam
• AdaMax
• FISTA with backtracking line search
• Nesterov's Accelerated Gradient method
• RMSprop
• Rprop
• CMAES All these algorithms are designed to support batch optimization as well as stochastic optimization. It's up to the user to construct an objective function that represents the batch, mini-batch, or single sample on which to evaluate the objective.

This package provides also logging and live plotting capabilities via the optim.Logger() function. Live logging is essential to monitor the network accuracy and cost function during training and testing, for spotting under- and over-fitting, for early stopping or just for monitoring the health of the current optimisation task.

Un REPL (Read, Eval, Print-Loop) in puro Lua per LuaJIT, con ampia gestione per i tipi di Torch. Usa Readline per il completamento con il tabulatore.

Questo pacchetto contiene file di backend per gestire l'interfaccia a riga di comando "th".

Lua è piuttosto compatto in termini di funzionalità incorporate: questo pacchetto estende le librerie table e string e fornisce altri strumenti di uso generale (barra di avanzamento, ...).

Questo pacchetto contiene un insieme di utili estensioni a Lua per l'infrastruttura Torch.

Il pacchetto MCL è un'implementazione dell'algoritmo MCL, fornisce strumenti per manipolare matrici sparse (le strutture dati essenziali dell'algoritmo MCL) e per eseguire esperimenti su cluster.

MCL viene attualmente utilizzato nelle scienze come la biologia (rilevamento di famiglie proteiche, genomica), informatica (cluster dei nodi in reti peer-to-peer) e linguistica (analisi del testo).

Data un'immagine osservata contenente una scacchiera o una griglia di cerchi, mrgingham localizza la scacchiera nell'immagine e calcola in modo preciso la posizione degli angoli della scacchiera (o i centri dei cerchi). Ciò è simile alle procedure in OpenCV, ma è più veloce e robusto.

Questo pacchetto fornisce gli strumenti per l'utente.

Questo pacchetto fornisce funzioni per lavorare con algoritmi genetici in Octave, un software di calcolo numerico. Fornisce la funzione ga(), che funziona in modo simile ad altre funzioni di ottimizzazione in Octave.

Questo pacchetto di componenti aggiuntivi di Octave fa parte del progetto Octave-Forge.

Amp is an open-source package designed to easily bring machine-learning to atomistic calculations. This project is being developed at Brown University in the School of Engineering, primarily by Andrew Peterson and Alireza Khorshidi, and is released under the GNU General Public License. Amp allows for the modular representation of the potential energy surface, allowing the user to specify or create descriptor and regression methods.

Amp is designed to integrate closely with the Atomic Simulation Environment (ASE). As such, the interface is in pure python, although several compute-heavy parts of the underlying code also have fortran versions to accelerate the calculations. The close integration with ASE means that any calculator that works with ASE ─ including EMT, GPAW, DACAPO, VASP, NWChem, and Gaussian ─ can easily be used as the parent method.

This package provides the python 3 modules.

La libreria FANN (Fast Artificial Neural Network, veloce rete neurale artificiale) è una libreria per rete neurale libera e open source che implementa reti neurali artificiali multilivello in C con la gestione sia di reti completamente connesse sia di reti connesse in modo sparso.

Questo pacchetto contiene i collegamenti Python 3 per FANN.

python3-genetic fornisce algoritmi genetici in Python 3, come usati spesso nell'intelligenza artificiale. Dovrebbe essere in grado di risolvere qualsiasi problema che consista nel minimizzare funzioni.

In questo pacchetto sono contenute alcune demo che usano Genetic, incluso un programma impressionantemente semplice che fornisce una soluzione per il rinomato TSP (Travelling Salesman Problem, problema del commesso viaggiatore). Ci si assicuri di leggere demo/genetic_demo_2.py per l'elenco dei geni "magici" speciali che rendono Genetic veramente divertente e... vivo!

Keras is a Python library for machine learning based on deep (multi- layered) artificial neural networks (DNN), which follows a minimalistic and modular design with a focus on fast experimentation.

Features of DNNs like neural layers, cost functions, optimizers, initialization schemes, activation functions and regularization schemes are available in Keras a standalone modules which can be plugged together as wanted to create sequence models or more complex architectures. Keras supports convolutions neural networks (CNN, used for image recognition resp. classification) and recurrent neural networks (RNN, suitable for sequence analysis like in natural language processing).

