TIP
本文主要是介绍 Java-机器学习框架介绍 。
# 7个最好的Java机器学习开发库
摘要：现如今，拥有深度学习和机器学习领域的技术是科技界的趋势之一，并且企业则希望雇佣一些拥有良好的机器学习知识背景的程序开发工程师。本文将介绍一些目前流行的、强大的基于Java的机器学习库，希望给大家带来帮助。
事实上，Java已经成为开发新的机器学习算法的标准语言。学习Java语言有很多好处，并且在机器学习社区中也被人们所广泛接受，其优点包括：易维护、商业化、可读性、可移植性等等。根据2018年6月的编程语言排行榜TIOBE-index提供的数据显示，Java是目前最流行和使用最广泛的计算机编程语言，包括PHP、C语言、C++、Python和JavaScript等。如果企业想将机器学习业务整合到现有的Java商业应用程序中，那么就必须雇用Java开发人员。
下面我们将列出一些在现有的一些Java应用程序中实现机器学习的最佳类库。所有的这些库都是通过各种博客、网站和论坛的流行程度来编写的。
# Deeplearning4j 推荐Java开发者学习
这个机器学习库是专门为Java设计的，它是为开发深度学习算法提供了广泛支持的计算机框架。当涉及到机器学习领域时，Deeplearning4j被认为是Java的最杰出的贡献者之一，它是一个开源的深度学习库，为各种商业环境同时带来深度神经网络和强化深度学习。它通常还可以作为Java的DIY工具，而且还具有应对所有那些无限制的虚拟并发任务的能力。
另外，该库对于识别语音、文字和声音中的情绪和模式是很有帮助的。它也可以用于发现时间序列数据中的异常，如财务数据，都清楚地表明它可以用于实际的商业场景而不是单纯作为一个研究工具。
# ELKI
ELKI代表了开发KDD应用程序的环境，KDD应用是由索引结构支持的，它是另一个由Java开发的用于数据挖掘的开源机器学习库。ELKI是专门为研究人员和学生设计的，它提供了大量的可详细配置的算法参数。
ELKI主要是由正在寻求建立一些相关的数据库的院校研究生使用的，它的目的是开发和评估高级的数据挖掘算法及其与数据库索引结构的合作和交互。使用ELKI的Java开发人员可以使用任意的数据类型、文件格式等等。
# JavaML
JavaML是一个拥有大量机器学习的和数据挖掘的算法的Java类库，它是由科研工作人员和Java开发者共同开发的。这个库不含有GUI，但它为每个类型的算法提供了清晰的接口。当我们比较JavaML与其它的聚类算法时，就会发现它是非常的简单直接，并且提供给任何新算法的简单实现。更多的情况下，这些算法的实现是需要简单明了的程度代码和添加适当的注释，因此它可以作为一个很好的参考。这个库是用Java开发的。
# JSAT
JSAT提供的是Java统计分析工具，是基于Java开发的用于解决机器学习问题的库，它可以在GPL3许可下使用，它的所有源代码都是包含在内的，没有任何外部依赖关系。JSAT拥有一个库中最大的机器学习算法集合，并被认为是运行最快的Java机器学习库之一，提供了高效性和灵活性。该库中的所有机器学习算法都是使用面向对象的框架来实现的。
# MALLET
MALLET库是用于机器学习的语言工具包，它是Java源代码的合集，可应用的领域包括统计NLP、主题建模、聚类分析、文档分类和各种其它用于文本的机器学习应用。MALLET也可以被称为用于文本的Java机器学习工具包，它是由马萨诸塞大学和宾夕法尼亚大学的学生开发的，并为那些诸如决策树、朴素贝叶斯和最大熵模型等各种算法提供支持。
# Mahout
Mahout是一个机器学习框架，带有集成的机器学习算法，能帮助开发人员创建自己的算法实现程序。Mahout还是一个代数相关的框架，被设计用来帮助数据科学工作者、数学工作者和分析人员运行自己的算法。这个机器学习库是可扩展的，并提供了丰富的组件集，允许你开发一个适用于各种机器学习算法的定制推荐系统。Mahout提供了高性能、灵活性和可扩展性，同时也是为商业化用途所设计的。
# Weka
Weka是另一个非常流行的基于Java的机器学习库，可以用于数据挖掘和数据分析工作，其中可以将算法直接应用到一个数据集，或者使用Java源代码自己创建新的算法。这个Java库包含了许多的工具，如：回归、聚类、分类和可视化等等。该库不仅是免费的，而且还便于使用，支持特征选择、异常检测、时间序列预测等等。Weka的全称是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），它可以被定义为用于预测建模和数据分析以及图形用户界面（GUI）的算法和工具的集合。
# 结论
在过去的几年中，机器学习领域有了新的趋势。事实上，上述大多数的库都是开源的，这就意味着开发者可以很容易地掌握机器学习的开发能力和获取到相关的技术信息，并且所有的开发者都必须得考虑利用这些库都可以做些什么。基于Java的机器学习技术将彻底改变应用程序的工作模式。
