25個GitHub上最受歡迎的趣味機器學習項目（下）！
ParlAI
作為Facebook研究項目的一部分，ParlAI是一個用于在各種公開可用的對話數據集上訓練和評估AI模型的框架。
ParlAI將為研究人員提供訪問許多流行數據集的權限，同時擁有用于共享和測試對話模型的統一框架。 您可以在這里閱讀更多關于ParlAI的信息。
facets
Facets是一種可視化機器學習數據集的工具。可視化實現為Polymer Web組件，由Type代碼支持，可以輕松嵌入到Jupyter筆記本或網頁中。
可視化的關鍵方面是跨多個數據集的異常檢測和分布比較。 有趣的值（例如，大部分缺失數據，或跨多個數據集的特征的非常不同的分布）以紅色突出顯示。
ELF with AlphaGoZero
ELF是AlphaGoZero / AlphaZero重新實現的游戲研究平臺。 ELF為游戲研究提供端到端解決方案。 它包括微型實時戰略游戲環境，并發仿真，數千臺機器的分布式培訓，直觀的API，基于Web的可視化以及由PyTorch提供支持的強化學習框架。
Detectron
Detectron是Facebook AI Research的軟件系統，它實現了最先進的物體檢測算法，包括Mask R-CNN。 它是用Python編寫的，由Caffe2深度學習框架提供支持。
Fast Style Transfer 快速風格轉移
使用TensorFlow CNN實現，這可能是圖像樣式傳輸的最佳示例之一，顧名思義，它的完成速度非常快。 該實現基于Gatys的藝術風格的神經算法，Johnson對實時樣式轉換和超分辨率的感知損失以及Ulyanov的實例規范化的組合。
人臉識別
此工具提供簡單的面部識別API。 它可以找到面部特征，并可以猜出給定照片中的人物。
使用dlib最先進的面部識別功能構建而成，并通過深度學習構建。 該模型在Wild標記的Labeled Faces中的準確度為99.38％。
這還提供了一個簡單的face_recognition命令行工具，可以讓您從命令行對圖像文件夾進行人臉識別！
說到人臉識別，谷歌曾經在2017年發布了一款AI硬件紙盒套件，也是旗下AI開源項目(AIY Projects)的作品。Vision Kit 是一套簡單的計算機視覺系統，它可以檢測幾千種常見物體，但也可以對人類的臉部表情進行檢測，并顯示出情緒，比如微笑、皺眉、憤怒、開心等等。
皺眉時按鈕會變藍色，微笑則變黃色。若人臉的表情很夸張，設備會發出聲音。假如相機看到多張人臉，它將評估每張人臉并計算每張人臉的喜悅分值。
深度照片風格轉移 （Deep photo style transfer）
另一個夢幻般的風格轉移項 此回購包含代碼和研究論文：深度照片風格轉移。 它提供了簡單的API來合并樣式和源圖像。 令人印象深刻的圖像樣式轉移。
Fast Text
fastText是一個有效學習單詞表示和句子分類的庫。為了更好地了解這個項目，請轉到他們的文本分類教程，該教程展示了如何在監督學習中使用該庫。 文本分類的目標是將文檔（例如電子郵件，帖子，文本消息，產品評論等）分配給一個或多個類別。
AirSim
AirSim是一款基于虛幻引擎的無人機，汽車等模擬器。 它是開源的，跨平臺的，它支持硬件在環與流行的飛行控制器，如PX4，用于物理和視覺逼真的模擬。 這是一個Unreal插件，可以簡單地插入到你想要的任何虛幻環境中。
圖像恢復 （Image restoration）
機器學習可以做的比我們想象的要多。 使用Deep Image Prior，它是關于用神經網絡修復圖像 - 但沒有學習。此工具可以恢復帶有劃痕，壞點和/或不需要的文本標記的損壞圖像。
Open Pose
Open Pose是第一個在單個圖像上聯合檢測人體，手，面部和足部關鍵點（總共135個關鍵點）的實時多人系統。 它可以檢測腳，身體，面部和手。
pirateAT
PirateAI在模擬環境（島嶼）中訓練自主代理（海盜）。 這個倉庫運行一個訓練管道，在游戲（尋找寶藏）和模型訓練課程（Keras + hyperopt）之間交替。
EmojiIntelligence
與此列表中的許多項目相比，這相當簡單，但它是學習神經網絡如何工作的良好起點。 實現是在沒有任何庫的純Swift中，并且很容易遵循。
基于深度范例的著色 （Deep Exemplar-Based Colorization）
基于深度范例的著色是基于樣本的局部著色的第一種深度學習方法。 給定參考彩色圖像，我們的卷積神經網絡直接將灰度圖像映射到輸出彩色圖像。 這是基于深度范例的著色的論文的實現。
感謝您瀏覽此列表。 我希望你找到了一些激勵你并引起你興趣的東西。 相對來說，機器學習剛剛開始，所以未來肯定會有更多新的有趣項目。