Julia 项目是我积极参与的项目，包括高级计算和 XGBoost 库。所以，我绝对可以保证它的维护和社区的质量。

一些非常好的开源数据科学项目，即使是初学者也可以做出贡献：

• Sklearn : sklearn 社区始终在快速发展，始终对新的开发人员和贡献者开放。
• H2O：H2O 是另一个快速发展的数据科学项目，致力于可扩展的机器学习和深度学习解决方案。
• Go：开源数据科学路线图和资源。不是真正的技术项目，但对绝对初学者和有抱负的分析师非常有帮助。
• Pylearn2：另一个快速发展的机器学习和深度学习项目。
• Vowpal Wabbit：Vowpal Wabbit (VW) 项目是一个快速的核外学习系统，由 Microsoft Research 和（以前的）Yahoo! 赞助。研究。

这是有关此类项目的Quora 讨论以及此答案中未提及的更多内容。

这是关于 Python 中的开源数据科学和机器学习项目的另一个很好的讨论。

有很多可用的。我不知道我是否被允许这样做（如果错了请告诉我），但我开发了一个，它已经在 git hub 上运行了 2 年多（它实际上比 github 早一年开始）。该项目名为 rapaio，位于 git hub 上，最近我开始为它编写手册（我的一些朋友问我这个问题）。该手册可以在这里找到。

如果您愿意使用 Java 8 进行开发，如果您喜欢自己动手做任何工具，并且如果您喜欢试验，那么它符合您的需求。我只执行两个原则。第一个是只在需要时才写东西。那是因为我坚信，只有当你需要一个工具时，你才会知道你在输出、性能、信息方面真正想要什么。第二个原则是你只依赖jdk，如果你需要一些东西你会写它。我同意我是过时的，但您可以通过这种方式为您的目的定制任何功能。

如果我不允许作为回答者这样做，请再次告诉我。虽然，因为它是一个开源计划，所以回馈一些没有利润的项目类型的人，我看不出我不能这样做的原因。

ELKI（也在GitHub 上）是数据挖掘和数据科学开源项目。它的独特之处在于其模块化架构：您可以将算法、距离函数和索引组合起来，几乎没有限制（当然，不使用距离的算法不能与距离组合）。由于效率，它不是最简单的代码。对于数据挖掘，您需要注意内存 -ArrayList<Integer>如果您想要可扩展性，则使用是不可行的。

由于模块化架构，很容易只贡献小模块，例如单个距离函数或算法。

我们保留了一份数据挖掘项目想法列表，大致按难度分组。大多数项目都是算法的一些变体的实现。ELKI 旨在允许对算法进行比较研究，因此我们尝试允许任何组合，并且还涵盖算法的变体。例如，对于 k-means，我们不仅有 Lloyds 算法，还有一般 k-means 主题的 10 个变体。超过 220 篇文章已（至少部分）在 ELKI 中重新实现。

通过在同一个工具中实现所有内容，我们得到了更具可比性的结果。如果您使用 R 进行基准测试，您通常是在比较苹果和橙子。R 中的 k-means 实际上是一个旧的 Fortran 程序，而且速度非常快。R 中的 k-means 但在“flexclust”包中的速度要慢 100 倍，因为它是用真正的 R 代码编写的。所以不要相信 R 中的基准测试......而且，R 模块往往是不兼容的，所以你通常不能使用模块 A 的距离 A 和模块 B 的算法 B。在 ELKI 中，我们尝试共享尽可能多的代码可以跨实现来减少此类工件（当然，永远不可能有一个 100% 公平的基准 - 总是有优化的空间），而且还允许轻松组合模块。

您可以从 Hartigan&Wong k-means 变体等小东西开始，然后继续使用球形 k-means（适用于稀疏数据，可能需要不同的性能优化）并继续为分类数据添加更好的支持；或添加索引功能。

我也希望看到更好的 ELKI 用户界面，但这是一项重大的努力。

如果喜欢跨平台的可视化编程工具，Orange是一个选择。最近迁移到 Python 3，他们还没有移植所有的小部件。它将 PyData 堆栈（NumPy、SciPy、SciKit Learn...）引入 Python 3、PyQt、PyQtGraph，并且在 GitHub 上采用GPL 协议。