机器学习------平台和语言选择
机器学习语言
一、机器学习常用的编程语言有哪些？
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、 凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以 获取新的知识或技能， 重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的 核心， 是使计算机具有智能的根本途径， 其应用遍及人工智能的各个领域， 它主要使用归纳、 综合而不是演绎。 目前机器学习语言主要有：R 语言，Python，MATLAB、JAVA、WEKA、GO、JavaScript 等。
二、各个语言在机器学习方面的优缺点:
1、R 语言
R 语言是一个开发环境，采用一种近似于 Lisp 的脚本语言。在这个库中，所有与统计相 关的功能都通过 R 语言提供， 包括一些复杂的图标。 CRAN(可以认为是机器学习的第三方包) 中的机器学习目录下的代码， 是由统计技术方法和其他相关领域中的领军人物编写的。 如果 做实验，或是快速拓展知识，R 语言都是必须学习的。R 的优势在于有包罗万象的统计函数 可以调用，特别是在时间序列分析方面（主要用在金融分析与趋势预测）无论是经典还是前 沿的方法都有相应的包直接使用；相比 python 在这方面贫乏不少。缺点是在处理大数据方 面，性能和速度低下。
2、Python
Python 是一门多功能的语言。数据统计是更多是通过第三方包来实现的。在数据分析、 海量的数据统计、以及提供互动化的数据分析，动态的缩放图表等综合功能最强大的。但是 这些功能分散在第三方库里面，没有得到有机的整合，相应的学习成本会较高。python 与 R 相比速度要快。python 可以直接处理上 G 的数据；R 不行，R 分析数据时需要先通过数据库 把大数据转化为小数据（通过 groupby）才能交给 R 做分析，因此 R 不可能直接分析行为详 单，只能分析统计结果。Python 的优势在于其胶水语言的特性，一些底层用 C 写的算法封 装在 python 包里后性能非常高效(Python 的数据挖掘包 Orange canve 中的决策树分析 50 万 用户 10 秒出结果，用 R 几个小时也出不来，8G 内存全部占满)。
3、MATLAB
作为机器学习、模式识别等方面经常使用的工具，MATLAB 在实现机器学习算法时要比 Python 或者 NumPy 更加自然。很多高校也在计算机科学相关的课程中教授 MATLAB 语言， 易学易用。然而，MATLAB 也存在很多的缺点：价格昂贵、非开源、性能表现平平、语法不 符合程序员的习惯等。 例如， MATLAB 中矩阵乘积运算操作为 X.dot(Y) ， 而 Python 为 X@W ， 更加简洁、明了。MATLAB 的性能比 Python、Go、Java 等语言要差很多。
4、JAVA
在大数据框架中，Mahout（在印地语中意思是“大象骑士”）包 含几种常见的机器学 习方法。这款软件包是围绕算法而非方法，所以需要有一定的算法基础，其各部分功能是整 合在一起的，比如基于用户的推荐系统。 另一个基于 Hadoop 的机器学习项目是 Cloudera 公司推行的 Oryx， 其特性在于通过交付 实时流结果而非处理批量作业来对 Mahout 处理结果进行进一步分析。 该该项目现在还处于 初始阶段，这只是个项目而非实际产品，但它在不断改善，所以很值得关注。
除了上述主要针对 Hadoop 的 Mahout， 其他一些面向 Java 的机器学习库也在广泛使用。 Weka 由新西兰怀卡托大学开发的工作台式的应用，它在常见的算法集合中增加了可视化和 数据挖掘功能。对于那些想要为他们的工作打造一个前端或者计划将 Java 作为初始开发的 用户来说，Weka 可能是最好的选择。Java-ML 也不错，但它更适合那些已经习惯将 Java 和 机器学习配合使用的开发者。
5、WEKA
WEKA 是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的 API、命令行和 图形化用户接口。可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时 可以通过第三方插件执行其他算法。
6、Go
谷 歌的系统语言，由于其并行设计，使其似乎是一个编写机器学习库理想的环境。虽然 目前与之相关的库项目规模尚小，但也有一些值得关注， GoLearn，它的开发者将其描述为 一个“内置电池”的机器学习库。它提供过滤、分类以及回归分析等多种工具。另一套较小 且更为基础的库是 mlgo，虽然目前它能提供的算法数量还非常少，但计划在未来推出更多。
