Python 由于本身的易用优势和强大的工具库储备，成为了在人工智能及其它相关科学领域中最常用的语言之一。尤其是在机器学习，已然是各大项目最偏爱的语言。

其实除了 Python ，也不乏有开发者用其他语言写出优秀的机器学习项目。在上期的文章中（除了 Python ，这些语言写的机器学习项目也很牛（一）），我们已经列了一些其他语言（C、C++、Go、Java、Javascript）值得关注的开源机器学习项目，本期将针对 PHP、Ruby、Objective C、Swift、Scala 进行补全，同时应上期留言要求，在文末列了一些 .NET 平台上的机器学习项目。

1、PHP

PHP-ML —— 机器学习库

PHP-ML 是 PHP 的机器学习库，同时包含算法、交叉验证、神经网络、预处理、特征提取等多种特性。要求 PHP 版本 > = 7.0 。

PHP-ML 提供的机器学习算法包括：关联规则学习（Apriori 算法）、分类器（SVC、KNN、贝叶斯）、回归（最小二乘线性回归、支持向量回归）、聚类（KMeans、基于密度的聚类算法）、矩阵运算相关（准确率、混肴矩阵、与分类相关的结论如精确度、召回率、F1 值、支持率）、模型运算管道（Pipeline）、神经网络（多层感知机）等。

2、Ruby

Treat ——自然语言处理框架

Treat 是一个自然语言处理和计算语言学的工具包。Treat 项目旨在为 Ruby 构建一个语言和算法均不可知的 NLP 框架，支持文档检索、文本分块、分段和标记化等任务，自然语言解析，词性标注，关键字提取和命名实体识别。

Classifier —— 通用分类器模块

Classifier 是可用贝叶斯算法及其他分类法的通用分类器模块。贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类，具有准确、快速、内存要求适当等特点。

3、Objective C

MLPNeuralNet —— 多层感知器

MLPNeuralNet 是适用于 iOS 和 Mac OS X 的快速多层感知器神经网络库。它使用矢量操作和硬件加速（如果可用）构建在苹果加速框架之上，通过训练有素的神经网络预测新的示例。

4、Swift

Bender —— 机器学习框架

Bender 是 MetalPerformanceShaders 之上的一个抽象层（abstraction layer），可用于操作神经网络，旨在更轻松地在 iOS 上运行预训练的网络。它可以让你轻松使用卷积、池化、全连接和一些规范化等最常见的层，从而轻松地定义和运行神经网络。

目前 Bender 有一个用于 TensorFlow 的适配器（adapter），其可以加载带有变量的图（graph），并将其「翻译」成 Bender 的层（layer）。

Swift AI —— 深度学习库

Swift AI 是一个完全由 Swift 编写的高性能 AI 和机器学习库，包含用于人工智能和科学应用的常用工具集，支持卷积神经网络、循环神经网络、遗传算法库、快速线性代数库、信号处理库等。这些工具采用先进的并行处理技术，专门针对 iOS 和 OS X 硬件进行了优化，目前支持所有的 Apple 平台，并计划推出 Linux 版本支持。

5、Scala

Breeze —— 数值处理库

Breeze 是一个数值处理库，是 ScalaNLP 的核心库，包括线性代数、数值计算和优化，目标是实现通用、干净、强大，且不牺牲性能（高效）的机器学习方法。

ScalaNLP 包含 Breeze 和 Epic（一个高性能的统计解析器和结构化预测库）。

BIDMach —— 机器学习库

BIDMach 是一个速度非常快的机器学习库，支持逻辑回归、K-means、矩阵分解、随机森林、LDA 等。它是 BIDMat 的一个姊妹项目，BIDMat 是一个矩阵库。

BIDMach 在一些评测中甚至跑出了比 Spark 还好的结果。

6、.NET

numl —— 机器学习框架

numl 是一个小巧的，包含比较多的机器学习算法类库，支持监督式和非监督式学习。支持很多常见的机器学习算法，包括 Cluster、KMeans、PCA、DecisionTree、KNN、NaiveBayes、NeuralNetwork 等学习算法，功能强大，同时也包括一些数值计算的实现。

Accord.NET —— 机器学习框架

Accord.NET 为 .NET 提供机器学习、统计、人工智能、计算机视觉和图像处理方法。它可以在 Microsoft Windows、Xamarin、Unity3D、Windows Store 应用，Linux 和移动设备上使用。

在与 AForge.NET 项目合并之后，该框架现在提供了一个用于学习/训练机器学习模型的统一 API ，其易于使用和可扩展。