It runs as an abstraction layer on the top of Theano (math expression compiler) by default, which makes it possible to accelerate the computations by using (GP)GPU devices. Alternatively, Keras could run on Google's TensorFlow (not yet available in Debian).

Lasagne è una libreria Python per costruire e addestrare reti neurali artificiali profonde (multi-livello) sopra a Theano (compilatore di espressioni matematiche). In confronto ad altri livelli di astrazione come ad esempio Keras, astrae Theano il meno possibile.

Lasagne gestisce reti come Convolutional Neural Network (CNN, usate principalmente per il riconoscimento di immagini per classificarle) e il tipo Long Short-Term Memory (LSTM, un sottotipo di Recurrent Neural Network, RNN).

Questo pacchetto contiene i moduli per Python 3.

Infrastruttura Python per elaborazione di dati per creare software per complesse elaborazioni di dati combinando in pipe e reti algoritmi largamente usati di apprendimento macchina. Gli algoritmi implementati includono: PCA (Principal Component Analysis), ICA (Independent Component Analysis), SFA (Slow Feature Analysis), ISFA (Independent Slow Feature Analysis), GNG (Growing Neural Gas), analisi fattoriale, FDA (Fisher Discriminant Analysis) e classificatori gaussiani.

mlpy fornisce procedure di alto livello che gestiscono, con poche righe di codice, la progettazione di DAP (Data Analysis Protocol) per la preelaborazione, il clustering, la classificazione predittiva e la selezione di variabili. Sono disponibili dei metodi per ordinare variabili ed assegnarvi pesi, per il ricampionamento di dati, la valutazione degli errori e il landscaping di esperimenti.

mlpy include: SVM (Support Vector Machine), KNN (K Nearest Neighbor), FDA, SRDA, PDA, DLDA (Fisher, Spectral Regression, Penalized, Diagonal Linear Discriminant Analysis) per la classificazione e l'assegnazione di pesi alle variabili, I-RELIEF, DWT e FSSun per l'assegnazione di pesi alle variabili, RFE (Recursive Feature Elimination) e RFS (Recursive Forward Selection) per ordinare le variabili, DWT, UWT, CWT (Discrete, Undecimated, Continuous Wavelet Transform), attribuzione KNN, DTW (Dynamic Time Warping), clustering gerarchici, k-medoid, metodi di ricampionamento, funzioni metriche, indicatori Canberra.

Questo pacchetto contiene i collegamenti Python 3 per la libreria OpenCV (Open Computer Vision).

La libreria Open Computer Vision è una raccolta di algoritmi e codice d'esempio per vari problemi relativi alla visione artificiale. La libreria è compatibile con IPL (Image Processing Library di Intel) e, se disponibile, può usare IPP (Integrated Performance Primitives di Intel) per ottenere prestazioni migliori.

OpenCV fornisce tipi di dati e operatori portabili di basso livello e un insieme di funzionalità di alto livello per l'acquisizione video, l'elaborazione e l'analisi di immagini, analisi strutturale, analisi del movimento e inseguimento di oggetti, riconoscimento di oggetti, calibrazione di videocamere e ricostruzione 3D.

scikit-learn è una raccolta di moduli Python relativi ad apprendimento automatico/statistico e data mining. Una lista non esaustiva di funzionalità incluse:

• modelli misti gaussiani,
• apprendimento tramite varietà,
• kNN,
• SVM (tramite LIBSVM).

Questo pacchetto contiene la versione per Python 3.

Il modulo Python 3 statsmodels fornisce classi e funzioni per la stima di diverse categorie di modelli statistici. Tra questi attualmente sono inclusi: modelli di regressione lineare, OLS, GLS, WLS e GLS con errori AR(p), modelli lineari generalizzati per diverse famiglie di distribuzione ed M stimatori per modelli lineari robusti. È disponibile un'ampia lista di statistiche dei risultati per ciascun problema di stima.

Thinc is the machine learning library powering spaCy https://spacy.io. It features a battle-tested linear model designed for large sparse learning problems, and a flexible neural network model under development for spaCy v2.0 https://spacy.io/usage/v2.

Thinc is a practical toolkit for implementing models that follow the "Embed, encode, attend, predict" architecture. It's designed to be easy to install, efficient for CPU usage and optimised for NLP and deep learning with text – in particular, hierarchically structured input and variable-length sequences.

PyTorch is a Python package that provides two high-level features:

(1) Tensor computation (like NumPy) with strong GPU acceleration (2) Deep neural networks built on a tape-based autograd system

You can reuse your favorite Python packages such as NumPy, SciPy and Cython to extend PyTorch when needed.