7、JavaScript
关于 JavaScript， 原意是这样的， 任何能够由 JavaScript 编写的内容最终都会由 JavaScript 编写，这对机器学习库同样适用。目前由 JavaScript 编写的方案在这一领域数量仍然相对较 少，大多数选项仅仅是单一算法而非完整的库，但已经有部分有用工具渐渐脱颖而出。 ConvNetJS 允许大家直接在浏览器当中进行深度学习神经网络培训，而名为 brain 则将神经 网络作为可安装的 NPM 模块提供给大家。此外，Encog 库同样值得关注，而且它适用于多 种平台：Java、C#、C/C++以及 JavaScript。
一、机器学习常用的编程语言有哪些？
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、 凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以 获取新的知识或技能， 重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的 核心， 是使计算机具有智能的根本途径， 其应用遍及人工智能的各个领域， 它主要使用归纳、 综合而不是演绎。 目前机器学习语言主要有：R 语言，Python，MATLAB、JAVA、WEKA、GO、JavaScript 等。
二、各个语言在机器学习方面的优缺点:
1、R 语言
R 语言是一个开发环境，采用一种近似于 Lisp 的脚本语言。在这个库中，所有与统计相 关的功能都通过 R 语言提供， 包括一些复杂的图标。 CRAN(可以认为是机器学习的第三方包) 中的机器学习目录下的代码， 是由统计技术方法和其他相关领域中的领军人物编写的。 如果 做实验，或是快速拓展知识，R 语言都是必须学习的。R 的优势在于有包罗万象的统计函数 可以调用，特别是在时间序列分析方面（主要用在金融分析与趋势预测）无论是经典还是前 沿的方法都有相应的包直接使用；相比 python 在这方面贫乏不少。缺点是在处理大数据方 面，性能和速度低下。
2、Python
Python 是一门多功能的语言。数据统计是更多是通过第三方包来实现的。在数据分析、 海量的数据统计、以及提供互动化的数据分析，动态的缩放图表等综合功能最强大的。但是 这些功能分散在第三方库里面，没有得到有机的整合，相应的学习成本会较高。python 与 R 相比速度要快。python 可以直接处理上 G 的数据；R 不行，R 分析数据时需要先通过数据库 把大数据转化为小数据（通过 groupby）才能交给 R 做分析，因此 R 不可能直接分析行为详 单，只能分析统计结果。Python 的优势在于其胶水语言的特性，一些底层用 C 写的算法封 装在 python 包里后性能非常高效(Python 的数据挖掘包 Orange canve 中的决策树分析 50 万 用户 10 秒出结果，用 R 几个小时也出不来，8G 内存全部占满)。
3、MATLAB
作为机器学习、模式识别等方面经常使用的工具，MATLAB 在实现机器学习算法时要比 Python 或者 NumPy 更加自然。很多高校也在计算机科学相关的课程中教授 MATLAB 语言， 易学易用。然而，MATLAB 也存在很多的缺点：价格昂贵、非开源、性能表现平平、语法不 符合程序员的习惯等。 例如， MATLAB 中矩阵乘积运算操作为 X.dot(Y) ， 而 Python 为 X@W ， 更加简洁、明了。MATLAB 的性能比 Python、Go、Java 等语言要差很多。
4、JAVA
在大数据框架中，Mahout（在印地语中意思是“大象骑士”）包 含几种常见的机器学 习方法。这款软件包是围绕算法而非方法，所以需要有一定的算法基础，其各部分功能是整 合在一起的，比如基于用户的推荐系统。 另一个基于 Hadoop 的机器学习项目是 Cloudera 公司推行的 Oryx， 其特性在于通过交付 实时流结果而非处理批量作业来对 Mahout 处理结果进行进一步分析。 该该项目现在还处于 初始阶段，这只是个项目而非实际产品，但它在不断改善，所以很值得关注。
除了上述主要针对 Hadoop 的 Mahout， 其他一些面向 Java 的机器学习库也在广泛使用。 Weka 由新西兰怀卡托大学开发的工作台式的应用，它在常见的算法集合中增加了可视化和 数据挖掘功能。对于那些想要为他们的工作打造一个前端或者计划将 Java 作为初始开发的 用户来说，Weka 可能是最好的选择。Java-ML 也不错，但它更适合那些已经习惯将 Java 和 机器学习配合使用的开发者。