本文转载自：https://blog.csdn.net/j2IaYU7Y/article/details/81916842
# 【----------------------------】
# 超全！基于Java的机器学习项目、环境、库...
本文介绍了主要的平台和开放源码的Java机器学习库。
你是一名希望开始或者正在学习机器学习的Java程序员吗？
利用机器学习编写程序是最佳的学习方式。你可以从头开始编写算法，但是利用现有的开源库，你可以取得更大的进步。
本文介绍了主要的平台和开放源码的机器学习库。你可以使用这些机器学习库。
# 环境
本节描述了用于机器学习的Java环境或工作域。它们提供了用于执行机器学习任务的图形用户界面，还提供了用于开发自己应用程序的Java API。
# - WEKA
怀卡托环境知识分析(Weka)( https:// www.cs.waikato.ac.nz/ml/weka/)是一个由新西兰怀卡托大学开发的机器学习平台。提供Java的图形用户接口，命令行接口和Java API接口。它可能是最流行的Java机器学习库，也是开始或练习机器学习的好地方。
# KNIME
康斯坦茨信息挖掘(KNIME)(https://www.knime. com/)是德国康斯坦茨大学开发的一个分析和报告平台。它的研发重点是药物研究，但已扩展到一般商业智能。它提供一个图形用户接口（基于Eclipse）和Java API。
# 快速挖掘
快速挖掘（https://rapidminer.com/）由德国多特蒙德应用技术大学研发。它提供了一个GUI和一个Java API来开发自己的应用程序。还提供了数据处理、可视化和建模的机器学习算法。
# ELKI
ELKI是一个用于开发由索引结构支持的KDD-应用程序的环境（https://elki-project.github.io/），它是由德国慕尼黑的路德维希马克西米利安大学用Java语言开发的一款数据挖掘工作平台。它的重点是在关系型数据库 (opens new window)中处理数据，例如异常值检测和分类(基于距离函数方法)。它提供了一个迷你GUI、命令行接口和Java API。
# 库
其实本文列出的每个项目都带有Java API库。不过在这一节中列出的这些项目仅提供了一个Java API。从狭义上来说，它们是机器学习库。
# Java-ML
Java机器学习库(Java-ML)(http://java-ml.sourceforge.net/)提供了在Java中实现的机器学习算法的集合。它为每一种算法提供了标准接口，没有UI（用户界面），也没有引用相关的科学文献来进一步阅读。它包括数据操作、群集、特性选择和分类的方法。值得注意的是，截止本文成稿为止，它的最新一个版本是在2012年。
# JSAT
Java统计分析工具(JSAT)（https://github.com /EdwardRaff/JSAT/tree/master）提供了一个纯Java语言实现的标准机器学习算法，用于解决中等规模的问题。JSAT的作者称他开发的这个库部分是为了进行自我学习，部分是为了完成工作。尽管如此，算法的列表还是令人印象深刻的。它包括分类、回归、合集、聚类和特征选择方法。
# Java大数据项目
本节列出了适合大数据 (opens new window)的Java项目，例如机器集群。
# Mahout (Hadoop)
Apache Mahout（https://mahout.apache.org/）提供了用于实现Apache Hadoop平台(分布式映射化简)的机器学习算法。该项目主要关注集群和分类算法，一个流行的应用程序驱动实现是它在推荐系统的协作筛选中使用。还包括在单个节点上运行算法的引用实现。
# MLlib (Spark)
Apache机器学习库（MLlib）（http://spark. apache.org/mllib/）提供了用于Apache Spark平台(HDFS，而不是映射化简)机器学习算法的实现。尽管Java库和平台支持Java、Scala和Python绑定。这个库是新的，算法的列表很短，但是增长很快。
