No1: InterpretML by Microsoft Machine Learning Interpretability

可解释性是目前机器学习中的一个重要问题。能够理解模型如何产生它所输出的内容，这是每个机器学习专案的关键。

Interpretml是微软的一个开源软件包，用于训练可解释模型和解释黑盒系统。微软在解释为什么解释性是必要的时候说得非常好：

模型除错：为什么我的模型犯了这个错误？检测偏差：我的模型有区别吗？人工智能合作：我如何理解和信任模型的决策？法规遵从性：我的模型是否满足法律要求？高风险应用：医疗、金融、司法等。从过去的经验看，最容易理解的模型不是很准确，而最准确的模型是不可理解的。随着复杂性的增加，解释机器学习模型的内部工作变得更加困难。于是，MicrosoftResearch开发了一种称为可解释增强机（EBM）*的算法，该算法具有高精度和可理解性。EBM使用现代机器学习技术，如 bagging 和boosting，为传统的GAM模型注入新的活力。这使它们像随机森林和梯度提升树一样准确，并且还增强了它们的可理解性和可编辑性。

此外，该算法不仅限于使用EBM，它还支援LIME、线性模型、决策树等算法。比较模型并为我们的专案挑选最好的模型从未如此简单！

而Interpretml的安装也很简单，仅需要如下几行程式码：

pip install numpy scipy pyscaffold

pip install -U interpret

No2：Tensor2Robot (T2R) by Google Research

Google Research再次出现在我们推荐的Github系列专案中。因为他们拥有业务中最强大的计算能力，且他们正在将它用于机器学习。

Google最新发布了名为Tensor2Robot（T2R）的开源专案。 T2R是用于大规模深度神经网络训练、评估和推理的库。，此储存库包含分散式机器学习和强化学习基础结构。它在Alphabet内部使用，开源的目的是使Robotics @ Google的研究对于更广泛的机器人和计算机视觉社群更具可重复性。

以下是使用Tensor2Robot实现的几个专案：

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

No3：Generative Models in TensorFlow 2

这是一个在Tensorflow 2中实现大量生成模型的小专案。（TensorFlow 2.0是今年最受期待的TensorFlow版本，于不久前正式推出。）图层和优化器都是使用Keras。这些模型是针对两个资料集实现的：fashion MNIST和NSYNTH。编写网络的目的是尽可能简单和一致，同时具有可读性。因为每个网络都是自包含在notebook中的，所以它们应该可以在colab会话中轻松执行。

该储存库包含多个生成模型的TF实现，包括：

生成对抗网络（GAN）自动编码器变分自动编码器（VAE）VAE-GAN等。

No4：STUMPY – Time Series Data Mining

STUMPY是一个功能强大且可扩充套件的库，可帮助我们执行时间序列资料探勘任务。 STUMPY旨在计算矩阵轮廓，矩阵轮廓是一个向量，它储存时间序列中任何子序列与其最近邻居之间的 z-normalized 欧几里德距离。

以下是此矩阵配置档案帮助我们执行的一些时间序列资料探勘任务：

异常发现语义分割密度估计时间序列链（时序有序的子序列模式集）使用以下程式码可以通过pip直接安装STUMPY：

pip install stumpy

No5：MeshCNN in PyTorch

MeshCNN是用于3D三角网格的通用深度神经网络。这些网格可用于3D形状分类或分割等任务。MeshCNN框架包括直接应用于网格边缘的卷积，池化和解除层：

卷积神经网络（CNN）非常适合处理影象和视觉资料。 CNN近年来风靡一时，随着影象相关应用的涌现而兴起：物体检测、影象分割、影象分类等，随着CNN的进步，这些都变成了可能。

而最近3D深度学习吸引了业界的兴趣，包括机器人和自动驾驶等领域。3D形状的问题在于它们本质上是不规则的。这使得像卷积这样的操作变得很困难。这也是MeshCNN发挥作用的地方。它是是用于3D三角网格的通用深度神经网络：网格是顶点，边和面的列表，它们共同定义3D物件的形状。