5、WEKA
WEKA 是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的 API、命令行和 图形化用户接口。可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时 可以通过第三方插件执行其他算法。
6、Go
谷 歌的系统语言，由于其并行设计，使其似乎是一个编写机器学习库理想的环境。虽然 目前与之相关的库项目规模尚小，但也有一些值得关注， GoLearn，它的开发者将其描述为 一个“内置电池”的机器学习库。它提供过滤、分类以及回归分析等多种工具。另一套较小 且更为基础的库是 mlgo，虽然目前它能提供的算法数量还非常少，但计划在未来推出更多。
7、JavaScript
关于 JavaScript， 原意是这样的， 任何能够由 JavaScript 编写的内容最终都会由 JavaScript 编写，这对机器学习库同样适用。目前由 JavaScript 编写的方案在这一领域数量仍然相对较 少，大多数选项仅仅是单一算法而非完整的库，但已经有部分有用工具渐渐脱颖而出。 ConvNetJS 允许大家直接在浏览器当中进行深度学习神经网络培训，而名为 brain 则将神经 网络作为可安装的 NPM 模块提供给大家。此外，Encog 库同样值得关注，而且它适用于多 种平台：Java、C#、C/C++以及 JavaScript。
三：相关回答：
1. 机器学习，无非就是提取特征，然后分类，而这其中的大部分在opencv里已经集成了，所以你有必要先学习一下opencv这一开源库，强大而简洁。关于入门的资料，你可以看一下csdn的浅墨的文章。他的博客地址http://blog.csdn.net/poem_qianmo?viewmode=contents，这也是我oepncv入门的资料，共十八课，踏踏实实的跟着坐下来，应该是能入门了，如果不够，可以买他写的书，及我大爱的一本《深入理解opencv》。
2. 关于机器学习，有那么一本书《机器学习实战》，是用python写的，个人觉得很好，不仅简单的写了下常用机器学习算法的原理，而且有代码。python要是不熟悉的话，可以现学现卖，如果你之前学过任何一门语言，那么python学习就会比较简单，现在在搞深度学习框架，很多框架的都提供了python的接口，python是一门愈来愈热的语言，有必要学习。
3. 关于视频分析，我从我从事的智能监控方面来讲一下，其实就是图像的处理，首先要提取视频中的运动物体，常用算法有：帧差法，GMM，vibe等；提取前景（运动物体）后对其进行跟踪，跟踪的主要算法有：camshift，粒子滤波，TLD，压缩感知等；以及之后对监控视频的去模糊，去雾，夜视增强，行人检测，车牌检测，上下身颜色识别，人车分类、视频浓缩，不过这些，都可基于opencv来实现。
4. 机器学习的分支，深度学习，也就是深度神经网络是近来比较火热的领域，很多机器学习实现的功能很难用到商用中，比如人脸识别，传统的机器学习方法受光照，角度干扰太大，很难达到较好的识别率，深度学习在图像中的应用已经有很多了。这里介绍几个框架，也是目前我在用的，伯克利的caffe，以及谷歌的tensorflow，当然这应该是你完成上述前三部门的内容后，才该做的。
2. 关于机器学习，有那么一本书《机器学习实战》，是用python写的，个人觉得很好，不仅简单的写了下常用机器学习算法的原理，而且有代码。python要是不熟悉的话，可以现学现卖，如果你之前学过任何一门语言，那么python学习就会比较简单，现在在搞深度学习框架，很多框架的都提供了python的接口，python是一门愈来愈热的语言，有必要学习。
3. 关于视频分析，我从我从事的智能监控方面来讲一下，其实就是图像的处理，首先要提取视频中的运动物体，常用算法有：帧差法，GMM，vibe等；提取前景（运动物体）后对其进行跟踪，跟踪的主要算法有：camshift，粒子滤波，TLD，压缩感知等；以及之后对监控视频的去模糊，去雾，夜视增强，行人检测，车牌检测，上下身颜色识别，人车分类、视频浓缩，不过这些，都可基于opencv来实现。
4. 机器学习的分支，深度学习，也就是深度神经网络是近来比较火热的领域，很多机器学习实现的功能很难用到商用中，比如人脸识别，传统的机器学习方法受光照，角度干扰太大，很难达到较好的识别率，深度学习在图像中的应用已经有很多了。这里介绍几个框架，也是目前我在用的，伯克利的caffe，以及谷歌的tensorflow，当然这应该是你完成上述前三部门的内容后，才该做的。
厚积薄发，行胜于言@飞鸟各投林
