我們在上的貢獻者和提交者之中檢查了用語言進行機器學習的開源項目，并挑選出最受歡迎和最活躍的項目。
1. -learn（重點推薦）
-learn 是基于Scipy為機器學習建造的的一個模塊，他的特色就是多樣化的分類，回歸和聚類的算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林， ，聚類算法和。而且也設計出了 和 Numpy and Scipy
2、Keras（深度學習）
Keras是基于的一個深度學習框架，它的設計參考了Torch，用語言編寫，是一個高度模塊化的神經網絡庫，支持GPU和CPU。
3、（深度學習）
不只是一個美味的意大利菜，也是一個和Keras有著相似功能的深度學習庫，但其在設計上與它們有些不同。
4.
是一個讓機器學習研究簡單化的基于的庫程序。它把深度學習和人工智能研究許多常用的模型以及訓練算法封裝成一個單一的實驗包，如隨機梯度下降。
5.NuPIC
NuPIC是一個以HTM學習算法為工具的機器智能平臺。HTM是皮層的精確計算方法。HTM的核心是基于時間的持續學習算法和儲存和撤銷的時空模式。NuPIC適合于各種各樣的問題,尤其是檢測異常和預測的流數據來源。
6.
是一個能夠快速統計學習神經影像數據的模塊。它利用語言中的-learn 工具箱和一些進行預測建模，分類python信號處理庫，解碼，連通性分析的應用程序來進行多元的統計。
7.
是基于語言強化學習，人工智能，神經網絡庫的簡稱。 它的目標是提供靈活、容易使用并且強大的機器學習算法和進行各種各樣的預定義的環境中測試來比較你的算法。
8.
是語言下的一個網絡挖掘模塊。它為數據挖掘，自然語言處理，網絡分析和機器學習提供工具。它支持向量空間模型、聚類、支持向量機和感知機并且用KNN分類法進行分類。
9.Fuel
Fuel為你的機器學習模型提供數據。他有一個共享如MNIST, CIFAR-10 (圖片數據集), 's One Words (文字)這類數據集的接口。你使用他來通過很多種的方式來替代自己的數據。
10.Bob
Bob是一個免費的信號處理和機器學習的工具。它的工具箱是用和C++語言共同編寫的，它的設計目的是變得更加高效并且減少開發時間，它是由處理圖像工具,音頻和視頻處理、機器學習和模式識別的大量軟件包構成的。
11.
是機器學習和統計的數據集的庫程序。這個模塊對于玩具問題，流行的計算機視覺和自然語言的數據集提供標準的語言的使用。
12.MILK
MILK是語言下的機器學習工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機森林，決策樹中使用監督分類法。 它還執行特征選擇。 這些分類器在許多方面相結合,可以形成不同的例如無監督學習、密切關系金傳播和由MILK支持的K-means聚類等分類系統。
13.IEPY
IEPY是一個專注于關系抽取的開源性信息抽取工具。它主要針對的是需要對大型數據集進行信息提取的用戶和想要嘗試新的算法的科學家。
14.Quepy
Quepy是通過改變自然語言問題從而在數據庫查詢語言中進行查詢的一個框架。他可以簡單的被定義為在自然語言和數據庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個用自然語言進入你的數據庫的系統。
現在Quepy提供對于和MQL查詢語言的支持。并且計劃將它延伸到其他的數據庫查詢語言。
15.Hebel
Hebel是在語言中對于神經網絡的深度學習的一個庫程序，它使用的是通過來進行GPU和CUDA的加速。它是最重要的神經網絡模型的類型的工具而且能提供一些不同的活動函數的激活功能，例如動力，涅斯捷羅夫動力python信號處理庫，信號丟失和停止法。
16.
它是一個由有用的工具和日常數據科學任務的擴展組成的一個庫程序。
17.
這個程序包容納了大量能對你完成機器學習任務有幫助的實用程序模塊。其中大量的模塊和-learn一起工作，其它的通常更有用。
18.Ramp
Ramp是一個在語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的-based機器學習中可插入的框架，它現存的語言下的機器學習和統計工具（比如-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而能夠快速有效地實施算法和轉換。
19. Forge
這一系列工具通過與-learn兼容的API，來創建和測試機器學習功能。
這個庫程序提供了一組工具，它會讓你在許多機器學習程序使用中很受用。當你使用-learn這個工具時，你會感覺到受到了很大的幫助。（雖然這只能在你有不同的算法時起作用。）
20.REP
REP是以一種和諧、可再生的方式為指揮數據移動驅動所提供的一種環境。
它有一個統一的分類器包裝來提供各種各樣的操作，例如TMVA, , , 等等。并且它可以在一個群體以平行的方式訓練分類器。同時它也提供了一個交互式的情節。
21. 學習機器樣品
用亞馬遜的機器學習建造的簡單軟件收集。
22.-ELM
這是一個在語言下基于-learn的極端學習機器的實現。
23.
主題模型實現
