機器學習研究與開發(fā)平臺的選擇

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(huán)境，對平臺，開發(fā)語言，機器學習庫的選擇就要費一番腦筋了。這里就我自己的機器學習經驗做一個建議，僅供參考。

首先，對于平臺選擇的第一個問題是，你是要用于生產環(huán)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(huán)境中機器學習平臺的搭建

如果平臺是要用于生產環(huán)境的話，接著有一個問題，就是對產品需要分析的數(shù)據量的估計，如果數(shù)據量很大，那么需要選擇一個大數(shù)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(huán)境中機器學習大數(shù)據平臺的搭建

生產環(huán)境里面大數(shù)據平臺，目前最主流的就是Spark平臺，加上輔助的分布式數(shù)據處理容器，比如YARN，或者Mesos.如果需要實時的收集在線數(shù)據，那么就加上Kafka。簡言之，一個通用的大數(shù)據處理平臺就是集成Spark + YARN(Mesos) + Kafka. 我現(xiàn)在做的產品項目都是基于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，有沒有一個通用的平臺，可以包括類似Spark + YARN+ Kafka的大數(shù)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(shù)據處理軟件進行了集成，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(shù)據平臺還是首選。由于Spark MLlib的機器學習算法并不豐富好用，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(xiàn)了。

1.2 生產環(huán)境中機器學習單機數(shù)據平臺的搭建

生產環(huán)境里面如果數(shù)據里不大，大數(shù)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，不過我們不需要分布式的容器YARN和分布式數(shù)據分發(fā)的路由Kafka了。為什么首選還是Spark呢？因為我們要考慮擴展，現(xiàn)在數(shù)據量不大，不代表以后數(shù)據量不大。這也是我參與的一些小型數(shù)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(fā)語言主要是Java和Scala。Python沒有選擇是因為一些速度的原因和系統(tǒng)其它部分都是用Java寫的。

第二個選擇是以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(huán)境中機器學習單機數(shù)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(fā)驗證。

2. 研究環(huán)境中機器學習平臺的搭建

如果只是做研究，那么選擇就很多了，主流的有三種。

第一種是基于Spark MLlib來學習。好處是學到的東西用到生產環(huán)境可以無縫切換，但是壞處也很明顯，Spark東西很多，在自己的單機上跑很吃內存，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。根據周圍同事的反饋，比較吃力，因此基于