No1: InterpretML by Microsoft Machine Learning Interpretability

地址：https://github.com/microsoft/interpret

可解釋性是目前機器學習中的一個重要問題。能夠理解模型如何產生它所輸出的內容，這是每個機器學習項目的關鍵。

Interpretml是微軟的一個開源軟件包，用於訓練可解釋模型和解釋黑盒系統。微軟在解釋為什麼解釋性是必要的時候說得非常好：

• 模型調試：為什麼我的模型犯了這個錯誤？
• 檢測偏差：我的模型有區別嗎？
• 人工智能合作：我如何理解和信任模型的決策？
• 法規遵從性：我的模型是否滿足法律要求？
• 高風險應用：醫療、金融、司法等。

從過去的經驗看，最容易理解的模型不是很準確，而最準確的模型是不可理解的。隨著複雜性的增加，解釋機器學習模型的內部工作變得更加困難。於是，MicrosoftResearch開發了一種稱為可解釋增強機（EBM）*的算法，該算法具有高精度和可理解性。EBM使用現代機器學習技術，如 bagging 和boosting，為傳統的GAM模型注入新的活力。這使它們像隨機森林和梯度提升樹一樣準確，並且還增強了它們的可理解性和可編輯性。

此外，該算法不僅限於使用EBM，它還支持LIME、線性模型、決策樹等算法。比較模型併為我們的項目挑選最好的模型從未如此簡單！

而Interpretml的安裝也很簡單，僅需要如下幾行代碼：

pip install numpy scipy pyscaffold
pip install -U interpret

No2：Tensor2Robot (T2R) by Google Research

地址：https://github.com/google-research/tensor2robot

Google Research再次出現在我們推薦的Github系列項目中。因為他們擁有業務中最強大的計算能力，且他們正在將它用於機器學習。

Google最新發布了名為Tensor2Robot（T2R）的開源項目。 T2R是用於大規模深度神經網絡訓練、評估和推理的庫。，此存儲庫包含分佈式機器學習和強化學習基礎結構。它在Alphabet內部使用，開源的目的是使Robotics @ Google的研究對於更廣泛的機器人和計算機視覺社區更具可重複性。

以下是使用Tensor2Robot實現的幾個項目：

• QT-Opt（https://arxiv.org/abs/1806.10293
• Grasp2Vec（https://github.com/google-research/tensor2robot/blob/master/research/grasp2vec）

No3：Generative Models in TensorFlow 2

地址：https://github.com/timsainb/tensorflow2-generative-models

這是一個在Tensorflow 2中實現大量生成模型的小項目。（TensorFlow 2.0是今年最受期待的TensorFlow版本，於不久前正式推出。）圖層和優化器都是使用Keras。這些模型是針對兩個數據集實現的：fashion MNIST和NSYNTH。編寫網絡的目的是儘可能簡單和一致，同時具有可讀性。因為每個網絡都是自包含在notebook中的，所以它們應該可以在colab會話中輕鬆運行。

該存儲庫包含多個生成模型的TF實現，包括：

• 生成對抗網絡（GAN）
• 自動編碼器
• 變分自動編碼器（VAE）
• VAE-GAN等。

No4：STUMPY – Time Series Data Mining

地址：https://github.com/TDAmeritrade/stumpy

STUMPY是一個功能強大且可擴展的庫，可幫助我們執行時間序列數據挖掘任務。 STUMPY旨在計算矩陣輪廓，矩陣輪廓是一個向量，它存儲時間序列中任何子序列與其最近鄰居之間的 z-normalized 歐幾里德距離。

以下是此矩陣配置文件幫助我們執行的一些時間序列數據挖掘任務：

• 異常發現
• 語義分割
• 密度估計
• 時間序列鏈（時序有序的子序列模式集）

使用以下代碼可以通過pip直接安裝STUMPY：

pip install stumpy

No5：MeshCNN in PyTorch

地址：https://github.com/ranahanocka/MeshCNN

MeshCNN是用於3D三角網格的通用深度神經網絡。這些網格可用於3D形狀分類或分割等任務。MeshCNN框架包括直接應用於網格邊緣的卷積，池化和解除層：

卷積神經網絡（CNN）非常適合處理圖像和視覺數據。 CNN近年來風靡一時，隨著圖像相關應用的湧現而興起：物體檢測、圖像分割、圖像分類等，隨著CNN的進步，這些都變成了可能。

而最近3D深度學習吸引了業界的興趣，包括機器人和自動駕駛等領域。3D形狀的問題在於它們本質上是不規則的。這使得像卷積這樣的操作變得很困難。這也是MeshCNN發揮作用的地方。它是是用於3D三角網格的通用深度神經網絡：網格是頂點，邊和麵的列表，它們共同定義3D對象的形狀。