前言：那些流行的机器学习项目之所以受欢迎，一般是因为其提供了一种多数人需要的服务，或是因为它们是第一个（也许是最好的）针对特定用户提供服务的。那些最流行的项目包括 Scikit-learn、TensorFlow、 Theano、MXNet 、Weka 等。根据个人使用的工作系统、深度学习目标不同，不同的人认为流行的项目可能会有些许差异。然而，这些项目共有的特性是它们都面向大量的用户提供服务。但是仍然存在很多小型的机器学习项目：pipelines、wrappers、high-level APIs、cleaners 等，通常来说这些项目都是针对小规模的用户群提供好用且灵活的服务。
本文将介绍十种不那么有名的机器学习项目，你也可能从这些项目中获得一些不错的启发。不建议你去尝试所有的项目，但是如果里面刚好有你需要的某个功能，请尽管去试一试。
以下即十大你不可忽视的机器学习项目（排名不分先后）：
1. Deepy
Deepy 由 Raphael Shu 开发，是一个基于 Theano 扩展深度学习框架，它提供了一个简洁的、高阶的组件（如 LSTMs）、批规范化、自动编码等功能。Deepy 宣称其框架是十分简洁明了的，它的官方文档和示例也同样如此。
Deepy 工作原理：在给定训练数据和参数（随机初始化）下运行模型，将错误（或梯度）反馈并更新参数，这个过程反复进行。
2. MLxtend
MLxtend 由 Sebastian Raschka 开发，是一系列有效工具的集合，也是针对机器学习任务的扩展。Sebastian Raschka 提到 MLxtend 本质上是一些有效的工具集，也是与机器学习和数据科学相关的参考资料。他提到开发 MLxtend 主要是基于以下几个原因：
一些其他地方找不到的特定算法（如序列特征选择算法、多数表决分类器、叠加预估、绘图决策区域等）
用于教学目的（逻辑回归、Softmax 回归、多层感知器、PCA、PCA 内核等）这些实现主要关注于代码的可读性，而不是单纯的效率
打包便利：tensorflow、Softmax 回归和多层感知器
MLxtend 基本上是 Sebastian Raschka 所写的一个机器学习运行常用的库，其中很多功能的实现都与 scikit-learn 的 API 相似，但作者仍在持续更新中，且作者表示所有的新增特性与创新的算法都会一起打包在 MLxtend 中。
3. datacleaner
datacleaner 由 Randal Olson 开发，他认为自己开发的 datacleaner 是一个“能自动清除数据集并且让它们便于分析的 Python 工具。”他认为：datacleaner 所做的将会节约你大量的编码和清理数据的时间。
datacleaner 还处于开发过程中，但目前已经能够处理以下常规（传统方式下耗时量巨大的）数据清洗任务：
在列的基础上，用模式或中位数替换丢失的值
用数值等价物对非数值变量进行编码等
4. auto-sklearn
auto-sklearn 由德国弗莱堡大学机器学习自动算法小组开发，是针对 Scikit-learn 环境的自动机器学习工具。
auto-sklearn 能将机器学习用户从算法选择和高参数调整中解救出来，它利用了近期在贝叶斯优化、元学习和集成构筑上研究的优势。其大致工作原理如下：
5. Deep Mining
Deep Mining 由来自 MIT CSAIL 实验室的 Sebastien Dubois 开发，是一个机器学习深管道自动调谐器。为了尽快实现最好的分类精度，该软件将迭代、智能地测试一些超参数集。
另外值得一提的是文件夹 GCP-HPO 包含所有高斯过程（GCP）的实现代码以及基于其基础上的超参数优化（HPO）。高斯过程（GCP）可以看作是一种改进的版本。这项新技术被证明优于基于 GP 的超参数优化，已经远比随机搜索表现要好。
6. Rusty Machine
Rusty Machine 是基于 Rust 的机器学习方法，Rust 是由 Mozilla 赞助开发的一种与C和 C++ 较为相似的计算机编程语言，其号称“Rust 是一种系统的编程语言，运行速度极快，可以防止错误，并保证线程安全。”
Rusty Machine 的开发者是否活跃，目前支持一系列想学习技术，包括：线性回归、逻辑回归、k-均值聚类、神经网络、支持向量机等等。
Rusty Machine 还支持数据结构，如内置向量和矩阵。作为一种常见的模型接口，Rusty Machine 为每个支持的模型提供了训练和预测的功能。
7. scikit-image
