看了无数的理论与知识，总归要落到实际动手实现和解决问题上。而没有工具所有的材料和框架、逻辑、思路都给你，也寸步难行。因此本港台直播们还是得需要合适的编程语言、工具和环境帮助自己在数据集上应用机器学习算法，或者实现自己的想法。对初学者而言，Python和R语言是很好的入门语言，很容易上手，同时又活跃的社区支持，丰富的工具包帮助本港台直播们完成想法。相对而言，似乎计算机相关的同学用Python多一些，而数学统计出身的同学更喜欢R一些。本港台直播们对编程语言、工具和环境稍加介绍：

　　3.3.1 python

　　python有着全品类的数据科学工具，从数据获取、数据清洗到整合各种算法都做得非常全面。

　　网页爬虫: scrapy

　　数据挖掘:

　　pandas：模拟R，进行数据浏览与预处理。

　　numpy：数组运算。

　　scipy：高效的科学计算。

　　matplotlib：非常方便的数据可视化工具。

　　机器学习:

　　scikit-learn：远近闻名的机器学习package。未必是最高效的，但是接口真心封装得好，几乎所有的机器学习算法输入输出部分格式都一致。而它的支持文档甚至可以直接当做教程来学习，非常用心。对于不是非常高纬度、高量级的数据，scikit-learn胜任得非常好(有兴趣可以看看sklearn的源码，也很有意思)。

　　libsvm：高效率的svm模型实现(了解一下很有好处，libsvm的系数数据输入格式，在各处都非常常见)

　　keras/TensorFlow：对深度学习感兴趣的同学，也能很方便地搭建自己的神经网络了。

　　自然语言处理:

　　nltk：自然语言处理的相关功能做得非常全面，有典型语料库，而且上手也非常容易。

　　交互式环境：

　　ipython notebook：能直接打通数据到结果的通道，方便至极。强力推荐。

　　3.3.2 R

　　R最大的优势是开源社区，聚集了非常多功能强大可直接使用的包，绝大多数的机器学习算法在R中都有完善的包可直接使用，同时文档也非常齐全。常见的package包括：RGtk2, pmml, colorspace, ada, amap, arules, biclust, cba, descr, doBy, e1071, ellipse等等。另外，值得一提的是R的可视化效果做得非常不错，而这对于机器学习是非常有帮助的。

　　3.3.3 其开奖直播语言

　　相应资深程序员GG的要求，再补充一下java和C++相关机器学习package。

　　Java系列

　　WEKA Machine Learning Workbench相当于java中的scikit-learn

　　其开奖直播的工具如Massive Online Analysis（MOA）、MEKA 、 Mallet等也非常有名。

　　更多详细的应用请参考这篇文章《25个Java机器学习工具&库》

　　C++系列

　　mlpack，高效同时可扩充性非常好的机器学习库。

　　Shark：文档齐全的老牌C++机器学习库。

　　3.3.4 大数据相关

　　Hadoop：基本上是工业界的标配了。一般用来做特征清洗、特征处理的相关工作。

　　spark：提供了MLlib这样的大数据机器学习平台，实现了很多常用算法。但可靠性、稳定性上有待提高。

　　3.3.5 操作系统

　　mac和linux会方便一些，而windows在开发中略显力不从心。所谓方便，主要是指的mac和linux在下载安装软件、配置环境更快捷。

　　对于只习惯windows的同学，推荐anaconda，一步到位安装完python的全品类数据科学工具包。

　　3.4 基本工作流程

　　以上本港台直播们基本具备了机器学习的必要条件，剩下的就是怎么运用它们去做一个完整的机器学习项目。其工作流程如下:

　　3.4.1 抽象成数学问题

　　明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。

　　这里的抽象成数学问题，指的本港台直播们明确本港台直播们可以获得什么样的数据，目标是一个分类还是回归或者是聚类的问题，如果都不是的话，如果划归为其中的某类问题。

　　3.4.2 获取数据

　　数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限。

　　数据要有代表性，否则必然会过拟合。

　　而且对于分类问题，数据偏斜不能过于严重，不同类别的数据数量不要有数个数量级的差距。