目前機(jī)器學(xué)習(xí)可以說是百花齊放階段，不過如果要學(xué)習(xí)或者研究機(jī)器學(xué)習(xí)，進(jìn)而用到生產(chǎn)環(huán)境，對(duì)平臺(tái)，開發(fā)語言，機(jī)器學(xué)習(xí)庫的選擇就要費(fèi)一番腦筋了。這里就我自己的機(jī)器學(xué)習(xí)經(jīng)驗(yàn)做一個(gè)建議，僅供參考。

[[188142]]

首先，對(duì)于平臺(tái)選擇的***個(gè)問題是，你是要用于生產(chǎn)環(huán)境，也就是具體的產(chǎn)品中,還是僅僅是做研究學(xué)習(xí)用?

1. 生產(chǎn)環(huán)境中機(jī)器學(xué)習(xí)平臺(tái)的搭建

如果平臺(tái)是要用于生產(chǎn)環(huán)境的話，接著有一個(gè)問題，就是對(duì)產(chǎn)品需要分析的數(shù)據(jù)量的估計(jì)，如果數(shù)據(jù)量很大，那么需要選擇一個(gè)大數(shù)據(jù)平臺(tái)。否則的話只需要一個(gè)單機(jī)版的平臺(tái)就可以了。

1.1 生產(chǎn)環(huán)境中機(jī)器學(xué)習(xí)大數(shù)據(jù)平臺(tái)的搭建

生產(chǎn)環(huán)境里面大數(shù)據(jù)平臺(tái)，目前最主流的就是Spark平臺(tái)，加上輔助的分布式數(shù)據(jù)處理容器，比如YARN，或者M(jìn)esos.如果需要實(shí)時(shí)的收集在線數(shù)據(jù)，那么就加上Kafka。簡言之，一個(gè)通用的大數(shù)據(jù)處理平臺(tái)就是集成Spark + YARN(Mesos) + Kafka. 我現(xiàn)在做的產(chǎn)品項(xiàng)目都是基于Spark + YARN+ Kafka的，目前來看，這個(gè)平臺(tái)選擇基本上是主流的方向。

當(dāng)然，有人會(huì)說，這么多開源軟件，一起集成起來好麻煩，大坑肯定不少，有沒有一個(gè)通用的平臺(tái)，可以包括類似Spark + YARN+ Kafka的大數(shù)據(jù)平臺(tái)功能呢?目前據(jù)我所知，做的比較好的有CDAP(http://cdap.io)。它對(duì)Spark， YARN， Kafka還有一些主流的開源數(shù)據(jù)處理軟件進(jìn)行了集成，開發(fā)者只需要在它上面封裝的一層API上做二次開發(fā)就可以了。這應(yīng)該是一個(gè)不錯(cuò)的點(diǎn)子，不過目前還沒有看到商用的成功案例，所以我們?cè)跇?gòu)架選型的時(shí)候就沒有考慮CDAP。

因此，圍繞Spark + YARN+ Kafka的大數(shù)據(jù)平臺(tái)還是***。由于Spark MLlib的機(jī)器學(xué)習(xí)算法并不豐富好用，因此如果你的產(chǎn)品中需要一些MLlib中沒有的算法，就需要自己去找開源實(shí)現(xiàn)了。

1.2 生產(chǎn)環(huán)境中機(jī)器學(xué)習(xí)單機(jī)數(shù)據(jù)平臺(tái)的搭建

生產(chǎn)環(huán)境里面如果數(shù)據(jù)里不大，大數(shù)據(jù)平臺(tái)就顯得有點(diǎn)over design了，此時(shí)我們有更多的選擇。***，仍然是Spark平臺(tái)，不過我們不需要分布式的容器YARN和分布式數(shù)據(jù)分發(fā)的路由Kafka了。為什么***還是Spark呢?因?yàn)槲覀円紤]擴(kuò)展，現(xiàn)在數(shù)據(jù)量不大，不代表以后數(shù)據(jù)量不大。這也是我參與的一些小型數(shù)據(jù)分析項(xiàng)目也是選擇Spark的原因。當(dāng)然我覺得還有一些原因是Spark同時(shí)支持了Python, Java, Scala和R。這降低了很多程序員的參與門檻。我參與的Spark項(xiàng)目中，開發(fā)語言主要是Java和Scala。Python沒有選擇是因?yàn)橐恍┧俣鹊脑蚝拖到y(tǒng)其它部分都是用Java寫的。

