近日，MIT 发布了动态编程语言 Julia 1.0 正式版本，下载地址：
由 MIT 主导开发的 Julia 是一种新型编程语言，它将 C 的速度、Ruby 的灵活性 Matlab 的数学表征、Python 的通用编程结合在一起，集众家之所长，近年来成为全球火热程度上升最快的编程语言之一，受到包括 Google、Facebook 在内的世界知名互联网公司开发者们的广泛欢迎。
总体来看，Julia 具有快速、通用、动态、专业、多样性和可组合等特点。由于其高性能、使用简单、面向广大开发者，因此在某些情况下非常适合开发各种东西，比如深度学习框架。故而它一经推出，就引起数据分析和科学计算领域的浓厚兴趣。
本文就介绍 5 个面向 Julia 的机器学习项目，它们并非全都是机器学习库，其中一个是实现机器学习算法的支持功能的合集。
MLBase.jl
以这个项目着手开始比较合适，MLBase 自称为“机器学习中的瑞士军刀”。
它不是实现机器学习算法，而是一系列支持工具的合集，比如用于预处理、基于分数的分类、性能评估指标、模型调试等等这方面的工具。
MLBase 的文档非常不错，而且每个工具都附有一定数量的代码示例。
项目地址：
ScikitLearn.ji
对于使用 Python 编程的开发者来说，Julia 可以说是个潜在的“救火队长”。
ScikitLearn.jl 用 Julia 实现了常见的 Scikit-learn 接口和算法。其支持来自 Julia 生态系统和 Scikit-learn 库（通过 PyCall.jl）这两部分的模型。
虽然 ScikitLearn.jl 并非 Scikit-learn 的官方作品，但它实现了非常可靠的接口，并将 Python 模型和 Julia 模型结合在一起，还是非常有吸引力的。
项目中附有很不错的入门指南，以及很多 Jupyter notebook 示例。
项目地址：
MachineLearning.jl
该项目主要介绍 Julia 中的机器学习算法。其包含了相当数量的机器学习算法和支持工具，对于用Julia进行机器学习开发是个很棒的资源。
目前主要包括以下算法：决策树分离器，随机森林分类器，基础的神经网络和贝叶斯累加回归树。另外也支持将数据集分割为 训练集 和 测试集，以及对模型进行交叉检验。
项目地址：
Mocha.jl
Macha.jl 是一个面向 Julia 的深度学习框架，其开发灵感源自 C++ 框架 Caffe。Mocha.jl 中高效实现了通用的随机梯度解算器和常见网络层，能通过无监督预训练方式用于训练深度神经网络和卷积神经网络。
项目文档包含了一系列的教程合集以及完整的使用指南，是一个非常详尽的面向 Julia 的深度学习项目。
项目地址：
TextAnalysis.jl
TextAnalysis.jl 是一个用于文本分析的 Julia 库，提供文档预处理、语料库创建、文档术语矩阵、逆文档频率、潜在语义分析、潜在狄利克雷分布等多种自然语言处理功能。如果你对使用 Julia 执行自然语言处理任务，这绝对是很合适的入门项目。
项目地址：
如果想入门了解一下 Julia，可以看看集智主站发布的《Julia 快速入门》系列教程：
还想深入学习 Julia 的知识，集智推荐这个学习资源：
samuelcolvin.github.io/JuliaByExam…
最后再分享几个 Julia 实现的机器学习算法：
面向 Julia 的马尔科夫链蒙特卡罗：
Julia 实现的简单朴素贝叶斯：
Julia 实现的决策树：
Julia 实现的广义线性模型：
后面会继续分享关于 Julia 的机器学习资源，以及如何从零开始用 Julia 进行数据科学工作，欢迎关注我们。
参考资料：
www.kdnuggets.com/2016/08/top…
集智在手 AI不愁
八月新课猛戳j.youzan.com/jiECwY
