Python 由於本身的易用優勢和強大的工具庫儲備，成為了在人工智能及其它相關科學領域中最常用的語言之一。尤其是在機器學習，已然是各大項目最偏愛的語言。
其實除了 Python ，也不乏有開發者用其他語言寫出優秀的機器學習項目。在此，列出其中一些個人認為值得關注的開源機器學習項目。由於篇幅有限，考慮分多期整理。
1、C
Darknet —— 神經網絡框架
鏈接：https://github.com/pjreddie/darknet
Darknet 是一個用 C 和 CUDA 編寫的開源神經網絡框架。它快速，易於安裝，並支持 CPU 和 GPU 計算。
CCV —— 計算機視覺庫
鏈接：https://github.com/liuliu/ccv
CCV 是 C-based/Cached/Core Computer Vision Library 的簡稱, 它是一個現代的計算機視覺庫。
CCV 是一種以應用驅動的算法庫，比如對靜態物體（如人臉）的快速檢測算法、對某些不容易定位物體（如貓）的準確檢測算法、藝術文本的檢測算法、長期目標的跟蹤算法和特徵點檢測算法。
2、C++
CNTK —— 深度學習工具包
鏈接：https://www.oschina.net/p/cntk
微軟出品的開源深度學習工具包，它把神經網絡描述成一個有向圖的結構，葉子節點代表輸入或者網絡參數，其他節點計算步驟。
CNTK 不僅使深度神經網絡（DNN）、卷積神經網絡（CNN）、循環神經網絡（RNN）和長短時記憶單元（LSTM）的實現變得非常容易，還支持多個 GPU 組合、服務器自動分化和並行的隨機梯度下降（SGD）學習。
Caffe —— 深度學習框架
鏈接：https://www.oschina.net/p/caffe
Caffe 是一個清晰而又高效的深度學習框架，模型與相應優化都是以文本形式而非代碼形式給出，並給出了模型的定義、最優化設置以及預訓練的權重，方便立即上手。同時，它能夠運行最棒的模型與海量的數據，也能很方便擴展到新的任務和設置上。
Kaldi—— 語音識別工具包
鏈接：https://github.com/kaldi-asr/kaldi
Kaldi 是用 C ++ 編寫的語言識別工具包，旨在供語音識別研究人員使用，且易於修改和擴展。它在設計之初就儘可能地以最通用的形式提供的算法，以保證其可擴展性。
3、Go
CloudForest —— 決策樹組合算法
鏈接：https://github.com/ryanbressler/CloudForest
純 Go 編寫的快速、靈活、多線程的決策樹，允許一些相關的算法用於具有缺失值的異構數據的分類、迴歸、特徵選擇和結構分析。它可以實現更快的訓練時間，非常適合現代處理器來學習二進制。
4、Java
CoreNLP —— 自然語言處理工具
鏈接：https://github.com/stanfordnlp/CoreNLP
coreNLP 是斯坦福大學開發的一套關於自然語言處理的工具，使用簡單功能強大。它可以通過輸入原始文本，給出單詞的基本形式，它們的詞性、公司、人員的名稱、解釋日期、時間和數量等等。它最初針對英語開發，但現在也已支持中文。
H2O—— 機器學習和預測分析框架
鏈接：https://github.com/h2oai/h2o-3
H2O 是一個分佈式的、基於內存的、可擴展的機器學習和預測分析框架，適合在企業環境中構建大規模機器學習模型。它使用開發者熟悉的界面，可與 Hadoop 和 Spark 等大型數據技術無縫工作。它也提供許多流行算法的實現，例如 GBM、Random Forest、Deep Neural Networks、Word2Vec 等。
Deeplearning4J—— 分佈式神經網絡庫
鏈接：https://www.oschina.net/p/deeplearning4j
Deeplearning4J 是一個使用 Java 和 Scala 編寫的分佈式神經網絡庫，集成了 Hadoop 和 Spark ，設計用於運行在分佈式 GPU 和 CPU 上的商業環境。它即插即用，方便開發者在 APP 中快速集成深度學習功能
Deeplearning4j 包括了分佈式、多線程的深度學習框架，以及普通的單線程深度學習框架。
5、Javascript
Natural—— 自然語言處理工具
鏈接：https://github.com/NaturalNode/natural
node.js 下用的自然語言處理工具，支持詞法分析、詞幹分析、分類、語音、反比文檔頻數權重評價、WordNet、字符串相似度等處理。
ConvNetJS—— 深度學習庫
鏈接：https://github.com/karpathy/convnetjs
ConvNetJS 是一個基於 JavaScript 的深度學習庫，可以讓你在瀏覽器中訓練深度網絡。它可以幫助深度學習初學者更快、更直觀的理解算法通，過一些簡單的Demo給用戶最直觀的解釋。
