动手实践：选择存储工具（如 Google Cloud，Amazon 等）；为存储数据、训练和预测编码；可以使用开源框架（liblinear，Weka，Tensorflow 等）或自己的实现模型；

优点：可能成本更低（只需为聚类使用/数据存储付费）；非常灵活；流行的框架有强大的社区支持

缺点：人力投入多（需要一个开发者/数据科学家的团队）

　　数据处理框架：

Map / Reduce + Hadoop——分布式存储和处理系统

M / R——处理大量数据的范式

Pig，Hive，Cascalog——在Map / Reduce 上的框架

Spark——数据处理和训练的全栈解决方案（full stack solution）

Google Cloud Dataflow

　　ML 工具：ML 即服务

　　ML即服务（ML as a service）：预构建全栈解决方案（使用堆栈轻松训练和部署模型）

特点：较少参与；不同组件无缝工作（存储，聚类，训练和预测等）；可能不是很灵活

其他选择：Amazon ML；Microsoft Azure；IBM Watson；Google Cloud ML

　　Google 云服务：

云存储（Cloud Storage）

BigQuery

Cloud DataLab

Cloud DataFlow

TensorFlow

Google Cloud Machine Learning (alpha)

预训练模型（图像识别、语言检测和翻译、语音识别）

　　TensorFlow

开源计算引擎，专为神经网络设计，同时也可兼容其他非神经网络训练

将你需要做的计算表示为数据流图（包括节点、边和张量）

非常灵活：使用预定义的、构建神经网络常用的组件；可以根据特定的计算需求写你自己所需的图

在 CPU 和GPU上都能运行，在桌面端、服务器和移动端平台都能运行

使用 Python 和 C++，还有交互的iPython 使用教程

开发者社区非常活跃

　　谷歌云机器学习（alpha）

大规模机器学习最好的云上运行，这样开发起来更简单，运行速度也更快。

谷歌云机器学习的深度学习框架也用于驱动 Gmail、Google Photos 等产品

易于管理的 no-ops 基础设施

能训练任何大小数据集的模型

使用 TensorFlow 原生深度学习算法

有互动的 Datalab 模型开发设计教程

适用于多种不同类型的数据，与谷歌云平台产品整合

　　预训练的模型

(责任编辑：本港台直播)