进入机器学习和人工智能并非易事。
考虑到本日可用的大量资源，许多有抱负的专业职员和爱好者创造难以在该领域建立精确的路径。
这个领域正在不断发展，我们必须跟上飞速发展的步伐。

经由信息的更新、检讨，本文用Python更新了顶级的AI和机器学习项目。
Tensorflow已经成为了贡献者的三位数增长的第一位。
Scikit-learn低落到第二位，但仍有非常大的贡献者群体。

与2016年比较，贡献者人数增长最快的项目是：

1.TensorFlow增长169％，从493个增加到1324个贡献者

2.Deap，增长86％，从21到39个贡献者

3.Chainer，增长83％，从84到154个贡献者

4.Gensim，增长81％，从145到262个贡献者

5.Neon，增长66％，从47到78个贡献者

6.Nilearn提高了50％，从46个到69个贡献者

2018年的更新：

1.Keras，629名贡献者

2.PyTorch，399名贡献者

Github上的前20名Python人工智能和机器学习项目

大小与贡献者的数量成正比，颜色代表贡献者数量的变革，赤色更高，蓝色更低。
雪花形状适用于深度学习项目，否则适用于其他项目。

我们看到像TensorFlow、Theano和Caffe这样的深度学习项目是最受欢迎的项目之一。

下面的列表是根据Github长进献者的数量以降序给出的项目。
贡献者人数的变革是相对付2016年发布的前20名Python机器学习的开源项目。

1.TensorFlow最初是由谷歌机器智能研究机构的Google Brain Team的研究职员和工程师开拓的。
该系统的设计是为了便于机器学习的研究，并使其快速、随意马虎地从研究原型过渡莅临盆系统。

贡献者：1324（168％），Github 网址：https://github.com/tensorflow/tensorflow

2.Scikit-learn是用于数据挖掘和数据剖析的大略而高效的工具，可供所有人访问，并且可在各种环境中重用，基于NumPy、SciPy和matplotlib、开源、商业可用，BSD容许证。

贡献者：1019（39％上），Github网址： https://github.com/scikit-learn/scikit-learn

3.Keras是一种高等神经网络API，用Python编写，能够在TensorFlow、CNTK或Theano上运行。

贡献者：629（新），Github网址： https://github.com/keras-team/keras

4.Python中的PyTorch，张量和动态神经网络以及强劲的GPU加速。

贡献者：399（新），Github网址：https://github.com/pytorch/pytorch

5.Theano许可你高效地定义、优化和评估涉及多维数组的数学表达式。

贡献者：327（24％上），Github网址： https://github.com/Theano/Theano

6.Gensim是一个免费的Python库，它具有可扩展的统计语义，剖析用于语义构造的纯文本文档，检索语义相似的文档。

贡献者：262（81％上升），Github网址： https://github.com/RaRe-Technologies/gensim

7.Caffe是一个寻思熟虑的表达，速率和模块化的深度学习框架。
它由伯克利视觉和学习中央（BVLC）和社区贡献者开拓。

贡献者：260（提高21％），Github网址： https://github.com/RaRe-Technologies/gensim

8.Chainer是一个基于Python的深度学习模型的独立开源框架。
Chainer供应灵巧、直不雅观和高性能的手段来履行全面的深度学习模型，个中包括最新的模型，如递归神经网络和变分自动编码器。

贡献者：154（上升84％），Github网址： https://github.com/chainer/chainer

9.Statsmodels是一个Python模块，许可用户探索数据，估计统计模型并实行统计测试。
描述统计、统计测、绘图功能和结果统计的广泛列表适用于不同类型的数据和每个估算器。

贡献者：144（上升33％），Github网址： https://github.com/statsmodels/statsmodels/

10.Shogun是机器学习工具箱，它供应了广泛的统一和高效的机器学习（ML）方法。
该工具箱无缝地许可组合多个数据表示、算法类和通用工具。

贡献者：139（上升32％），Github网址： https://github.com/shogun-toolbox/shogun

11.Pylearn2是一个机器学习库。
其大部分功能都建立在Theano之上。
这意味着你可以利用数学表达式编写Pylearn2插件（新模型，算法等），Theano将为你优化和稳定这些表达式，并将它们编译为你选择的后端（CPU或GPU）。

贡献者：119（3.5％上），Github网址： https://github.com/lisa-lab/pylearn2

12.NuPIC是一个开源项目，它基于称为分层韶光存储器（HTM）的新大脑皮层理论。
部分HTM理论已经在运用中履行、测试和利用，HTM理论的其他部分仍在开拓中。

贡献者：85（提高12％），Github网址： https://github.com/numenta/nupic

13.Neon是Nervana基于Python的深度学习库。
它供应易用性，同时供应最高的性能。

贡献者：78（66％上），Github网址： https://github.com/NervanaSystems/neon

14.Nilearn是一个Python模块，用于在NeuroImaging数据上进行快速大略的统计学习。
它利用scikit-learn Python工具箱进行多变量统计，并供应预测建模、分类、解码或连接剖析等运用。

贡献者：69（上升50％），Github网址： https://github.com/nilearn/nilearn/branches

15.Orange3是开源机器学习和数据可视化新手，同时也是专家。
利用大型工具箱交互式数据剖析事情流程。

贡献者：53（上升33％），Github网址： https://github.com/biolab/orange3

16.Pymc是一个python模块，实现贝叶斯统计模型和拟合算法，包括马尔可夫链蒙特卡罗。
其灵巧性和可扩展性使实在用于大量问题。

贡献者：39（上升5.4％），Github网址： https://github.com/pymc-devs/pymc

17.Deap是用于快速原型设计和测试思想的新型蜕变打算框架。
它试图使算法明确、数据构造透明。
它与多处理和SCOOP等并行机制完美折衷。

贡献者：39（86％上），Github网址： https://github.com/deap/deap

18.Annoy（近似最近邻居Oh Yeah）是一个C ++库，它利用Python绑定来搜索靠近给定查询点的空间点。
它还创建映射到内存的大型只读基于文件的数据构造，以便许多进程可以共享相同的数据。

贡献者：35（46％上），Github网址： https://github.com/spotify/annoy

19.PyBrain是Python的模块化机器学习库。
其目标是为机器学习任务供应灵巧、易于利用但仍旧强大的算法，以及各种预定义环境来测试和比较的算法。

贡献者：32（3％上），Github网址： https://github.com/pybrain/pybrain

20.Fuel是一个数据管道框架，它为你的机器学习模型供应他们须要的数据。
操持由Blocks和Pylearn2神经网络库利用。

贡献者：32（10％上），Github网址：https://github.com/mila-udem/fuel

（贡献者在2018年2月录得。
）