# MOA
大规模在线分析(MOA)(https://moa.cms. waikato.ac.nz/)是一个开源平台，由新西兰怀卡托大学的数据流挖掘设计。和Weka相同（开发在相同的地方），提供一个GUI，命令行接口和Java API。它提供了一长串的算法，重点是分类和支持离群检测，解决概念漂移。MOA使用先进的数据挖掘和机器学习系统(ADAMS)（https://adams.cms.waikato.ac.nz/）管理工作流，开发也在相同的地方。
# SAMOA
可扩展的高级在线分析(SAMOA)（http://samoa-project.net/）是一个由雅虎开发的分布式流媒体机器学习框架。它的设计运行在Apache Storm 和 Apache S4上。系统可以利用MOA项目提供的算法来完成分类等任务。
# 自然语言处理
本节将致力于Java库和项目，用于解决来自机器学习的子领域的问题，称之为自然语言处理（NLP）。
自然语言处理不是我的领域，所以我仅仅指出关键的库。
- OpenNLP: Apache OpenNLP（http://opennlp. apache.org/）是处理自然语言文本的工具包，它为诸如标记化、分割和实体提取等自然语言处理任务提供了方法。
- LingPipe：LingPipe（http://alias-i.com/lingpipe/）是计算语言学的一个工具包，包括了主题分类、实体提取、聚类和情绪分析的方法。
- GATE: 文本工程一般结构（GATE）（http://gate.ac.uk/）是一个开源的用于文本处理的库。它提供了针对不同用例子项目的数组。
- MALLET：机器学习语言工具包(MALLET)( http://mallet.cs.umass.edu/)是一种Java工具包，用于统计自然语言处理、文档分类、集群、主题建模和信息提取。
# 计算机视觉
本节列出了机器学习子领域库，称之为计算机视觉（VC）。
计算机视觉不是我熟悉的领域，所以我仅仅指出关键的库。
# BoofCV：
BoofCV（http://boofcv.org/index.php?title=Main_Page）是一个用于计算机视觉和机器人应用的开放源码库。它支持图像处理、特征、几何视觉、校准、识别和图像数据输入等功能。
# 深度学习
随着深度学习方法和硬件的快速发展，神经网络又重新流行起来。本节列出了用于处理神经网络和深度学习的关键Java库。
- Encog：Encog（http://www.heatonresearch.com/encog）是一个机器学习库，提供了诸如SVM、经典神经网络、遗传编程、贝叶斯网络、HMM和遗传算法的算法。
- Deeplearning4j：Deeplearning4j（http://deeplearning4j.org/）被认为是一个用Java编写的商业级的深度学习库。它被描述为与Hadoop兼容并提供了一些算法，包括受限的Boltzmann机，深层的信念网络和堆叠的降噪自动编码器。
# 总结
在这篇文章中，当我们在Java中选择一个用于机器学习的库或平台时，我们已经接触到了大项目名称选项。这些是倍受学习者欢迎的项目，但绝不只这些列出来的。比如：看一下MLOSS.org （http://mloss.org/software/language/java/）上的这个页面，(截止本文时)它列出了71个基于java的开源机器学习项目。这是一件很重要的工作，我相信GitHub和SourceForge还有更多的工作要做。
学习者的关键是要认真考虑自己的项目和需求。从一个库或者一个平台中找出你需要的东西，然后选择和学习一个最适合自己的项目。
原文链接：
https://machinelearningmastery.com/java-machine-learning/
编辑：黄继彦
# 参考文章
- https://www.cnblogs.com/wpcnblog/p/10974364.html
- https://cloud.tencent.com/developer/article/1032224