第二個(gè)選擇是以scikit-learn為主的一系列python工具，包括 numpy, scipy, pandas, MatplotLib等等。特點(diǎn)是類庫豐富，尤其是scikit-learn的機(jī)器學(xué)習(xí)庫，可以說是十八般武器，樣樣都有。另外就是由于可以交互式的編寫程序，方便快速開發(fā)原型。我參與的有兩個(gè)項(xiàng)目在可行性分析階段，都是用scikit-learn來做原型和給客戶做demo。

因此，生產(chǎn)環(huán)境中機(jī)器學(xué)習(xí)單機(jī)數(shù)據(jù)平臺(tái)， Spark是做產(chǎn)品***，而scikit-learn家族適合做快速的原型開發(fā)驗(yàn)證。

2. 研究環(huán)境中機(jī)器學(xué)習(xí)平臺(tái)的搭建

如果只是做研究，那么選擇就很多了，主流的有三種。

• ***種是基于Spark MLlib來學(xué)習(xí)。好處是學(xué)到的東西用到生產(chǎn)環(huán)境可以無縫切換，但是壞處也很明顯，Spark東西很多，在自己的單機(jī)上跑很吃內(nèi)存，比較慢，而且MLlib的類庫并不豐富，很多算法需要自己再去找類庫。根據(jù)周圍同事的反饋，比較吃力，因此基于Spark MLlib來學(xué)習(xí)機(jī)器學(xué)習(xí)，我個(gè)人覺得不是一個(gè)好的選擇。
• 第二種是基于scikit-learn為主的一系列python工具來學(xué)習(xí)，包括上面提到的numpy, scipy, pandas, MatplotLib等等。好處是類庫多，API強(qiáng)大，可以讓你專注于數(shù)據(jù)的分析，例子也多，學(xué)習(xí)起來不難。當(dāng)然也有缺點(diǎn)，就是這一大堆的python庫，要熟練的用起來需要一段時(shí)間。 個(gè)人比較推薦這種方法，周圍同事來說，用scikit-learn學(xué)習(xí)交流也是主流。
• 第三種是基于R的平臺(tái)來做機(jī)器學(xué)習(xí)(不包括Spark R)，主要平臺(tái)是R studio。由于R是一門比較老的語言，因此他的數(shù)據(jù)處理和機(jī)器學(xué)習(xí)的API比較豐富，尤其是對(duì)于之前做數(shù)據(jù)分析師的人來說更是熟悉不過。但是R是一門相對(duì)封閉的語言，社區(qū)遠(yuǎn)遠(yuǎn)沒有Python的活躍，而且對(duì)于程序員來說， R的那種語法讓人難受。幾年前，一般會(huì)認(rèn)為R的機(jī)器學(xué)習(xí)比Python的好，但是現(xiàn)在Python已經(jīng)將R遠(yuǎn)遠(yuǎn)甩在了后面。因此，除非你之前已經(jīng)很熟悉R語言，否則完全不推薦用R來研究機(jī)器學(xué)習(xí)，BTW，這里沒有歧視R的意思。

總之，如果你想研究學(xué)習(xí)機(jī)器學(xué)習(xí)，并且沒有特殊的R背景，scikit-learn是你的***。當(dāng)然，有人會(huì)說，我喜歡自己去一點(diǎn)點(diǎn)的實(shí)現(xiàn)機(jī)器學(xué)習(xí)的算法，不喜歡直接調(diào)用類庫，這樣不行嗎? 當(dāng)然，這樣肯定是非常不錯(cuò)的，并且對(duì)加深各個(gè)算法理解很有好處。只是這樣比較的花時(shí)間，如果你和我一樣時(shí)間不太多的話，還是直接調(diào)用API來研究數(shù)據(jù)比較直接。