This is the CPU-only version of PyTorch (Python interface).

This package consists of a small extension library of optimized sparse matrix operations with autograd support.

This package installs the library for Python 3.

VIGRA (Vision with Generic Algorithms, visione con algoritmi generici) è una libreria per visione artificiale che pone particolare attenzione sugli algoritmi flessibili, perché gli algoritmi rappresentano la principale conoscenza pratica in questo campo. La libreria è stata di conseguenza creata usando programmazione generica come introdotta da Stepanov e Musser ed esemplificata nella Standard Template Library C++. Mediante la scrittura di pochi adattatori (iteratori e metodo di accesso per immagini) è possibile usare gli algoritmi di VIGRA nelle proprie strutture dati, all'interno del proprio ambiente.

Questo pacchetto esporta la funzionalità della libreria VIGRA in Python 3.

Questo pacchetto è nato per fornire agli utenti R il robusto algoritmo TAO per reti neurali. È cresciuto e può essere interessante per gli utenti che vogliono implementare il proprio algoritmo di addestramento o per quelli le cui esigenze risiedono solamente nello "spazio utente".

Il pacchetto bayesm copre molti modelli importanti usati in applicazioni di marketing e micro-econometria. Il pacchetto include:

• regressione bayesiana (variabili dipendenti mono- o multi-variate);
• logit multinomiale (MNL) e probit multinomiale (MNP);
• probit multivariato;
• misture multivariate di normali;
• modelli lineari gerarchici con probabilità a priori e covariate normali;
• logit multinomiale gerarchico con misture di normali come probabilità a priori e covariate;
• analisi bayesiana di dati per l'analisi congiunta basata sulla scelta;
• trattamento bayesiano di modelli di variabili strumentali lineari;
• analisi di dati ordinali multivariati di sondaggi con scale di valori eterogenee (come in Rossi et al, JASA (01)).

Per riferimenti ulteriori, consultare il libro "Bayesian Statistics and Marketing" degli autori: Allenby, McCulloch e Rossi.

Il pacchetto class fornisce funzioni e insiemi di dati per gestire il capitolo 12 sulle "classificazioni" del libro "Modern Applied Statistics with S" (quarta edizione) di W.N. Venables e B.D. Ripley. Il seguente URL fornisce più dettagli su questo libro: http://www.stats.ox.ac.uk/pub/MASS4

Questo pacchetto fornisce funzioni e insiemi di dati per l'analisi di cluster, originariamente scritti da Peter Rousseeuw, Anja Struyf e Mia Hubert.

Questo pacchetto fa parte dell'insieme di pacchetti "raccomandati" da R Core e forniti con i rilasci originali dei sorgenti di R stesso.

This package implements extensions to Freund and Schapire's AdaBoost algorithm and Friedman's gradient boosting machine. Includes regression methods for least squares, absolute loss, t-distribution loss, quantile regression, logistic, multinomial logistic, Poisson, Cox proportional hazards partial likelihood, AdaBoost exponential loss, Huberized hinge loss, and Learning to Rank measures (LambdaMart).

Il pacchetto MASS fornisce funzioni e insiemi di dati per gestire quanto illustrato nel libro "Modern Applied Statistics with S" (4° edizione) di W.N. Venables e B.D. Ripley. L'URL seguente fornisce ulteriori dettagli sul libro: URL: http://www.stats.ox.ac.uk/pub/MASS4

Questo è un insieme di funzioni per GNU R che implementa vari modelli statistici ed econometrici usando le stime delle catene di Markov Monte Carlo (MCMC) che permettono di "risolvere" modelli che altrimenti non sarebbero trattabili con altre tecniche tradizionali, in particolare i problemi di statistica bayesiana (dove una o più probabilità a priori sono usate come parte della procedura di stima, invece di assumere l'ignoranza rispetto alle stime dei punti "reali"), benché il metodo MCMC può anche essere usato per risolvere problemi di statistica di frequenze con probabilità a priori non informative. Le tecniche MCMC sono preferibili anche rispetto alle stime dirette quando ci sono dati mancanti.

