Mahout是一个利用Map/Reduce的机器学习算法库，其思想源于斯坦福大学几个学者在2006年的nips会议上发表的一篇文章“Map- Reduct for Machine Learning on Multicore＂。

在研究机器学习中，理论在其整个自上而下方法中试用于哪里呢？ 在传统的机器学习教学中，丰富的数学理论知识对于理解机器学习是至关重要的，我的机器学习教学方法通常是教你如何端对端解决问题以及传输结构。

这篇内容基于我去年的一些感悟写的，但是今年才在Stuq 的微信群做的分享。从技术角度而言，对Spark的掌握和使用还是显得很手生的。但是今天一位做数据分析相关的朋友说，受这篇内容影响，他接受了 Spark-Shell作为数据分析的工具，简单几个命令，轻松处理几千万行数据。于是我就重新整理了下这篇文章。

机器学习中使用的算法大体分为 3 类：监督学习、无监督学习和强化学习。 监督学习 提供了反馈来表明预测正确与否，而 无监督学习 没有响应：算法仅尝试根据数据的隐含结构对数据进行分类。 强化学习 类似于监督学习，因为它会接收反馈，但反馈并不是对每个输入或状态都是必要的。本教程将探索这些学习模型背后的理念，以及用于每种模型的一些关键算法。

Quora 是一家以“分享和推动全球知识增长”为己任的网站。 Xavier Amatriain 是Quora的工程副总裁。近日，他撰文 介绍 了Quora如何应用机器学习。

在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。

你可能听说过谷歌和Facebook这样的公司如何利用机器学习来开车、识别语音和分类图片。你可能会想，这很酷。但这和你的工作有什么关系呢？好吧，来看看这些公司如何使用机器学习吧。

KeystoneML 是一个用 Scala 编写的软件框架，来自伯克利大学 AMPLab 实验室。该项目主要目的是简化构造大规模、端到端的机器学习管道，基于 Apache Spark 构建。

SystemML 是灵活的，可伸缩机器学习 (ML) 语言，使用 Java 编写。机器学习 (ML) 是指无需显式的编程即可让计算机学习的能力。

Shifu 是一个针对 Hadoop 开源的，终端到终端的机器学习平台。Shifu为数据科学家而设计，简化构建机器学习模型的生命周期。

如果你曾希望训练机器学习模型，使其支持 IFTTT，那么 现在可以 使用来自 MateLabs 的新产品。该公司的 MateVerse 平台此前已经可以帮助新手玩转机器学习模型，而目前进一步支持了与 IFTTT 的配合使用，帮你自动建立模型，基于特定条件去运行。

我拥有丹麦最好的技术大学的软件工程学士学位，我还拥有商业硕士学位。 我把自己看成是相当技术型的人才。我的工作是确保公司的开发人员写出优秀的代码，以及我们选用合适架构方面的决策。我们做着优秀的工作，客户貌似喜欢我们（是的，他们坚持买我们的东西！）。

算算时间，从开始到现在，做机器学习算法也将近八个月了。虽然还没有达到融会贯通的地步，但至少在熟悉了算法的流程后，我在算法的选择和创造能 力上有了不小的提升。实话说，机器学习很难，非常难，要做到完全了解算法的流程、特点、实现方法，并在正确的数据面前选择正确的方法再进行优化得到最优效 果，我觉得没有个八年十年的刻苦钻研是不可能的事情。

机器学习（Tom Mitchell，1998）：如果计算机程序对于任务T的性能度量P通过经验E得到了提高，则认为此程序对E进行了学习。

快讯动机 现在每天真的是变化太快，太多的资讯信息铺天盖地而来，要想把每天遇到的大量的优质资讯信息进行学习吸收又非常的困难，所以特此做一个机器学习快讯专题，把平日遇到的优质文章整理罗列出来，等有时间或者遇到类似的问题的时候再看也是有益处的。

神经网络和决策树这样的学习方法需要一定数目的训练样例，以达到一定级别的泛化精度。前面章节讨论的理论界限和实验结果反映出了这一事实。分析学习使用先验知识和演绎推理来扩大训练样例提供的信息，因此它不受同样的界限所制约。本章考虑了一种称为基于解释的学习（EBL）的分析学习方法。在基于解释的学习中，先验知识用于分析（或者解释）观察到的学习样例是怎样满足目标概念的。

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方法。在机器学习 领域，有几种主要的学习方法。将算法按照学习方法分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获 得最好的结果。

　对学习到的假设，最具有表征力的和最能为人类所理解的表示方法之一为if-then规则的集合。本章探索了若干能学习这样的规则集合的算法。其中最重要的一种是学习包含变量的规则集合，或称为一阶Horn子句集合。由于一阶Horn子句集合可被解释为逻辑编程语言Prolog中的程序，学习的过程经常被称为归纳逻辑编程（ILP）。

　概念学习和一般到特殊序从特殊的训练样例中归纳出一般函数是机器学习的中心问题。本章介绍概念学习：给定某一类别的若干正例和反例，从中获得该类别的一般定义。概念学习也可被看作一个搜索问题，它在预定义的假设空间中搜索假设，使其与训练样例有最佳的拟合度。

贝叶斯推理提供了推理的一种概率手段。它基于如下的假定，即待考查的量遵循某概率分布，且可根据这些概率及已观察到的数据进行推理，以作出最优的决策。贝叶斯推理对机器学习十分重要，因为它为衡量多个假设的置信度提供了定量的方法。