目前機器學習可以說是百花齊放階段，不過如果要學習或者研究機器學習，進而用到生產環境，對平臺，開發語言，機器學習庫的選擇就要費一番腦筋了。這裏就我自己的機器學習經驗做一個建議，僅供參考。
首先，對於平臺選擇的第一個問題是，你是要用於生產環境，也就是具體的產品中,還是僅僅是做研究學習用？
1. 生產環境中機器學習平臺的搭建
如果平臺是要用於生產環境的話，接着有一個問題，就是對產品需要分析的數據量的估計，如果數據量很大，那麼需要選擇一個大數據平臺。否則的話只需要一個單機版的平臺就可以了。
1.1 生產環境中機器學習大數據平臺的搭建
生產環境裏面大數據平臺，目前最主流的就是Spark平臺，加上輔助的分佈式數據處理容器，比如YARN，或者Mesos.如果需要實時的收集在線數據，那麼就加上Kafka。簡言之，一個通用的大數據處理平臺就是集成Spark + YARN(Mesos) + Kafka. 我現在做的產品項目都是基於Spark + YARN+ Kafka的，目前來看，這個平臺選擇基本上是主流的方向。
當然，有人會說，這麼多開源軟件，一起集成起來好麻煩，大坑肯定不少，有沒有一個通用的平臺，可以包括類似Spark + YARN+ Kafka的大數據平臺功能呢？目前據我所知，做的比較好的有CDAP(http://cdap.io)。它對Spark， YARN， Kafka還有一些主流的開源數據處理軟件進行了集成，開發者只需要在它上面封裝的一層API上做二次開發就可以了。這應該是一個不錯的點子，不過目前還沒有看到商用的成功案例，所以我們在構架選型的時候就沒有考慮CDAP。
因此，圍繞Spark + YARN+ Kafka的大數據平臺還是首選。由於Spark MLlib的機器學習算法並不豐富好用，因此如果你的產品中需要一些MLlib中沒有的算法，就需要自己去找開源實現了。
1.2 生產環境中機器學習單機數據平臺的搭建
生產環境裏面如果數據裏不大，大數據平臺就顯得有點over design了，此時我們有更多的選擇。首選，仍然是Spark平臺，不過我們不需要分佈式的容器YARN和分佈式數據分發的路由Kafka了。爲什麼首選還是Spark呢？因爲我們要考慮擴展，現在數據量不大，不代表以後數據量不大。這也是我參與的一些小型數據分析項目也是選擇Spark的原因。當然我覺得還有一些原因是Spark同時支持了Python, Java, Scala和R。這降低了很多程序員的參與門檻。我參與的Spark項目中，開發語言主要是Java和Scala。Python沒有選擇是因爲一些速度的原因和系統其它部分都是用Java寫的。
第二個選擇是以scikit-learn爲主的一系列python工具，包括 numpy, scipy, pandas, MatplotLib等等。特點是類庫豐富，尤其是scikit-learn的機器學習庫，可以說是十八般武器，樣樣都有。另外就是由於可以交互式的編寫程序，方便快速開發原型。我參與的有兩個項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，生產環境中機器學習單機數據平臺， Spark是做產品首選，而scikit-learn家族適合做快速的原型開發驗證。
2. 研究環境中機器學習平臺的搭建
如果只是做研究，那麼選擇就很多了，主流的有三種。
第一種是基於Spark MLlib來學習。好處是學到的東西用到生產環境可以無縫切換，但是壞處也很明顯，Spark東西很多，在自己的單機上跑很吃內存，比較慢，而且MLlib的類庫並不豐富，很多算法需要自己再去找類庫。根據周圍同事的反饋，比較吃力，因此基於Spark MLlib來學習機器學習，我個人覺得不是一個好的選擇。
第二種是基於scikit-learn爲主的一系列python工具來學習，包括上面提到的numpy, scipy, pandas, MatplotLib等等。好處是類庫多，API強大，可以讓你專注於數據的分析，例子也多，學習起來不難。當然也有缺點，就是這一大堆的python庫，要熟練的用起來需要一段時間。 個人比較推薦這種方法，周圍同事來說，用scikit-learn學習交流也是主流。
第三種是基於R的平臺來做機器學習（不包括Spark R），主要平臺是R studio。由於R是一門比較老的語言，因此他的數據處理和機器學習的API比較豐富，尤其是對於之前做數據分析師的人來說更是熟悉不過。但是R是一門相對封閉的語言，社區遠遠沒有Python的活躍，而且對於程序員來說， R的那種語法讓人難受。幾年前，一般會認爲R的機器學習比Python的好，但是現在Python已經將R遠遠甩在了後面。因此，除非你之前已經很熟悉R語言，否則完全不推薦用R來研究機器學習，BTW，這裏沒有歧視R的意思。
總之，如果你想研究學習機器學習，並且沒有特殊的R背景，scikit-learn是你的首選。當然，有人會說，我喜歡自己去一點點的實現機器學習的算法，不喜歡直接調用類庫，這樣不行嗎？ 當然，這樣肯定是非常不錯的，並且對加深各個算法理解很有好處。只是這樣比較的花時間，如果你和我一樣時間不太多的話，還是直接調用API來研究數據比較直接。
（歡迎轉載，轉載請註明出處。歡迎溝通交流： [email protected]）