Attualmente sono implementati diverse funzioni di inferenza ecologica (EI) (per stimare attributi o comportamenti a livello di individuo a partire da dati aggregati, come risultati elettorali o di censimenti), così come modelli per panel lineari tradizionali e dati da campioni trasversali, alcune funzionalità di visualizzazione per diagnostica di EI, modelli di teoria di risposta agli item a due item (o stima di punto ideale), analisi fattoriale a risposta metrica, ordinale e mista e modelli per regressione gaussiana (lineare) e di Poisson, regressione logistica (o logit) e modelli probit a risposta ordinale e binaria.

I pacchetti suggeriti (r-cran-bayesm, -eco e -mnp) contengono modelli aggiuntivi che possono anch'essi essere utili per coloro che sono interessati a questo pacchetto.

An implementation of evaluation metrics in R that are commonly used in supervised machine learning. It implements metrics for regression, time series, binary classification, classification, and information retrieval problems. It has zero dependencies and a consistent, simple interface for all functions.

Questo pacchetto per GNU R fornisce una raccolta di problemi artificiali e reali per il benchmark dell'apprendimento macchina, inclusi, ad esempio, diversi insiemi di dati dal repository UCI.

Interface to a large number of classification and regression techniques, including machine-readable parameter descriptions. There is also an experimental extension for survival analysis, clustering and general, example-specific cost-sensitive learning. Generic resampling, including cross-validation, bootstrapping and subsampling. Hyperparameter tuning with modern optimization techniques, for single- and multi-objective problems. Filter and wrapper methods for feature selection. Extension of basic learners with additional operations common in machine learning, also allowing for easy nested resampling. Most operations can be parallelized.

MNP è un pacchetto R che fa il fit di modelli bayesiani MNP (multinomial probit) con metodo Monte Carlo per catene di Markov (MCMC). Insieme al modello standard multinomial probit, può anche fare il fit di modelli con diversi insiemi di scelte per ciascuna osservazione e ordinamento completo * parziale di tutte le alternative disponibili. La stima è basata sull'algoritmo efficiente per data augmentation dei dati marginali sviluppato da Imai e van Dyk (2004).

Funzioni per il fitting di modelli generici multi-stato di Markov e di Markov nascosti in tempo continuo a dati longitudinali. Sia le probabilità di transizione tra gli stati markoviani sia il processo di output del modello di Markov nascosto possono essere modellati in termini di covariate. Sono gestiti svariati schemi di osservazione, inclusi processi osservati ad intervalli arbitrari, processi osservati completamente e stati censurati.

Regressione e disegni sperimentali bayesiani non stazionari, semiparametrici non lineari con processi gaussiani (GP) con salti a LLM (Limiting Linear Model). I casi speciali implementati includono anche i modelli lineari bayesiani, CART, modelli lineari ad albero, GP stazionari separabili e isotropici e modelli GP a indice singolo. Fornisce funzioni di tracciamento grafi a 1 e 2 dimensioni (con capacità di proiezione e suddivisione) e disegno di albero, progettati per la visualizzazione dell'output di tgp-class. Sono gestiti modelli di analisi della sensibilità e modelli multi-risoluzione. Sono fornite anche funzioni per disegno sperimentale sequenziale e campionamento adattivo, inclusi ALM, ALC e miglioramento atteso. Quest'ultimo gestisce ottimizzazioni senza derivate di funzioni black-box con rumore.

Torch is a scientific computing framework with wide support for machine learning algorithms that puts GPUs first. It is easy to use and efficient, thanks to an easy and fast scripting language, LuaJIT, and an underlying C/CUDA implementation.

A summary of core features:

• a powerful N-dimensional array
• lots of routines for indexing, slicing, transposing, ...
• amazing interface to C, via LuaJIT
• linear algebra routines
• neural network, and energy-based models
• numeric optimization routines
• Fast and efficient GPU support
• Embeddable, with ports to iOS, Android and FPGA backends

The goal of Torch is to have maximum flexibility and speed in building your scientific algorithms while making the process extremely simple. Torch comes with a large ecosystem of community-driven packages in machine learning, computer vision, signal processing, parallel processing, image, video, audio and networking among others, and builds on top of the Lua community.

At the heart of Torch are the popular neural network and optimization libraries which are simple to use, while having maximum flexibility in implementing complex neural network topologies. You can build arbitrary graphs of neural networks, and parallelize them over CPUs and GPUs in an efficient manner.

This package is a metapackage, which pulls the following core and free modules for you: cwrap, paths, sys, xlua, torch7, nn, graph, nngraph, optim, sundown, dok, trepl, image.

