機器學習工具 · Machine Learning Mastery 博客文章翻譯

# 機器學習工具 > 原文： [https://machinelearningmastery.com/machine-learning-tools/](https://machinelearningmastery.com/machine-learning-tools/) 工具是機器學習的重要組成部分，選擇合適的工具與使用最佳算法同樣重要。在這篇文章中，您將仔細研究機器學習工具。了解它們的重要性以及您可以選擇的工具類型。 ![Machine Learning Tools](img/b45287f79c0a7c9ffb1ccff8f90e2bd7.jpg) 機器學習工具攝影： [Lachlan Donald](https://www.flickr.com/photos/lox/9408028555/) ，保留一些權利。 ## 為何使用工具機器學習工具使應用機器學習更快，更容易，更有趣。 * **更快**：好的工具可以自動化應用機器學習過程中的每一步。這意味著從思想到結果的時間大大縮短。另一種方法是你必須自己實現每個功能。從頭開始。這比選擇現成的工具要花費更長的時間。 * **更容易**：您可以花時間選擇好的工具，而不是研究和實施技術來實現。另一種方法是，您必須成為流程每個步驟的專家才能實施它。這需要研究，更深入的練習以理解技術，以及更高水平的工程以確保其有效實施。 * **有趣**：初學者獲得好成績的障礙較小。您可以使用額外的時間來獲得更好的結果或處理更多項目。另一種方法是，您將花費大部分時間來構建工具而不是獲得結果。 ### 有目的的工具您不想為了自己的利益而學習和使用機器學習工具。他們必須服務于強大的目標。機器學習學習工具提供了可用于在機器學習項目中提供結果的功能。當您嘗試決定是否在工具上學習新工具或新功能時，可以將其用作過濾器。你可以問這個問題： > 這如何幫助我在機器學習項目中取得成果？機器學習工具不僅僅是機器學習算法的實現。它們可以是，但它們也可以提供在處理機器學習問題的過程中的任何步驟都可以使用的功能。 ### 好與偉大的工具您希望使用最佳工具來解決您正在處理的問題。如何分辨好機器學習工具和優秀機器學習工具之間的區別？ * **直觀界面**：出色的機器學習工具為應用機器學習過程的子任務提供了直觀的界面。在任務的界面中有一個很好的映射和適用性。 * **最佳實踐**：優秀的機器學習工具體現了流程，配置和實施的最佳實踐。示例包括機器學習算法的自動配置和內置于工具結構中的良好過程。 * **可信資源**：優秀的機器學習工具維護得很好，經常更新，并且周圍有一群人。查找工具周圍的活動作為正在使用的標志。 ### 何時使用機器學習工具機器學習工具可以節省您的時間并幫助您在項目間保持一致性。您可以從使用機器學習工具中獲得最大收益的一些示例包括： * **入門**：當您剛入門時，機器學習工具將指導您快速完成良好結果，讓您有信心繼續下一個項目。 * **日常**：當您需要快速獲得問題的良好結果時，機器學習工具可以讓您專注于問題的細節而不是您需要使用的技術的深度得到答案。 * **項目工作**：當您處理大型項目時，機器學習工具可以幫助您構建解決方案原型，找出需求并為您提供可能要實現的系統的模板。 ## 平臺與庫有很多機器學習工具。足夠谷歌搜索可以讓你感到不知所措。考慮機器學習工具的一種有用方法是將它們分成**平臺**和**庫**。平臺提供運行項目所需的全部內容，而庫僅提供離散功能或完成項目所需的部分功能。這不是一個完美的區別，因為一些機器學習平臺也是庫或某些庫提供圖形用戶界面。然而，這提供了一個很好的比較點，以區分一般案例目的與特定目的工具。 ### 機器學習平臺機器學習平臺提供從頭到尾完成機器學習項目的功能。即，一些數據分析，數據準備，建模和算法評估和選擇。機器學習平臺的特點是： * 它們提供機器學習項目中每個步驟所需的功能。 * 界面可以是圖形，命令行，所有這些或一些組合的編程。 * 它們提供松散的功能耦合，要求您將各個部分連接在一起，以滿足您的特定項目需求。 * 它們專為通用目的和探索而設計，而不是速度，可擴展性或準確性。機器學習平臺的例子是： * [WEKA 機器學習工作臺](http://machinelearningmastery.com/what-is-the-weka-machine-learning-workbench/)。 * [R 平臺](http://machinelearningmastery.com/what-is-r/)。 * Python SciPy 的子集（例如 [Pandas](http://machinelearningmastery.com/quick-and-dirty-data-analysis-with-pandas/) 和 [scikit-learn](http://machinelearningmastery.com/a-gentle-introduction-to-scikit-learn-a-python-machine-learning-library/) ）。 ### 機器學習庫機器學習庫提供完成機器學習項目的一部分的功能。例如，庫可以提供一組建模算法。機器學習庫的特點是： * 它們為機器學習項目中的一個或多個步驟提供特定功能。 * 該接口通常是需要編程的應用程序編程接口。 * 它們專為特定用例，問題類型或環境而定制。機器學習庫的示例如下： * [scikit-learn](http://machinelearningmastery.com/a-gentle-introduction-to-scikit-learn-a-python-machine-learning-library/) 在 Python 中。 * Java 中的 [JSAT](https://github.com/EdwardRaff/JSAT) 。 * [.NET 中的 Accord Framework](http://accord-framework.net/) ## 機器學習工具接口考慮機器學習工具的另一種有用方法是通過它們提供的界面。這可能會令人困惑，因為有些工具提供了多個接口。然而，它提供了一個起點，也許是一個差異點，可以幫助您選擇機器學習工具。以下是常見接口的一些示例。 ### 圖形用戶界面機器學習工具提供圖形用戶界面，包括窗口，指向和點擊以及對可視化的關注。圖形用戶界面的好處是： * 允許技術水平較低的用戶完成機器學習。 * 專注于流程以及如何充分利用機器學習技術。 * 界面對用戶施加的結構化過程。 * 更加專注于可視化等信息的圖形表示。帶有圖形界面的機器學習工具的一些示例包括： * [KNIME](https://www.knime.org/) * [RapidMiner](https://rapidminer.com/) * [橙](http://orange.biolab.si/) ### 命令行界面機器學習工具提供命令行界面，包括命令行程序，命令行參數化以及對輸入和輸出的關注。命令行用戶界面的好處是： * 允許非程序員的技術用戶完成機器學習項目。 * 為機器學習項目的特定子任務提供許多小型聚焦程序或程序模式。 * 根據所需的輸入和要生成的輸出來構建機器學習任務。 * 通過記錄或編寫腳本命令和命令行參數來提升可重現的結果。用于命令行界面的機器學習工具的一些示例包括： * [華夫餅](http://waffles.sourceforge.net/) * [WEKA 機器學習工作臺](http://machinelearningmastery.com/what-is-the-weka-machine-learning-workbench/) 如果您喜歡使用這個命令，請在命令行“[數據科學命令行：使用經過時間測試的工具](http://www.amazon.com/dp/1491947853?tag=inspiredalgor-20)面向未來”的命令行上查看有關如何解決機器學習問題的好書。 [![Amazon Image](img/34335eafcfd18a87a92c9d6c58006c9d.jpg)](http://www.amazon.com/dp/1491947853?tag=inspiredalgor-20) ### 應用程序接口機器學習工具可以提供應用程序編程接口，使您可以靈活地決定使用哪些元素以及如何在您自己的程序中使用它們。應用程序編程接口的好處是： * 您可以將機器學習融入您自己的軟件項目中。 * 您可以創建自己的機器學習工具。 * 使您可以靈活地在機器學習項目中使用自己的流程和自動化。 * 允許將您自己的方法與庫提供的方法結合使用，并擴展提供的方法。帶應用程序編程接口的機器學習工具的一些示例包括： * [Pylearn2](http://deeplearning.net/software/pylearn2/) for Python * [Deeplearning4j](http://deeplearning4j.org/) for Java * [LIBSVM](https://www.csie.ntu.edu.tw/~cjlin/libsvm/) 代表 C. ## 本地與遠程機器學習工具比較機器學習工具的最后一種方法是考慮該工具是本地的還是遠程的。本地工具是您在本地下載，安裝和使用的工具，在第三方服務器上運行遠程工具。這種區別也可能是混亂的，因為某些工具可以以本地或遠程方式運行。此外，如果您是優秀的工程師，您幾乎可以將任何工具配置為您自己的服務器上的托管解決方案。然而，這可能是一個有用的區別，可以幫助您理解和選擇機器學習工具。 ### 本地工具在本地環境中下載，安裝和運行本地工具。 * 針對內存數據和算法量身定制。 * 控制運行配置和參數化。 * 集成到您自己的系統中以滿足您的需求本地工具的示例包括： * [Shogun Library](http://www.shogun-toolbox.org/) for C ++ * [Go 的 GoLearn](https://github.com/sjwhitworth/golearn) ### 遠程工具遠程工具托管在服務器上，并從本地環境調用。這些工具通常稱為機器學習即服務（MLaaS）。 * 量身定制，以便在更大的數據集上運行。 * 跨多個系統，多個內核和共享內存運行。 * 由于大規模運行所需的修改，因此算法較少。 * 更簡單的接口提供對運行配置和算法參數化的較少控制。 * 通過遠程過程調用集成到本地環境中。遠程工具的示例： * [Google Prediction API](https://cloud.google.com/prediction/) * [AWS 機器學習](https://aws.amazon.com/machine-learning/) * [Microsoft Azure 機器學習](https://azure.microsoft.com/en-us/services/machine-learning/) 您可以使用一些工具來設置自己的遠程解決方案，并將其作為服務集成到您的環境中。例子包括： * [適用于 Hadoop 的 Apache Mahout](http://mahout.apache.org/) * [MLlib](http://spark.apache.org/mllib/) 代表 Spark * [PredictionIO](https://prediction.io/) ## 摘要在這篇文章中，您發現了為什么工具在應用機器學習中如此重要。您了解到，如果沒有良好的機器學習工具，您將不得不從頭開始實施所有技術，這需要技術和高效工程實踐方面的專業知識。您學習了三種結構化方法來考慮機器學習工具： * 平臺與庫 * 圖形用戶界面與命令行界面與應用程序編程接口的對比 * 本地與遠程你使用什么機器學習工具？發表評論并分享您當前使用的機床。