1.3　机器学习算法

本节将回顾机器学习所需的算法，介绍机器学习库，包括Spark的MLlib和IBM的SystemML，然后讨论它们与Spark的集成。

阅读本节之后，读者将会熟悉包括Spark MLlib在内的各种机器学习库，知道如何利用它们进行机器学习。

为完成机器学习项目，数据科学家经常使用机器学习工具（如R语言或MATLAB）上的一些成熟分类或回归算法开发和评估预测模型。要完成一个机器学习项目，除了数据集和计算平台，这些机器学习算法库也是十分必要的。

例如，R语言提供了专业人员使用的各类算法，所以得到了广泛流行和深入使用。R语言有1000多个程序包，数据科学家可能不需要全部的程序包，但需要几个关键的程序包：

数据加载：使用RODBC或RMySQL

数据操作：使用stringr或lubridate

数据可视化：使用ggplot2或leaflet

数据建模：使用Random Forest或survival

报告结果：使用shiny或markdown

根据近期ComputerWorld的调查，下载最多的R语言程序包如下：

程序包名称 下载次数

程序包名称 下载次数

Rcpp 162778

ggplot2 146008

plyr 123889

stringr 120387

colorspace 118798

digest 113899

reshape2 109869

RColorBrewer 100623

scales 92448

manipulate 88664

更多的信息，请访问：http://www.computerworld.com/article/2920117/business- intelligence/most-downloaded-r-packages-last-month.html。