Note that cutorch (CUDA backend for torch) and cunn (CUDA backend for neural network) are not present in this metapacakge - they will be shipped in the torch-core-contrib metapackage in the future.

Toulbar2 è uno strumento per ottimizzazione discreta esatta per modelli grafici come reti di funzioni di costo, campi casuali di Markov, problemi di soddisfazione di vincoli pesati e reti bayesiane.

Weka è una collezione di algoritmi di apprendimento automatico (machine learning) scritto in Java che può essere usato sia dalla riga di comando sia dal proprio codice Java. Weka è ideale per lo sviluppo di nuovi schemi di apprendimento automatico.

Gli schemi implementati comprendono alberi di decisione indotti, regole di apprendimento, modelli generatori di alberi, support vector machines, regressioni localmente pesate, apprendimento basato sulle istanze, bagging, boosting e stacking. Include inoltre metodi di clustering e uno strumento di apprendimento di regole associative. Oltre agli schemi di apprendimento veri e propri, Weka contiene una grande varietà di strumenti che possono essere utilizzati per pre-processare insiemi di dati.

Questo pacchetto contiene i binari e gli esempi.

ASK (Adaptive Sampling Kit) è un toolkit per campionare grandi spazi sperimentali. Quando lo spazio è piccolo, la risposta può essere misurata per ogni punto nello spazio. Quando lo spazio è grande, fare una misurazione esaustiva non è possibile in termine di tempi di esecuzione o semplicemente non è pratico. ASK cerca di trovare buone approssimazioni della risposta campionando solo una piccola frazione dello spazio. ASK ha diversi algoritmi con apprendimento attivo per dare priorità all'esplorazione delle parti interessanti dello spazio sperimentale.

Dlib is a general purpose cross-platform open source software library written in the C++ programming language. It now contains software components for dealing with networking, threads, graphical interfaces, complex data structures, linear algebra, statistical machine learning, image processing, data mining, XML and text parsing, numerical optimization, Bayesian networks, and numerous other tasks.

This package contains the development headers.

DLPack is an open in-memory tensor structure to for sharing tensor among frameworks. DLPack enables

• Easier sharing of operators between deep learning frameworks.
• Easier wrapping of vendor level operator implementations, allowing collaboration when introducing new devices/ops.
• Quick swapping of backend implementations, like different version of BLAS
• For final users, this could bring more operators, and possibility of mixing usage between frameworks.

DLPack do not intend to implement of Tensor and Ops, but instead use this as common bridge to reuse tensor and ops across frameworks.

Use FannJ if you have an existing ANN from the FANN project (libfann2) that you would like to access from Java. There are several GUI tools that will help you create and train an ANN.

fclib is an open source collection of Frictional Contact (FC) problems stored in a specific HDF5 format, and an open source light implementation of Input/Output functions in C Language to read and write problems.

The goal of this work is to set up a collection of 2D and 3D Frictional Contact (FC) problems in order to set up a list of benchmarks; provide a standard framework for testing available and new algorithms; and share common formulations of problems in order to exchange data.

Fclib is an open-source scientific software primarily targeted at modeling and simulating nonsmooth dynamical systems

This package includes the libfclib development headers.

Intel(R) Math Kernel Library for Deep Neural Networks (Intel(R) MKL-DNN) is an open source performance library for deep learning applications. The library accelerates deep learning applications and framework on Intel(R) architecture. Intel(R) MKL-DNN contains vectorized and threaded building blocks which you can use to implement deep neural networks (DNN) with C and C++ interfaces.

DNN functionality optimized for Intel architecture is also included in Intel(R) Math Kernel Library (Intel(R) MKL). API in this implementation is not compatible with Intel MKL-DNN and does not include certain new and experimental features.

One can choose to build Intel MKL-DNN without binary dependency. The resulting version will be fully functional, however performance of certain convolution shapes and sizes and inner product relying on SGEMM function may be suboptimal.

This package contains the header files, and symbol links to the shared object.

Data un'immagine osservata contenente una scacchiera o una griglia di cerchi, mrgingham localizza la scacchiera nell'immagine e calcola in modo preciso la posizione degli angoli della scacchiera (o i centri dei cerchi). Ciò è simile alle procedure in OpenCV, ma è più veloce e robusto.

Questo pacchetto fornisce le librerie C++ di sviluppo.

XGBoost is an optimized distributed gradient boosting library designed to be highly efficient, flexible and portable. It implements machine learning algorithms under the Gradient Boosting framework. XGBoost provides a parallel tree boosting (also known as GBDT, GBM) that solve many data science problems in a fast and accurate way. The same code runs on major distributed environment (Kubernetes, Hadoop, SGE, MPI, Dask) and can solve problems beyond billions of examples.

LIBXSMM is a library targeting Intel Architecture for specialized dense and sparse matrix operations, and deep learning primitives.

This package contains the tools, static libraries and header files.

Various definitions for a high-dimensional median exist and this Python package provides a number of fast implementations of these definitions. Medians are extremely useful due to their high breakdown point (up to 50% contamination) and have a number of nice applications in machine learning, computer vision, and high-dimensional statistics.

This package currently has implementations of medoid and geometric median with support for missing data using NaN.

imbalanced-learn è un pacchetto Python che offre diverse tecniche di ricampionamento comunemente usate negli insiemi di dati che mostrano forti squilibri tra le classi.

È compatibile con scikit-learn e fa parte dei progetti scikit-learn-contrib.

The liac-arff module implements functions to read and write ARFF files in Python. It was created in the Connectionist Artificial Intelligence Laboratory (LIAC), which takes place at the Federal University of Rio Grande do Sul (UFRGS), in Brazil.

ARFF (Attribute-Relation File Format) is an file format specially created for describing datasets which are used commonly for machine learning experiments and software. This file format was created to be used in WEKA, the best representative software for machine learning automated experiments.

Data un'immagine osservata contenente una scacchiera o una griglia di cerchi, mrgingham localizza la scacchiera nell'immagine e calcola in modo preciso la posizione degli angoli della scacchiera (o i centri dei cerchi). Ciò è simile alle procedure in OpenCV, ma è più veloce e robusto.

Questo pacchetto fornisce le interfacce Python.

Questo pacchetto installa i pacchetti Debian Science utili per il calcolo numerico. Il pacchetto fornisce un sistema di calcolo orientato ai vettori e di visualizzazione per il calcolo scientifico e l'analisi dei dati. Questi pacchetti sono simili ai sistemi commerciali come Matlab e IDL.

Questo metapacchetto fa parte del Debian Pure Blend "Debian Science" e installa pacchetti relativi alla statistica. Questa è un'attività generica che può essere utile per qualsiasi lavoro scientifico. Dipende da moltissimi pacchetti R, oltre che da alcuni altri strumenti che sono utili per fare statistiche. Inoltre è suggerita l'attività Debian Science per la matematica per installare, in modo opzionale, tutto il software relativo alla matematica.

Questo metapacchetto installa i pacchetti Debian Science relativi alla composizione tipografica. Chi installa questo pacchetto potrebbe essere interessato al debtag use::typesetting.

Caffe is a deep learning framework made with expression, speed, and modularity in mind. It is developed by the Berkeley AI Research Lab (BAIR) and community contributors.

This metapackage pulls CUDA version of caffe:

• caffe-tools-cuda
• libcaffe-cuda*

• python3-caffe-cuda And suggests these packages:

• libcaffe-cuda-dev

• caffe-doc

Note, this CUDA version cannot co-exist with the CPU_ONLY version.

spaCy is a library for advanced Natural Language Processing in Python and Cython. It’s built on the very latest research, and was designed from day one to be used in real products. spaCy comes with pre-trained statistical models and word vectors, and currently supports tokenization for 30+ languages. It features the fastest syntactic parser in the world, convolutional neural network models for tagging, parsing and named entity recognition and easy deep learning integration.

Streamlit lets you create apps for your machine learning projects with deceptively simple Python scripts. It supports hot-reloading, so your app updates live as you edit and save your file. No need to mess with HTTP requests, HTML, JavaScript, etc. All you need is your favorite editor and a browser.

Orange is a component-based data mining software. It includes a range of data visualization, exploration, preprocessing and modeling techniques. It can be used through a nice and intuitive user interface or, for more advanced users, as a module for Python programming language.

FLANN is a library for performing fast approximate nearest neighbor searches in high dimensional spaces. It contains a collection of algorithms we found to work best for nearest neighbor search and a system for automatically choosing the best algorithm and optimum parameters depending on the dataset.

PyBrain is a modular machine learning library for Python. Its goal is to offer flexible, easy-to-use yet still powerful algorithms for Machine Learning Tasks and a variety of predefined environments to test and compare your algorithms.

PyBrain currently features algorithms for Supervised Learning, Unsupervised Learning, Reinforcment Learning and Black-box Optimization.